2018年以来，国内掀起了IPv6网络改造的热潮，从运营商到互联网，从企业到个人，都要将IPv6的网络改造付诸于行动，不少企业都立了军令状，必须要在2018年完成IPv6网络初步改造，让IPv6跑起来。不过，IPv6的口号喊了这么多年，一直没有什么声响，大家都没有改造的意愿，因为从眼前看IPv6就是一个费钱费力又得不到更多好处的事情，IPv4地址是不够用，但也有一些延缓的变通技术。5G、物联网兴起来后，对IPv6的需求迫切了，IPv4再怎么节省也无法满足物联网的未来部署，这推动着所有的网络运营商必须要进行IPv6改造。改造意愿是一方面，技术部署也存在不少阻力，IPv4网络运行多年，各种网络联接和应用盘根错节，极其复杂，这时再将IPv6纳入进来，网络就更复杂了，部署IPv6面临着很多现实问题。
首先，就是转发表项容量的问题
在前面的小节中，我们仅仅泛泛而谈了机器学习、深度学习等概念，在这一小节，我们将给出它的更加准确的形式化描述。
我们经常听到人工智能如何如何？深度学习怎样怎样？那么它们之间有什么关系呢？在本小节，我们首先从宏观上谈谈人工智能的“江湖定位”和深度学习的归属。然后再在微观上聊聊机器学习的数学本质是什么？以及我们为什么要用神经网络？
2.1 人工智能的“江湖定位”
宏观上来看， 人类科学和技术的发展，大致都遵循着这样的规律：现象观察、理论提取和人工模拟（或重现）。 人类“观察大脑”的历史由来已久，但由于对大脑缺乏“深入认识”，常常“绞尽脑汁”，也难以“重现大脑”。
直到上个世纪40年代以后，脑科学、神经科学、心理学及计算机科学等众多学科，取得了一系列重要进展，使得人们对大脑的认识相对“深入”，从而为科研人员从“观察大脑”到“重现大脑”搭起了桥梁，哪怕这个桥梁到现在还仅仅是个并不坚固的浮桥。
当在做数据挖掘和数据分析时，数据是所有问题的基础，并且会影响整个工程的流程。相比一些复杂的算法，如何灵活的处理好数据经常会取到意想不到的效益。而处理数据不可或缺的需要使用到特征工程。简单的说，特征工程是能够将数据像艺术一样展现的技术。为什么这么说呢？因为好的特征工程很好的混合了专业领域知识、直觉和基本的数学能力。但是最有效的数据呈现其实并不涉及任何的数据运算。
谈到5G网络，相信很多人都没有很清晰的认知，因为目前5G网络在中国市场还没有真正应用，那么它和4G、2/3G网络有什么区别？最明显的区别就是速率，当4G网络在2010年左右开始占领市场的时候，我们会觉得速度变得很快，下载一部电影，传送一个视频、文件或者照片等，终于不用像2/3G网络那样苦苦等待了，不过，这些在5G网络面前都不算什么，那么，我们即将面世的5G网络到底有多快呢？据悉，它的峰值理论传输速度可达每秒数10Gb，可以说一部超高清画质电影可在1秒之内下载完成，5G作为第五代移动通信技术，将把移动市场推到一个全新的高度。
那5G什么时候能真正到来呢？目前，日本、韩国、美国和中国等国家以及欧洲都在积极研究5G技术，寻找关键技术的突破点。5G技术的关键技术多达6项，其中包括大规模天线阵列技术或新型多天线技术、超密集组网技术、新型多址技术、D2D通信技术、更加扁平化的新型网络架构和C-RAN研究、高频段需求潜在候选频段研究。如此艰巨的任务给各个国家都带来了挑战，而一些5G技术已经开始测试，如AT&T和Verizon正在测试家庭和企业5G宽带固定网络。
当GPU从CPU那里得到渲染命令后，就会进行一系列流水操作，最终把图元渲染到屏幕上。
从图中可以看出，GPU的渲染流水线接收顶点数据作为输入。这些顶点数据是由应用阶段加载到显存中，再由Draw Call指定的。这些数据随后被传递给顶点着色器。
顶点着色器（Vertex Shader）是完全可编程的，它通常用于实现顶点的空间变换、顶点着色等功能。
曲面细分着色器（Tessellation Shader）是一个可选的着色器，它用于细分图元。
