博客
Vulkan 1.1.118 已经发布，Vulkan 是 OpenGL 的下一代版本，和 DirectX 12 一样都是基于 AMD 私有的 Mantle API，1.1.118 已经发布，它的新扩展是 VK_AMD_shader_core_properties2 和 VK_AMD_pipeline_compiler_control。
由于0-1范围内的导数累乘，会发现累乘会导致激活函数导数的累乘，如果取tanh或sigmoid函数作为激活函数的话，那么必然是一堆小数在做乘法，结果就是越乘越小。随着时间序列的不断深入，小数的累乘就会导致梯度越来越小直到接近于0，这就是“梯度消失“现象。
Python的字符串处理，在爬虫的数据解析、大数据的文本清洗，以及普通文件处理等方面应用非常广泛，而且Python对字符串的处理内置了很多高效的函数，功能非常强大、使用非常方便。今天我就把字符串处理时用到最多的方法总结分享给大家，希望大家可以轻松应对字符串处理。
1. 字符串的切片和相乘
（1）切片
<pre>str='Monday is a busy day'
print(str[0:7]) #表示取第一个到第七个的字符串
print(str[-3:]) #表示取从倒数第三个字符开始到结尾的字符串
print(str[::]) #复制字符串</pre>
（2）相乘
Encoder-Decoder（编码-解码）是深度学习中非常常见的一个模型框架，比如无监督算法的auto-encoding就是用编码-解码的结构设计并训练的；比如这两年比较热的image caption的应用，就是CNN-RNN的编码-解码框架；再比如神经网络机器翻译NMT模型，往往就是LSTM-LSTM的编码-解码框架。
神经网络能否代替决策树算法？两者是不同的应用场景。传统的机器学习比如SVM和树算法，要求数据是结构化数据，比如离散或者连续的好几个特征，特征通常都是数值类型，并且具有一定统计意义。
做OpenGL开发的同学，想必一定碰到过黑屏的问题，特别是刚接触OpenGL的同学，可能会觉得黑屏问题让人相当头疼，因为OpenGL的查错没有一般编程时那么简单，我们通常是利用glGetError()这个API来获取错误码，但这个方法获取的错误是调用这个方法时，已经产生的错误，它有可能是很久之前产生的，这样查越来还是比较不方便的，而且，有些黑屏的情况下，glGetError()也不会报任何错。
偏差是指预测结果与真实值之间的差异，排除噪声的影响，偏差更多的是针对某个模型输出的样本误差，偏差是模型无法准确表达数据关系导致，比如模型过于简单，非线性的数据关系采用线性模型建模，偏差较大的模型是错的模型。
随着材料科学、感知人工智能以及5G、云等网络技术的不断进步，将出现护理机器人、仿生机器人、社交机器人、管家机器人等形态丰富的机器人，涌现在家政、教育、健康服务业，带给人类新的生活方式。
一般而言，深度卷积网络是一层又一层的。层的本质是特征图, 存贮输入数据或其中间表示值。一组卷积核则是联系前后两层的网络参数表达体, 训练的目标就是每个卷积核的权重参数组。
算法中的learning rate a（学习率）、iterations(梯度下降法循环的数量)、L（隐藏层数目）、n（隐藏层单元数目）、choice of activation function（激活函数的选择）都需要你来设置，这些数字实际上控制了最后的参数W和b的值，所以它们被称作超参数。
全连接神经网络，需要的参数过多，例如1000*1000的图像，则输入层有10^6个节点，若隐藏层也有10^6个节点，则输入层到隐藏层的参数有10^12个。CNN用局部感知和权值共享大大减少了参数，同时还具备其它优点。它们与自然图像自身具有的特性：特征的局部性与重复性完美贴合。
自动驾驶可减少塞车状况、提高行车效率，以及增进乘客、驾驶、行人的安全性，促进城市发展。2018年，2级(L2)自动驾驶于市场占据主导地位；预测在2021年，4级(L4)自动驾驶将开始进入市场；2030年，5级(L5)自动驾驶的市场将兴起。
近年来，人工智能技术发展取得了极大的进步，在一些领域甚至超越了人类自身的认知能力。人工智能也从一个纯粹的技术领域一跃成为社会各界共同关注的话题。各国纷纷出台人工智能战略，加强顶层设计，人工智能由此成为国际竞争的新焦点。
机器学习中参数更新的方法有三种：① Batch Gradient Descent，批梯度下降；② Stochastic Gradient Descent，随机梯度下降；③ Mini-batch Gradient Decent，小批梯度下降。
CNNs是第一个真正成功训练多层网络结构的学习算法。它利用空间关系减少需要学习的参数数目以提高一般前向BP算法的训练性能。CNNs作为一个深度学习架构提出是为了最小化数据的预处理要求。在CNN中，图像的一小部分（局部感受区域）作为层级结构的最低层的输入，信息再依次传输到不同的层，每层通过一个数字滤波器去获得观测数据的最显著的特征。
