demi的博客

对于开发人员而言，基于云的机器学习工具带来了使用机器学习创造和提供新的功能的可能性。然而，开发者想要在它们的应用程序中融入机器学习，通常会犯一些错误，本文列了十条注意点以飨读者。

在提供发现埋藏数据深层的模式的能力上，机器学习有着潜在的能力使得应用程序更加的强大并且更能响应用户的需求。精心调校好的算法能够从巨大的并且互不相同的数据源中提取价值，同时没有人类思考和分析的限制。对于开发者而言，机器学习为应用业务的关键分析提供了希望，从而实现从改善客户体验到提供产品推荐上升至超个性化内容服务的任何应用程序。

像Amazon和Micorosoft这样的云供应商提供云功能的机器学习解决方案，承诺为开发者提供一个简单的方法，使得机器学习的能力能够融入到他们的应用程序当中，这也算是最近的头条新闻了。承诺似乎很好，但开发者还需谨慎。

对于开发人员而言，基于云的机器学习工具带来了使用机器学习创造和提供新的功能的可能性。然而，当我们使用不当时，这些工具会输出不好的结果，用户可能会因此而感到不安。测试过微软年龄检测机器学习工具( http://how-old.net/ )的人都会发现，伴随即插即用的易用性而来的是主要的精度问题——对于关键应用程序或者是重大决策，它应该不值得信赖。

机器视觉在中国的发展已有十余个年头。过去十年是机器视觉产业在中国市场发展最快的十年，经过一定时期的普及与推广，机器视觉已逐渐为广大客户所熟知，而且应用范围，也逐渐开始扩大，大规模的应用领域由起初的电子、制药等行业，逐步扩展到包装、印刷等各大领域。

机器视觉市场在发展，机器视觉技术在进步，在以不断满足客户发展需求的同时，最基本需求的满足也是不容忽视的。一直以来，我国的科技水平都处于不断发展的阶段，机器视觉技术作为科技发展的产物，为了更好的适应行业需求，也在不断的优化升级。纵观行业发展，国内机器视觉市场机遇与挑战并存，而行业技术的升级更显得尤为必要了。

在工业生产领域，工业机器人检测产品很大程度上依靠机器视觉，视觉的灵敏度将直接影响产品的检测速度和检测质量，因此设计一款质量过硬的视觉产品尤为重要，在设计过程中，设计人员会面临视觉定位、测量、检测和识别等诸多难题。

一、打光的稳定性

Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Connections

作者：Xiao-Jiao Mao、Chunhua Shen等

本文提出了一个深度的全卷积编码-解码框架来解决去噪和超分辨之类的图像修复问题。网络由多层的卷积和反卷积组成，学习一个从受损图像到原始图像的端到端的映射。卷积层负责特征提取，捕获图像内容的抽象信息，同时消除噪声/损失。相对应，反卷积层用来恢复图像细节。

网络结构

在底层图像修复领域，由于池化操作会丢失有用的图像细节信息，因此，本网络没有用到池化层，是一个全卷积的网络结构。

卷积层的特征图和与之相应成镜像关系的反卷积层特征图进行跳跃连接，对应像素直接相加后经过非线性激活层然后传入下一层。

除了枪支弹药，智能手机也可以成为恐怖分子手中强有力的武器，在一些大片里，我们时常会看到恐怖分子利用手机引爆隐藏的炸弹，监狱里的犯人利用手机遥控狱外人员继续作案等场景，其实这些场景都是真实存在的。但是，与此同时，执法机构也能够通过智能手机获取有效情报，并成功追踪到恐怖分子的踪迹。

2015年11月13日，法国巴黎市发生了一系列恐怖袭击事件，造成上百人死亡。虽然时过三年，此事仍然是众所周知的大规模袭击事件之一，也是法国甚至全球民众心中的一块伤口。人们不禁感叹，如果没有手机一切或许就无法顺利地按照计划进行。

一位不愿透露姓名的前法国反恐官员表示，袭击Bataclan音乐厅和其他夜生活场所的伊斯兰国（IS）极端组织的枪手和投弹手就是使用手机来协助完成屠杀活动的。

就在他们走进Bataclan音乐厅残忍屠杀90多人之前，袭击者还曾向比利时的同伙发送了一条短消息：我们这边一切顺利，屠杀已经开始了！

但是，如果智能手机已经成为圣战分子“颠覆游戏规则”的有力武器，那么一旦世界范围内的极端分子开始大规模将手机用于恐怖活动，其产生的影响/后果将远超此前的巴黎袭击事件。

IHS Markit预测，到2025年，全球将有大约754亿台物联网设备。几年后，大多数工业和消费领域都会出现连网设备。

在这里，EU Automation营销总监Jonathan Wilkins解释了物联网如何影响面向消费者的企业，以及制造商可以从中吸取什么教训。

物联网设备无处不在。一些是有用的，比如可以显示心率、步数和食物摄入量的健身跟踪器；有些没那么有用，比如Quirky 智能鸡蛋托盘，它可以监测冰箱里的鸡蛋数量及其有效期。如果用心选择，物联网设备可以帮助广泛的行业，如制造业、医疗保健和城市规划。

改变消费者

据预测，千禧一代将很快超过婴儿潮一代（从1946年至1964年出生的人），成为拥有可支配收入的最大消费者群体。到2020年，他们预计每年花费约4万亿美元，因此企业主应该考虑如何更好地针对这一人群。

