博客
计算机视觉（Computer vision）是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，用计算机处理成更适合人眼观察或进行仪器检测的图像。
本文探讨了在5G领域使用机器学习的一些实例，为基于机器学习在5G 领域的高级应用和分析方法指出了潜在的可能方向。随着5G应用对网络性能的要求日益增加，更加强大和优化的网络将会为大幅度提高网络性能，随之而来也为用户带来更好的体验。
在德勤最新的全球汽车消费者调查中，数以万计消费者就影响汽车行业的核心问题分享意见。根据《2019年德勤全球汽车消费者调查》，自动驾驶科技应用不断广泛延伸至实际生活中，但消费者对于自动驾驶汽车的安全性的信心似乎未见提升。
神经网络的发展史可以分为三个阶段，第一个阶段是Frank Rosenblatt提出的感知机模型，感知机模型的逻辑简单有效，但不能处理异或等非线性问题。第二个阶段是Rumelhart等提出的反向传播算法，该算法使用梯度更新权值，使多层神经网络的训练成为可能。第三个阶段得益于计算机硬件的发展和大数据时代的到来，促进了深度神经网络的发展。
这篇文章主要面向的是非专业的读者，简单直白地介绍了机器学习的概念、内涵、以及机器学习的相关问题。对于专业人士而言也可以依据这篇文章对机器学习的概念做更深入的理解，看看如何向身边朋友们解释你所从事的工作。
CPU需要很强的通用性来处理各种不同的数据类型，同时又要逻辑判断又会引入大量的分支跳转和中断的处理，这些都使得CPU的内部结构异常复杂。而GPU面对的则是类型高度统一的、相互无依赖的大规模数据和不需要被打断的纯净的计算环境。
最近关于自动驾驶的发展消息让人兴奋，有许多相关测试证明了其安全性和可靠性。据Counterpoint Research预测，随着技术和监管问题的解决，2030年销售的新车中约有15％将实现完全自主驾驶（4至5级）。为了实现自动驾驶的愿景，OEM、供应商以及初创企业正在使用最尖端的技术来解决算力、软件开发、算法设计中的问题。但又因为监管和法律的问题，可能会成为自动驾驶实现的最大阻碍。
如今，即便是结构非常复杂的神经网络，只要使用Keras，TensorFlow，MxNet或PyTorch等先进的专业库和框架，仅需几行代码就能轻松实现。而且，你不需要担心权重矩阵的参数大小，也不需要刻意记住要用到的激活函数公式，这可以极大的避免我们走弯路并大大简化了建立神经网络的工作。然而，我们还是需要对神经网络内部有足够的了解，这对诸如网络结构选择、超参数调整或优化等任务会有很大帮助。本文我们将会从数学角度来充分了解神经网络是如何工作的。
机器学习是识别隐藏在数据中的可能性并将其转化为完全成熟机会的技术。巧合的是，机会是促进业务运营并在竞争对手中脱颖而出的因素。了解机器学习算法如何应用于各个领域以获得可带来合法业务优势的结果至关重要。
边缘计算和物联网几乎是完美匹配的。在最近两年，所有关于物联网技术趋势报告中都有边缘计算。IDC预测，到2020年，边缘基础设施支出将达到物联网基础设施总支出的18%。事实上，所有关于2018年的物联网技术的趋势预测，在2019年以及之后的几年依然得以延续。而在这个基础上，确实有一些更新。
回望过去，2018年对于增强现实(AR)来说是充满活力且十分重要的一年。本文为Tom Emrich（美国专注于AR投资的早期基金Super Ventures合伙人）所预测的2019年增强现实19个发展趋势。
在机器学习的算法评估中，尤其是分类算法评估中，我们经常听到精确率(precision)与召回率(recall)，RoC曲线与PR曲线这些概念，那这些概念到底有什么用处呢？
本文整理并总结了IPv6可能存在的安全威胁，从IPv4安全威胁延续、IPv6相关附属协议和相关机制可能带来的安全威胁、IPv6对安全硬件的影响及过渡技术的安全威胁四个方面进行了分析与梳理。
游戏资源的加载和释放导致的内存泄漏问题一直是Unity游戏开发的一个黑洞。究其根源，一方面是因游戏设备尤其是Unity擅长的移动设备运行内存非常有限，另外一方面是因为Unity不太清晰的加载释放策略和谜一样的GC（垃圾收集）机制，共同赋予了Unity “内存杀手”“低效引擎”的恶名......
随着影像数据不断增加，人工智能和深度学习(Deep Learning，机器学习分支)技术已成为安全监控的关键，能够有效降低人为错误和误报，并大幅减少影像搜寻时间，对众多产业造成极大的影响。
