博客

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。

特征选择 ( Feature Selection )也称特征子集选择( Feature Subset Selection , FSS ) ，或属性选择( Attribute Selection ) ，是指从全部特征中选取一个特征子集，使构造出来的模型更好。

啥是Gamma Correction？什么是在线性空间（Linear Space）中做光照计算？先介绍下啥是Gamma（别急，先看下去，这是解释线性空间的前置知识）。这词儿N多人听说过，而且也被各种滥用。这里只解释游戏即时渲染相关的概念。首先，就是老式CRT显示器的一个问题，给显示器输入的电压和输出的亮度不成线性关系

SGD（Stochastic Gradient Descent）就是最常见的随机梯度下降。向着参数的梯度的负方向改变（梯度方向是增加的方向）。相比于普通SGD，Momentum update在深度网络中收敛更好。

在计算机科学领域中，人工智能是一种机器表现的行为，这种行为能以与人类智能相似的方式对环境做出反应并尽可能提高自己达成目的的概率。

人工智能大体上可以分为 3 类：弱人工智能、强人工智能和超人工智能。

<strong>01、弱人工智能弱人工智能（Weak AI）</strong>

也被称为狭隘人工智能（Narrow AI）或应用人工智能（Applied AI），指的是只能完成某一项特定任务或者解决某一特定问题的人工智能。

苹果公司的 Siri就是一个典型的弱人工智能，它只能执行有限的预设功能。同时，Siri 目前还不具备智力或自我意识，它只是一个相对复杂的弱人工智能体。

<strong>02、强人工智能强人工智能（Strong AI）</strong>

作者：Lilian Weng
编译：ronghuaiyang

<strong>导读</strong>

如果你和我一样，不明白为什么深度神经网络可以推广到样本外的数据点，而不会过拟合，请继续阅读。

如果你像我一样，有传统机器学习的经验进入深度学习领域，你可能会经常思考这样一个问题：由于一个典型的深度神经网络有这么多的参数，训练误差很容易达到完美，那么它一定会遭受大量的过拟合。如何将其推广到样本外数据点？

物联网的出现使人们的生活更加智能化，给人们带来了许许多多的便利。但每个硬币都有两面，便利的另一面也同样存在着挑战。

连续特征离散化的基本假设，是默认连续特征不同区间的取值对结果的贡献是不一样的。特征的连续值在不同的区间的重要性是不一样的，所以希望连续特征在不同的区间有不同的权重，实现的方法就是对特征进行划分区间，每个区间为一个新的特征。常用做法，就是先对特征进行排序，然后再按照等频离散化为N个区间。

一个人工智能项目中，最重要的究竟是数据、算法还是处理过程?有人认为，数据就宛如人工智能的汽油，重点应该是干净的数据、数据科学和对数据含义的深刻理解。有些人说，没有来龙去脉的数据是没有意义的，这些数据的来龙去脉可以是其他数据、模型/算法或处理流程。让我们以一种简洁的方式探究这些人工智能的要素，以发现每种视角的优点。

采用 Gamma 校正法对输入图像进行颜色空间的标准化（归一化）；目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰......

过拟合是指学习时选择的模型所包含的参数过多，以至于出现这一模型对已知数据预测的很好，但对未知数据预测的很差的现象。过拟合的是由数据和模型两方面原因共同造成的，最直接防止过拟合的方法是无限增大训练集的大小，让训练集样本与真实数据分布尽可能接近，但这么做实在是不太现实......

本文概述：分析Unity中几个2D物理关节组件的基本功能、使用方法、运用场景等。
开发环境：Unity2019.3.0a2 / VS2017

机器学习算法一般都会有训练和测试的过程，而且算法在不同训练集上学得的模型，测试的结果也很可能不同。一般来说，算法的方差衡量了训练集的变动导致的模型性能的变化，即多次训练的模型之间的性能差异性。偏差则是度量算法的期望输出与真实标记的区别，表达了学习算法对数据的拟合能力。而噪声则表示数据的真实标记与数据在数据集上标记的区别，表明算法在当前任务上能达到的测试误差的下界。

硬件加速，简而言之，硬件加速就是利用硬件模块来替代软件算法以充分利用硬件所固有的快速特性。那么稍加变化就可以知道，GPU硬件加速就是指利用GPU强大的硬件图形处理能力，来代替CPU原本使用的软件模拟图形处理算法，从而充分利用GPU的特长为系统服务。

在讲深度学习中优化算法之前，我想有必要对模型优化中常见的挑战有一个总览式的了解，这对于优化算法的理解还是有颇有裨益的。本篇博客是基于古德费洛的《Deep Learing》第8章和杨云的《深度学习实战》第五章总结归纳的。

在人工智能（AI）高速发展的几年间，AI技术已取得了明显的跃进和快速的迭代，演进路线也呈现出丰富多样化的趋势，如语音识别、语义识别、视觉处理等；但在与行业结合方面，AI却未能将价值较好地实现渗透和落地。因此，在企业纷纷拥抱AI的时候，市面上亦出现方向不明、战略不清、投入不够、执行不力等难题。

在本文中，我们将探讨使用深度神经网络来解决计算机视觉的一些基本挑战。特别是，我们将研究神经网络压缩，细粒度图像分类，纹理合成，图像搜索和对象跟踪等应用。

这篇文章提供了可以采取的切实可行的步骤来识别和修复机器学习模型的训练、泛化和优化问题。

机器视觉趋势经常被讨论，那么可能影响工业自动化中机器视觉的这些技术的选择和实施有哪些实用的信息？机器视觉市场中3D成像组件的扩展是一个强劲的趋势，这是由对3D测量和指导的高需求以及作为3D成像系统一部分的成本效益技术的可用性的增加所推动的。

随着5G的到来，消费升级以及技术发展的推动下，智能家居正式进入了飞速发展期。无论是业内人士，还是普通群众，相信都已经看到了智能家居在未来市场中所拥有有的巨大潜力，可以这么说，现在的智能家居就是一个“香饽饽”，是人都想咬一口。