demi的博客

物联网（IoT）是互联技术最伟大的进步之一。通过传感器的小型化、高能效电池寿命以及庞大的全球制造供应链，物联网设备开启了一个始终在线的智能新时代。从亚马逊 Alexa等智能扬声器设备到跟踪仓库库存的小型传感器，物联网可帮助收集和分析大量数据，从而带来更好的决策、更灵敏的设备以及轻松保持联系的世界。

现在的相机越来越多地引入计算视觉技术来丰富相机的用户体验，最近在神经网络与深度学习技术方面的进展大大提升了计算机视觉技术的性能，尤其是以下的9个典型CV技术与应用，使得相机不再停留在传统的成像（imaging）层面，已经进化到了感知（sensing）世界的新时代。

性能度量是衡量模型泛化能力的评判标准，性能度量反映了任务需求，在对比不同模型的能力时，使用不同的性能度量往往会导致不同的评判结果，因此什么样的模型是好的，不仅取决于算法和数据，还取决于任务需求。

边缘计算是在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的分布式开放平台，就近提供边缘智能服务，满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。

如今，全世界都在努力解决物联网技术的隐私问题。物联网是一个由相互关联的计算设备、机械和数字机器、物体、动物和人类组成的系统。物联网无需人与人或人与计算机的交互即可传输数据。因此，我们的世界比以往任何时候都更加紧密相连。

在深度学习中，神经网络模型是其较为常见的模型之一。神经网络已经在计算机视觉、自然语言处理、语音识别等领域取得了突飞猛进的发展，其强大的特征学习能力引起了国内外学者的广泛关注，有着十分广泛的应用前景。但是，神经网络在训练样本中表现得过于优越，导致在验证数据集以及测试数据集中表现不佳，这种情况称为过拟合。

Dynamic Programming, Monte Carlo, Temporal Difference是强化学习过程中最基础的三种算法，本文主要总结一下这三种方法的区别与联系；强化学习模型本质上是一个随机过程，可以用概率图模型来描述，就像 HMM 可以使用有向图来描述，马尔可夫网可以使用无向图来描述，强化学习对应的图模型是Finite Markov Decision Process（MDP）

K近邻法(k-nearst neighbors,KNN)是一种很基本的机器学习方法。它的基本思想是： 在训练集中数据和标签已知的情况下，输入测试数据，将测试数据的特征与训练集中对应的特征进行相互比较，找到训练集中与之最为相似的前K个数据，则该测试数据对应的类别就是K个数据中出现次数最多的那个分类。

pooling是在卷积网络（CNN）中一般在卷积层（conv）之后使用的特征提取层，使用pooling技术将卷积层后得到的小邻域内的特征点整合得到新的特征。一方面防止无用参数增加时间复杂度，一方面增加了特征的整合度。

在unity中，渲染路径决定了光照是如何应用到unity shader中的，如果要和光源打交道，我们需要为每个Pass指定它使用的渲染路径，只有为shader正确地选择和设置了需要的渲染路径，该shader的光照计算才能被正确的执行。