博客

随着人工智能和深度学习的成熟，以及5G的来临，自动驾驶离我们越来越近，似乎我们马上就要从开车这种枯燥的机械操作中解脱出来了。我们且先想象一下，全自动驾驶会怎样改变我们的生活：出租车自动开，司机全都要下岗？喝酒开车，睡觉开车，玩游戏开车，打情骂俏开车不是梦？车联网，高速路上的车速均等，组成密集队列，相对静止前进？看完本文，这些问题都将得到答案。

人工智能不久以前还是科幻电影和小说里的东西。但我们现在正处于一个不断变化的科技世界里，发展速度比过去任何时候都快。人工智能的未来是个未知数，而这并不能阻止大家思考。以下是关于人工智能未来的一些名人名言。

在机器学习中，很多情况下我们想要优化一个函数。通常来说，找到一个全局最优解是困难的。但是，对于凸优化问题，局部最优解便是全局最优解。

光源不动：需要在设置完视图模型变换之后。然后再设置光源的位置并且开启。光源和观察点一起移动：在进行视图变换之前设置光源位置，接着进行视图变换，就会以相同的方式同时影响光源和观察点。

逻辑回归为什么要对特征进行离散化？ 本文这6个解析或许能帮你解惑！

眼球追踪技术在医学和航空航天领域已经存在多年，但由于VR的出现，它正在迅速获得新生。VR世界的重量级企业正在将眼球追踪功能整合到未来的头显中，并预计将扩大眼球追踪市场。

机器学习算法在改进安全解决方案，帮助人类分析师更快地分类威胁和阻断漏洞的同时，也将成为威胁行为者发动更大、更复杂攻击的有力武器。

在2019年，企业将利用工业制造领域的进步技术，并采取更大胆的措施来提高增长和运营效率。以下是2019年工业物联网的主要趋势和预测。毫无疑问，到2022年，全球物联网技术支出预计将达到1.2万亿美元（IDC）。

经常会有一些机器视觉工程师认为USB接口的工业相机会造成丢帧现象。一般而言，工业相机丢帧与工业相机所采用的传输接口是没有关系的，无论是USB，还是1394、GigE、或者是CameraLink。设计不良的驱动程序或工业相机硬件才是造成丢帧的真正原因。

空间域与频率域为我们提供了不同的视角。在空间域中，函数自变量（x,y）被视为二维空间中的一个点，数字图像f(x,y)即为一个定义在二维空间中的矩形区域上的离散函数；换一个角度，如果将f(x,y)视为幅值变化的二维信号，则可以通过某些变换手段在频域下对图像进行处理了，因为在频率域就是一些特性比较突出，容易处理。

在了解unity的资源管理方式之后，接下来细谈一下Unity的资源是如何从磁盘中加载到运行时的内存中，以及又是如何被卸载的。这部分较为繁琐，可能会写较多的过程。

数据科学家是“比任何软件工程师都更擅长统计数据的人，而且比任何统计学家都更擅长软件工程”。在这里，我们讨论程序员如何成为更好的统计学家。

本文由@浅墨_毛星云 出品，转载请注明出处。
文章链接：https://blog.csdn.net/poem_qianmo/article/details/77142101

上一篇：<a href="http://imgtec.eetrend.com/blog/2019/100043918.html">延迟渲染(Deferred Rendering)的前生今世（一）</a>

物联网仍然是一个不断发展的技术产业，在过去的3年里，Gartner和Business Insider等市场调查机构的增长和融资预期经常被准确预测或超过。就像对以前即将到来的其他技术革命一样，人们也毫不例外地对物联网技术进行了大肆宣传和炒作，然后随之而来的是与物联网相关的各种斗争和挑战。

深度学习有很多的参数需要优化，调整训练数据或是问题的抽象定义方法可能会带来巨大的效果改善，甚至是显著的改善。

本文主要说说Unity是如何管理的，基于何种方式，基于这种管理方式，又该如何规划资源管理，以及构建bundle，是后面需要详细讨论的。

卷积和反卷积在CNN中经常被用到，想要彻底搞懂并不是那么容易。本文主要分三个部分来讲解卷积和反卷积，分别包括概念、工作过程、代码示例，其中代码实践部分主结合TensorFlow框架来进行实践。给大家介绍一个卷积过程的可视化工具，这个项目是github上面的一个开源项目。

在计算机图形学中，延迟渲染( Deferred Rendering) ，即延迟着色（Deferred Shading），是将着色计算延迟到深度测试之后进行处理的一种渲染方法。延迟着色技术的最大的优势就是将光源的数目和场景中物体的数目在复杂度层面上完全分开，能够在渲染拥有成百上千光源的场景的同时依然保持很高的帧率，给我们渲染拥有大量光源的场景提供了很多可能性。

视图变换：将相机移动到准备拍摄的位置，将它对准某个方向。 模型变换：将准备拍摄的对象移动到场景中的指定位置。光源保持静止：在使用完视图和模型变换之前设置光源的位置，init()后面，display()之前。光源出现在视图变换之前，后面进行的变换与光源没有关系，相对于视点固定。

由于RNN也有梯度消失的问题，因此很难处理长序列的数据，大牛们对RNN做了改进，得到了RNN的特例LSTM（Long Short-Term Memory），它可以避免常规RNN的梯度消失，因此在工业界得到了广泛的应用。