demi的博客

【编者按】作为本轮AI的关键技术，深度学习不单只是深度神经网络模型本身。事实上，深度神经网络的发展痛点频频，包括稳定性和对设备的依赖性，以及调试复杂度困难等等。事实上，回归到深度学习的本质问题，前企学研界还有很多探索深度学习新的可能性。

本文原载于21世纪经济报，经亿欧网编辑，以供业内人士参考。

作为本轮人工智能热潮的关键技术，机器学习尤其是深度学习受到了热捧。一时间，人人嘴上挂着深度学习、神经网络等词汇，似乎不谈这一话题，便与智能时代脱节。

然而，无论开发者或科技企业，对深度学习恐怕存在一定误解。“如果问一下‘什么是深度学习’，绝大多数人的答案都会是：深度学习就是深度神经网络，甚至认为‘深度学习’就是‘深度神经网络’的同义词。”在2018英特尔人工智能大会上，南京大学计算机系主任、人工智能学院院长周志华直言现状。

这一观念其实是片面的。事实上，当前深度学习主流的深度神经网络模型本身，也存在着诸多问题。“吃数据，吃机器，对开发者门槛要求高。”当谈及当前模型痛点时，一位深度学习领域相关开发者向记者直言。另一位开发者则告诉记者，深度神经网络模型的效果稳定性也可能不如预期。

一、OpenCL

（全称Open Computing Language，开放运算语言）是第一个面向异构系统通用目的并行编程的开放式、免费标准，也是一个统一的编程环境，便于软件开发人员为高性能计算服务器、桌面计算系统、手持设备编写高效轻便的代码，而且广泛适用于多核心处理器(CPU)、图形处理器(GPU)、Cell类型架构以及数字信号处理器(DSP)等其他并行处理器，在游戏、娱乐、科研、医疗等各种领域都有广阔的发展前景。

OpenCL是一个为异构平台编写程序的框架，此异构平台可由CPU，GPU或其他类型的处理器组成。OpenCL由一门用于编写kernels （在OpenCL设备上运行的函数）的语言（基于C99）和一组用于定义并控制平台的API组成。OpenCL提供了基于任务分割和数据分割的并行计算机制。

OpenCL类似于另外两个开放的工业标准OpenGL和OpenAL，这两个标准分别用于三维图形和计算机音频方面。OpenCL扩展了GPU用于图形生成之外的能力。OpenCL由非盈利性技术组织Khronos Group掌管。

毫无疑问，CompTIA Network +和Cisco CCNA路由和交换等认证是新兴网络管理员最感兴趣的考试。

但是必须指出的是，传统网络认证的坚实基础很重要。也就是说，如果你已经在网络上工作了几年，并且已经获得了传统的网络认证，那么可能是时候扩展你的视野了。在企业网络领域，有许多不同的领域可供关注。要关注网络领域的决定可能围绕两个因素。首先是网络的需求部分，因为它与您当前的工作有关，另一个是各人对网络领域的兴趣。

专注于如何在数据中心内设计，配置和管理虚拟化网络和网络的认证将帮助您在维护私有数据中心的大型企业中找到工作。如果您为云服务提供商（CSP）工作，这些类型的认证也很有用。如果您的目标是成为复杂问题的网络故障排除专家，那么特定监控或故障排除工具中的认证对于实现目标非常有价值。最后，如果您希望将更多时间花在使用特定网络组件（如安全设备，无线技术或网络自动化）上，那么在这些特定领域中的认证可以帮助您引导您的职业发展到这些目标。

下面向您展示了八项网络认证，这些认证有可能改变您的IT职业发展轨迹，以更好地适应公司的发展。

数据中心认证：Cisco CCNP数据中心

人工神经网络和机器学习已经成为大众媒体的热门主题。智能机器这一想法勾起了很多人的想象，而且人们特别喜欢把它和人类放一起比较。特别是有一个关于人工智能的底层机制的基础问题经常出现——这些人工神经网络的工作方式真的和我们大脑中的神经元相似吗？

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。

难度模式存在的问题

试想一下你刚进入了一款全新的游戏，你的面前立即出现了若干选项，要求你选择一个适合你的难度模式。说白了，他们在让你做出这个重要的决定前，并没有为你提供充分的信息。这就是我们的游戏一贯以来处理难度问题的方式，并且直到现在，这种方式在游戏中仍然很常见。

以下是对这种方式的一些常见的批评：

无人驾驶汽车有望将在未来20年内得到广泛运用，各大科技公司和汽车厂商均在加大对无人驾驶的投入，资本也纷纷抢滩该万亿市场。

无人驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，通过电脑实现无人驾驶，可以在没有任何人类主动的操作下，自动安全地操作机动车辆。

