作为一名Unity3D游戏开发者，无论是初学者，还是已经就业的工作者，在平时的学习工作里，掌握一些Unity开发的高级技巧，能够很好的节省开发时间，提高开发效率，毕竟世界如此美丽精彩，我们应当把时间花费在更有价值的事情上。
Unity开发技巧：
1、借助编辑器自带的标记功能为脚本分类，在检视面板中点击脚本图标下方的小三角，即可为脚本设置颜色或选择图标，可以选择自定义的图标。
2、在使用Debug.Log函数时传递游戏对象给第二个参数gameObject，既可在点击控制面板的输出信息时自动定位到对应的游戏对象，方便查找游戏物体。
自从2012年以来，深度学习（Deep Learning）就以一种势如破竹之势突破了一个个经典的人工智能问题。面对人工智能的快速发展，你不想了解它的基本工作原理吗？
想搞清楚什么是深度学习，要先从人工智能说起，自从 1956 年计算机科学家们在达特茅斯会议(Dartmouth Conferences)上确认人工智能这个术语以来，人们就不乏关于人工智能奇思妙想，我们梦想着拥有人类五感(甚至更多)、推理能力以及人类思维方式的神奇机器。如今，虽然梦想的局面还没有出现，但是稍微弱一点的人工智能已经大行其道了，比如：图像识别、语音识别、多语言翻译等。
机器学习是实现人工智能的一种重要方法。机器学习的概念来自早期的人工智能研究者，简单来说，机器学习就是使用算法分析数据，从中学习并自动归纳总结成模型，最后使用模型做出推断或预测。与传统的编程语言开发软件不同，我们使用大量的数据送给机器学习，这个过程叫做“训练”。
传统的Canny边缘检测算法是一种有效而又相对简单的算法，可以得到很好的结果（可以参考上一篇Canny边缘检测算法的实现）。但是Canny算法本身也有一些缺陷，可以有改进的地方。
1. Canny边缘检测第一步用高斯模糊来去掉噪声，但是同时也会平滑边缘，使得边缘信息减弱，有可能使得在后面的步骤中漏掉一些需要的边缘，特别是弱边缘和孤立的边缘，可能在双阀值和联通计算中被剔除。很自然地可以预见，如果加大高斯模糊的半径，对噪声的平滑力度加大，但也会使得最后得到的边缘图中的边缘明显减少。这里依然用Lena图为例，保持Canny算法中高阀值100，低阀值50不变，高斯半径分别为2，3，5的Canny边缘二值图像如下。可知高斯模糊把很多有用的边缘信息也模糊掉了，因此如何精确的选择高斯半径就相当重要。
云计算的飞速增长将极大改变明年的安全态势。
企业上云的主要驱动力是其高效性、部署便捷性和可扩展性。但从安全角度上看，云计算的快速采用迫使安全人员去学习关于新安全问题的知识，去了解云相关风险和相应缓解措施，以及去开发更先进的网络安全策略。
过去这一年也带来了更多与云账户错误配置相关的安全事件，且随着越来越多的企业虽然采用云计算却疏于扩充自身云安全团队或聘用深入了解云安全问题的专业人士，2019年里此类安全事件仍有继续增多的趋势。
这些最近的趋势预示着怎样的未来呢？至少，下面这6个云安全预测你应该了解一下：
预测1：无服务器架构将驱动云安全自动化
公司企业在进一步向无服务器架构迁移的同时，也发现了云安全自动化的更多用例，因为无服务器功能可将安全逻辑作为对云事件的响应来启动。例如：因服务滥用、拒绝服务攻击或加密货币挖矿而导致云账户费用激增或异常时；有人试图在正常部署规划之外设置新的云资产/服务或代码时；对作为部署规划一部分的新代码或云资源进行合规检查时。
预测2：云提供商将肩负主要安全责任
虽然机器学习已经成为一个高频名词，但是对于大众而言，它依然是一个遥不可及乃至模糊不清的概念。为此，著名投资人 Benedict Evans 在自己的博客上发表博文，针对这一问题表达了自己的看法；本文对这篇博文进行了不改变原意的编译。
机器学习的风潮已经刮了四五年了，除了以 AI 为名如雨后春笋般快速崛起的新创公司们，各家科技巨头也希望围绕这个时髦词“重塑金身”。此外，通过媒体的大肆宣传，机器学习也已经成了一个家喻户晓的名词。总之，机器学习将成为下一个能帮“猪”起飞的风口已经是大家的共识。
在正式开始之前，我们先说说人工智能(AI)，机器学习，神经网络和深度学习四者的关联。简单来说，人工智能的范畴最大，机器学习包含在内，它是带来人工智能的方法。至于神经网络，则是机器学习众多算法中的一类，而深度学习则是实现机器学习的技术，是它的一种延伸。
