余弦相似度（Cos距离）与欧氏距离的区别和联系：欧式距离和余弦相似度都能度量 2 个向量之间的相似度；放到向量空间中看，欧式距离衡量两点之间的直线距离，而余弦相似度计算的是两个向量之间的夹角；没有归一化时，欧式距离的范围是 (0, +∞]，而余弦相似度的范围是 (0, 1]；余弦距离是计算相似程度，而欧氏距离计算的是相同程度（对应值的相同程度）；归一化的情况下，可以将空间想象成一个超球面（三维），欧氏距离就是球面上两点的直线距离，而向量余弦值等价于两点的球面距离，本质是一样。
本文要讲的是研究人员在应用CapsNet（胶囊网络）进行文本分类时发现了什么。我们需要了解下列的网络层次以及相应的算法。N-gram卷积层是标准的卷积层，通过多个不同的卷积核在句子的不同位置提取N-gram特征。主胶囊层是第一个胶囊层，在这个胶囊层中，胶囊将卷积操作的标量输出替换为矢量输出，从而保留实例化参数，如单词的局部顺序和单词的语义表示。
IoU是一种测量在特定数据集中检测相应物体准确度的一个标准。IoU是一个简单的测量标准，只要是在输出中得出一个预测范围(bounding boxex)的任务都可以用IoU来进行测量。为了可以使IoU用于测量任意大小形状的物体检测，我们需要：① ground-truth bounding boxes（人为在训练集图像中标出要检测物体的大概范围）②我们的算法得出的结果范围。
安全界对漏洞的定义为：在硬件、软件、系统等具体实现或者系统安全策略上存在的缺陷，从而使攻击者能够达到于某种破坏效果。以漏洞的实现原理为依据，可将游戏安全漏洞划分成3大类，分别为：游戏逻辑漏洞、协议稳定性漏洞、服务端校验疏忽漏洞。
栅格重采样是将输入图像的像元值或推导值赋予输出图像中每个像元的过程。当输入图像和输出图像的位置（经过几何变换或投影设置等操作）或像元大小（即栅格影像分辨率）发生变化时，都需要进行栅格重采样。此外，栅格重采样是栅格数据在空间分析中处理栅格分辨率匹配问题的常用数据处理方法，为了便于分析，通常将不同的分辨率通过栅格重采样转化为相同的分辨率。
IPv6具有IPv4所缺乏的特性，这使得它在物联网部署方面具有优势，例如支持大型物联网网络、有助于延长物联网设备的电池寿命，减少其管理和维护负担。那么物联网能否有助于推动企业网络中的IPv6应用?
有道是“罗马不是一天建成的”，机器学习的发展也是历经了很长时间，在这过程中形成了五大流派：符号主义（Symbolists），贝叶斯派（Bayesians），联结主义（Connectionist），进化主义（Evolutionaries）和行为类比主义（Analogizer），这五大流派各有各的特点。
深度学习中CNN网络是核心，对CNN网络来说卷积层与池化层的计算至关重要，不同的步长、填充方式、卷积核大小、池化层策略等都会对最终输出模型与参数、计算复杂度产生重要影响，本文将从卷积层与池化层计算这些相关参数出发，演示一下不同步长、填充方式、卷积核大小计算结果差异。
用4级或5级来定义自动驾驶很难有一个明确的标准，自动驾驶也不应该搞得很复杂。自动驾驶实际包含三个问题：一是我在哪？二是我要去哪？三是如何去？能完整解决这三个问题就是真正的自动驾驶。所以特斯拉升级后的8000美元的Autopilot 2.0只有部分线控功能，不能算真正的自动驾驶。福特、百度和谷歌这些公司做的才是真正的自动驾驶，远在特斯拉之上，两者云泥之差，天壤之别。
机器学习(Machine Learning)，人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，主要使用归纳、综合而不是演绎的方法研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是一门多领域的交叉学科，涉及到概率论、统计学、逼近论、凸分析、算法复杂度理论和计算机科学等诸多学科。