demi的博客

前面的追踪都能很好的解决大部分的问题，但是人工智能的宗旨是模拟实现更为真实更为智能的智能体。同样，一个简单的追踪算法它也是有很多优化为更智能的需求。这一篇是追踪算法里面的拦截追踪。

常用的图像形态学操作包括膨胀、腐蚀、闭运算、开运算。膨胀操作会扩大（粗化）图像中物体的轮廓，可以用来弥补（填充）物体间的孔洞，强化离散点，代价是导致物体的面积比原来的面积要大。腐蚀操作会收缩（细化）图像中物体的轮廓，可以用来断开（分离）物体间的连接，消除离散点，代价是导致物体的面积比原来的面积要小。

在过去的几年里，不乏物联网的统计和预测，并且所有这些都指向其爆炸式的增长。事实上，物联网是全球研究最多的新兴市场之一，因为它具有颠覆业务流程和运营模式的巨大潜力。

NNLM是从语言模型出发(即计算概率角度)，构建神经网络针对目标函数对模型进行最优化，训练的起点是使用神经网络去搭建语言模型实现词的预测任务，并且在优化过程后模型的副产品就是词向量。

在学习渲染的旅途中，你可能会时不时遇到模型边缘有锯齿的情况。这些锯齿边缘(Jagged Edges)的产生和光栅器将顶点数据转化为片段的方式有关。

在经典的机器学习领域，特征工程始终占据着核心位置，特征工程的质量高低往往直接决定了机器学习效果的成败。本文概述我们在加密恶意流量检测实践中的特征工程方法流程并分析最终使用的流量特征集合。

在本篇我们会讨论HMM模型最后一个问题的求解，即即给定模型和观测序列，求给定观测序列条件下，最可能出现的对应的隐藏状态序列。在阅读本篇前，建议先阅读这个系列的第一篇以熟悉HMM模型。

Vulkan 1.1.116 已经发布，更新如下：说明 Flink：vkCmdBeginQuery 与 index=0 的 Flink : vkCmdBeginQueryIndexEXT 相同，而该 Flink : vkCmdEndQuery 与 index=0 的 Flink : vkCmdEndQueryIndexEXT 相同......

使用像Arnold这样的渲染器时，有必要对光线跟踪渲染背后的核心原理有一个基本的了解。生成逼真的虚拟场景图像需要模拟从光源到相机的场景中光的传播。为了确定每个图像像素的颜色，Arnold从场景几何图形，着色器，灯光等中收集信息，并跟踪许多随机光传输路径，这些路径将通过像素看到的对象连接到光源 - 这个过程称为'采样'。所得图像的质量很大程度上取决于为每个像素生成的路径或样本的数量。

渲染简单的理解可能可以是这样：就是将三维物体或三维场景的描述转化为一幅二维图像，生成的二维图像能很好的反应三维物体或三维场景。而所谓GPU的渲染管线，听起来好像很高深的样子，其实我们可以把它理解为一个流程，就是我们告诉GPU一堆数据，最后得出来一副二维图像，而这些数据就包括了”视点、三维物体、光源、照明模型、纹理”等元素。