demi的博客

AI在安全方面的角色对白帽黑客和网络罪犯都很有吸引力，但目前似乎还没有找到双方的平衡。

人工智能已经成为网络安全开发者的新宝藏，这要归功于它的潜力，它不仅可以在很大的规模上实现功能自动化，还可以根据它在一段时间内学到的东西来做出相应的决策。这可能会对安全维护人员产生重大影响——通常情况下，公司根本没有足够的资源在众多恶意软件中“大海捞针”。

例如，如果一名工作人员通常在纽约工作，突然有一天早上从匹兹堡登录，这是一种反常现象——人工智能可以看出这是一种反常现象，因为它已经学会了期望用户从纽约登录。类似地，如果该用户在匹兹堡登录后，在几分钟后又在另一个地方登录，比如加州，那么这很可能是一个恶意的危险信号。

因此，在最简单的层面上，人工智能和“机器学习”围绕的是对行为规范的理解。系统需要一些时间来观察环境，以了解什么是正常的行为，并建立一个基准线——这样它就可以通过将算法知识应用到数据集来获取偏离规范的偏差。

针对网络安全的AI可以以多种方式帮助防御者。然而，人工智能的出现也有不利的方面。首先，网络犯罪分子也利用了这项技术，很明显，它可以被用于各种恶意的任务。比如对开放的、易受攻击的端口进行的扫描，或者是电子邮件的自动组合，这些邮件具有公司首席执行官的准确语气和声音，被24小时窃听。

2020年5G开始商用，但是由于覆盖面积有限，或许只能覆盖市区热点区域，很长一段时间内4G还将是起到主要覆盖的数据网络。

就5G建设本身而言，在短短的一年左右的时间内，建站的数量一定是有限的。

4G网络，移动从2013年建设到今天，联通电信从2015年开始到今天，也只是完成了城市和郊区的基本覆盖，广大农村区域覆盖还有所欠缺。而5G即使是从现在就开始建设，到2020年也就是1年多的时间，不可能完成如今天4G的网络覆盖。也就是说，在很长一段时间内4G的数据网络覆盖区域要大于5G，而作为主要数据承载网络的4G也就不会轻易被淘汰。

5G本身而言，主要是涉及到一些高端的应用和行业应用，在大量民用级应用还没有落地的情况下，暂时找不到引导个人用户使用的应用场景。

在机器学习中，性能指标（Metrics）是衡量一个模型好坏的关键，通过衡量模型输出y_predict和y_true之间的某种“距离”得出的。

性能指标往往使我们做模型时的最终目标，如准确率，召回率，敏感度等等，但是性能指标常常因为不可微分，无法作为优化的loss函数，因此采用如cross-entropy，rmse等“距离”可微函数作为优化目标，以期待在loss函数降低的时候，能够提高性能指标。而最终目标的性能指标则作为模型训练过程中，作为验证集做决定(early stoping或model selection)的主要依据，与训练结束后评估本次训练出的模型好坏的重要标准。

在机器学习的比赛中，有部分比赛也是用metrics作为排名的依据（当然也有使用loss排名）。

在使用机器学习算法的过程中，针对不同的场景需要不同的评价指标，常用的机器学习算法包括分类，回归，聚类等几大类型，在这里对常用的指标进行一个简单的总结，小编总结了前人的很多博客，知乎等，方便自己学习。当然，需要的同学们也可以看一下。

一，分类

CAN总线在整个无人驾驶系统中有着十分重要的作用。除了在VCU信号需要通过CAN总线进行传输外，无人车上的某些传感器（如雷达、Mobileye）的信号传递也是通过CAN实现的。

前言

本文主要内容是——无人驾驶中的CAN（Controller Area Network ）总线。

CAN总线在整个无人驾驶系统中有着十分重要的作用。除了在VCU信号需要通过CAN总线进行传输外，无人车上的某些传感器（如雷达、Mobileye）的信号传递也是通过CAN实现的。

我在无人驾驶，个人如何研究？中提到过

实现一个无人驾驶系统，会有几个层级： 感知层 → 融合层 → 规划层 → 控制层 更具体一点为： 传感器层 → 驱动层 → 信息融合层 → 决策规划层 → 底层控制层

“传感器层”在之前的分享中已经介绍过了，这次主要介绍的是“驱动层”相关的内容。

正文

你是否还在为无线通信选用NB-IoT还是LoRa而困扰？搞不清楚ZigBee和LoRa的优势区别，不明白到底什么场合适用Wi-Fi？看完这篇文章你就懂了。

在万物互联的时代里，越来越多的物体将被连接到互联网，打通端到端、端到云的连接。这些连接，我们可采用多种通信链路予以实现。在智能物联应用上，工程师经常会困惑NB-IoT/LoRa/ZigBee/Wi-Fi等无线连接方式，到底哪一种，才是最合适的？哪一种才能让项目开发事半功倍？

以下，为大家列出在选择无线通信方式时的考虑大纲。

一、传输基础篇

距离：遮挡、空旷情况下节点到网关的距离。
速率：传输数据量有多大？
实时性：能接受的响应延时？
功耗：电池寿命，能效，可能需要连接交流电。
容量：一定范围内联网节点、设备的数量。
环境：工厂中的危险环境、暴露在天气中的室外环境、来自电子设备的噪声或电磁干扰等。
通信方式：单向还是双向通信。

