demi的博客

人工智能在各产业中的超凡表现奠定了它对未来世界不可或缺的地位，比如制造业、医疗保健、建筑业、在线零售业等几乎各个行业都在利用人工智能技术融入物联网。不断演化的机器学习技术使每个企业都有望成为数据驱动的企业，都能利用云平台的机器学习技术使用人工智能应用程序。未来的企业将不必安装和维护机器学习系统，花很低的开销就能分析海量又复杂的数据，最终做出详细精准的分析和预测。

据称很容易开始训练神经网络。许多图书馆和框架都以展示解决您的数据问题的30行奇迹片段而自豪，给人以错误的印象，即这些东西即插即用。

为了让深度学习算法像人类一样用形状来识别物体，研究人员用涂有不相干纹理的图片来训练这些系统。结果表明：系统的表现得到了提高，这同时也为我们视觉的进化提供了线索。

集成学习的思想就是将多个弱学习器组合成一个强学习器。集成学习的优点在于保证了弱分类器的多样性，使得其得到的结果往往比单个学习器的效果好（可以理解为真理往往掌握在大多数人手中）。

本文通过对 5G 网络边缘计算技术的阐述，详细分析了边缘化计算的接入网络切片。5G 边缘计算和网络切片技术是当前移动网络发展中的重要技术，该技术具有十分显著的优势，故而在 5G 技术的发展中值得被广泛应用。

在制作3D游戏时，常常遇到这样一个问题：一个平面，这个平面在现实中并不是一 个“平”面，例如砖墙的表面带有石质浮雕等等。这种情况下如果只是简单的做一个平面，则让人感觉严重失真，而如果用很密集的三角形去表示这类略有凹凸的表面，则性能上大大下降。

互联网时代，社交媒体分享、自动驾驶、增强显示、卫星通信、高清电视或视频监控等应用场景对图片和视频有很强的需求，压缩算法也因此备受关注，但是不同的应用场景对压缩算法的性能要求也不一样，有的需求是保持高清的画质是第一位，有的需求是体积小是第一位，可以损害一些画质。那么如何用深度学习技术来设计压缩算法呢？这篇文章将简单的来和大家说一说。

贴图压缩是游戏开发中常见的一个问题，不过说到法线图的压缩，其实里面就有一些特殊的问题要处理。前段时间做了一次贴图通道的优化，打算用两个通道表示法线图并且和其他通道合并到一张图里，以减少采样次数。这个过程中陆续挖掘了一些问题，记录一下。

科技发展很快，数据在指数级增长，环境也在指数级改变，因此很多时候教科书会跟不上时代的发展。有时，即便是写教科书的人，也不见得都明白结论背后的“所以然”，因此有些结论就会落后于时代。针对这个问题，第四范式创始人、首席执行官戴文渊在公司内部分享上，向大家介绍了机器学习教材中的七个经典问题。本文根据演讲实录整理，略有删减。

预处理的时候0中心化，最好数据增强一下，找预训练模型，ReLU激活函数，3*3卷积核，xavier初始化，sgd+momentum或者adam比较好用，bn(可以调大学习率，收敛很快)，dropout(有bn可以去掉，最好加上，会训练慢一些)，batch_size大一点，另外，多尺度训练效果拔群,前几层卷积核可以多一些。