博客

深度学习再现发展拐点，四大问题预示其已近终点？

深度学习的历史可以追溯到几十年前，但直到大约5年前才得到了较多的关注。其中2012年是关键的一年，几乎很多东西都发生了改变，包括大神大神Krizhevsky、Sutskever以及Hinton三人基于ImageNet做的识别图像的深度卷积神经网AlexNet的发布。而随着深度学习的发展，它曾一度占据了各大媒体的头版头条，还迅速成为了人工智能领域有名的技术术语。

如今，不管是在语音识别、图像识别，还是语言翻译等领域，深度学习的研究已经取得了很多最先进的结果，并在当前大量的人工智能应用程序中发挥作用。为了抓住这一发展机会，许多企业也开始投入大量资金，进行深度学习人才的培养。然而，遗憾的是，再好的发展也会进入瓶颈期，深度学习也是一样。在未来的发展中，深度学习不太可能会消失，也不应该消失，但在该技术复苏后的5年里，现在似乎到了对其进行批判性反思的好时机。

看懂物联网（1）从LPWAN的各个流派说起

在"云计算、物联网、移动互联网、大数据和人工智能"潮流中，物联网可谓是一个很有前途的产业。如果说互联网实现了人与人、人与物的连接，那么物联网将解决物与物连接的问题，最终让我们进入一个万物互联的时代。

据2018世界物联网博览会发布的《2017-2018中国物联网发展年度报告》显示，2017年全球物联网设备数量增长强劲，高达84亿台，首次超过人口数量。全球物联网市场有望在十年内实现大规模普及，到2025年市场规模或将成长至3.9-11.1万亿美元。

在物联网需求爆发式增长的同时，物联网技术标准混战不断升级，尤其是LPWAN低功耗广域网络的竞争可谓异常激烈，包括LoRa、NB-IoT、SigFox、RPMA、Weightless等各个技术流派。

机器学习相关——协同过滤

在现今的推荐技术和算法中，最被大家广泛认可和采用的就是基于协同过滤的推荐方法。本文将带你深入了解协同过滤的秘密。下面直接进入正题

1 什么是协同过滤

协同过滤是利用集体智慧的一个典型方法。要理解什么是协同过滤 (Collaborative Filtering, 简称 CF)，首先想一个简单的问题，如果你现在想看个电影，但你不知道具体看哪部，你会怎么做？大部分的人会问问周围的朋友，看看最近有什么好看的电影推荐，而我们一般更倾向于从口味比较类似的朋友那里得到推荐。这就是协同过滤的核心思想。

换句话说，就是借鉴和你相关人群的观点来进行推荐，很好理解。

2 协同过滤的实现

图像处理中的不适定问题（ill posed problem）

图像处理中不适定问题（ill posed problem）或称为反问题（inverse Problem）的研究从20世纪末成为国际上的热点问题，成为现代数学家、计算机视觉和图像处理学者广为关注的研究领域。数学和物理上的反问题的研究由来已久，法国数学家阿达马早在19世纪就提出了不适定问题的概念:称一个数学物理定解问题的解存在、唯一并且稳定的则称该问题是适定的（Well Posed）.如果不满足适定性概念中的上述判据中的一条或几条，称该问题是不适定的。

九大汽车主动安全系统

安全”一直是车主对车辆考核的重要指标，具有主动安全的汽车，当然就有着比较高的避免事故能力，尤其在突发情况的条件下保证汽车安全。车辆安全分可以从主动安全和被动安全两个方面进行分类。今天就和大家聊聊汽车的主动安全，大致整理了九种系统：ABS、ASR、AWS、EBD、ESC、LCA、SAS、TCS、VSA。

什么是主动安全系统？

所谓主动安全，其实是和被动安全的概念相对应的。被动安全侧重于在遇到事故时尽可能地减少车内乘客受到的伤害，例如安全气囊、笼式车身就是典型的被动安全的范畴。

一文了解LSTM和GRU背后的秘密

你好，欢迎阅读长短期记忆网络（LSTM）和门控循环单元（GRU）的图解文章。我是Michael，是AI语音助理领域的机器学习工程师。

在这篇文章中，我们将从LSTM和GRU背后的原理出发。然后我将解释允许LSTM和GRU表现良好的内部机制。如果你想了解这两个网络的背后到底是什么，那么这篇文章就是为你准备的。

全卷积网络FCN详解

背景

CNN能够对图片进行分类，可是怎么样才能识别图片中特定部分的物体，在2015年之前还是一个世界难题。神经网络大神Jonathan Long发表了《Fully Convolutional Networks for Semantic Segmentation》在图像语义分割挖了一个坑，于是无穷无尽的人往坑里面跳。

常见的十大物联网通讯技术优劣及应用场景

如今，“万物互联”不只是一种愿景，在很多实际的应用场景里面，已经实现了局部的物联网，如工业自动化、智慧农业、智能公交、高端酒店等场所。物联网是未来十年最具有市场前景的领域，相关的无线通讯技术也逐步出现。

在实现物联网的通讯技术里面，蓝牙、zigbee、Wi-Fi、GPRS、NFC等是应用最为广泛的无线技术。除了这些，还有很多无线技术，它们在各自适合的场景里默默耕耘，扮演着不可或缺的角色。本文笔者将通过常见的十大无线通讯技术优劣及应用场景，带大家认识真正的物联网通讯技术。

