demi的博客

为什么要使用卷积呢？

在传统的神经网络中，比如多层感知机（MLP），其输入通常是一个特征向量，需要人工设计特征，然后将这些特征计算的值组成特征向量，在过去几十年的经验来看，人工找到的特征并不是怎么好用，有时多了，有时少了，有时选择的特征根本就不起作用（真正起作用的特征在浩瀚的未知里面）。这就是为什么在过去卷积神经网络一直被SVM等完虐的原因。

如果有人说，任何特征都是从图像中提取的，那如果把整副图像作为特征来训练神经网络不就行了，那肯定不会有任何信息丢失！那先不说一幅图像有多少冗余信息，单说着信息量就超级多。。。

假如有一幅1000*1000的图像，如果把整幅图像作为向量，则向量的长度为1000000（10^6）。在假如隐含层神经元的个数和输入一样，也是1000000；那么，输入层到隐含层的参数数据量有10^12，妈呀，什么样的机器能训练这样的网络呢。所以，我们还得降低维数，同时得以整幅图像为输入（人类实在找不到好的特征了）。于是，牛逼的卷积来了。接下来看看卷积都干了些啥。

CNN卷积神经网络层级结构

高精度地图是自动驾驶/无人驾驶的重要组成，那究竟什么是高精度地图？

网上找了两个关于高精度地图的定义，如下：

定义一：高精细地图是指高精度、精细化定义的地图，其精度需要达到分米级才能够区分各个车道，如今随着定位技术的发展，高精度的定位已经成为可能。而精细化定义，则是需要格式化存储交通场景中的各种交通要素，包括传统地图的道路网数据、车道网络数据、车道线以和交通标志等数据。

定义二：高精度电子地图也称为高分辨率地图(HD Map，High Definition Map)，是一种专门为无人驾驶服务的地图。与传统导航地图不同的是，高精度地图除了能提供的道路(Road)级别的导航信息外，还能够提供车道(Lane)级别的导航信息。无论是在信息的丰富度还是信息的精度方面，都是远远高于传统导航地图的。

从上面的定义可以了解到，高精度地图提供了更高精度、更精细化的内容，包括了车道信息和交通标志信息等。那么更高精度+更详细内容=高精度地图？

物联网关键技术——RFID

什么是RFID？首先得搞清楚什么是物联网。

物联网是继计算机、互联网与移动通信网之后的世界信息产业的又一次革命。2005年11月国际电信联盟(ITU)发布了《国际电信联盟互联网报告2005：物联网》，将物联网定义为“把任何物品通过信息传感设备(如RFID)与互联网连接起来，进行信息交换和通信，可实现智能化识别、定位、跟踪、监控和管理。”

物联网将作为物理世界与虚拟世界的桥梁，实现物物相连、物人相连，使人力得以解放，管理更加智能。为了达成这样的效果，物联网须具备3大功能：全面感知、可靠传递、智能处理。目前的物联网技术架构中，分别依靠“感知层”、“网络层”、“应用层”来实现这三个功能。其中，感知层是物联网感知和获取物理世界信息的首要环节。感知层主要利用RFID、传感器等随时随地获取物体的信息。

大数据文摘出品
编译：DonFJ、蒋宝尚

机器学习是现在大家都打了鸡血想用或者在用的技术。

但是，你以为只有好人能用它吗？Too young too simple！

接下来，我将揭秘AI技术黑暗的一面——犯罪份子和人工智能的孽缘。

当计算科学发展的不够完善，还没能解决启发式问题的时候，很多安全问题都是利用规则来解决的，这些规则都是“死”的。

那时候没人觉得计算机能够破解密码、读出来验证码内容或者掌握马路交通的规律。但是现在，人工智能发展极快，老掉牙的基于规则的安全保障系统轻而易举的就被AI秒成渣。

验证码和AI的不解情缘

当我们上网的时候，最烦的就是验证码，它老是来让你填。这是计算机在确定你却是是个“大活人”，而不是一个程序在恶意攻击访问它。

线性滤波与卷积的基本概念

线性滤波可以说是图像处理最基本的方法，它可以允许我们对图像进行处理，产生很多不同的效果。做法很简单。首先，我们有一个二维的滤波器矩阵（有个高大上的名字叫卷积核）和一个要处理的二维图像。然后，对于图像的每一个像素点，计算它的邻域像素和滤波器矩阵的对应元素的乘积，然后加起来，作为该像素位置的值。这样就完成了滤波过程。

