博客
Gartner报告联网的设备在2019年已经超过142亿，预计2021年将达到250亿，这是一个巨大的数量，产生海量的数据。但与现在大家所熟悉的互联网相比，物联网数据有其显著不同特点，本文对其特点作了系统分析和总结。
小心出现过拟合，这通常是因为神经网络在“死记”定型数据。过拟合意味着定型数据的表现会很好，但网络的模型对于样例以外的预测则完全无用。正则化有好处：正则化的方法包括l1、l2和丢弃法等。
卷积这个东东是“信号与系统”中论述系统对输入信号的响应而提出的。因为是对模拟信号论述的，所以常常带有繁琐的算术推倒，很简单的问题的本质常常就被一大堆公式淹没了，那么卷积究竟物理意义怎么样呢？
随着Unity 2019.1的发布，Shader Graph着色器视图资源包正式脱离预览阶段。在Unity 2019.2中，Shader Graph着色器视图加入了更多新功能。
反向传播（用于优化神网参数）：根据损失函数计算的误差通过反向传播的方式，指导深度网络参数的更新优化。采取反向传播的原因：首先，深层网络由许多线性层和非线性层堆叠而来，每一层非线性层都可以视为是一个非线性函数 f(x) (非线性来自于非线性激活函数），因此整个深度网络可以视为是一个复合的非线性多元函数。
根据Newzoo的数据，手游行业预计会在2021年之前突破1000亿美元里程碑，实现十年两位数增长。去年，它占据了全球游戏市场50%以上的份额。手游成为了人人都想分一杯羹的热门产业，独立开发者和发行商梦想着自己能创造出新的现象级产品。
我们在训练神经网络模型时，最常用的就是梯度下降，这篇博客主要介绍下几种梯度下降的变种（mini-batch gradient descent和stochastic gradient descent），这里主要介绍Mini-batch gradient descent和stochastic gradient descent（SGD）以及对比下Batch gradient descent、mini-batch gradient descent和stochastic gradient descent的效果。
尽管无线网络占据了所有的新闻头条，但有线网络仍然可以继续可靠地完成工作。尽管它们可靠且相对无处不在，不过，一些人还是预见到了有线网络的消失。无线技术和服务的不断扩展是否标志着有线网络的终结？物联网、即将推出的5G以及更快Wi-Fi的增长是否预示着铜缆的最终消失？
纹理是物体表面固有的一种特性，所以图像中的区域常体现出纹理性质。纹理可以认为是灰度（颜色）在空间以一定的形式变化而产生的团（模式）。纹理与尺度有密切的关系，一般仅在一定的尺度上可以观察到，对纹理的分析需要在恰当的尺度上进行。纹理还具有区域性质的特点，通常被看做对局部区域中像素之间关系的一种度量，对于单个像素来说讨论纹理是没有意义的。
矩阵实际可以看作一个变换，方程左边就是把向量x变到另一个位置而已；右边是把向量x作了一个拉伸，拉伸量是lambda。那么它的意义就很明显了，表达了矩阵A的一个特性就是这个矩阵可以把向量x拉长（或缩短）lambda倍，仅此而已。
本篇的主要内容是解决大量物体运动时候不发生相互碰撞和重叠等的算法，本篇使用的Unity2018.2.14，算法的脚本主要就两个，一个创建大量鱼并进行初始化的脚本，还有一个就是核心的鱼集群运动的算法。
统计学和机器学习之间的界定一直很模糊。无论是业界还是学界一直认为机器学习只是统计学批了一层光鲜的外衣。而机器学习支撑的人工智能也被称为“统计学的外延”。例如，诺奖得主托马斯·萨金特曾经说过人工智能其实就是统计学，只不过用了一个很华丽的辞藻。
梯度下降方法是机器学习中常用的参数求解方法。本文将从四个方面为大家详细介绍梯度下降的算法理论，具体包括：① 梯度下降方法原理；② 关于梯度，为什么负梯度方向是下降最大方向？③ 实践，以回归分析为例；④ 梯度下降的其他问题。
物联网正在迎来第四次工业革命。尽管人们普遍了解数字化的必要性，但仍有许多误解阻碍了工业物联网的实施。由于复杂性和成本问题，许多组织推迟了他们的工业物联网（IIoT）计划。为最坏情况做准备并不一定是坏事，但您可能高估了工业物联网的风险，并低估了它的真正价值。为了帮助您树立正确的观念，我们将在本文中揭示关于工业物联网实施的6个常见误解。
HDR(High Dynamic Range,高动态范围)是一种图像后处理技术，是一种表达超过了显示器所能表现的亮度范围的图像映射技术。高动态范围技术能够很好地再现现实生活中丰富的亮度级别，产生逼真的效果。HDR已成为目前游戏应用不可或缺的一部分。通常，显示器能够显示R、G、B分量在[0,255]之间的像素值。
