demi的博客

欧盟召集了52名专家组成的小组，提出了他们认为未来AI系统应该满足的七项要求。

迁移学习近年来在图形领域中得到了快速的发展，主要在于某些特定的领域不具备足够的数据，不能让深度模型学习的很好，需要从其它领域训练好的模型迁移过来，再使用该模型进行微调，使得该模型能很好地拟合少量数据的同时又具备较好的泛化能力（不过拟合）。

常用的几个内置文件通常都被封装在cginc文件中，通过文件的包含来实现对文件中函数及变量的引用，大家可以到unity的安装目录下找到对应的文件，当然我们也可以写一些自己的cginc文件放置到该目录中，方便自己使用。

机器学习的特征工程是将原始的输入数据转换成特征，以便于更好的表示潜在的问题，并有助于提高预测模型准确性的过程。找出合适的特征是很困难且耗时的工作，它需要专家知识，而应用机器学习基本也可以理解成特征工程。但是，特征工程对机器学习模型的应用有很大影响，有句俗话叫做“数据和特征决定了机器学习模型的性能上限”。

实际应用中，如果变换矩阵是正交的（如旋转矩阵），就没必要计算它的逆矩阵，因为正交矩阵的逆矩阵就是转置矩阵，两个转置矩阵相互抵消，相乘的结果还是原来的旋转矩阵。

卷积神经网络四种卷积类型：一般卷积；扩张的卷积；转置卷积；可分离的卷积。

逻辑回归是一个分类算法，它可以处理二元分类以及多元分类。虽然它名字里面有“回归”两个字，却不是一个回归算法。那为什么有“回归”这个误导性的词呢？个人认为，虽然逻辑回归是分类模型，但是它的原理里面却残留着回归模型的影子，本文对逻辑回归原理做一个总结。

用户急于部署数据和服务而忽略了安全，因而边缘计算正快速成为网络安全新“前线”。巡逻边缘，护卫安全，你准备好了吗？

5G技术支持大量的人工智能应用，大多数物联网项目都能从中受益。有人可能会说，5G不会成为物联网项目的革命性技术。目前大多数物联网应用，如资产跟踪和远程监控数据，都不需要每秒10千兆的下载速度或1毫秒的延迟水平。重点是，物联网项目正在逐渐从涉及低功耗、广域网络的应用程序过渡到更需要数据的应用程序。事实上，我们现在看到的带宽转型，最终可能是由5G推动的。

据统计，大量的合成信息占据了互联网，如合成声音、生成图像、AI合成不存在的人像等，约占网络信息的30%。“眼见为实”很可能已经靠不住了。人们判断真假，经常会说“真的自然”。而人工智能造假，将在尽可能“自然”的前提下，完成自动生成。