博客
在这篇文章开始之前，我们先提出一个问题：如果未来你以为的无人驾驶，在某个浑然不觉的时间段里实际上是有人驾驶，你会不会觉得毛骨悚然？
这并不是危言耸听。汽车从原始的纯机械工业产品变得越来越电子化、网络化，正如手机从原始的大哥大功能机接入网络、App，迈入智能机时代。手机包括一切网络接入设备所面临的安全问题，也将毫无疑问地出现在汽车身上。
如你所想，我们在这里要说的安全，是系统安全。
但与手机、电脑不同的是，无人驾驶汽车的系统一旦被黑客入侵甚至控制起来，涉及的就不仅仅是勒索钱财的问题，极有可能是要了人命。
或许，当我们一边要力争无人驾驶汽车在2020年能上路，另一边却到目前为止仍然把上路的安全问题集中在各种传感器、激光雷达、芯片或者算法的技术层面，系统安全的问题似乎就相对显得迫在眉睫了。
深度学习说到底就是要调节网络中得权重，使网络的分类结果更接近于训练值。这个重复迭代的过程又是一个线性回归的问题。在这种可能会用到高数，线性代数，概率论中的知识。
<font size="3"><strong>一、数学基础提一提</strong></font>
1. 高数中得知识。
高数中最重要的就是微积分了，那在深度学习中出现最多的一个概念就是梯度。什么是梯度呢?要说导数，学过高数的肯定都知道。其实梯度就是当把标量x变成向量X时，对X求导就是梯度。那为什么要用梯度呢？因为梯度等于0在凸函数中往往代表着一个极小值点。我们要求得就是损失函数的极小值，这正是我们需要的。梯度是指向函数最大增加的方向，下面来解释为什么。
本文主要介绍五种最常见和最常用的图像格式：BMP，PNG，JPEG，JPEG200，以及GIF。在进行图像处理相关应用之前第一步首先是能够读取这些图像文件，虽然很多开发工具支持库比如OpenCV等已经帮助节省了这些工作的麻烦，便利的同时也使得开发人员不再熟悉这些基本的图像格式。本文的作用就在于将这五种常用的图像格式进行分条叙述，方便查阅。
<font color="Purple"><strong>BMP图像文件格式：无压缩</strong></font>
人工智能的概念早在60多年前就被提出，但又一度沉寂。随着谷歌人工智能程序AlphaGo（阿尔法狗）战胜围棋世界冠军李世石，再次为世人瞩目。然而，与无限风光一起相伴而来的，还有关于人工智能的种种争议！
“在我的一生中，见证了社会深刻的变化。其中最深刻的，同时也是对人类影响与日俱增的变化，是人工智能的崛起。简单来说，我认为强大的人工智能的崛起，要么是人类历史上最好的事，要么是最糟的。”著名物理学家霍金生前反复告诫。
在互联网和大数据风起云涌的今天，人工智能究竟会成为造福人类的天使，还是控制人类的魔鬼？面对类似疑虑，请听中国科学院院士、中国人工智能学会副理事长谭铁牛怎么说。
<font size="3"><strong>崛起</strong></font>
在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降（Gradient Descent）是最常采用的方法之一，另一种常用的方法是最小二乘法。这里就对梯度下降法做一个完整的总结。
<font size="3"><strong>1. 梯度</strong></font>
作者 | Daniel Newman
译者 | Sambodhi
编辑 | Vincent
人工智能是企业和国家争夺控制权的前沿技术，2018 年我们已经看到了人工智能出现一些重大进步，那么 2019 年会怎么样呢？让我们看看 Daniel Newman 的预测！
在过去的几年里，机器学习和人工智能一直是人们茶余饭后的谈资，而且这些炒作看上去近期并没有放缓的迹象。但我相信，2019 年将是那些企业等待上船，并见证其行业发展“挖出金矿”的一年。那么，明年我们可能会看到什么呢？会是机器学习的革命性新用途吗？人机交互会不会进一步发展呢？还是人工智能助理全面崛起？让我们深入研究未来几个月的人工智能和机器学习的预测吧！
本文简要介绍了什么是循环神经网络及其运行原理，并给出了一个 RNN 实现示例。
什么是循环神经网络（RNN）？它们如何运行？可以用在哪里呢？本文试图回答上述这些问题，还展示了一个 RNN 实现 demo，你可以根据自己的需要进行扩展。
本章给大家介绍一种用于预测的算法——逻辑回归（logistic regression）
给定一个输入特征向量x（例如你想要识别的图像——是否有猫），你需要一个算法进行计算之后进行结果输出（在这里我们用的是逻辑回归算法）。这个被输出的预测结果我们称为y^y^，假设y是1，如果预测得很准的话y^y^可能会是0.99）。
<font size="3"><strong>一、roc曲线</strong></font>
1、roc曲线：接收者操作特征(receiveroperating characteristic),roc曲线上每个点反映着对同一信号刺激的感受性。
横轴：负正类率(false postive rate FPR)特异度，划分实例中所有负例占所有负例的比例；(1-Specificity)
纵轴：真正类率(true postive rate TPR)灵敏度，Sensitivity(正类覆盖率)
2、针对一个二分类问题，将实例分成正类(postive)或者负类(negative)。但是实际中分类时，会出现四种情况.
