博客

作为一名Unity3D游戏开发者，无论是初学者，还是已经就业的工作者，在平时的学习工作里，掌握一些Unity开发的高级技巧，能够很好的节省开发时间，提高开发效率，毕竟世界如此美丽精彩，我们应当把时间花费在更有价值的事情上。

Unity开发技巧：

41、使用[Tooltip( "提示信息" )]可以在鼠标停留时显示提示信息。

说起黑客在大家的印象中是十分的酷炫拉风，在很多的电影电视剧里面，大家也不难看出，他们有着超乎常人的电脑，能够解决普通人无法做到的电脑问题，这就是黑客。被世人所敬仰，但是在身份上又十分的神秘，捉摸不定同时在地点上也无法找寻到确切的位置。

第一、想要让自己成为一名顶尖的黑客，就是在态度上要有一定的认知。大多数的黑客，并非是以赚钱为目的，在他们的心中会有一种博爱，重点和方向都是以解决常人无法处理的问题作为前提条件。如果只是希望成为黑客之后，可以赚钱赢取利润，在态度上的理解失误，注定不会成为一名优秀的黑客。

原作者：Alex Vu 译者：Vivian Xue

游戏难度设计是人们深入讨论已久的话题。许多替代传统的在游戏开头提供难度选择的方法都被提出、分析和应用。然而，尽管它们从一定程度上弥补了传统方式的缺陷，它们本身仍存在诸多问题。因此，我想提出另一种替代方式——它算不上一种技术应用层面的解决方案，而是一种不同的难度设计理念。

我想要强调一点，这种理念已经被成功地运用到了许多游戏设计中，之后我将提到，但就目前的应用程度来看，它尚未成为难度设计的核心理念，而在我看来这是它应得的地位。我想这是由于我们缺乏一套相对清晰且深思熟虑的难度设计思路。

但首先，请让我试着简短地总结一些对传统的难度模式设计及其替代方法的常见批评。

之前总有同学问：如果学习机器学习、人工智能用什么软件比较好？从与大家的交流中发现，很多同学把机器学习的核心放到了软件的使用，缺少获取有用结果所必要的数学方法与思维。

事实上，目前针对机器学习的软件十分容易获取，例如 Python，scikit-learn，Weka 等等，而且相应的软件学习教程也不难找到。

但机器学习是集合了统计学、概率论、计算机科学、数学算法多等方面交叉研究，即便你对机器学习的应用炉火纯青，但对这些技术没有一个全面的数学理解，极有可能出现应用失误。

那自然有同学会问：

<strong>为什么机器学习中的数学很重要？</strong>

来源：《中国计算机学会通讯》
作者： 王晓刚

<font size="3"><strong>1、深度学习发展历史</strong></font>

深度学习是近十年来人工智能领域取得的重要突破。它在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域的应用取得了巨大成功。现有的深度学习模型属于神经网络。神经网络的起源可追溯到20世纪40年代，曾经在八九十年代流行。神经网络试图通过模拟大脑认知的机理解决各种机器学习问题。1986年，鲁梅尔哈特(Rumelhart)、欣顿(Hinton)和威廉姆斯(Williams)在《自然》杂志发表了著名的反向传播算法用于训练神经网络，该算法直到今天仍被广泛应用。

<font size="3"><strong>一、空洞卷积的提出</strong></font>

空洞卷积（atrous convolutions）又名扩张卷积（dilated convolutions），向卷积层引入了一个称为 “扩张率(dilation rate)”的新参数，该参数定义了卷积核处理数据时各值的间距。

万物互联是未来时代的发展趋势，物联网的应用正一步步改变着世界，也改变着我们的日常生活。在物联网遍及社会生活的每个角落之前，我们有必要认清关于物联网的5个认知误区。

什么是物联网？它是一套新的连接技术，有望在未来十年内为数十亿的设备提供网络连接。这套技术，也就是物联网。它涵盖洗碗机、烘干机及其他的家用电器，还有车辆及公共场所的一些设施，甚至覆盖无数工业应用。他们的共同点是：收集数据并将其发送到企业或其他系统中。

虽然人们接触物联网这个词汇有一段时间了，但是对于它到底是什么以及它在物理世界中的工作方式，尚存困惑。以下是关于物联网技术的一些主要误区，认知这些误区在一定程度上可供企业高管和其他试图入局物联网的企业参考。

现代GPU提供了顶点处理器和片段处理器两个可编程并行处理部件。在利用GPU执行图像处理等通用计算任务时，要做的主要工作是把待求解的任务映射到GPU支持的图形绘制流水线上。

