demi的博客

图片来源：视觉中国

文｜脑极体

占据一辆无人驾驶汽车成本40%的激光雷达，以精准和无死角的空间探测能力，成为是无人驾驶领域不可或缺的存在。

但和汽车相比，似乎激光雷达在无人机上更有用武之地：成像精度要求不高、行动自由范围大、成本更低、应用领域广泛。

更重要的是，与传统的无人机摄像头相比，激光雷达不受光线限制，在任何光线条件下效果都不错。原本需要大量人力物力搞定的测绘工作，激光雷达飞一飞，分分钟就能完成。

听起来，激光雷达和无人机，完全可以组合出道成为科技圈新的“流量担当”。事实也正是如此。

激光雷达上天现状：为地球加特效的神仙CP

为无人机装上激光雷达，可以说解决了一个人类自古以来的执念：怎样才能站得更高、望得更远？

激光雷达最初就是由美国国家航空航天局于上世纪70年代开发的太空探索工具。1971年阿波罗15号所绘制的月球表面地形图，就是由早期的激光雷达仪器来完成的。人类甚至还发明了卫星这种可以从太空俯视整个地球的大杀器。

但视野变大了，使用成本也变得极其高昂。 于是，又将主意打到了无人机身上。

2018年初开始，全国尤其是运营商网络开启了IPv6改造的大幕，很多企业都从工信部领到了军令状，要将IPv6改造工作彻底落实下去。现在2018年已接近尾声，回头看看实际部署情况如何。

IPv6涉及到应用网站、网络和应用服务器几个部分，网络部分作为关键，需要改造的地方很多，每套网络的实际情况各有不同，存在不少困难，好在IPv6喊了这么多年，技术上留了一些底子，每年采购设备虽IPv6没用，但一直作为技术必选项对网络设备强制要求，所以除了一些老旧设备，大部分网络天然具备平滑切换到IPv6的能力。即便这样，要将覆盖全国这么大的一张网络梳理清楚，并且都要打通开启IPv6，却非易事。

经过这大半年的折腾，初战告捷，各大运营商也纷纷亮出了成绩单，不仅网络完成了基本改造，IPv6用户也实现了快速增长。比如中国移动的IPv6用户达到了951万(移动宽带718万，固定宽带233万)，覆盖用户为7017万户，普及率为6%，这显然与国外20%的目标还有不少差距。2017年12月，工信部曾要求三大运营商到2018年末，实现IPv6用户规模不少于2亿，后来结合实际情况，在2018年降到了5000万，到目前来看5000万的实现也存在难度。

光线追踪是图形学领域里最为著名的一种技术，其中首要的一步是视点（相机，眼睛）穿过像素中心，发射一条射线，也就是主光线（次级光线指的是从物体表面反射或折射等发出的光线）。这一步看起来比较简单，但仍然涉及到一些细节和概念需要理清。

我系统的学习这些东西是从renderman规范开始的，看的第一本书是advanced renderman，这本比较难，我更推荐看An Introduction to Ray Tracing (1989)。

开始正题。首先，要搞清楚fov角，advanced renderman上会讲到焦距，讲的非常细致深入，如果要深挖可以看书，我就不谈了（毕竟我也不记得了）。相机所看到的三维场景是一个视锥体，也叫平截头体，如下图：

直方图均衡(Histogram Equalization)是图像处理中一个十分基础的概念，具有调整图像灰度，增强对比度的作用。

限制对比度自适应直方图均衡(Contrast Limited Adaptive Histogram Equalization,CLAHE),关于该算法的中文原理性描述可以参考网址：http://www.cnblogs.com/Imageshop/archive/2013/04/07/3006334.html

下面我按照自己的理解来介绍一下CLAHE算法：

自适应直方图均衡(AHE)算法，对于图像中存在明显比其他区域亮或者暗的地方时，普通的直方图均衡算法就不能将该处的细节信息描述出来。AHE算法通过在当前处理像素周边的一个矩形区域内进行直方图均衡，来达到扩大局部对比度，显示平滑区域细节的作用。

AHE算法的2个属性：1、AHE算法处理的局部领域，矩形领域小，局部对比度强，矩形领域大，局部对比度弱。2、如果矩形区域内的图像块信息比较平坦，灰度接近，其灰度直方图呈尖状，在直方图均衡的过程中就可能会出现过度放大噪声的情况。

国际研调机构Gartner公布2018至2023年引领数字企业创新的10大物联网（IOT）策略技术趋势。副总裁暨分析师Nick Jones指出，未来10年，物联网将带动数字企业创新的商机，能够掌握物联网创新趋势的信息官，将有机会带领企业迈向数字创新。

此外，他指出，信息官也应确保企业拥有必要的知识和合作伙伴来支持重要的物联网新兴趋势和技术，因为到了2023年，信息官需掌管的平均终端装置数量将是目前的3倍以上。

列出10项IoT策略技术趋势：

第一：AI人工智能。
该机构预测，2019年全球连网对象数量将达142亿美元，并在2021年将达250亿美元，因此将产生极大量的数据。未来AI将被用来处理各种IoT数据，包括影片、静态影像、语音、网络流量与传感器数据。

第二：IoT的社会、法律与道德面向；

第三：信息经济学与数据中介(Data Broking)。
预估至2023年，买卖IoT数据将成为许多IoT系统必要的一环，信息官必须教育组织有关数据中介的相关风险及商机，针对该领域订定相关IT政策，并为组织内其他单位提供咨询。