<font size="3"><strong>一、介绍</strong></font>
在电力需求增长的环境下，未来智能电网的设计要运行更加可靠、经济和高效。然而，要实现这一目标，需要通过与数据通信的巨大增长相结合，然而，数据通信为各种网络攻击提供了大把的机会。因此，确保智能电网的网络安全是重中之重。虽然发布了大量的对抗措施,如通信标准(如IEC 61850-90-5 [1])、法律法规(如Colorado法规(CCR) 723-3)、加密实现(如，安全通道[7])，以及官方指南(如NISTIR 7628指南[8])，目前智能电网仍然容易受到网络攻击。
近年来，随着一些强大、通用的深度学习框架相继出现，把卷积层添加进深度学习模型也成了可能。这个过程很简单，只需一行代码就能实现。但是，你真的理解“卷积”是什么吗？当初学者第一次接触这个词时，看到堆叠在一起的卷积、核、通道等术语，他们往往会感到困惑。作为一个概念，“卷积”这个词本身就是复杂、多层次的。
每天数百万的机器和设备首次连接到互联网，公司企业在通过边缘计算改变我们看待云基础设施的方式，以此挑战传统架构。事实上，Gartner预计40%以上的企业IT部门将采用边缘计算策略，比去年增加1%。
当下，边缘计算继续是业界讨论的热门话题，因为更多的传感器、移动设备和功能强大的应用程序将数据推向我们网络的边缘。更多的公司继续将计算资源放在网络边缘，尽量靠近生成数据和洞察力的设备。
随着企业组织开始关注边缘计算，各种误解正在给它们的潜在迁移蒙上阴影。
下面是与边缘计算资源相关的三个误区。
<strong>第一个误区：边缘计算是资源密集型的</strong>
人工智能技术在科技企业不断地深度学习和技术创新等方面的推动之下，也在不断地取得突破。金融、交通、医疗、教育、农业、制造业等场景的应用需求和切合确定场景的商业模式出现推动人工智能技术的快速发展。随着人工智能在移动互联网、智能家居等领域的发展，我国的人工智能产业也将持续性、高速地成长。预计到2022年，我国人工智能行业的市场规模将达到680亿元。
未来国内人工智能行业发展的五大趋势：
<font size="3" color="#33b1c8"><strong>一、机器学习与场景应用将迎来下一轮爆发</strong></font>
【导读】本文是人工智能专家George Seif撰写的博文，介绍了在当前深度学习比较火热的情景下需要避免的三个坑。
作者 | George Seif
编译 | 专知
整理 | Mandy, Sanglei
深度学习在过去几年一直是人工智能领域最热门的话题。事实上，正是它激发了科学家、政府、大公司以及其他所有人对人工智能的极大新兴趣！这是一门很酷的科学，具有潜在的巨大的实用性和积极的应用。它正被用于金融、工程、娱乐、消费产品和服务等领域。
但是，所有应用都需要使用到深度学习吗？当我们开展一个新的项目时，我们需要不自觉地一开始就使用深度学习吗？
在有些情况下，使用深度学习是不合适的，我们需要选择一些别的方案。让我们来探讨一下这些情况吧。
<strong>卷积神经网络（ ConvNets或者CNNs）是神经网络的范畴。</strong>
应用领域：图像识别、语音识别、自然语言处理（如语句分类）。可以识别人脸、物体和交通信号，从而为机器人和自动驾驶汽车提供视力。也可以识别场景，提供相关的标签。
<strong>LeNets架构（1990s）</strong>
LeNets是最早的卷积神经网络。
经过多次成功迭代，1998年，Yann LeCun 把这项工作命名为LeNets5。该架构主要用于字符识别，如邮编，数字等。
本文主要参考中科院自动化研究所复杂系统与智能科学实验室王珏研究员《关于机器学习的讨论》，讨论机器学习的描述，理论基础，发展历史以及研究现状。
20世纪90年代初，当时的美国副总统提出了一个重要的计划——国家信息基本设施计划(NationalInformation Infrastructure,NII)。这个计划的技术含义包含了四个方面的内容：
(1)不分时间与地域，可以方便地获得信息。
(2)不分时间与地域，可以有效地利用信息。
(3)不分时间与地域，可以有效地利用软硬件资源。
(4)保证信息安全。
本文主要讨论解决“信息有效利用”问题，其本质是：如何根据用户的特定需求从海量数据中建立模型或发现有用的知识。对计算机科学来说，这就是机器学习。
在经历了蛮荒的PC互联网时代，混战的移动互联网时代，到现今最火的人工智能时代。大数据、云计算、机器学习的技术应用，已经使得IT从业者的门槛越来越高。套用一句樊登读书会的宣传口号“keep learning”，保持对新鲜技术的好奇心，保持对技术应用的责任心，持续关注、学习是每个IT从业者的必备技能。
<font size="3"><strong>一、什么是人工智能？</strong></font>
在OpenGL中创建 基础光照 ，主要的工作将模型中的法线信息和法线空间运算矩阵传入到shader中。另一方面，LightDir,ViewDir通常是在shader中从引擎参数获取的，为了简化光照模型的实现，这里我们可以在shader中写死。至于经典的 ambient+diffuse+specular 光照原理，不是本文的重点，就在shader中一笔带过了。
<font color="Purple"><strong>原理</strong></font>
通过函数
<pre>glm::mat4 normalMatrix = glm::inverseTranspose(s_shaderData.model);</pre>