经过这么多年的知识普及，恐怕理解(理论上)神经网络是什么的人已经相当多，至少大家都知道它与范式和数据有关。机器学习让我们能在数据中找到那些暗示性和随机性的范式或结构，而在此之前能找到这些隐含属性的只有人类，因为我们会推理。
有了机器学习，那些原本对人类来说相当简单(或者说无法向计算机描述的问题)但却能难倒计算机的问题就迎刃而解了，各路公司也都拿出了相当炫酷的演示。
随着城市逐步从以工业生产为主向知识、信息、智慧枢纽和集散地为主的方向转变，中心城市对知识密集、信息密集、创新密集的高新技术产业和高附加值的智慧产业的吸引力迅速增强，逐步成为产品设计、研发、管控、营销、服务的聚集地，逐步演进为信息与知识生产、使用和集散的中心。
在全球信息化f趋势和“智慧地球”理念的推动下，“智慧城市”发展模式应运而生，并成为世界范围内城市现代化的战略途径。智慧城市实际上是对如何运用先进的信息技术推动城市发展的一个创新理念。
使用先进信息技术改善商业运作和公共服务，并不是新鲜的想法。事实上，国外一直在努力提升信息技术的应用水平，并取得了一定的成果。智慧城市是一个全新的理念，其核心特征是将信息资源作为重要的生产要素，来推动经济转型升级，再创发展新优势。我国上海、北京、广东、福建、深圳、南京、宁波等地纷纷提出建设智慧城市发展战略，意在抢占先发优势。
发改委联合八部委印发了《关于促进智慧城市健康发展的指导意见》提出：“到2020年，建成一批特色鲜明的智慧城市，要在保障和改善民生服务、创新社会管理、维护网络安全等方面取得显著成效”。国务院提出将在“十三五”期间建设19个城市群。我国推进智慧城市建设不仅表现在单个城市层面上，而且还出现了以城市群为特征的更大范围的智慧化建设。
在虚拟现实（VR）或增强现实（AR）开发方面，独立工作室倾向于选择两种游戏引擎中的一种，即 Unity Technologies的Epic Games的虚幻引擎或Unity。 今天，后者刚刚将其系统升级到Unity 2018.3，为标准和沉浸式内容创作者带来了无数的功能。
当提到Unity 2018.3时，最重要的更新就是提供新的Prefab工作流程，允许开发人员将场景和 Prefab分开，目的是提供更大的灵活性和提高生产力。事实上，更新提供了2000多个新特性、修复 和改进，包括视觉效果图（预览）和更新地形系统。
将边缘和云计算与数据存储相结合充满了复杂性。幸运的是，有一些步骤可以帮助避免存储管理灾难。
管理企业存储可能是一个复杂且资源密集的过程。更具挑战性的是采用多云环境使复杂性增加了10倍。如果将边缘计算存储添加到其组合中，其管理可能会变成IT团队的噩梦，分布在多个平台和地理位置的数据将从四面八方涌入。
在深入探讨多云和边缘存储争议之前，首席信息官和其他IT决策者应该询问自己一系列重要问题。由于数据管理是存储的核心，因此数据收集、传输和保留只是需要考虑的多方面事项的一部分。
1. 数据将在何处生成和收集？
在多云/边缘计算存储环境中，数据可以由用户、应用程序或设备生成，并且源自台式机、笔记本电脑、智能手机、物联网监视器或其他系统。在某些情况下，数据在其生成位置附近收集，并通常会在其他位置发送。例如，销售代表可能使用移动应用程序向云计算服务上托管的Web应用程序提交订单，并收集和存储数据。将这些数据与布满物联网传感器的制造工厂的数据相比较，这些传感器将数据发送到附近的边缘计算系统，以便实时临时存储和分析。
1986年，辛顿教授和他的团队重新设计了BP算法，以“人工神经网络”模仿大脑工作机理，又一次将人工智能掀起了一个浪潮。但是，当风光不再时，辛顿和他的研究方向，逐渐被世人所淡忘，一下子就冷藏了30年。但在这30年里，辛顿有了新的想法。
于是在2006年，辛顿等人提出了“深度信念网（Deep Belief Nets，DBN）”（这实际上就是多层神经网络的前身）。这个“深度信念网”后期被称为“深度学习”。终于，辛顿再次闪耀于人工智能世界，随后被封为“深度学习教父”。
细心的您会发现，即使辛顿等人提出了“深度信念网”，在随后的小10年里，这个概念亦是不温不火地发展着（如图1所示）。直到2012年以后，随着大数据和大计算（GPU、云计算等）的兴起，深度学习才开始大行其道，一时间甚嚣尘上。
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