博客

人工智能作为第四次工业革命，受到了大家的格外关注，各种人工智能的相关新闻、实例运用等信息铺天盖地。也正因为如此，很多朋友都会认为，人工智能不利于我们的日常生活。因为它很有可能会取代我们的收入来源!其实并非如此，人工智能的发展可能是会取代部分低收入人员，但人工智能最终的发展是有利于我们的社会生活中。

图像理解（image understanding,IU）就是对图像的语义理解。它是以图像为对象，知识为核心，研究图像中有什么目标、目标之间的相互关系、图像是什么场景以及如何应用场景的一门学科。

入门机器学习，总有几张图片，令人印象深刻。以下是十张经典图片，图解机器学习，非常有启发性。

在卷积神经网络中，感受野（Receptive Field）的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在输入图片上映射的区域大小。再通俗点的解释是，特征图上的一个点对应输入图上的区域......

Unity中的Lightmap烘焙速度一直是经常被人吐槽的一个问题，一个极其简单的小场景使用默认参数时烘焙都要几分钟，而大场景往往要烘几个小时甚至十几小时。不过Unity的烘焙系统有提供许多可调参数，通过合理调整这些参数能够显著加快烘焙速度。

在学习深度学习的时候，会经常遇到信息论相关的概念，而信息论，作为信息时代的基石，其重要性不言而喻，而对于深度学习和机器学习，信息论也是绕不开的，今天给大家分享一些信息论相关的内容，作为学习深度学习和机器学习的同学来说，这些是一定要会的哦！

xgboost中的基学习器除了可以是CART（gbtree）也可以是线性分类器（gblinear）。xgboost主要优点：xgboost不仅使用到了一阶导数，还使用二阶导数，损失更精确，还可以自定义损失；XGBoost的并行优化，XGBoost的并行是在特征粒度上的​​​​​​​；考虑了训练数据为稀疏值的情况，可以为缺失值或者指定的值指定分支的默认方向，这能大大提升算法的效率......

Gartner公布2019年新兴技术发展周期报告，报告公布了29项必须关注及观察的技术，并从中归纳出五大重点新兴科技趋势将创造并提供全新的体验，这五大重点新兴科技趋势包括感测与行动力、增强人类能力、后传统运算及通讯、数字生态系、先进人工智能与分析技术，并特别标注企业若能善加利用人工智能（AI）和其他重要概念，便能从新兴数字生态系中获益。

深度学习19种损失函数，你认识几个？

自然语言处理（Natural Language Processing，NLP）是计算机科学领域与人工智能领域中的一个重要方向。它研究人与计算机之间用自然语言进行有效通信的理论和方法。融语言学、计算机科学、数学等于一体的科学。旨在从文本数据中提取信息。目的是让计算机处理或“理解”自然语言，以执行自动翻译、文本分类和情感分析等。

作为人工智能的一个重要分支，人脸识别技术已有很多落地应用，在公共安全领域更多次协助公安部门缉拿在逃罪犯、案件侦查、身份核验、寻回走失人口等工作。

传统的梯度下降，每次梯度下降都是对所有的训练数据进行计算平均梯度，这种梯度下降法叫做full-batch梯度下降法。考虑一种情况，当训练数据量在千万级别时，一次迭代需要等待多长时间，会极大的降低训练速度。

当使用 Deferred Lighting，那么作用在物体上的光照数量将没有限制。所有的光照都被逐像素的评估，这意味着所有的光照都能对法向贴图正确响应，等等。此外，所有的光源都有 cookies 和 shadows。

Mipmap在3D图形学中主要是用来做anti-aliasing，这跟图像学中的概念是一致的：图像在缩小时因为采样率不够，就会导致混叠现象，如果是线，就表现为断线，如果是纹理比较复杂，就表现为纹理变得杂乱。在图形学中，我们经常会用到纹理贴图，用来贴图的纹理大小与真正要render的区域不一定是刚好匹配的，这样就需要做放大或缩小，如果缩小，也就会产生上面所述的混叠现象。

机器学习模型的好坏取决于你所拥有的数据。这就是为什么数据科学家可以花费数小时对数据进行预处理和清理。他们只选择对结果模型的质量贡献最大的特征。这个过程称为“特征选择”。特征选择是选择能够使预测变量更加准确的属性，或者剔除那些不相关的、会降低模型精度和质量的属性的过程。

随着技术的进步，对更多信息技术的需求也在增加。我们生活在一个难以满足便利和简单渴望的世界。为了将现代化推进到一个无所不能的水平，我们已经朝着创建一个新的互联网迈进，这个新的互联网被命名为物联网(IoT)。

本文详述了 Forward rendering path。Forward Rendering path 渲染每个对象在一个或多个pass中，取决于作用在物体上的光照。这些光照本身也被Forward Rendering处理过，取决于它们的设置和强度。

除了从头训练自己的网络，一种更有效，更好的方式就是微调已预训练好的网络模型，微调预训练模型简单点来说就是用目标任务数据在原先预训练的模型上继续训练的过程。

云计算正从 IT 服务交付可选项演变为事实标准。企业战略集团 (ESG) 最近发布的《2019公共云趋势》报告指出，过去八年来，基础设施及服务环境采用率激增，企业采纳率从 17% 上升到 58%；39% 的企业报告称其技术部署完全采用云优先策略。

如果没有物联网和万物互联，人工智能时代是不会带来的。就跟互联网之前首先是光纤通信时代一样。如果通信没有解决，就没有通信网络。从90年代到2000年，如果没建通信网络，就不会有互联网时代。过去几年，大家都说人工智能时代要来了。但是现在，人工智能热潮，反而稍微有了些衰退。其核心是基础设施没铺设完，而这个基础设施就是物联网。