demi的博客

人工智能是近年来科技发展的重要方向，在大数据时代，对数据采集、挖掘、应用的技术越来越受到瞩目。在人工智能和大数据的开发过程中，有哪些特别需要注意的要点?

人工智能领域的算法大师、华盛顿大学教授Pedro Domingos对此进行了深入思考。

在我们新近翻译的《智能Web算法》(第2版)中，对Pedro Domingos教授的观点进行了高度的概括，提炼出12个注意点，为行业开发实践提供了重要参考：

注意点1：你的数据未必可靠

在实际应用中，有很多各种各样的原因会导致你的数据是不可靠的。因此，当你将数据用于解决问题前，必须经常留心来检查数据是否值得信赖。如果基于糟糕的数据来挖掘，无论多么聪明的人也永远只会获得糟糕的结果。下面列举了一些常见的可导致数据可靠性问题的因素：

用于开发的数据，往往和实际情况下的数据分布不同。例如也许你想把用户按照身高划分为“高”、“中等”、“矮”三档，但如果系统开发时使用的数据集里最低用户的身高是6英尺(184cm)，那么很有可能你开发出来的系统里会把一个“仅有6英尺”的用户称为“矮”用户

原作者：Dr. Michael Garbade
译者：Willow Wu

你在考虑开发一款手游吗？如果你想获得成功，就一定要避开那些最常见的错误做法。没有找到正确方法就着手开发，等着你的将会是一场灾难。

来自瑞典的资深开发者MyIsaak擅长C#语言和Unity游戏开发，他经常会在网上直播Diablo III Board的游戏开发过程。

你从这些专业人士身上越到的越多（他们已经经历了这个过程），思维就越清晰，能够及时避开那些常见的错误开发方式。

以下是游戏开发中最常见的五个错误：

1. 忽略目标群体

没有对目标群体进行调研就做游戏会在你和玩家之间形成一道巨大屏障，很难让玩家关注到这个游戏。

你的游戏是为谁做的？他们的主要关注点是什么？他们喜欢哪类活动？目标群体负担得起游戏所需的金钱吗？或者能够投入足够的时间吗？你的目标用户用的是iOS还是安卓系统？

近日，全球最大会计和金融服务公司之一德勤（Deloitte）预测了2019年的9大科技趋势，具体如下。

1、智能扬声器快速增长且价格降低

德勤预测，2019年将售出1.64亿台智能扬声器，平均价格为43美元。2018年该行业总收入为43亿美元，明年这一数字将增长63％。到2018年底，家庭智能扬声器数量预计将达到2.5亿台。

2、5G网络到来

德勤预测明年5G网络将出现。更准确地说，25家运营商将在明年推出5G服务，另外25家将在2020年推出。

目前，72家运营商正在测试5G网络。德勤预测2019年将售出超过100万部的5G手机，到2020年这一数字将增加至1500万至2000万部。德勤还预测2019年将售出100万部5G调制解调器。

“这不会在一夜之间发生，但是5G将深刻地改变我们的体验和与他人的互动。这对要求更好的性能、更多的内容访问渠道的消费者来说是个好消息，”德勤的美国电信、媒体和娱乐部门负责人Kevin Westcott表示，“更快的速度和更短的延迟将在多个领域（从增强现实到娱乐再到医疗和智能城市）创造全新的消费者体验。”

3、AI将让更多企业受益

如今，人工智能无疑是最热门的技术之一。人工智能的发展离不开机器学习算法的不断进步，而作为机器学习的一个分支，深度学习也在其中起着重要的作用。然而，深度学习目前也是存在着一些棘手的问题。近日，《福布斯》采访了与人工智能相关的高管，就2019年人工智能发展趋势进行了预测。MediaMath首席技术官普拉萨德·查拉萨尼表示：“深度学习模型已经被证明很容易受到数据中难以察觉的扰动，这些扰动会欺骗模型做出错误的预测或分类。随着对大型数据集的依赖越来越大，人工智能系统需要防范此类攻击数据”。

深度学习真的万能吗？

当前，人工智能技术的发展突飞猛进，在很大程度上都得益于深度学习在基本的人类技能上取得的重大进步。深度学习的概念最早起源于20世纪50年代，但直到2006年才真正进入到大众的视野。深度学习作为机器学习研究中的一个新的领域，其目的是构建、模拟人类大脑进行分析学习的神经网络。在过去几十年的发展中，它大量借鉴了关于人脑、统计学和应用数学的知识。近年来，深度学习更是得益于高性能的计算机、大规模的数据集以及能够训练更深网络的技术，它的实用性和普及性都有了很大的发展。但是，随着应用的越来越深化，深度学习技术也逐渐暴露出不足之处。

法线贴图就是在原物体的凹凸表面的每个点上均作法线，通过RGB颜色通道来标记法线的方向，你可以把它理解成与原凹凸表面平行的另一个不同的表面，但实际上它又只是一个光滑的平面。对于视觉效果而言，它的效率比原有的凹凸表面更高，若在特定位置上应用光源，可以让细节程度较低的表面生成高细节程度的精确光照方向和反射效果。

