demi的博客

此文对于程序员和美术制作人员都有很大的帮助作用，希望你看完后对基于物理的渲染有个整体的理解，此篇翻译的文章（The Comprehensive PBR Guide by Allegorithmic - vol. 1）基本上是从美术的角度来解释基于物理的渲染，有时间我会把程序部分的知识再细致讲一下，包括理论和实现，我自己目前也在学习阶段，主要在研究UE4的基于物理的渲染，希望在接下来的时间里出一个比较详细的文章来从程序员的角度详细阐述实现原理。

By 风恋残雪
博客：http://www.cnblogs.com/ghl_carmack/

光是一种复杂的现象，因为它同时具有波和粒子的属性。因此，创建了不同的模型来描述光的行为。作为制作贴图的美工，我们关心光-射线模型，因为它描述了光和介质是如何交互的。对于我们来说，理解光线如何跟介质表面交互很重要，因为我们的工作就是要制作描述那个表面的贴图。我们制作的贴图和材质用来在虚拟世界中跟光线交互，我们对光如何表面了解得越多，我们制作的贴图看起来就越好。

区块链的概念最早源自比特币，已经存在8年之久了。随着区块链近年来市场热度持续升温，越来越多的行业及企业开始关注区块链技术领域。那么区块链未来的发展趋势究竟如何，你是否清楚呢?毋庸置疑，国内的区块链目前还处于萌芽发展的阶段，要想走向更成熟的阶段也许还需要5--10年，甚至更长的时间。不过从目前在国内的发展状况看，这并不妨碍价值投资者对区块链寄予的厚望。我国在“十三五”规划中明确指出要强化区块链等战略性前沿技术并进行超前布局。我国区块链企业数量不断增长，其中2014 年单年度新增区块链企业数量最多。与全球区块链领域投资相比，中国区块链产业投融资起步稍晚，2016年明显加速，较2015年增长了293%。2017年区块链更是开始运用到更多的行业，电商、共享单车平台等，可见其发展前景是很好的。

1、Color Filter Array — CFA

随着数码相机、手机的普及，CCD/CMOS 图像传感器近年来得到广泛的关注和应用。 图像传感器一般都采用一定的模式来采集图像数据，常用的有 BGR 模式和 CFA 模式。BGR 模式是一种可直接进行显示和压缩等处理的图像数据模式，它由 R( 红)、G( 绿) 、B( 蓝) 三原色值来共同确定 1 个像素点，例如富士数码相机采用的 SUPER CCD 图像传感器就采用这种模式，其优点是图像传感器产生的图像数据无需插值就可直接进行显示等后续处理，图像效果最好，但是成本高，常用于专业相机中。一般数码相机的传感器（CCD 或 CMOS）约占整机总成本的 10%~25%，为了减少成本，缩小体积，市场上的数码相机大多采用 CFA 模式，即在像素阵列的表面覆盖一层彩色滤波阵列（Color Filter Array，CFA），彩色滤波阵列有多种，现在应用最广泛的是 Bayer 格式滤波阵列，满足 GRBG 规律，绿色像素数是红色或蓝色像素数的两倍，这是因为人眼对可见光光谱敏感度的峰值位于中波段，这正好对应着绿色光谱成分。

机器学习的应用需要大量的人工干预，这些人工干预表现在：特征提取、模型选择、参数调节等机器学习的各个方面。AutoML 试图将这些与特征、模型、优化、评价有关的重要步骤进行自动化地学习，使得机器学习模型无需人工干预即可被应用。

在学习机器学习中，看过挺多案例，看到很多人在处理数据的时候，经常把连续性特征离散化。为此挺好奇，为什么要这么做，什么情况下才要做呢。

一、离散化原因

数据离散化是指将连续的数据进行分段，使其变为一段段离散化的区间。分段的原则有基于等距离、等频率或优化的方法。数据离散化的原因主要有以下几点：

1、算法需要

比如决策树、朴素贝叶斯等算法，都是基于离散型的数据展开的。如果要使用该类算法，必须将离散型的数据进行。有效的离散化能减小算法的时间和空间开销，提高系统对样本的分类聚类能力和抗噪声能力。

2、离散化的特征相对于连续型特征更易理解，更接近知识层面的表达

比如工资收入，月薪2000和月薪20000，从连续型特征来看高低薪的差异还要通过数值层面才能理解，但将其转换为离散型数据（底薪、高薪），则可以更加直观的表达出了我们心中所想的高薪和底薪。