Highway Networks

论文地址 : https://arxiv.org/abs/1505.00387 [cs.LG] (ICML 2015),
全文:Training Very Deep Networks( https://arxiv.org/abs/1507.06228 )

基于梯度下降的算法在网络层数增加时训练越来越困难(并非是梯度消失的问题,因为batch norm解决梯度消失问题).论文受 RNN 中的 LSTM、GRU 的 gate 机制的启发,去掉每一层循环的序列输入,去掉 reset gate (不需要遗忘历史信息),仍使用 gate 控制前一次输出与当前层激活函数之后的输出的融合比例,从而提出了highway networks,加入了称为 information high-ways的shortcut连接,使得信息可以跨层直接原样传递.这使得网络深度理论上几乎可以是无限.

1、特征选择

特征选择也被称为变量选择和属性选择，它能够自动地选择数据中目标问题最为相关的属性。是在模型构建时中选择相关特征子集的过程。

特征选择与降维不同。虽说这两种方法都是要减少数据集中的特征数量，但降维相当于对所有特征进行了重新组合，而特征选择仅仅是保留或丢弃某些特征，而不改变特征本身。
降维常见的方法有PCA，SVD，萨蒙映射等，特征选择是丢弃作用小的特征。

为什么要做特征选择？

在有限的样本数目下，用大量的特征来设计分类器计算开销太大而且分类性能差。通过特征选取，删选掉冗余重复的和不相关的特征来进一步降维，获取尽可能小的特征子集，模型仅需少量的样本就可以得到较高的预测准确率。特征选择可以移除那些重复冗余、无关的特征，利于构建复杂度更低、解释性更强的模型。　　

1、去除冗余和不相关的特征，减少了特征维度，有利于提高模型的预测能力，构建效率更高的模型。
2、更好地理解数据生成的过程，模型的解释性更强。

特征选择方法有很多，一般分为三类：

物联网是在计算机互联网的基础上，利用RFID、无线数据通信等技术，构造一个覆盖世界上万事万物的“Internet of Things”。在这个网络中，物品(商品)能够彼此进行“交流”，而无需人的干预。其实质是利用射频自动识别(RFID)技术，通过计算机互联网实现物品(商品)的自动识别和信息的互联与共享。比如超市里的付款系统，目前的超市里都是有专门的工作人员核算顾客的消费量，而利用物联网则能实现付款机对货物的自动核算功能，大大提高了购买效率。

那么物联网综合管控平台系统又有哪些优势呢？

1、一点接入，全网服务：提供政企公司或各省公司一点进行业务受理，分省出卡的业务开通，各配合省根据客户需求进行卡的制作、配号和销售，直接为客户提供业务服务和网络服务，满足客户“一点拿卡”、“一站式服务”需求，避免客户与多个省进行业务对接，且无省间漫游结算，特别适合于全网业务应用的行业客户。　　

2、丰富的码号资源：拥有13位以10648开头的物联网专用号段和11位以14765开头的物联网专用号段，总容量达一亿以上，充分满足用户大数量码号需求。　　

随着硬件的更新换代，越来越多的机器学习从业者又开始面临选择 GPU 的难题。正如我们所知，机器学习的成功与否很大程度上取决于硬件的承载能力。在今年 5 月，我在组装自己的深度学习机器时对市面上的所有 GPU 进行了评测。而在本文中，我们将更加深入地探讨：

GPU + 深度学习

深度学习（DL）是机器学习（ML）的一个分支。深度学习使用神经网络来解决问题。神经网络的优点之一是自行寻找数据（特征）模式。这和以前告诉算法需要找什么不一样。但是，通常这意味着该模型从空白状态开始（除非使用迁移学习）。为了从头捕捉数据的本质／模式，神经网络需要处理大量信息。通常有两种处理方式：使用 CPU 或 GPU。

计算机的主要计算模块是中央处理器（CPU），CPU 的设计目的是在少量数据上执行快速计算。在 CPU 上添加数倍的数字非常快，但是在大量数据上进行计算就会很慢。如，几十、几百或几千次矩阵乘法。在表象背后，深度学习多由矩阵乘法之类的操作组成。

在前一个小节中，简单地谈了谈什么是“M-P神经元模型”，顺便用生活中生动的小案例，把激活函数和卷积函数的概念撸了一遍。下笔之处，尽显“神经”。当然这里所谓的“神经”，是说我们把不同领域的知识，以天马行空地方式，揉和在一起，协同提升认知水平。其实，这不也正是深度学习的前沿方向之一——“迁移学习（Multi-Task and Transfer Learning）”要干的事情吗？

下面，继续“神经”下去，首先聊聊机器学习的三大分支，然后以“中庸之道”来看机器学习的发展方向。

4.1 机器学习的三个层次

在我们小时候，大概都学习过《三字经》，其中有句“性相近，习相远。”说的就是，“人们生下来的时候，性情都差不多，但由于后天的学习环境不一样，性情也就有了千差万别。”

其实，这句话用在机器学习领域，上面的论述也是大致适用的。机器学习的学习对象是数据，数据是否有标签，就是机器学习所处的“环境”，“环境”不一样，其表现出来的“性情”也有所不同，大致可分为三类：