随着企业和政府对网络安全的认识逐渐提高，虽然每年都有数十亿美元的资金投入到网络安全领域，但网络攻击事件仍然层出不穷，从2016年开始，黑客攻击开始了井喷。对于人工智能技术，尽管争论从未停止，但并不妨碍人们对它的利用。原因有三方面......

<font size="4" color="blue"><strong>深度可分离卷积</strong></font>

在《Python深度学习》（Keras之父执笔）这本书里看到：注意，大部分（或全部）普通卷积很可能不久后会被深度可分离卷积(depthwise separable convolution)所替代, 后者与前者等效，但速度更快，表示效率更高。

<strong>1. 简介</strong>

在可分离卷积中，它将对区域和通道的计算分离开，而普通卷积是同时考虑区域和通道的。

<strong>2. 通过例子对比可分离卷积和普通卷积的区别</strong>

边缘计算现在很热门，但并不是每个人都理解为什么这么多人如此专注于将数据保存在网关或内部服务中，而不是将其发送到云端。虽然将数据处理带到网络边缘似乎是一个巨大转变，而不是将所有数据发送到云端，但对于很多物联网应用情境来说，云计算永远不会是一个可行的解决方案。当谈到物联网时，边缘计算胜出的原因主要有五个，其中三个跟云数据传输的技术限制有关，另外两个取决于企业文化和对云安全的认知。

前段时间阅读了Jiwei Li等人[1]在EMNLP2015上发表的论文《When Are Tree Structures Necessary for Deep Learning of Representations?》,该文主要对比了基于树形结构的递归神经网络(Recursive neural network)和基于序列结构的循环神经网络(Recurrent neural network)，在4类NLP任务上进行实验，来讨论深度学习模型何时需要树形结构。下面我将通过分享这篇论文以及查看的一些相关资料来讨论一下我们何时需要树形结构知识。

<font size="4"><strong>1 句法分析树</strong></font>

生成模型（Generative Model）是相对于判别模型（Discriminative Model）定义的。他们两个都用于有监督学习。监督学习的任务就是从数据中学习一个模型（也叫分类器），应用这一模型，对给定的输入X预测相应的输出Y。这个模型的一般形式为决策函数Y=f(X)或者条件概率分布P(Y|X)。

强化学习（Reinforcement Learning，简称RL）是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。从本质上看，强化学习是一个通用的问题解决框架，其核心思想是 Trial & Error。

工业相机类型：按照输出信号类型的不同分为模拟相机和数字相机两种。而数字相机按照接口标准不同，可以分为1394相机、USB相机、CameraLink相机以及Gige相机四种。其中CameraLink接口相机能够解决大数据量传送问题；Gige接口相机能够解决长距离、快速传输问题；而1394相机和USB接口相机具有简单易用、性价比高等特点。

目前边缘计算已经得到了各行各业的广泛重视，并且在很多应用场景下开花结果。根据边缘计算领域特定的特点，本文认为6个方向是未来几年迫切需要解决的问题：编程模型、软硬件选型、基准程序与标准、动态调度、与垂直行业的紧密结合以及边缘节点的落地。

智能门锁的兴起是门锁行业推陈出新的必然结果。随着物联网以及人工智能等的发展，智联网世界必然到来。相较机械锁，智能门锁也更符合未来智联网社会的需求。

图形管线（graphics pipeline）向来以复杂为特点，这归结为图形任务的复杂性和挑战性。OpenGL作为图形硬件标准，是最通用的图形管线版本。2016年正式发布的Vulkan是OpenGL ES™的继任者，它为开发者提供更大的控制权以及更透明的程序设计，从总体上比OpenGL ES具有更大的潜力将性能最大化。

Android 包含一些设备上开发者选项，可帮助您直观地了解您的应用在何处出现界面渲染问题，如执行太多不必要的渲染工作，或执行长时间的线程和 GPU 操作。Profile GPU Rendering 工具以滚动直方图的形式直观地显示渲染界面窗口帧所花费的时间。在性能较低的 GPU 上，可用的填充率可能很低。 随着绘制帧所需的像素数增加，GPU 可能需要花较长时间来处理新命令......

深度卷积神经网络（CNN）是一种特殊类型的神经网络，在各种竞赛基准上表现出了当前最优结果。深度 CNN 架构在挑战性基准任务比赛中实现的高性能表明，创新的架构理念以及参数优化可以提高 CNN 在各种视觉相关任务上的性能。本综述将最近的 CNN 架构创新分为七个不同的类别，分别基于空间利用、深度、多路径、宽度、特征图利用、通道提升和注意力。

近年来，以人脸识别为代表的计算机视觉的发展备受关注，人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。前瞻产业研究院根据人脸识别行业发展现状，估算我国人脸识别市场规模约占全球市场的10%左右。

序列图像的超分辨率复原是指采用信号处理的方法通过对序列低分辨率退化图像的处理来获得一幅或者多幅SR复原图像，该技术可以弥补硬件实现的局限并且成本低，在视频、遥感等领域有着重要的应用前景。简要介绍了超分辨率复原的应用，然后概述了相关的主要算法，最后指出了该领域的发展方向。

典型的卷积神经网络，开始阶段都是卷积层以及池化层的相互交替使用，之后采用全连接层将卷积和池化后的结果特征全部提取进行概率计算处理。在具体的误差反馈和权重更新的处理上，不论是全连接层的更新还是卷积层的更新，使用的都是经典的反馈神经网络算法，这种方法较原本较为复杂的......

<font size="4"><strong> 一、完整机器学习项目流程</strong></font><br><br>

<font size="3" color="#33b1c8"><strong>1. 数学抽象--任务目标</strong></font>

明确问题是进行机器学习的第一步。机器学习的训练过程通常都是一件非常耗时的事情，胡乱尝试时间成本是非常高的。

这里的抽象成数学问题，指的是根据数据明确任务目标，是分类、还是回归，或者是聚类。<br>

人工智能一词是在1956年的达特茅斯会议上被首次提出来的。作为一门新兴的交叉学科，人工智能在当今脑科学、认知科学飞速发展的基础下，被称为本世纪三大科技成就之一。目前来说，人工智能主要涉及计算机领域，它试图了解人类智能的实质，进而能够生产出一种媲美人类智能的软件系统、机器人、仿生人或者生化人，最后乃至能够全面超越当今人类的“新人类”。

2dx的时代UI树便利和渲染是没有分开的，遍历UI树的时候就渲染.3dx版本为了分离了ui树的遍历和渲染，先遍历生成渲染命令发到渲染队列，之后遍历渲染命令队列开始渲染.这样做的好处是渲染命令可以重用，单独的渲染可以做优化例如自动批绘制.本篇首先介绍cocos2D-X 3.x版本的渲染结构，之后会深入opengl es.

<strong>mainLoop</strong>

数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理的产生和迅速发展主要受三个因素的影响：一是计算机的发展；二是数学的发展（特别是离散数学理论的创立和完善）;三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。

做了几年的图像处理，可以对一些使用的方法进行总结：

<strong>1、图像变换 </strong>

由于图像阵列很大，直接在空间域中进行处理，涉及计算量很大。因此，往往采用各种图像变换的方法，例如：
傅立叶变换、沃尔什变换、离散余弦变换等间接处理技术，将空间域的处理转换为变换域处理，不仅可减少计算量，而且可获得更有效的处理（如傅立叶变换可在频域中进行数字滤波处理）。