身为技术主管和工程经理，我们经常遇到的问题是如何提高团队的效率。但是在你集中精力提高他们的工作效率之前，你可能首先要考虑是什么在破坏他们的工作效率，并建立起良好的基础。
程序员想要完成什么工作，根本离不开电脑，但确实还有很多公司希望程序员不使用电脑就能完成工作（你敢信）。
因此，我们列出了12件阻碍程序员提高效率的事情。下面给出的顺序是按最重要到不重要的排序的（从我的视角），请大家斧正。
其实吧，给程序员们加薪也是个好办法，哪怕加薪10%，也能起到相当不错的激励作用。
1) 干扰&会议
在我看来，随意打断是程序员的工作最影响他们效率的事情。开发人员无法轻松回到被打断之前的状态。他们需要再次找到感觉，然后继续上手原来的工作。干扰越多，挫折越大，质量越低，bug就越多——而且还在继续。
我越被干扰，效率就越低。每次被打断了工作流程，我就得重新开始找感觉，所以如果我一天被多次打断，这一天想要又什么成果基本就不可能了。——一位程序员如是说道
连接主义体系结构已存在 70 多年，但新的架构和图形处理单元 (GPU) 将它们推到了人工智能的前沿。深度学习架构是最近 20 年内诞生的，它显著增加了神经网络可以解决的问题的数量和类型。本文将介绍 5 种最流行的深度学习架构：递归神经网络 (RNN)、长短期记忆 (LSTM)/门控递归单元 (GRU)、卷积神经网络 (CNN)、深度信念网络 (DBN) 和深度叠加网络 (DSN)，然后探讨用于深度学习的开源软件选项。
深度学习不是单个方法，而是一类可用来解决广泛问题的算法和拓扑结构。深度学习显然已不是新概念，但深度分层神经网络和 GPU 的结合使用加速了它们的执行，深度学习正在突飞猛进地发展。大数据也助推了这一发展势头。因为深度学习依赖于监督学习算法（这些算法使用示例数据训练神经网络并根据成功水平给予奖惩），所以数据越多，构建这些深度学习结构的效果就越好。
深度学习与 GPU 的兴起
此文对于程序员和美术制作人员都有很大的帮助作用，希望你看完后对基于物理的渲染有个整体的理解，此篇翻译的文章（The Comprehensive PBR Guide by Allegorithmic - vol. 1）基本上是从美术的角度来解释基于物理的渲染，有时间我会把程序部分的知识再细致讲一下，包括理论和实现，我自己目前也在学习阶段，主要在研究UE4的基于物理的渲染，希望在接下来的时间里出一个比较详细的文章来从程序员的角度详细阐述实现原理。
By 风恋残雪
博客：http://www.cnblogs.com/ghl_carmack/
光是一种复杂的现象，因为它同时具有波和粒子的属性。因此，创建了不同的模型来描述光的行为。作为制作贴图的美工，我们关心光-射线模型，因为它描述了光和介质是如何交互的。对于我们来说，理解光线如何跟介质表面交互很重要，因为我们的工作就是要制作描述那个表面的贴图。我们制作的贴图和材质用来在虚拟世界中跟光线交互，我们对光如何表面了解得越多，我们制作的贴图看起来就越好。
区块链的概念最早源自比特币，已经存在8年之久了。随着区块链近年来市场热度持续升温，越来越多的行业及企业开始关注区块链技术领域。那么区块链未来的发展趋势究竟如何，你是否清楚呢?毋庸置疑，国内的区块链目前还处于萌芽发展的阶段，要想走向更成熟的阶段也许还需要5--10年，甚至更长的时间。不过从目前在国内的发展状况看，这并不妨碍价值投资者对区块链寄予的厚望。我国在“十三五”规划中明确指出要强化区块链等战略性前沿技术并进行超前布局。我国区块链企业数量不断增长，其中2014 年单年度新增区块链企业数量最多。与全球区块链领域投资相比，中国区块链产业投融资起步稍晚，2016年明显加速，较2015年增长了293%。2017年区块链更是开始运用到更多的行业，电商、共享单车平台等，可见其发展前景是很好的。
1、Color Filter Array — CFA
随着数码相机、手机的普及，CCD/CMOS 图像传感器近年来得到广泛的关注和应用。 图像传感器一般都采用一定的模式来采集图像数据，常用的有 BGR 模式和 CFA 模式。BGR 模式是一种可直接进行显示和压缩等处理的图像数据模式，它由 R( 红)、G( 绿) 、B( 蓝) 三原色值来共同确定 1 个像素点，例如富士数码相机采用的 SUPER CCD 图像传感器就采用这种模式，其优点是图像传感器产生的图像数据无需插值就可直接进行显示等后续处理，图像效果最好，但是成本高，常用于专业相机中。一般数码相机的传感器（CCD 或 CMOS）约占整机总成本的 10%~25%，为了减少成本，缩小体积，市场上的数码相机大多采用 CFA 模式，即在像素阵列的表面覆盖一层彩色滤波阵列（Color Filter Array，CFA），彩色滤波阵列有多种，现在应用最广泛的是 Bayer 格式滤波阵列，满足 GRBG 规律，绿色像素数是红色或蓝色像素数的两倍，这是因为人眼对可见光光谱敏感度的峰值位于中波段，这正好对应着绿色光谱成分。