无人驾驶依赖几种先进技术，这些互为补充的技术感知周围环境、进行自我导航。究竟这些技术如何协同工作？除了Waymo等知名的领头羊之外，又有哪些公司在推动这个行业发展？

CB Insights拆解分析了实现无人驾驶的诸多技术，并介绍了有望让无人驾驶汽车更先进、更低成本、更容易扩展的几家初创公司。

感知能力

无人驾驶汽车必须要能够识别交通信号和标志，以及其他汽车、自行车和行人。它们还必须能感知前方物体的距离和速度，以便作出对应反应。

机器人视觉解决方案是我们实现机器人视野的几大挑战。即便变得越来越简单易用，还是有一些棘手的问题。很多因素影响机器人在环境中的视觉，任务设置和工作场所。这里有9个总结出来的机器人视觉挑战：

1. 照明

如果有过在低光照下拍摄数码照片的经验，就会知道照明至关重要。糟糕的照明会毁掉一切。成像传感器不像人眼那样适应性强或敏感。如果照明类型错误，视觉传感器将无法可靠地检测到物体。

有各种克服照明挑战的方法。一种方法是将有源照明结合到视觉传感器本身中。其他解决方案包括使用红外照明，环境中的固定照明或使用其他形式的光的技术，例如激光。

2. 变形或铰接

球是用计算机视觉设置来检测的简单对象。你可能只是检测它的圆形轮廓，也许使用模板匹配算法。但是，如果球被压扁，它会改变形状，同样的方法将不再起作用。这是变形。它会导致一些机器人视觉技术相当大的问题。

随着自动驾驶汽车的兴起，使得不少传统车企似乎看到了新的商机，于是纷纷向该领域进行投资。然而提起“自动驾驶”，相信不少用户会感到陌生，但对于自动驾驶领域来说，从目前来看，它正以“飞速”的速度进行发展。小编坚信，未来，自动驾驶汽车将成为我们生活中最常见的交通方式，所以大家多少都需要知道一些关于自动驾驶的常识，也许当你想要购买该领域新车时，能够有一些自己的见解，正所谓“知己知彼百战百胜”嘛，下面小编为大家科普几个日常生活的需要的知识点，或许你看完会对自动驾驶有一个新的认识。

科普知识点一：记住这些知识点，关键时刻能保命

有研究表明，关于自动驾驶来说，人们仍要需要懂得一些常识才能上路，有人说，90%的驾驶任务不需要常识，需要使用常识的情况只有微不足道的10%。然而，如果你上路行驶的自动驾驶汽车错过了那10%的常识，遇到突发情况后，才会追悔莫及。

人工智能会让程序员失业吗？

当人工智能逐渐强大，大家开始担心：人工智能下一步又要在哪个领域干掉人类？

AI会让人类程序员失业吗？对此问题持肯定态度的人并不在少数。

比如：美国橡树岭国家实验室在去年底发布的论文《人机混编的代码意味着什么?人类 2040 年还需要亲自编写代码吗? 》中表示：到了2040年，大多数的程序代码将由机器生成。

2040年距今天还有些距离，至少当下，AI没有让程序员失业，而是让程序员更贵了。

前几天刷屏的《AI 时代，为什么程序员这么贵》一文，csdn的蒋总认为：AI的发展，不仅不会使程序员消亡，反而使得各行各业比现在更加需要程序员——程序员的求职范围不再局限于软件或互联网行业，社会总需求激增，人才自然也就更贵了。

笔者对蒋总的观点蛮赞同的，当前的势头也确实如此。

不过，再过5-10年，程序员还会如今日行情吗？

1、决策树

适用条件：数据不同类边界是非线性的，并且通过不断将特征空间切分为矩阵来模拟。特征之间有一定的相关性。特征取值的数目应该差不多，因为信息增益偏向于更多数值的特征。

优点：
  •   直观的决策规则；
  •   可以处理非线性特征；
  •   考虑了变量之间的相互作用。

缺点：
  •   容易过拟合（随机森林、剪枝）；
  •   处理缺失数据时的困难；
  •   数据集中属性间的相关性。

2、SVM

适用条件：特征空间大，可以处理非线性的特征。

优点：
  •   可以处理小样本情况下的机器学习问题；
  •   可以处理高维特征；
  •   使用核函数应对非线性特征空间，解决非线性问题；
  •   分类面不依赖所有数据，只与几个支持向量有关