千禧一代成长于数字时代，因此可以轻松适应创新技术。在更新服务时，企业主应考虑物联网设备如何帮助他们吸引受众并保持竞争力。

广告

选自 | Forbes
编译 | 网易智能（公众号 smartman163）
参与 | 晗冰

据国外媒体报道，近日《福布斯》采访了与人工智能相关的120位高管，就2019年人工智能将会如何进行了展望。对于未来的人工智能，虽然众说纷纭，但无疑是期望人工制更实用、更精确、为社会带来更好的未来。

“自动化金融是人工智能的一种实际应用，全球数百万银行客户已经开始以多种形式应用这种人工智能，未来几年会越来越好。”基于目前世界各地银行正在进行的项目，我看到越来越多的客户将依赖人工智能“提升”他们的财务状况，通过自动化应用来帮助实现财务目标。为了提供有效的自动化金融，金融机构将需要针对每一个客户群所在细分领域(如零售、小企业和财富)开发专用的人工智能，从更通用的人工智能形式转向嵌入主题知识和专业技能的特定领域解决方案。”
—— 以色列金融科技创新公司Personetics联合创始人兼首席执行官David Sosna

1. 介绍

基于物理的渲染系统用双向反射分布函数(BRDF)来描述物体表面的反射表现。BRDF考虑物体表面各个方向的入射光（环境光）而不是仅仅计算某单一方向的入射光。近年的大量相关研究投入到如何实现环境光照效果与硬件渲染相结合。然而，其大部分的实现过于复杂，而且对硬件的要求过高。另一方面，众所周知，在BRDF实现的主要特性中，环境光照效果并不要求严格的计算的精确性。

所以，后来发展出大量的近似处理技巧来得到可以接受的近似环境光照效果。本文中，我们将介绍一种非常简单的利用已有功能的实现方式。

2. 技巧

环境光贴图(EM)可能是目前模拟环境光照的最简单的方式了。它仅仅是由一些预计算的光照贴图组成。目前最普及的是立方体环境光贴图。预模糊的环境光贴图可以很好的模拟对精确性要求不高的模糊环境光照效果，而且如果环境光贴图用mipmap格式存储，那不同的mipmap级别就代表了不同精度的贴图信息，可以直接拿来用。通过控制环境光贴图的LOD(level of detail)来近似实现物体表面高亮到模糊的表面反射效果。

城市是人类文明发展的产物，随着物联网、AI等科技技术的发展，我国正处于城镇化加速发展的时期，部分地区“城市病”问题日益严峻。为解决城市发展难题，实现城市的可持续发展，建设智慧城市已成为当今城市发展的趋势。

智慧城市运用信息和通信技术手段感测、分析、整合城市运行核心系统的各项关键信息，从而对包括民生、环保、公共安全、城市服务、工商业活动在内的各种需求做出智能响应。这其中包括了“城市大脑”，以及智慧城市的每一个“细胞”的协同运作。从建设内容上，可分为基础设施建设、信息化的应用、各种产业的智慧化建设;从面向的对象不同，可分为智慧政务、智慧产业、智慧民生三大内容。

本文整理智慧城市较为热点的“交通、医疗、社区”三大板块进行分析。

智慧交通：出行刚需跨界融合成为大势所趋

智慧交通在交通智能调度系统的基础上，融入物联网、云计算、大数据、移动互联等IT技术，通过信息技术对交通信息的汇集和处理，提供实时交通数据服务。通过各大系统模式的数据整合，提供解决饭，对城市路网优化分析，为城市规划决策提供支持。

随着机器学习浪潮的高涨，越来越多的算法在许多任务中表现得很好。但是我们通常不可能在事先知道哪种算法会是最优的。如果你有无限的时间逐一去尝试每一个算法那就另当别论。接下来的文章我们将依赖从模型选择和超参数调节中得到的知识向你一步一步展示如何来选择最优的算法。

原文地址：http://www.askaswiss.com/2017/02/how-to-choose-right-algorithm-for-your-...

Step 1: 基本知识

在深入讨论之前，我们应当确保已经疏通了基本的知识点。首先，我们应该知道机器学习主要有三大分类：监督学习、无监督学习和强化学习。

“损失函数减肥用，神经网络调权重”

在上一讲中，由于感知机不能解决“异或”问题，明斯基并无恶意却把AI冷藏了二十载。但是解决“异或”问题，其实就是能否解决非线性可分问题。如何来解决这个问题呢？？？

简单总结，其就是用更加复杂网络（利用多层前馈网络——经典的全连接前馈神经网络与BP）。接下来，我们将详细讨论该问题。

6.1 复杂网络解决“异或”问题

我们知道了深度学习是一个包括很多隐含层的复杂网络。感知机之所以当初无法解决“非线性可分”问题，是因为相比于深度学习这个复杂网络，感知机太过于简单”。

如上所讲，想解决“异或”问题，就需要使用多层网络。这是因为，多层网络可以学习更高层语义的特征，其特征表达能力更强。因此，我们在输入层和输出层之间，添加一层神经元，将其称之为隐含层（“隐层”）。于是隐层和输出层中的神经元都有激活函数。

假设各个神经元的阈值均为0.5，权值如图6-1所示，就可实现“异或”功能。