前言
要预测未来一年的网络威胁发展趋势很难，无论是威胁的形态和响应的防范方式都在快速迭代，加上各国对于网络空间中地缘政治利益的理解日益深刻，不同的力量交织在一起进一步加深了复杂性。
国外安全媒体CSO Online还是试着对明年的网络安全态势做出了九大预测，我们来看一看他们是怎么说的。
一、勒索软件活跃度下降，破坏性不减
随着网络犯罪分子的注意力更多地放到其他“黑产”事业，之前大行其道的勒索软件攻击逐渐冷却，开始转变为一种集中、针对性的攻击手段。
根据卡巴斯基的统计，2017-2018年遭遇勒索软件攻击的用户数量相比2016-2017年下降了近30％。赛门铁克表示，拥有复杂勒索软件攻击能力的网络犯罪集团现在主要关注的是一些美国公司，主要与市政、医疗机构有关。
1. 基于神经网络的机器翻译
入选理由：翻译是“自然语言处理”的最重要分支，也是比较难的一支。早年间，机器翻译还被视作 “低级翻译”被嘲讽，如今神经网络的机器翻译准确性大大提高，堪比专业人工翻译。我们熟知的谷歌翻译、微软语音翻译以及搜狗语音识别等都是基于此项技术。
2. 基于多传感器跨界融合的机器人自主导航
入选理由：机器人的终极目标是为人类提供智能化的服务，其中自主导航是近年来人类一直想要攻克的技术壁垒，臻迪(PowerVision)通过声呐、视觉等多传感器融合，使其水下机器人能实现自主导航及智能识别，在智能机器人领域内取得了突破性进展。
3. DuerOS对话式人工智能系统
入选理由：DuerOS3.0能够为用户带来了划时代的自然对话交互，包括情感语音播报、声纹识别等能力在内的自然语言交互技术的全面升级。
4. 移动AR技术
最近，在看caffe源码时，偶然在网上看到一个问题？觉得挺有意思，于是，仔细的查了相关资料，并将总结写在这里，供大家迷惑时，起到一点启示作用吧。
问题的题目是CNN中的一个卷积层输入64个通道的特征子图，输出256个通道的特征子图，那么，该层一共包含多少个卷积核？
对于上面这个问题，目前有两种答案，每一种答案的区别是所基于的卷积核的维度不同而导致的。下面是两种答案的解析过程：
第一种答案：卷积核是二维的（caffe源码中以卷积核二维转化成相应矩阵），那么就需要64*256个卷积核来对输入特征子图进行卷积，其中，输入的每个通道对应64种不同的卷积核进行卷积，再将64种卷积核得到的卷积结果合并成一张输出特征子图；这样，就会得到256个通道的特征子图。
第二种答案：卷积核是三维的(caffe大神贾杨清老师的回答中就是这么认为的)，那么一个卷积核的表示为C*H*W（C：通道数，H：卷积核的高，W：卷积核宽）。那么对于输入的特征子图，就需要一个大小为64*h*w的卷积核进行卷积，得到一张特征子图。这样，就需要256个不同卷积核，每个卷积核的通道数为64，从而得到256个通道的特征子图。
目前，智慧城市已经成为全球众多城市未来规划和设计的方向，并致力于通过各种新技术的应用来改善城市居民的工作与生活。
但什么样的技术应用能够推动智慧城市的建设？如何让新技术在智慧城市中的应用效率最大化？这是所有城市规划者都在思考的问题。
从最近几年全球各地智慧城市建设的应用案例可以发现，各种新技术从城市基础设施和生活设施入手，覆盖智能停车、智能路灯、智能交通、智能能源、智能医疗、智能建筑和智能环境等七个常见领域，从各方面逐步让智慧城市变为现实。
1. 智能停车提升交通效率
交通拥堵是现代各大城市都面临的头号难题，并且，随着汽车在城市街道上不断寻找停车位，会加大二氧化碳和其他尾气的排放，进而影响城市空气质量。
智能停车技术有望改变这一状况。该技术通过智能手机的GPS数据和嵌入在停车位地面的传感器，可向附近的车主提供实时的停车地图和车位信息，从而让停车过程更加高效、环保。
什么是epoch？
当一个完整的数据集通过了神经网络一次并且返回了一次，这个过程称为一次epoch。然而，当一个epoch对于计算机而言太庞大的时候，就需要把它分成多个小块。
为什么要使用多于一个epoch?