通常的方法是把计算任务的输入数据用顶点的位置、颜色、法向量等属性或者纹理等图形绘制要素来表达，而相应的处理算法则被分解为一系列的执行步骤，并改写为GPU的顶点处理程序或片段处理程序，然后，调用3D API执行图形绘制操作，调用片段程序进行处理；最后，保存在帧缓存中的绘制结果就是算法的输出数据。

虽然数字图像处理算法多种多样，具体实现过程也很不相同，但是在利用GPU进行并行化处理时，有一些共性的关键技术问题需要解决，如：数据的加载，计算结果的反馈、保存等。

下面对这些共性的问题进行分析，并提出相应的解决思路。

导语：IEEE 802.11是无线局域网通用的标准，它是由IEEE所定义的无线网络通信的标准。虽然有人将Wi-Fi与802.11混为一谈，但两者并不一样。

<font size="3"><strong>802.11标准下常见的WiFi攻击</strong></font>

<strong>流量嗅探</strong>

实际上，所有的WiFi流量都可以在监控模式下使用适配器进行嗅探。大多数Linux发行版都支持将某些WiFi芯片组放入这个监控的模式中，这样就可以处理所有网络流量。

这篇文章主要讲述了机器学习的相关内容，阐述了机器学习的主要意义和形成过程。区别了机器学习与AI、深度学习、神经网络等专业词汇。

大多数人可能对机器学习有点恐惧或困惑。 脑子中会有它到底是什么,它有什么发展方向,我现在可以通过它挣钱吗等等这样的问题。

这些问题的提出都是有依据的。事实上，你可能没有意识到自己其实多年来一直在训练机器学习模型。你看过苹果手机或者是Facebook上的照片吧? 你知道它如何向你展示一组面孔并要求你识别它们吗?其实，通过标记这些照片，你正在训练面部识别模型去识别新面孔。恭喜你，现在可以说你有训练机器学习模型的经验了!但在此之前，请阅读这些机器学习基础知识，以便你可以准确回答任何后续问题。

raycasting算法在众多体绘制算法中以采样精度高，绘制图像细腻著称，但计算量的缺点阻碍了它的广泛应用。

GPU的raycasting算法被提出后，达到了实时交互的绘制速度。近年来，该技术逐渐成熟，可分为两类：单通路和多通路。多通路最早被提出，由于GPU的可编程性能较差，需绘制体数据包围盒多次来计算光线参数，而随着GPU的可编程性能提高，单通路算法被提出，只需绘制一次体数据包围盒就可获得投射光线参数，但顶点着色程序较为复杂。最近利用离屏渲染获取投射光线参数的方法被提出，该方法绘制包围盒两次来获取投射光线参数，避免的复杂的顶点着色程序。下面对该算法进行详细的叙述。

主要由以下几个部分组成：

(1). 3D纹理的生成。保存原始3D体数据场为3D纹理。

作为一名Unity3D游戏开发者，无论是初学者，还是已经就业的工作者，在平时的学习工作里，掌握一些Unity开发的高级技巧，能够很好的节省开发时间，提高开发效率，毕竟世界如此美丽精彩，我们应当把时间花费在更有价值的事情上。

<font color="Purple"><strong>Unity开发技巧：</strong></font>

自从2012年以来，深度学习（Deep Learning）就以一种势如破竹之势突破了一个个经典的人工智能问题。面对人工智能的快速发展，你不想了解它的基本工作原理吗？

想搞清楚什么是深度学习，要先从人工智能说起，自从 1956 年计算机科学家们在达特茅斯会议(Dartmouth Conferences)上确认人工智能这个术语以来，人们就不乏关于人工智能奇思妙想，我们梦想着拥有人类五感(甚至更多)、推理能力以及人类思维方式的神奇机器。如今，虽然梦想的局面还没有出现，但是稍微弱一点的人工智能已经大行其道了，比如：图像识别、语音识别、多语言翻译等。

传统的Canny边缘检测算法是一种有效而又相对简单的算法，可以得到很好的结果（可以参考上一篇Canny边缘检测算法的实现）。但是Canny算法本身也有一些缺陷，可以有改进的地方。

1. Canny边缘检测第一步用高斯模糊来去掉噪声，但是同时也会平滑边缘，使得边缘信息减弱，有可能使得在后面的步骤中漏掉一些需要的边缘，特别是弱边缘和孤立的边缘，可能在双阀值和联通计算中被剔除。很自然地可以预见，如果加大高斯模糊的半径，对噪声的平滑力度加大，但也会使得最后得到的边缘图中的边缘明显减少。这里依然用Lena图为例，保持Canny算法中高阀值100，低阀值50不变，高斯半径分别为2，3，5的Canny边缘二值图像如下。可知高斯模糊把很多有用的边缘信息也模糊掉了，因此如何精确的选择高斯半径就相当重要。

