demi的博客

根据安卓应用特点，我们可以风险分析分为静态与动态两种。分析的过程不执行应用的方法称之为静态分析。比如说，静态分析中的权限分析可以通过AndroidManifest.xml文件获取，api调用等可以通过逆向dex工作逻辑获得。而动态分析主要是分析应用运行之后的逻辑。

在机器学习中，经常需要对模型进行正则化，以降低模型对数据的过拟合程度，那么究竟如何理解正则化的影响？本文尝试从可视化的角度来解释其影响。

渲染中常常要对一张图像进行采样，也就是在众多像素中选一些代表性的点。随机的均匀采样是最简单的，像下面左图那样。但是很多时候我们希望进行一些非均匀的采样，比如在环境光图像里集中采样亮度大的地方，如右图。这种采样叫做重要性采样（Importance Sampling）。

如今，大多数人仍然将智能家居技术视为无法实现的奢侈品。但是，将你家中所有简单的电器连接到互联网网络并不一定要花很多钱。对于小白来说，尽管通过单个网络连接你拥有的所有设备可能不是一件容易的事，但连接的家电体验优势使其对很多人具有极大的吸引力。

在机器学习的面试中，能不能讲清楚偏差方差，经常被用来考察面试者的理论基础，本文就机器学习中偏差和方差进行了详细总结，供参考。

在进行屏幕后处理的时候，我们往往会应用很多图像处理的相关算法，例如高斯模糊，sobel边缘检测等等。但是这些图像算法都是基于图像的颜色值来计算的，而我们通过渲染管线得到屏幕图像时，不仅可以得到颜色缓冲，还可以得到深度缓冲以及法线信息等。

腐蚀与膨胀是数字形态学里的两个基本操作，一般用于二值图像（当然RGB图也可以用）。腐蚀的作用说白了就是让暗的区域变大，而膨胀的作用就是让亮的区域变大。

如今，各种类型的企业都致力于采用人工智能和机器学习项目，但要发挥其真正的潜力，则需要克服重大的技术障碍。虽然计算基础设施通常是重点，但存储设施也同样重要。

机器学习是一种伟大的工具，正在改变着我们的世界。 在许多伟大的应用中，机器（尤其是深度学习）已被证明优于传统方法。 从用于图像分类的Alex-Net到用于图像分割的U-Net，我们看到了计算机视觉和医学图像处理领域的巨大成功。 不过，我看到机器学习方法每天都在失败。 在许多这样的情况下，人们迷上了机器学习的七大罪过之一。

在监督学习中，给定一组数据，我们知道正确的输出结果应该是什么样子，并且知道在输入和输出之间有着一个特定的关系。通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出。