发生在应用程序阶段(Application Stage)，一般由游戏引擎内部实现或者自己编写对应的算法来实现，运行在CPU上。裁剪的依据主要是根据摄像机的视野(field of view)以及近裁减面和远裁剪面的距离，将可视范围外的物体排除出渲染，被剔除的物体将不会进入渲染的几何阶段(Geometry Stage)。视椎体剔除是减少渲染消耗的最有效手段之一，可以在不影响渲染效果的情况下大幅减少渲染涉及到的顶点数和面数。
TBDR是现代移动端gpu的设计架构，它同传统pc上IR架构的gpu在硬件设计上是差别很大的。手游正是运行在这些移动端的TBDR架构上，所以手游的渲染优化在硬件的角度上讲有其独特之处，甚至一些特点和优化点与PC是大相径庭的，基于硬件的优化是应用程序优化很重要的一部分，最近阅读了一些tbdr的硬件设计的文档，本文试图对TBDR的特点做些介绍并基于这些特点的优化做个简单的总结。
RNN又名循环神经网络，是一类处理序列数据的神经网络，这个序列数据不只包括时间序列，还有文字序列等，即序列数据中后面的数据与前面的数据有关系。
深度学习对抗样本(Adversarial Examples)的概念最早是Christian Szegedy 等人在ICLR2014发表的论文中提出来的，即在数据集中通过故意添加细微的干扰所形成输入样本，受干扰之后的输入导致模型以高置信度给出了一个错误的输出。
现实中常遇到多分类学习任务。有些二分类学习方法可直接推广到多分类，如LR。但在更多情形下，我们是基于一些基本策略，利用二分类学习器来解决多分类问题。所以多分类问题的根本方法依然是二分类问题。
在本章中，我们将介绍如何使用深度学习来解决计算机视觉、语音识别、自然语言处理以及其他商业领域中的应用。首先我们将讨论在许多最重要的AI 应用中所需的大规模神经网络的实现。接着，我们将回顾深度学习已经成功应用的几个特定领域。
在这篇文章中，你将了解在机器学习模型开发生命周期（MDLC）中应用的一些缓解偏差的策略，以实现偏差感知机器学习模型，我们主要目标是实现更高精度的模型，同时确保模型与敏感/受保护属性相比具有较小的判别性。简单来说，分类器的输出不应与受保护或敏感属性相关联。
纹理图像在局部区域内呈现了不规则性，而在整体上表现出某种规律性。纹理基元的排列可能是随机的，也可能是相互之间互相依赖，这种依赖性可能是有结构的，也可能是按某种概率分布排列的，也可能是某种函数形式。
斯坦福大学顶尖项目AI Index报告十张精选图表，全面解析关于AI快速发展的启示和见解。AI Index专注于追踪和观察AI的活动和进展，并以可靠、可验证数据为基础，促进对AI的了解。
在GIS中图形处理能力尤为重要，特别是在三维GIS技术中，为了让三维场景能够更逼真、更流畅地显示，往往需要为计算机配置一个独立显卡，利用其GPU技术来满足GIS的图形运算需求。