对图像和滤波矩阵进行逐个元素相乘再求和的操作就相当于将一个二维的函数移动到另一个二维函数的所有位置，这个操作就叫卷积或者协相关。卷积和协相关的差别是，卷积需要先对滤波矩阵进行180的翻转，但如果矩阵是对称的，那么两者就没有什么差别了。

人工智能正热。技术创新是经济增长的根本动力。这些技术中，最重要的就是经济学家提到的“通用技术”，比如蒸汽机、内燃机、电力等。如今这个时代，人工智能就是最重要的“通用技术”。

一、概述：

应用层、网络层/传输层、物理层/数据链路层、设备层
接入协议一般负责子网内设备间的组网及通信。

二、近距离通信协议：

2.1、RFID

1、RFID简介

RFID的空中接口通信协议规范基本决定了RFID的工作类型，RFID读写器和相应类型RFID标签之间的通讯规则，包括：频率、调制、位编码及命令集。ISO/IEC制定五种频段的空中接口协议。

【1】ISO/IEC 18000-1
【2】ISO/IEC 18000-2
【3】ISO/IEC 18000-3
【4】ISO/IEC 18000-4
【5】ISO/IEC 18000-6
【6】ISO/IEC 18000-7

RF、GBDT和XGBoost都属于集成学习（Ensemble Learning），集成学习的目的是通过结合多个基学习器的预测结果来改善单个学习器的泛化能力和鲁棒性。

根据个体学习器的生成方式，目前的集成学习方法大致分为两大类：即个体学习器之间存在强依赖关系、必须串行生成的序列化方法，以及个体学习器间不存在强依赖关系、可同时生成的并行化方法；前者的代表就是Boosting，后者的代表是Bagging和“随机森林”（Random Forest）。

1、GBDT和XGBoost区别

XGBOOST相比于GBDT有何不同？XGBOOST为什么快？XGBOOST如何支持并行？

①传统的GBDT以CART树作为基学习器，XGBoost还支持线性分类器，这个时候XGBoost相当于L1和L2正则化的逻辑斯蒂回归（分类）或者线性回归（回归）；

②传统的GBDT在残差梯度方向拟合只用到一阶导数信息，XGBoost则对代价函数进行了二阶泰勒展开，得到一阶和二阶导数，xgboost工具支持自定义代价函数，只要函数可一阶和二阶求导；

作者简介：李智勇，声智科技合伙人、副总裁。

2017 年可以看做是智能语音交互的元年，在这一年里小爱同学、天猫精灵纷纷上市。2018 年里语音交互的落地突然加速，落地的产品从大公司关注的智能音箱扩展到其它品类，比如电视盒子、闹钟、灯、智能马桶等。那接下来语音交互会如何发展？

语音交互的终极目标

语音交互的便利程度正好与人工智能的发展程度成正比，智能程度越高语音交互的等级也就越高，所以其终极形态与人工智能的终极形态类似。

如果抛弃特别夸张的想象来说，那语音交互要能达成《她》或者《黑镜》里描述的样子：
  •   当你输入数据给它后，它能够根据输入数据表现出不同的个性。
  •   在数据的处理上它近乎是全能的，只受个人权限的限制。
  •   如果真的赋予实体，那它可以感知周围环境并作出与人类似但很多方面会更优秀的反应。

今天的智能音箱和未来相对终极的语音交互方式以及设备相比，其差距要远大于 X86 电脑和今天 Pad 的差距。

文/张康康

过去十几年，人类可以说是在机器智能面前节节退败，屡败屡战，而多任务处理（multi-tasking）几乎是为数不多可以让人类骄傲的事情了。人们可以同时打开8个网站、数份文档和一个交友软件，即使正在专心处理其中一件事，只要突然收到一条回复或更新提醒，也能够快速安排。对机器而言，要在同一时间完成这样的任务显然有点困难，因此，多任务处理一直被视为人类独有的技能点。

然而，这个优势也将失去了。

近几年，Alphago、视频识别、指纹解锁、图片识别、语音转文字、机器人看病等一系列事件，使我们深刻的感受到人工智能在改变我们的工作方式和认知。国内人工智能产业中，就算集视觉与图像领域公司的数量已达数百家，仅次于自然语言处理类公司，位居第二。其中该领域最为出名的创业公司包括旷世科技Face++、商汤科技、极链科技Video++等。