demi的博客

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。

深度学习和相关的机器学习的进步，在人工智能最近所取得的成就中发挥了关键作用，二者使得计算机不再需要明确的编程，而是通过“吸收和分析”大量数据就能完成自我训练。在过去的两年里，谷歌以深度学习为基础的AlphaGo击败了世界顶级的围棋玩家，震惊了大多数人工智能专家，因为在他们的认知力，这一里程碑的实现至少还需要5到10年的时间。

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。

LPWAN全称为Low Power Wide Area Network，即低功耗广域网络，专为低带宽、低功耗、远距离、大量连接的物联网应用而设计。

1. LoRa

作为当前应用最为广泛的LPWAN网络技术之一，LoRa协议源自SemTech公司。该无线技术的特点是长距离（1-20km），万级甚至百万级的节点数，电池寿命可达3-10年，数据速率可达0.3-50kbps。

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

要实现协同过滤的推荐算法，要进行以下三个步骤：

收集数据——找到相似用户和物品——进行推荐

收集数据

这里的数据指的都是用户的历史行为数据，比如用户的购买历史，关注，收藏行为，或者发表了某些评论，给某个物品打了多少分等等，这些都可以用来作为数据供推荐算法使用，服务于推荐算法。需要特别指出的在于，不同的数据准确性不同，粒度也不同，在使用时需要考虑到噪音所带来的影响。

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。

典型的图像处理不适定问题包括：图像去噪（Image De-nosing），图像恢复（Image Restorsion），图像放大（Image Zooming），图像修补（Image Inpainting），图像去马赛克（image Demosaicing），图像超分辨(Image super-resolution )等。

迄今为止，人们已经提出许多方法来解决图像处理中的不适定性。但是如何进一步刻画图像的边缘、纹理和角形等图像中重要视觉几何结构，提高该类方法在噪声抑制基础上有效保持结构和纹理能力是有待深入研究的问题。

1 不适定图像处理问题的国内外研究现状评述

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。

而主动安全就侧重于监测到事故发生或者车辆失控的可能性，从而通过一系列介入车辆操控的手段去避免它。尽量自如的操纵控制汽车的安全系统措施。无论是直线上的制动与加速还是左右打方向都应该尽量平稳，不至于偏离既定的行进路线，而且不影响司机的视野与舒适性。

九大汽车主动安全系统

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。

主动安全体系和分类以及各个厂家的叫法略有不同。小编大致整理了以下九种系统：ABS、ASR、AWS、EBD、ESC、LCA、SAS、TCS、VSA。

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。

问题根源短期记忆

递归神经网络(RNN)具有短期记忆。如果序列足够长，他们将很难将信息从较早的时间步骤传送到后面的步骤。因此，如果你正在尝试对一段文本进行预测，RNN可能会从一开始就遗漏掉重要信息。

在反向传播期间，递归神经网络（RNN）会遇到梯度消失问题。梯度是用于更新神经网络权重的值。梯度消失问题是当梯度随着时间的推移传播时梯度下降。如果梯度值变得非常小，则不会继续学习。

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。

全卷积网络 Fully Convolutional Networks

CNN 与 FCN

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

1、蓝牙的技术特点

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。

因此，在最简单的层面上，人工智能和“机器学习”围绕的是对行为规范的理解。系统需要一些时间来观察环境，以了解什么是正常的行为，并建立一个基准线——这样它就可以通过将算法知识应用到数据集来获取偏离规范的偏差。

针对网络安全的AI可以以多种方式帮助防御者。然而，人工智能的出现也有不利的方面。首先，网络犯罪分子也利用了这项技术，很明显，它可以被用于各种恶意的任务。比如对开放的、易受攻击的端口进行的扫描，或者是电子邮件的自动组合，这些邮件具有公司首席执行官的准确语气和声音，被24小时窃听。

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。