博客

这份教学包是针对那些对人工神经网络（ANN）没有接触过、基本上完全不懂的一批人做的一个简短入门级的介绍。我们首先简要的引入网络模型，然后才开始讲解ANN的相关术语。作为一个应用的案例，我们解释了后向传播算法，毕竟这一算法已经得到广泛应用并且许多别的算法也是从它继承而来的。

几年前，大多数人都期望将物联网部署至云端，这的确可以给个人用户带来便捷的使用体验，但构建企业级的物联网解决方案，仍然需要采用云计算和边缘计算的结合方案。与纯粹的云端解决方案相比，包含边缘侧的混合方案可以减少延迟、提高可扩展性、增强对信息的访问量，并使业务开发变得更加敏捷。

1分钟带你秒懂5G世界！

机器学习(深度学习)跟编程范式以及处理的数据等方面根传统的编程有较大不同，需要学习或准备转型做这个领域的需要引起足够的关注。

一切不以安全为前提的技术开发，都是耍流氓。对于自动驾驶汽车而言，安全问题尤为不容忽视。从被动安全到主动安全，再到信息安全，汽车经历了一场技术革命。自动驾驶时代即将来临，数据和信息安全开始愈发引起社会各界的关注。

是否需要人工构造特征，这应该是深度学习和传统机器学习的最明显的差异。feature engining是传统机器学习中的一个重要组成部分，sift，hog，wavelet等都是解决如何描述数据的问题。深度学习兴起后，feature engining的研究几乎停滞，而end-to-end成为一个新兴的研究方向。

最近，一些机构关于人工智能领域的进展、调查、研究和预测，反映了AI的一些问题——比如AI监控在全球范围内的逐渐壮大，企业数据隐私声明忽略了“遵守通用隐私原则”，全球企业对AI的采用日益广泛，以及机构投资者把AI视为一大风险的趋势。

本文就来讨论一下参数初始化到底有什么讲究以及常见的参数初始化的一些策略方法。阅读本文需要神经网络相关背景，能够理解误差反向传播算法的实现过程。

ShaderGraph是基于可编程渲染管线，我们要使用shaderGraph也就需要设置SRP。

与人类相对缓慢的进化不同的是，机器视觉的演进之路是迅速而具有颠覆意义的，机器看世界的方式也在经历着革命性突破。首先是色彩维度，正如婴儿的“视界”早期只有黑白两色，早期的摄影受感光材料以及后期技术的局限只能记录单调的黑白世界。直到19世纪末，随着光学研究的突破，摄影师采用不同颜色滤镜拍摄并经过后期合成彩色照片，使得机器的视觉能力向前迈出第一步。

多年来，技术的进步使得交通运输变得更加便利。像物联网应用这样的汽车技术已经改变了驾驶体验。

这方面的主要成就之一是自动驾驶汽车。虽然自动驾驶汽车概念已经存在一段时间了，但直到最近，技术、激光设备和网络的进步才使这一梦想成为现实。

因此，对自动驾驶汽车感到兴奋是再正常不过的。然而，我们也必须仔细评估使用这些车辆的利与弊。

<font color="blue" size="4"><strong>利</strong></font>

<strong>▲无差错驾驶</strong>

作者： 我爱至尊宝
来源：科技行者

人工智能系统代表着一大令人兴奋的研究领域：对于拥有所需技能的人们来说，这同时也代表着广阔的个人发展空间，更重要的是AI技术本身仍在不断发展推进。然而，很多朋友发现自己似乎难以弄清该如何投身于这股技术浪潮，尤其难以通过自学形式掌握必备知识。

幸运的是，目前网上有着充足的资源，可供初学者快速积累知识与技能，或者说确定这条发展道路是否适合自己。为了了解更多信息，我们在青年企业家委员会的小组讨论中提出以下问题：

对于有意了解AI开发相关情况的新手或者程序员，最重要的准备工作是什么？

<strong>下面来看他们给出的11条可行性建议： </strong>

Gartner 2019年人工智能成熟度曲线审查了在AI领域的创新和趋势潮流，以及AI计划范围。快速跟风者，首先应该为AI设计一个商业案例。对于早期使用者来说，AI的可扩展性是下一个挑战。

风险现实基金（Venture Reality Fund）一直在投资增强现实和虚拟现实游戏和应用程序，现在是时候进行新一轮有关AR发展现状的季度信息更新了。 基金联合创始人Tipatat Chenavasin提供了七条非常有价值的消息供我们学习了解。

要做机器学习项目，第一重要的就是数据！那如何来准备机器学习要用的数据就成了第一要做的事情，巧妇难为无米之炊，今天就来教大家如何成为巧妇（夫）。

<font color="blue"><strong>深度学习中的技巧：</strong></font>

初始化参数尽量小一些，这样 softmax 的回归输出更加接近均匀分布，使得刚开始网络并不确信数据属于哪一类；另一方面从数值优化上看我们希望我们的参数具有一致的方差（一致的数量级），这样我们的梯度下降法下降也会更快。同时为了使每一层的激励值保持一定的方差，我们在初始化参数（不包括偏置项）的方差可以与输入神经元的平方根成反比

学习率（learning rate）的设置应该随着迭代次数的增加而减小，个人比较喜欢每迭代完一次epoch也就是整个数据过一遍，然后对学习率进行变化，这样能够保证每个样本得到了公平的对待

什么是PBR？基于物理的渲染过程。PBR是一种着色和渲染技术，用于更精确的描述光如何与物体表面互动。

集成学习（ensemble learning）是机器学习中一类学习算法，值训练多个学习器并将它们组合起来使用的方法。这类算法通常在实践中会取得比单个学习器更好的预测结果。

通过卷积和池化等技术可以将图像进行降维，因此，一些研究人员也想办法恢复原分辨率大小的图像，特别是在语义分割领域应用很成熟。通过对一些资料的学习，简单的整理下三种恢复方法，并进行对比。

池化（Pooling）是卷积神经网络中另一个重要的概念，它实际上是一种形式的降采样。有多种不同形式的非线性池化函数，而其中“最大池化（Max pooling）”是最为常见的。它是将输入的图像划分为若干个矩形区域，对每个子区域输出最大值。