demi的博客

卷积层(Convolutional layer)主要是用一个采样器从输入数据中采集关键数据内容；池化层(Pooling layer)则是对卷积层结果的压缩得到更加重要的特征，同时还能有效控制过拟合。

人工智能技术作为人类的一项发明创造，本身具备了一定的创造力。无论是专利法治实践还是理论研究均无法否认，在弱人工智能时代，人工智能技术兼具发明创造工具和发明创造方案的提供者的双重身份。

盖斯特汽车战略咨询指出，目前，自动驾驶汽车处于不断发展的状态，包括特斯拉、大众和沃尔沃在内的众多汽车公司，以及苹果和谷歌在内的科技巨头都投入了巨额资金，为自动驾驶技术的实际道路应用努力奋斗。近日，一份调查为读者奉上有关前沿移动技术的一些答案。

分享：Unity3d纹理压缩格式表

之前我们介绍了RNN 网络结构以及其所遇到的问题 ，RNN 结构对于关联度太长的时序问题可能无法处理，简单来说，RNN对于太久远的信息不能有效地储存，为了解决这个问题，有人提出了LSTM的网络结构，LSTM 网络结构最早是由 Hochreiter & Schmidhuber 在1997 年提出的，随着后来研究者的不断改进，LSTM网络在很多问题上都有非常好的表现，并且得到广泛的关注与应用。

LSTM 网络

LSTM 结构的一个优势在于可以很好的解决 “long-term dependency” 的问题，”长期记忆”是LSTM结构与生俱来的特性，而不需要刻意地去学习。

所有的RNN结构都是有一个不断重复的模块，在标准的RNN结构中，这个不断重复的模块是一个单层的tanh , 如下图所示：

Long Short Term Memory Networks (LSTMs) 最近获得越来越多的关注，与传统的前向神经网络 (feedforward network)不同，LSTM 可以对之前的输入有选择的记忆，从而有助于判断当前的输入， LSTM的这一特点在处理时序相关的输入时，有着很大的优势。

关于深度卷积神经网络的前世今生，就不在此处进行过多的介绍。在此，主要对网络的各个组成部分进行简要介绍。深度卷积神经网络主要是由输入层、卷积层、激活函数、池化层、全连接层和输出层组成。

常见的生成式模型有：线性判别式分析 (Linear Discriminant Analysis)、朴素贝叶斯 (Native Bayesian)、K近邻 (KNN)、混合高斯模型 (GaussianMixture Model)、隐马尔科夫模型 (HiddenMarkov Model)、贝叶斯网络 (Bayesian Networks)......

如今说起汽车行业的网红代表，“自动驾驶”当之无愧。从自动驾驶概念推出以来，行业大佬们都跃跃欲试，各种自动驾驶生态圈层出不穷，自动驾驶也必然是未来汽车科技发展的趋势。但到底什么是自动驾驶，不同级别的自动驾驶分别能实现什么样的自动化水平，在开发自动驾驶系统时如何正确定义级别？

从诞生以来，人工智能理论和技术日益成熟，应用领域也不断扩大。