几何着色器（Geometry Shader）同样是一个可选的着色器，它可以被用于执行逐图元（Per-Primitive）的着色操作，或者被用于产生更多的图元。
自动驾驶汽车是依靠人工智能、视觉计算、激光雷达、监控装置和全球定位系统协同合作，让电脑可以在没有人类主动的操作下，自动、安全地操作机动车辆，其主要由环境感知系统、定位导航系统、路径规划系统、速度控制系统、运动控制系统、中央处理单元、数据传输总线等组成。
自动驾驶汽车在传统汽车的基础上扩展了视觉感知功能、实时相对地图功能、高速规划与控制功能，增加了全球定位系统天线、工业级计算机、GPS 接收机、雷达等核心软硬件。感知环节通过各种传感器采集周围环境基本信息，是自动驾驶的基础，主要包括毫米波雷达、激光雷达、超声波传感器、图像传感器等。
4种传感器及其产业链介绍
1、毫米波雷达
0、引言
无线传感器网络（Wireless Sensor Networks，WSN）是通过无线通信方式组成的一个多跳自组织网络系统，由微型传感器控制节点组成。它能够协作地感知、采集和处理网络覆盖区域中被观察对象的信息，并发送给采集者[1]。物联网的快速发展对无线通信提出了更高要求，使得低功耗、远距离、广覆盖、多连接的LPWAN（Low Power Wide Area Network，低功耗广域物联网）技术应运而生[2]。以GSM和GPRS为代表的广域无线通信技术，具有通信速率高的特点。但是，接入LPWAN的终端设备能耗仅为GPRS的1/10，且覆盖能力更强，比GPRS提升了20 dB增益。以ZigBee和Wi-Fi为主的局域无线通信技术，具有低延迟的特点，但信号覆盖范围小、功耗高[3]。
1、什么是随机采样？
Bagging可以简单的理解为：放回抽样，多数表决（分类）或简单平均（回归）；
Bagging的弱学习器之间没有boosting那样的联系，不存在强依赖关系，基学习器之间属于并列生成。它的特点在“随机采样”。
随机采样(bootsrap)就是从我们的训练集里面采集固定个数的样本，但是每采集一个样本后，都将样本放回。也就是说，之前采集到的样本在放回后有可能继续被采集到。对于我们的Bagging算法，一般会随机采集和训练集样本数m一样个数的样本。这样得到的采样集和训练集样本的个数相同，但是样本内容不同。如果我们对有m个样本训练集做T次的随机采样，则由于随机性，T个采样集各不相同。
注意到这和GBDT的子采样是不同的。GBDT的子采样是无放回采样，而Bagging的子采样是放回采样。
2、什么是袋外数据(Out Of Bag, 简称OOB)？
侯世达在1995年预言：
（在人工智能）基于逻辑的形式方法是死路一条。一一侯世达1995 （AI）The logic-based formal approach is a dead end.一一Hofstadter1995
10年后，预言成真了，20年后的今天，侯世达预言的Analogy Intelligence已经随着Alpha Go的出现，占有人工智能几乎全部的主要成果。
人工智能教父Hinton在BBVA获奖时说，AI的两种路线之争，是一场50年的战争。
当然，最终以基于类比Analogy的路线胜利而告一段落。
1，发轫：神经网络是骗子
显卡
Video card，Graphics card，又叫显示接口卡，是一个硬件概念（相似的还有网卡），执行计算机到显示设备的数模信号转换任务，安装在计算机的主板上，将计算机的数字信号转换成模拟信号让显示器显示出来。
显卡是计算机的标配之一，计算机要显示图像就必须安装显卡。普通计算机的显卡一般是集成在主板上的。
显卡驱动
显卡驱动是显卡跟计算机连接的桥梁，可以让计算机识别到GPU硬件，是必须正确安装的，不同厂商、不同型号的GPU对应不同的显卡驱动。
显存
又叫帧缓存，作用是用来存储GPU处理过或者即将提取的渲染数据，显存相对于GPU相当于内存对于CPU。
GPU