十大物联网通讯技术优劣及应用场景

人工智能是一种好的网络安全工具，也是一把双刃剑

AI在安全方面的角色对白帽黑客和网络罪犯都很有吸引力，但目前似乎还没有找到双方的平衡。

人工智能已经成为网络安全开发者的新宝藏，这要归功于它的潜力，它不仅可以在很大的规模上实现功能自动化，还可以根据它在一段时间内学到的东西来做出相应的决策。这可能会对安全维护人员产生重大影响——通常情况下，公司根本没有足够的资源在众多恶意软件中“大海捞针”。

例如，如果一名工作人员通常在纽约工作，突然有一天早上从匹兹堡登录，这是一种反常现象——人工智能可以看出这是一种反常现象，因为它已经学会了期望用户从纽约登录。类似地，如果该用户在匹兹堡登录后，在几分钟后又在另一个地方登录，比如加州，那么这很可能是一个恶意的危险信号。

4G升级5G，4G网络不会被淘汰，与5G继续共存

2020年5G开始商用，但是由于覆盖面积有限，或许只能覆盖市区热点区域，很长一段时间内4G还将是起到主要覆盖的数据网络。

就5G建设本身而言，在短短的一年左右的时间内，建站的数量一定是有限的。

4G网络，移动从2013年建设到今天，联通电信从2015年开始到今天，也只是完成了城市和郊区的基本覆盖，广大农村区域覆盖还有所欠缺。而5G即使是从现在就开始建设，到2020年也就是1年多的时间，不可能完成如今天4G的网络覆盖。也就是说，在很长一段时间内4G的数据网络覆盖区域要大于5G，而作为主要数据承载网络的4G也就不会轻易被淘汰。

5G本身而言，主要是涉及到一些高端的应用和行业应用，在大量民用级应用还没有落地的情况下，暂时找不到引导个人用户使用的应用场景。

机器学习常用评估指标的前世今生

在机器学习中，性能指标（Metrics）是衡量一个模型好坏的关键，通过衡量模型输出y_predict和y_true之间的某种“距离”得出的。

性能指标往往使我们做模型时的最终目标，如准确率，召回率，敏感度等等，但是性能指标常常因为不可微分，无法作为优化的loss函数，因此采用如cross-entropy，rmse等“距离”可微函数作为优化目标，以期待在loss函数降低的时候，能够提高性能指标。而最终目标的性能指标则作为模型训练过程中，作为验证集做决定(early stoping或model selection)的主要依据，与训练结束后评估本次训练出的模型好坏的重要标准。

在机器学习的比赛中，有部分比赛也是用metrics作为排名的依据（当然也有使用loss排名）。

自动驾驶技术之——无人驾驶中的CAN总线

CAN总线在整个无人驾驶系统中有着十分重要的作用。除了在VCU信号需要通过CAN总线进行传输外，无人车上的某些传感器（如雷达、Mobileye）的信号传递也是通过CAN实现的。

前言

本文主要内容是——无人驾驶中的CAN（Controller Area Network ）总线。

我在无人驾驶，个人如何研究？中提到过

如何选择适合你的无线通信方式？

你是否还在为无线通信选用NB-IoT还是LoRa而困扰？搞不清楚ZigBee和LoRa的优势区别，不明白到底什么场合适用Wi-Fi？看完这篇文章你就懂了。

在万物互联的时代里，越来越多的物体将被连接到互联网，打通端到端、端到云的连接。这些连接，我们可采用多种通信链路予以实现。在智能物联应用上，工程师经常会困惑NB-IoT/LoRa/ZigBee/Wi-Fi等无线连接方式，到底哪一种，才是最合适的？哪一种才能让项目开发事半功倍？

以下，为大家列出在选择无线通信方式时的考虑大纲。

一、传输基础篇

语音识别算法的现状

目前的语音识别算法：卷积神经网络、深度学习神经网络、BP神经网络、RBF神经网络、模糊聚类神经网络、改进的T-S模糊神经网络、循环神经网络、小波神经网络、混沌神经网络、小波混沌神经网络、神经网络和遗传算法、动态优化神经网络、K均值和神经网络集成、HMM与自组织神经网络的结合、正交基函数对向传播过程神经网络、HMM和新型前馈型神经网络、特征空间随机映射、SVM多类分类算法、特征参数归一化、多频带谱减法、独立感知理论、分段模糊聚类算法VQ-HMM、优化的竞争算法、双高斯GMM特征参数、MFCC和GMM、MFCCs和PNN、SBC和SMM、MEL倒谱系数和矢量量化、DTW、LPCC和MFCC、隐马尔科夫模型HMM。

[收藏]图像处理的基本知识

调色板
调色板（Palette）也叫颜色查找表，是指在16色（每个像素4个bit，总共有16种颜色）或256色（每个像素8个bit，即一个字节，总共有256种颜色）显示系统中由图像中出现最频繁的16种或256种颜色所组成的查找表。对这些颜色按4位(16色)或8位(256色)，即0-15或0-255进行编号，每一个编号(索引值)代表R，G，B，3个分量24位的颜色值。使用调色板的图像叫做调色板图像。对于调色板图像而言，它们的像素值并不是颜色值，而是颜色在调色板查找表中的索引号。