二、附加功能篇

目前的语音识别算法：卷积神经网络、深度学习神经网络、BP神经网络、RBF神经网络、模糊聚类神经网络、改进的T-S模糊神经网络、循环神经网络、小波神经网络、混沌神经网络、小波混沌神经网络、神经网络和遗传算法、动态优化神经网络、K均值和神经网络集成、HMM与自组织神经网络的结合、正交基函数对向传播过程神经网络、HMM和新型前馈型神经网络、特征空间随机映射、SVM多类分类算法、特征参数归一化、多频带谱减法、独立感知理论、分段模糊聚类算法VQ-HMM、优化的竞争算法、双高斯GMM特征参数、MFCC和GMM、MFCCs和PNN、SBC和SMM、MEL倒谱系数和矢量量化、DTW、LPCC和MFCC、隐马尔科夫模型HMM。

由于BP算法在神经网络的层数增多时容易陷入局部最优的困境，也很容易产生过拟合的问题。20世纪90年代,各种各样的浅层机器学习模型相继被提出,如支撑向量机(Support Vector Machines, SVM)、Boosting、最大熵方法(如 Logistic Regression, LR)等。这些模型具有高效的学习算法,且不存在局部最优的问题,在理论分析与实际应用中都获得了巨大的成功。相比之下,MLP的训练需要很多经验和技巧,多层前馈神经网络的研究逐渐变得冷清。

调色板
调色板（Palette）也叫颜色查找表，是指在16色（每个像素4个bit，总共有16种颜色）或256色（每个像素8个bit，即一个字节，总共有256种颜色）显示系统中由图像中出现最频繁的16种或256种颜色所组成的查找表。对这些颜色按4位(16色)或8位(256色)，即0-15或0-255进行编号，每一个编号(索引值)代表R，G，B，3个分量24位的颜色值。使用调色板的图像叫做调色板图像。对于调色板图像而言，它们的像素值并不是颜色值，而是颜色在调色板查找表中的索引号。

图像的颜色处理
自然界的颜色可以简单地分为黑白色(包括灰度级)和彩色两种。
彩色图像处理分为3个主要处理领域，即真彩色，假彩色和伪彩色处理领域。在真彩色处理中，被处理的图像一般从真彩色传感器中获得，例如彩色摄像头或彩色扫描仪；假彩色处理时一种尽量接近真彩色的人工彩色处理技术；伪彩色处理时将彩色分配给某种灰度(强度或强度范围)，以增强辨识能力。

1、将256色位图转换为灰度图

一、机器学习的背景

大家都说人工智能是综合的学科，而机器学习就是人工智能的大脑。它通过对数据的处理，不断地变得更好和更强，做出各种各样的判断和决策。

人工智能、机器学习、深度学习，这三者是什么关系？

我们可以参照下面这张图：

机器学习是实现人工智能的一种方法，机器学习有很多的细分领域，其中有一个领域是人工神经网络，而深度学习是人工神经网络这个领域的一个分支。

二、什么是机器学习呢？

做机器学习，大部分工作其实是编程。通俗地讲：机器学习是一种计算机程序，可以从现有的经验中学习如何完成某项任务，并且随着经验的增加，性能也随之提升。

三、机器学习有哪些分类？

在实际计算时，三种方法计算的金字塔组数noctaves，尺度空间坐标σ，以及每组金字塔内的层数S是一样的。同时，假设图像为640*480的标准图像。

金字塔层数：

其中o_min = 0，对于分辨率为640*480的图像N=5。每组金字塔内图像数：S=3，即在做极值检测时使用金子塔内中间3张图像。对于LoG每组金字塔内有S+2张图像（S=-1，0,1,2,3），需要做S+1次高斯模糊操作（后一张图像由前一张做高斯模糊得到）；而DoG每组金字塔有S+3张高斯图像，得到S+2张DoG图像。尺度空间系数：

人工智能，深度学习，机器学习—无论你在做什么，如果你对它不是很了解的话—去学习它。否则的话不用三年你就跟不上时代的潮流了。 ——马克.库班

马克.库班的这个观点可能听起来很极端——但是它所传达的信息是完全正确的！ 我们正处于一场革命的旋涡之中——一场由大数据和计算能力引起的革命。

只需要一分钟，我们来想象一下，在20世纪初，如果一个人不了解电力，他/她会觉得如何？你会习惯于以某种特定的方式来做事情，日复一日，年复一年，而你周围的一切事情都在发生变化，一件需要很多人才能完成的事情仅依靠一个人和电力就可以轻松搞定，而我们今天正以机器学习和深度学习的方式在经历一场相似的旅程。

所以，如果你还没有探索或理解深度学习的神奇力量——那你应该从今天就开始进入这一领域。

谁应该读这篇文章？

如果你是一个想学习或理解深度学习的人，这篇文章是为你量身定做的。在本文中，我将介绍深度学习中常用的各种术语。