demi的博客

OpenGL支持两种颜色模式：一种是RGBA，一种是颜色索引模式。

无论哪种颜色模式，计算机都必须为每一个像素保存一些数据。不同的是，RGBA模式中，数据直接就代表了颜色；而颜色索引模式中，数据代表的是一个索引，要得到真正的颜色，还必须去查索引表。

1. RGBA颜色

RGBA模式中，每一个像素会保存以下数据：R值（红色分量）、G值（绿色分量）、B值（蓝色分量）和A值（alpha分量）。其中红、绿、蓝三种颜色相组合，就可以得到我们所需要的各种颜色，而alpha不直接影响颜色，它将留待以后介绍。

在RGBA模式下选择颜色是十分简单的事情，只需要一个函数就可以搞定。

glColor*系列函数可以用于设置颜色，其中三个参数的版本可以指定R、G、B的值，而A值采用默认；四个参数的版本可以分别指定R、G、B、A的值。例如：

void glColor3f(GLfloat red, GLfloat green, GLfloat blue);
void glColor4f(GLfloat red, GLfloat green, GLfloat blue, GLfloat alpha);

据外媒报道，自动驾驶车辆配置的多款摄像头，旨在用该设备探查道路上的障碍物并绘制车辆周边环境。在各类传感器中，在功能方面，激光雷达传感器与人眼最为接近，其光探测和测距系统（detection and ranging system）与雷达类似，但其采用了光波替代了无线电波（radio waves）。

激光雷达系统利用激光脉冲信号“照亮（illuminate）”目标区域，并计算反射信号返回接收器的用时。该类系统由光源、光电探测器、数据处理电子器件及运动控制设备。

自动驾驶车辆大体采用了两类激光雷达设备，其分类依据为扫描车辆周边环境时所采用的方式，其中：1、3D闪光式激光雷达（3D flash LiDAR）由宽视角源及广视角光学件构成，旨在聚焦探查设备一次曝光（one exposure）上的所有反射光。2、扫描式激光雷达系统可向各个方向发射激光，逐个探查回响（echoes）以便绘制车辆周边环境。

图像处理基本算法操作从处理对象的多少可以有如下划分：
1. 点运算：处理点单元信息的运算
2. 群运算：处理群单元 （若干个相邻点的集合）的运算

下图是一副普通的吉普车图像和我们生活中见到的并没有什么两样，但是在计算机看来则是另外一副“模样”了。图像中黄色部分则是几部车图像倒车镜的局部图像在计算机中的形态。

以上图为例说明几种重要的点运算和群运算。

算法是整个计算机科学的基石，是计算机处理信息的本质。 从开创算法分析这一领域的高德纳、Amazon的“首席算法官”乌迪·曼伯尔，到发明快速排序算法托尼.霍尔，本文介绍了对AI、以及整个计算领域影响深远的十位算法大师。

Don E.Knuth 高德纳

Quaternion类

Quaternion（四元数）用于计算Unity旋转。它们计算紧凑高效，不受万向节锁的困扰，并且可以很方便快速地进行球面插值。 Unity内部使用四元数来表示所有的旋转。

Quaternion是基于复数，并不容易直观地理解。 不过你几乎不需要访问或修改单个四元数参数（x，y，z，w）; 大多数情况下，你只需要获取和使用现有的旋转（例如来自“Transform”），或者用四元数来构造新的旋转（例如，在两次旋转之间平滑插入）。

大部分情况下，你可能会使用到这些函数：
  •  Quaternion.LookRotation，
  •  Quaternion.Angle
  •  Quaternion.Euler
  •  Quaternion.Slerp
  •  Quaternion.FromToRotation
  •  Quaternion.identity。

Quaternion 是一个结构体，本身成员变量相对简单，可以作为函数参数高效传递。-

近日，在加密货币经历“混乱时期”后，区块链再次火爆起来，受到了各方的极大关注与重视，成为资本市场和各领域关注的焦点，就连朋友圈中的探讨和分享也让人目不暇接。那么，区块链到底是个什么鬼？区块链的核心算法又有哪些？

