demi的博客

GAN网络中存在两个不同的网络，训练方式采用的是对抗训练方式，其中G的梯度更新信息来自于判别器D，而不是来自数据样本。GAN不适合处理离散形式的数据，比如文本。

当场景中包含大量模型时，造成渲染效率的降低（即帧速率FPS的降低），采用遮挡剔除技术，可以使得那些被阻挡的物体不被渲染提高渲染效率

计算机视觉（Computer vision）是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，用计算机处理成更适合人眼观察或进行仪器检测的图像。

在应用机器学习算法时，我们通常采用梯度下降法来对采用的算法进行训练。其实，常用的梯度下降法还具体包含有三种不同的形式，它们也各自有着不同的优缺点。

几乎每个图形程序的重要目标之一都是在屏幕上绘制图形。屏幕是由一个矩形像素数组组成的，每个像素都可以在图像的某一个点上显示一个某种颜色的微小方块。在光栅化阶段（包括纹理和雾）之后，数据就不再是像素，而是片段。每个片段都具有与像素对应的坐标数据以及颜色值和深度值。

预计到2024年，全球车联网市场的价值将达到1300亿美元左右，在2018-2024年期间的复合年增长率将超过15%。 越来越多的电子设备在汽车上的应用，如防撞系统、信息娱乐系统、联网系统和线控驱动技术，将推动全球市场的需求。

感知机可以说是最古老的分类方法之一了，在1957年就已经提出。今天看来它的分类模型在大多数时候泛化能力不强，但是它的原理却值得好好研究。因为研究透了感知机模型，学习支持向量机的话会降低不少难度。同时如果研究透了感知机模型，再学习神经网络，深度学习，也是一个很好的起点。这里对感知机的原理做一个小结。

我们知道，机器学习近些年来有非常多的应用，例如无人驾驶汽车、棋类游戏、垃圾邮件检测、金融分析、语音识别、图像识别、自然语言处理、产品推荐等，那么机器学习和他们到底是什么关系呢？

本文阐述深度学习中使用的一些初始化技术。任何甚至没有机器学习背景的人都必须知道我们需要学习权重或超参数来制作模型。这些参数控制着我们的算法在看不见的数据上的表现。要学习模型，我们需要初始化参数，应用损失函数然后对其进行优化。

针对CardBoard一类的眼镜用Unity3D开发VR内容。