法线贴图技术的使用可以使得低面模型具有与高模接近的光照表现。这可极大的提高实时渲染的效率。下面的截图做了很好的对比：

How it works

模型的光照表现跟其表面的法线分布密切相关，一般参与逐像素光照计算的法线由模型顶点间的法线光栅化插值得到，可以想象由少量三角面构成的表面插值得到的法线会比较平均。而法线贴图技术就是在不增加模型面数，渲染时用贴图采样得到的法线代替插值得到的法线来参与光照计算。

在图像几何变换的过程中，常用的插值方法有最邻近插值（近邻取样法）、双线性内插值和三次卷积法。

最邻近插值：

这是一种最为简单的插值方法，在图像中最小的单位就是单个像素，但是在旋转个缩放的过程中如果出现了小数，那么就对这个浮点坐标进行简单的取整，得到一个整数型坐标，这个整数型坐标对应的像素值就是目标像素的像素值。取整的方式就是：取浮点坐标最邻近的左上角的整数点。

举个例子：
3 * 3 的灰度图像，其每一个像素点的灰度如下所示

我们要通过缩放，将它变成一个 4 * 4 的图像，那么其实相当于放大了4/3倍，从这个倍数我们可以得到这样的比例关系：

自动驾驶技术的发展将带来全面的社会和经济影响。历史地看，传统汽车成为了人们最主要的代步工具，塑造了如今的城市。那么，自动驾驶技术在重塑汽车的同时，也将塑造未来的城市和人类生活。

一、自动驾驶，一场将全面影响人类社会的交通革命

自动驾驶技术的发展是我们这个时代最具影响的交通议题。如今，高级驾驶辅助系统（Advanced Driver-Assistance Systems，ADAS）如自动巡航、碰撞预警、车道保持等技术已被广泛应用于汽车上。以此为起点，自动驾驶系统（Autonomous Driving System，ADS）开发商有望兑现一系列更广泛的功能：从强大的驾驶辅助技术到无须人类干预地执行所有驾驶任务的无人驾驶汽车。

不仅百年汽车行业正面临着一场大的变革，既有汽车产业价值链将被打破，竞争的核心将从以设备为主的硬件市场转移到以服务平台为主的系统市场。而且人类生活也将受到影响，新的技术催生全新的商业模式和服务策略，无人出租车、无人物流、自动驾驶软件许可等正在涌现，将提供更快、更好、更廉价、更环境友好的出行方式，并将惠及每一个人。

对于开发人员而言，基于云的机器学习工具带来了使用机器学习创造和提供新的功能的可能性。然而，开发者想要在它们的应用程序中融入机器学习，通常会犯一些错误，本文列了十条注意点以飨读者。

在提供发现埋藏数据深层的模式的能力上，机器学习有着潜在的能力使得应用程序更加的强大并且更能响应用户的需求。精心调校好的算法能够从巨大的并且互不相同的数据源中提取价值，同时没有人类思考和分析的限制。对于开发者而言，机器学习为应用业务的关键分析提供了希望，从而实现从改善客户体验到提供产品推荐上升至超个性化内容服务的任何应用程序。

像Amazon和Micorosoft这样的云供应商提供云功能的机器学习解决方案，承诺为开发者提供一个简单的方法，使得机器学习的能力能够融入到他们的应用程序当中，这也算是最近的头条新闻了。承诺似乎很好，但开发者还需谨慎。

对于开发人员而言，基于云的机器学习工具带来了使用机器学习创造和提供新的功能的可能性。然而，当我们使用不当时，这些工具会输出不好的结果，用户可能会因此而感到不安。测试过微软年龄检测机器学习工具( http://how-old.net/ )的人都会发现，伴随即插即用的易用性而来的是主要的精度问题——对于关键应用程序或者是重大决策，它应该不值得信赖。

机器视觉在中国的发展已有十余个年头。过去十年是机器视觉产业在中国市场发展最快的十年，经过一定时期的普及与推广，机器视觉已逐渐为广大客户所熟知，而且应用范围，也逐渐开始扩大，大规模的应用领域由起初的电子、制药等行业，逐步扩展到包装、印刷等各大领域。

机器视觉市场在发展，机器视觉技术在进步，在以不断满足客户发展需求的同时，最基本需求的满足也是不容忽视的。一直以来，我国的科技水平都处于不断发展的阶段，机器视觉技术作为科技发展的产物，为了更好的适应行业需求，也在不断的优化升级。纵观行业发展，国内机器视觉市场机遇与挑战并存，而行业技术的升级更显得尤为必要了。

在工业生产领域，工业机器人检测产品很大程度上依靠机器视觉，视觉的灵敏度将直接影响产品的检测速度和检测质量，因此设计一款质量过硬的视觉产品尤为重要，在设计过程中，设计人员会面临视觉定位、测量、检测和识别等诸多难题。

一、打光的稳定性

Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Connections

作者：Xiao-Jiao Mao、Chunhua Shen等

本文提出了一个深度的全卷积编码-解码框架来解决去噪和超分辨之类的图像修复问题。网络由多层的卷积和反卷积组成，学习一个从受损图像到原始图像的端到端的映射。卷积层负责特征提取，捕获图像内容的抽象信息，同时消除噪声/损失。相对应，反卷积层用来恢复图像细节。

网络结构

在底层图像修复领域，由于池化操作会丢失有用的图像细节信息，因此，本网络没有用到池化层，是一个全卷积的网络结构。

卷积层的特征图和与之相应成镜像关系的反卷积层特征图进行跳跃连接，对应像素直接相加后经过非线性激活层然后传入下一层。