区块链核心算法一：拜占庭协定

拜占庭的故事大概是这么说的：拜占庭帝国拥有巨大的财富，周围10个邻邦垂诞已久，但拜占庭高墙耸立，固若金汤，没有一个单独的邻邦能够成功入侵。任何单个邻邦入侵的都会失败，同时也有可能自身被其他9个邻邦入侵。拜占庭帝国防御能力如此之强，至少要有十个邻邦中的一半以上同时进攻，才有可能攻破。然而，如果其中的一个或者几个邻邦本身答应好一起进攻，但实际过程出现背叛，那么入侵者可能都会被歼灭。于是每一方都小心行事，不敢轻易相信邻国。这就是拜占庭将军问题。

在这个分布式网络里：每个将军都有一份实时与其他将军同步的消息账本。账本里有每个将军的签名都是可以验证身份的。如果有哪些消息不一致，可以知道消息不一致的是哪些将军。尽管有消息不一致的，只要超过半数同意进攻，少数服从多数，共识达成。

在机器学习中，我们非常关心模型的预测能力，即模型在新数据上的表现，而不希望过拟合现象的的发生，我们通常使用正则化（regularization）技术来防止过拟合情况。正则化是机器学习中通过显式的控制模型复杂度来避免模型过拟合、确保泛化能力的一种有效方式。如果将模型原始的假设空间比作“天空”，那么天空飞翔的“鸟”就是模型可能收敛到的一个个最优解。在施加了模型正则化后，就好比将原假设空间（“天空”）缩小到一定的空间范围（“笼子”），这样一来，可能得到的最优解能搜索的假设空间也变得相对有限。有限空间自然对应复杂度不太高的模型，也自然对应了有限的模型表达能力。这就是“正则化有效防止模型过拟合的”一种直观解析。

L2正则化

近两年，智能家居产品一反以往“不瘟不火”的状态，正在呈现快速发展的态势，首先受益于互联网信息技术的发展，产品呈现更多样化，更易于操作，体验性越来越好。另外伴随着互联网的发展而成长的80后90后，已逐渐成为主流的消费人群，他们面临不同生活场景，在家居、出行、医疗等方方面面，更倾向于使用智能化产品。

同时物联网技术打破了“信息孤岛”效应，智能硬件从单品爆发向万物互联模式发展，智能家居系统逐渐完善。另外，宏观利好因素正促进中国智能家居行业的快速发展及渗透。易观对2017年中国智能家居产业进行PEST分析：

2016年，中国智能家居市场规模达到1140亿，2017年达到1404亿，同比增加23.2%，预计到2019年将突破1950亿元人民币。

智能门锁一骑绝尘

在智能家居中，尤其以智能门锁为代表的产品发展尤为迅猛。随着用户消费观念转变与传统安防产品的漏洞，用户对于智能安防产品的需求不断提升，智能安防成为用户刚需，安防产品直接影响用户的安全感。其中以电子密码锁、指纹锁的高安全性能逐渐受到用户关注，智能锁市场呈现出爆发的态势。

网络攻击技术按照攻击流程可以分为3个阶段：攻击前的准备阶段、网络攻击阶段、成功入侵后的控制阶段。今天我们先介绍”攻击前的准备阶段——扫描技术“。

攻击前的准备阶段——扫描

在这个阶段，攻击者通过各种收集手段收集目标主机的信息，主要利用的是搜索引擎和扫描技术。通过外围信息收集和多种扫描技术，可以获得目标的IP地址、端 口、操作系统版本、存在的漏洞等攻击必需信息，为下一步的网络攻击做好前期的准备。具体来说，可以采用如下手段：

1、外围信息收集的方式

（1）使用Whois查询域名注册的相关信息

当我们使用像Skype、QQ这样的工具和朋友流畅地进行语音视频聊天时，我们可曾想过其背后有哪些强大的技术在支撑？本文将对网络语音通话所使用到的技术做一些简单的介绍，算是管中窥豹吧。

一、概念模型

网络语音通话通常是双向的，就模型层面来说，这个双向是对称的。为了简单起见，我们讨论一个方向的通道就可以了。一方说话，另一方则听到声音。看似简单而迅捷，但是其背后的流程却是相当复杂的。我们将其经过的各个主要环节简化成下图所示的概念模型：

1. 语音采集

语音采集指的是从麦克风采集音频数据，即声音样本转换成数字信号。其涉及到几个重要的参数：采样频率、采样位数、声道数。