云计算的飞速增长将极大改变明年的安全态势。

企业上云的主要驱动力是其高效性、部署便捷性和可扩展性。但从安全角度上看，云计算的快速采用迫使安全人员去学习关于新安全问题的知识，去了解云相关风险和相应缓解措施，以及去开发更先进的网络安全策略。

过去这一年也带来了更多与云账户错误配置相关的安全事件，且随着越来越多的企业虽然采用云计算却疏于扩充自身云安全团队或聘用深入了解云安全问题的专业人士，2019年里此类安全事件仍有继续增多的趋势。

这些最近的趋势预示着怎样的未来呢？至少，下面这6个云安全预测你应该了解一下：

<font color="blue"><strong>预测1：无服务器架构将驱动云安全自动化</strong></font>

虽然机器学习已经成为一个高频名词，但是对于大众而言，它依然是一个遥不可及乃至模糊不清的概念。为此，著名投资人 Benedict Evans 在自己的博客上发表博文，针对这一问题表达了自己的看法；本文对这篇博文进行了不改变原意的编译。

机器学习的风潮已经刮了四五年了，除了以 AI 为名如雨后春笋般快速崛起的新创公司们，各家科技巨头也希望围绕这个时髦词“重塑金身”。此外，通过媒体的大肆宣传，机器学习也已经成了一个家喻户晓的名词。总之，机器学习将成为下一个能帮“猪”起飞的风口已经是大家的共识。

在正式开始之前，我们先说说人工智能(AI)，机器学习，神经网络和深度学习四者的关联。简单来说，人工智能的范畴最大，机器学习包含在内，它是带来人工智能的方法。至于神经网络，则是机器学习众多算法中的一类，而深度学习则是实现机器学习的技术，是它的一种延伸。

随着城市逐步从以工业生产为主向知识、信息、智慧枢纽和集散地为主的方向转变，中心城市对知识密集、信息密集、创新密集的高新技术产业和高附加值的智慧产业的吸引力迅速增强，逐步成为产品设计、研发、管控、营销、服务的聚集地，逐步演进为信息与知识生产、使用和集散的中心。

在全球信息化f趋势和“智慧地球”理念的推动下，“智慧城市”发展模式应运而生，并成为世界范围内城市现代化的战略途径。智慧城市实际上是对如何运用先进的信息技术推动城市发展的一个创新理念。

在虚拟现实（VR）或增强现实（AR）开发方面，独立工作室倾向于选择两种游戏引擎中的一种，即 Unity Technologies的Epic Games的虚幻引擎或Unity。 今天，后者刚刚将其系统升级到Unity 2018.3，为标准和沉浸式内容创作者带来了无数的功能。

将边缘和云计算与数据存储相结合充满了复杂性。幸运的是，有一些步骤可以帮助避免存储管理灾难。

管理企业存储可能是一个复杂且资源密集的过程。更具挑战性的是采用多云环境使复杂性增加了10倍。如果将边缘计算存储添加到其组合中，其管理可能会变成IT团队的噩梦，分布在多个平台和地理位置的数据将从四面八方涌入。

在深入探讨多云和边缘存储争议之前，首席信息官和其他IT决策者应该询问自己一系列重要问题。由于数据管理是存储的核心，因此数据收集、传输和保留只是需要考虑的多方面事项的一部分。

<font color="blue"><strong>1. 数据将在何处生成和收集？</strong></font>

1986年，辛顿教授和他的团队重新设计了BP算法，以“人工神经网络”模仿大脑工作机理，又一次将人工智能掀起了一个浪潮。但是，当风光不再时，辛顿和他的研究方向，逐渐被世人所淡忘，一下子就冷藏了30年。但在这30年里，辛顿有了新的想法。

于是在2006年，辛顿等人提出了“深度信念网（Deep Belief Nets，DBN）”（这实际上就是多层神经网络的前身）。这个“深度信念网”后期被称为“深度学习”。终于，辛顿再次闪耀于人工智能世界，随后被封为“深度学习教父”。

细心的您会发现，即使辛顿等人提出了“深度信念网”，在随后的小10年里，这个概念亦是不温不火地发展着（如图1所示）。直到2012年以后，随着大数据和大计算（GPU、云计算等）的兴起，深度学习才开始大行其道，一时间甚嚣尘上。