在神经网络中传递完整的数据集一次是不够的，而且我们需要将完整的数据集在同样的神经网络中传递多次。但请记住，我们使用的是有限的数据集，并且我们使用一个迭代过程即梯度下降来优化学习过程。如下图所示。因此仅仅更新一次或者说使用一个epoch是不够的。
随着epoch数量增加，神经网络中的权重的更新次数也在增加，曲线从欠拟合变得过拟合。
什么是渲染（Rendering）?渲染简单的理解可能可以是这样：就是将三维物体或三维场景的描述转化为一幅二维图像，生成的二维图像能很好的反应三维物体或三维场景。
GI：全局光照，指的是模拟光线是如何在场景中传播的算法。不仅会考虑直接光照的结果，还会计算光线被不同的物体表面反射产生的间接光照。
Unity使用的是预计算实时全局光照 ： 实时（直接光照）+ 预计算（直接光照和间接光照）模拟光照。（这里的实时指的就是物体移动光照效果也会变化。）实时光照没办法模拟光线的多次反射的效果，所以加了预计算光照。预计算光照效果就既有直接光照，也有间接光照。
原理：一旦物体和光源的位置固定，物体对光线的反弹路径及漫反射光照也是固定的，因此可以预计算，把物体之间的这些关系计算出来。这样在实时运行时，只要光源位置不变，这些关系信息就一直有效，不需要实时更新。
Unity Enlighten光照系统提供了两种技术：烘焙GI 和 预计算实时GI。同时使用这两种会有性能问题。
烘焙GI： LightMap，即烘焙GI中的光照贴图，表示静态物体基于光的影响计算出的贴图。把光源对场景中静态物体的光照效果提前烘焙到一张光照纹理中，然后把光照纹理直接贴在物体表面。（有直接光照信息，也有间接光照信息）
前言
在日常开发APP 的过程中，随着业务的扩展，规模的变化。我们的代码规模也会逐渐变得庞大，每一个类里的代码也会逐渐增多。尤其是Activity和Fragment ，由于Context 的存在，基本上所有对视图的操作我们只能在Activity和Fragment中完成；即便是对某些逻辑进行封装，Activity和Fragment 依旧会显得过于臃肿。因此，我们需要换一种思路去写代码，这个时候MVP模式就应用而生了！那么MVP 怎么用呢，下面就来说一说。
假设你现在如要实现下图中的功能：
这个需求很简单，就是点击按钮，下载一张图片，显示下载进度；下载完成后，在ImageView中显示这张图片。
下面我们就分别用传统的方式（也就是所谓的MVC)和MVP 模式分别取实现这个功能。然后分析一下MVP 到底好在哪里。
数字信号处理中卷积
卷积一词最开始出现在信号与线性系统中，信号与线性系统中讨论的就是信号经过一个线性系统以后发生的变化。由于现实情况中常常是一个信号前一时刻的输出影响着这一时刻的输出，所在一般利用系统的单位响应与系统的输入求卷积，以求得系统的输出信号（当然要求这个系统是线性时不变的）。
卷积的定义：
卷积是两个变量在某范围内相乘后求和的结果。如果卷积的变量是序列x(n)和h(n)，则卷积的结果：
数字图像处理中卷积
数字图像是一个二维的离散信号，对数字图像做卷积操作其实就是利用卷积核（卷积模板）在图像上滑动，将图像点上的像素灰度值与对应的卷积核上的数值相乘，然后将所有相乘后的值相加作为卷积核中间像素对应的图像上像素的灰度值，并最终滑动完所有图像的过程。
1、概念
L0正则化的值是模型参数中非零参数的个数。
L1正则化表示各个参数绝对值之和。
L2正则化标识各个参数的平方的和的开方值。
2、问题
1）实现参数的稀疏有什么好处吗？
一个好处是可以简化模型，避免过拟合。因为一个模型中真正重要的参数可能并不多，如果考虑所有的参数起作用，那么对训练数据可以预测的很好，但是对测试数据就只能呵呵了。另一个好处是参数变少可以使整个模型获得更好的可解释性。
2）参数值越小代表模型越简单吗？
是的。为什么参数越小，说明模型越简单呢，这是因为越复杂的模型，越是会尝试对所有的样本进行拟合，甚至包括一些异常样本点，这就容易造成在较小的区间里预测值产生较大的波动，这种较大的波动也反映了在这个区间里的导数很大，而只有较大的参数值才能产生较大的导数。因此复杂的模型，其参数值会比较大，但如果参数足够小，数据偏移得多一点也不会对结果造成什么影响，专业一点的说法是『抗扰动能力强』。
3、L0正则化
根据上面的讨论，稀疏的参数可以防止过拟合，因此用L0范数（非零参数的个数）来做正则化项是可以防止过拟合的。