3、可以有效的克服数据中隐藏的缺陷，使模型结果更加稳定

二、离散化的优势

CNN卷积神经网络卷积层和池化层详解

卷积神经网络（Convolutional Neural Network，简称CNN），是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理。卷积神经网络包括卷积层和池化层。

卷积神经网络是受到生物思考方式启发的MLPs（多层感知器），它有着不同的类别层次，并且各层的工作方式和作用也不同。这里提供一个较好的CNN教程（http://cs231n.github.io/convolutional-networks/）。文章中详细介绍了CNN的计算方式和数据的流动过程，这里只做简单的介绍。

一直以来，视频监控便是是安全防范系统中的重要组成部分，传统的监控系统包括前端摄像机、传输线缆、视频监控平台。然而查看视频不仅是件工作量巨大而且是人力效率极低的事情，一直以来，安防领域都在寻求着不同的解决方法。人类监视监控视频的能力限制导致其对人工智能的需求。

早期解决方案-运动检测相机

为了弥补人们长期监视监视器易丧失注意力和辨别安全警示等缺点，采用的第一个解决方案是在摄像机上增加运动探测器。当检测到入侵者或行为人的动向，探测器便向远程监控人员发出警报，无需监控人员长久坚守显示屏前。然而问题在于，室外环境中，存在多种多样的运动或像素的变化，例如被风吹动的叶子，，昆虫，鸟类，狗，阴影，阳光等扰乱运动。这就导致了运动探测器每天会产生数百甚至数千个错误警报，使得该解决方案在非工作时间的室内环境中不可操作。

高级视频移动检测

下一次演变在一定程度上减少了错误警报，但代价是复杂且耗时的手动校准。这里，检测诸如人或车辆的目标相对于固定背景的变化。如果背景季节变化或由于其他变化，可靠性会随着时间的推移而恶化。再次回应过多错误警报的经济学证明是一个障碍，这种解决方案是不够的。

物联网技术可促进生产生活，为社会创造价值。实际上，物联网背后的传感器技术及其产生的数据有着更大价值，然而我们却很少关注它们。这种情况必须改变！

物联网分析的重要性

科研人员通常会投入了大量精力来研发、部署传感器，而不是对这些传感器生成的大量数据进行分析。但是，没有经过分析的数据是一文不值的。如果科研人员将更多的精力放在创建流式传输传感器之前生成的数据上，那会更好。

如果有了物联网分析（AoT），将会创造什么价值呢？小编通过几个案例来进行说明：

1、预测性维护

预测性维护是当今最广泛的AoT应用之一。这项应用是分析来自发动机、ATM或计算机等设备的传感器数据，以确定故障发生前的异样。这样便可以在故障发生之前主动出击，解决问题。

譬如，IBM公司就曾帮助美国的普惠发动机公司实现预测性维护。IBM通过PMQ（预测性维护和质量）的预测模型和数据集成模块将发动机的运行工况等数据进行360度的健康和风险主题分析，并将这些分析结果及时反馈给惠普，从而有效规避因发动机故障导致的飞机事故，保障飞行安全。

2、勾勒用户画像

一、DDoS的概念

1. 什么是“DDoS”?

DDoS:Distributed Denial of Service(分布式拒绝服务)攻击指借助于客户/服务器技术，将多个计算机联合起来作为攻击平台，对一个或多个目标发动DDoS攻击，从而成倍地提高拒绝服务攻击的威力。通常，攻击者使用一个偷窃账号将DDoS主控程序安装在一个计算机上，控制大批量的肉鸡发动攻击。

2. 什么是“拒绝服务”攻击?

可以简单理解为：让一个公开网站无法访问。要达到这个目的的方法也很简单：不断地提出服务请求，让合法用户的请求无法及时处理。

3. 什么是“分布式”?

随着网络发展，很多大型企业具备较强的服务提供能力，所以应付单个请求的攻击已经不是问题。于是攻击者就组织很多同伙，同时提出服务请求，直到服务无法访问，这就叫“分布式”。但在现实中，一般的攻击者无法组织各地伙伴协同“作战”，所以会使用“僵尸网络”来控制N多计算机进行攻击。

4. 什么是“僵尸网络”?

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