demi的博客

美国黑帽大会召开在即，随着完整会议议程上线，是时候规划下该怎么利用这大好学习机会了。时间流逝，技术发展，黑帽大会的演讲主打新零日漏洞、新兴技术突破方法研究，以及在不断变迁的技术世界中防护各类系统的新方法。

5G来了，WiFi 6也来了。关于5G，无论是朋友圈，还是媒体上，大家已经了解很多。但是，对于WiFi 6，很多人依然不清楚。今天，我们一次性为你解答WiFi 6的所有问题。

在强化学习（一）模型基础中，我们讲到了强化学习模型的8个基本要素。但是仅凭这些要素还是无法使用强化学习来帮助我们解决问题的, 在讲到模型训练前，模型的简化也很重要，这一篇主要就是讲如何利用马尔科夫决策过程(Markov Decision Process，以下简称MDP)来简化强化学习的建模。

与传统的追求照片真实感的真实感渲染不同，非真实感渲染（Non-Photorealistic Rendering，NPR）旨在模拟艺术式的绘制风格，常用来对绘画风格和自然媒体（如铅笔、钢笔、墨水、木炭、水彩画等）进行模拟。而卡通渲染（Toon Rendering）作为一种特殊形式的非真实感渲染方法，近年来倍受关注。

卷积神经网络的卷积核大小、卷积层数、每层map个数都是如何确定下来的呢？看到有些答案是刚开始随机初始化卷积核大小，卷积层数和map个数是根据经验来设定的，但这个里面应该是有深层次原因吧？

机器学习领域中所谓的降维就是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。降维的本质是学习一个映射函数 f : x->y，其中x是原始数据点的表达，目前最多使用向量表达形式。 y是数据点映射后的低维向量表达，通常y的维度小于x的维度（当然提高维度也是可以的）。f可能是显式的或隐式的、线性的或非线性的。

我们离完全靠谱的自动驾驶还有多远？要实现完全靠谱的自动驾驶，目前有两种主流的方向：一是利用激光雷达等传感设备，通过AI和单车智能，让车辆自己识别各种路况，并且根据识别后的路况进行判断，再采取相应的措施。这种技术偏向于让车辆进行即时演算，通过摄像头和雷达等车载设施的相互配合完成自动驾驶；二是车路协同，通过网络让所有的交通参与者实现在线互联，让所有的交通参与者都能随时掌握附近的各种路况信息......

上一篇讲到了追踪算法的比较简单的形式，看上去比较假，因为AI控制的对象过于精确地跟踪目标。一种更自然的追踪方式可以这样做，使得跟踪者的方向矢量与从跟踪目标的中心到跟踪者的中心所定义的方向矢量靠拢。

人工神经网络有两个重要的超参数，用于控制网络的体系结构或拓扑：层数和每个隐藏层中的节点数。配置网络时，必须指定这些参数的值。

我们都知道，卷积核的作用在于特征的抽取，越是大的卷积核尺寸就意味着更大的感受野，当然随之而来的是更多的参数。早在1998年，LeCun大神发布的LetNet-5模型中就会出，图像空域内具有局部相关性，卷积的过程是对局部相关性的一种抽取。 但是在学习卷积神经网络的过程中，我们常常会看到一股清流般的存在—1*1的卷积！