机器学习的应用需要大量的人工干预，这些人工干预表现在：特征提取、模型选择、参数调节等机器学习的各个方面。AutoML 试图将这些与特征、模型、优化、评价有关的重要步骤进行自动化地学习，使得机器学习模型无需人工干预即可被应用。
在学习机器学习中，看过挺多案例，看到很多人在处理数据的时候，经常把连续性特征离散化。为此挺好奇，为什么要这么做，什么情况下才要做呢。
一、离散化原因
数据离散化是指将连续的数据进行分段，使其变为一段段离散化的区间。分段的原则有基于等距离、等频率或优化的方法。数据离散化的原因主要有以下几点：
1、算法需要
比如决策树、朴素贝叶斯等算法，都是基于离散型的数据展开的。如果要使用该类算法，必须将离散型的数据进行。有效的离散化能减小算法的时间和空间开销，提高系统对样本的分类聚类能力和抗噪声能力。
2、离散化的特征相对于连续型特征更易理解，更接近知识层面的表达
比如工资收入，月薪2000和月薪20000，从连续型特征来看高低薪的差异还要通过数值层面才能理解，但将其转换为离散型数据（底薪、高薪），则可以更加直观的表达出了我们心中所想的高薪和底薪。
3、可以有效的克服数据中隐藏的缺陷，使模型结果更加稳定
二、离散化的优势
CNN卷积神经网络卷积层和池化层详解
卷积神经网络（Convolutional Neural Network，简称CNN），是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理。卷积神经网络包括卷积层和池化层。
卷积神经网络是受到生物思考方式启发的MLPs（多层感知器），它有着不同的类别层次，并且各层的工作方式和作用也不同。这里提供一个较好的CNN教程（http://cs231n.github.io/convolutional-networks/）。文章中详细介绍了CNN的计算方式和数据的流动过程，这里只做简单的介绍。
一直以来，视频监控便是是安全防范系统中的重要组成部分，传统的监控系统包括前端摄像机、传输线缆、视频监控平台。然而查看视频不仅是件工作量巨大而且是人力效率极低的事情，一直以来，安防领域都在寻求着不同的解决方法。人类监视监控视频的能力限制导致其对人工智能的需求。
早期解决方案-运动检测相机
为了弥补人们长期监视监视器易丧失注意力和辨别安全警示等缺点，采用的第一个解决方案是在摄像机上增加运动探测器。当检测到入侵者或行为人的动向，探测器便向远程监控人员发出警报，无需监控人员长久坚守显示屏前。然而问题在于，室外环境中，存在多种多样的运动或像素的变化，例如被风吹动的叶子，，昆虫，鸟类，狗，阴影，阳光等扰乱运动。这就导致了运动探测器每天会产生数百甚至数千个错误警报，使得该解决方案在非工作时间的室内环境中不可操作。
高级视频移动检测
下一次演变在一定程度上减少了错误警报，但代价是复杂且耗时的手动校准。这里，检测诸如人或车辆的目标相对于固定背景的变化。如果背景季节变化或由于其他变化，可靠性会随着时间的推移而恶化。再次回应过多错误警报的经济学证明是一个障碍，这种解决方案是不够的。
物联网技术可促进生产生活，为社会创造价值。实际上，物联网背后的传感器技术及其产生的数据有着更大价值，然而我们却很少关注它们。这种情况必须改变！
物联网分析的重要性
科研人员通常会投入了大量精力来研发、部署传感器，而不是对这些传感器生成的大量数据进行分析。但是，没有经过分析的数据是一文不值的。如果科研人员将更多的精力放在创建流式传输传感器之前生成的数据上，那会更好。
如果有了物联网分析（AoT），将会创造什么价值呢？小编通过几个案例来进行说明：
1、预测性维护
预测性维护是当今最广泛的AoT应用之一。这项应用是分析来自发动机、ATM或计算机等设备的传感器数据，以确定故障发生前的异样。这样便可以在故障发生之前主动出击，解决问题。
譬如，IBM公司就曾帮助美国的普惠发动机公司实现预测性维护。IBM通过PMQ（预测性维护和质量）的预测模型和数据集成模块将发动机的运行工况等数据进行360度的健康和风险主题分析，并将这些分析结果及时反馈给惠普，从而有效规避因发动机故障导致的飞机事故，保障飞行安全。
2、勾勒用户画像