demi的博客

作为第五代移动通信网络，5G技术一直备受瞩目，尤其是随着“2020年商用”计划的渐行渐近，更是令人蠢蠢欲动。目前，各国政府也都在大力部署推进5G网络的发展与应用落地。然而，现在有关5G的一些“传说”却越来越邪乎，以至于我们认为是时候也非常有必要，在这里为屏幕前的各位亲们澄清一下了。

既然我们已经在标题中“点题”，那么不妨就先来说说“5G网络时延不到1秒”这个问题。时延，指的是数据包从发送端到接收端所需要的时间。换句话说，Ping延迟的一半，也叫单向时延。有时，时延指数据包传送的往返时间，与Ping延迟相同。

在不同应用场景下，5G网络的时延要求也各不一样。例如，在eMBB场景下，5G NR用户面时延（单向）为4ms；到了URLLC场景下，5G NR用户面时延（单向）仅为0.5 ms；而控制面时延则要长些为10ms。因此，说“5G网络时延不到1毫秒”显然是片面的。

接着，我们再来看看“5G将取代Wi-Fi”这件事。如何看待蜂窝网络与Wi-Fi？前者从室外走向室内，后者则从室内走向了室外。两者是相辅相成的关系，并共同承担无线流量，缺一不可，更谈不上谁取代谁了。蜂窝网络从4G向5G演进的同时，Wi-Fi技术也在继续自己的演进路程，从11n到现在广为普及的11ac，旨在为我们带来更快更高效的网络连接。

导语：转置卷积层（Transpose Convolution Layer）又称反卷积层或分数卷积层，在最近提出的卷积神经网络中越来越常见了，特别是在对抗生成神经网络（GAN）中，生成器网络中上采样部分就出现了转置卷积层，用于恢复减少的维数。那么，转置卷积层和正卷积层的关系和区别是什么呢，转置卷积层实现过程又是什么样的呢，笔者根据最近的预研项目总结出本文。

1. 卷积层和全连接层

实例

首先举个例子，假设我们有一个二手房交易记录的数据集，已知房屋面积、卧室数量和房屋的交易价格，如下表：

假如有一个房子要卖，我们希望通过上表中的数据估算这个房子的价格。这个问题就是典型的回归问题，这边文章主要讲回归中的线性回归问题。

线性回归（Linear Regression）

首先要明白什么是回归。回归的目的是通过几个已知数据来预测另一个数值型数据的目标值。假设特征和结果满足线性关系，即满足一个计算公式h(x)，这个公式的自变量就是已知的数据x，函数值h(x)就是要预测的目标值。这一计算公式称为回归方程，得到这个方程的过程就称为回归。

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：