随着自动驾驶汽车的兴起，使得不少传统车企似乎看到了新的商机，于是纷纷向该领域进行投资。然而提起“自动驾驶”，相信不少用户会感到陌生，但对于自动驾驶领域来说，从目前来看，它正以“飞速”的速度进行发展。小编坚信，未来，自动驾驶汽车将成为我们生活中最常见的交通方式，所以大家多少都需要知道一些关于自动驾驶的常识，也许当你想要购买该领域新车时，能够有一些自己的见解，正所谓“知己知彼百战百胜”嘛，下面小编为大家科普几个日常生活的需要的知识点，或许你看完会对自动驾驶有一个新的认识。
科普知识点一：记住这些知识点，关键时刻能保命
有研究表明，关于自动驾驶来说，人们仍要需要懂得一些常识才能上路，有人说，90%的驾驶任务不需要常识，需要使用常识的情况只有微不足道的10%。然而，如果你上路行驶的自动驾驶汽车错过了那10%的常识，遇到突发情况后，才会追悔莫及。
人工智能会让程序员失业吗？
当人工智能逐渐强大，大家开始担心：人工智能下一步又要在哪个领域干掉人类？
AI会让人类程序员失业吗？对此问题持肯定态度的人并不在少数。
比如：美国橡树岭国家实验室在去年底发布的论文《人机混编的代码意味着什么?人类 2040 年还需要亲自编写代码吗? 》中表示：到了2040年，大多数的程序代码将由机器生成。
2040年距今天还有些距离，至少当下，AI没有让程序员失业，而是让程序员更贵了。
前几天刷屏的《AI 时代，为什么程序员这么贵》一文，csdn的蒋总认为：AI的发展，不仅不会使程序员消亡，反而使得各行各业比现在更加需要程序员——程序员的求职范围不再局限于软件或互联网行业，社会总需求激增，人才自然也就更贵了。
笔者对蒋总的观点蛮赞同的，当前的势头也确实如此。
不过，再过5-10年，程序员还会如今日行情吗？
1、决策树
适用条件：数据不同类边界是非线性的，并且通过不断将特征空间切分为矩阵来模拟。特征之间有一定的相关性。特征取值的数目应该差不多，因为信息增益偏向于更多数值的特征。
优点：
• 直观的决策规则；
• 可以处理非线性特征；
• 考虑了变量之间的相互作用。
缺点：
• 容易过拟合（随机森林、剪枝）；
• 处理缺失数据时的困难；
• 数据集中属性间的相关性。
2、SVM
适用条件：特征空间大，可以处理非线性的特征。
优点：
• 可以处理小样本情况下的机器学习问题；
• 可以处理高维特征；
• 使用核函数应对非线性特征空间，解决非线性问题；
• 分类面不依赖所有数据，只与几个支持向量有关
从VR元年的轰轰烈烈到如今的稳步发展，VR行业“诞生”的时间实际上只有三年，但在这三年中，VR给我们的生活带来的切实改变和对未来的畅想却无处不在，VR直播、VR看房、VR游戏等都为我们的生活带来了许多便利和色彩。但与此同时，VR也受到了一些质疑，例如在一些VR应用中，部分用户会感到眩晕，并因此认为VR不适合长时间佩戴。那么不吹不黑地说，VR到底对我们的生活产生了什么影响？
VR（Virtual Reality）即虚拟现实，与传统的屏幕相比有着本质的不同。无论是手机、平板还是电视，它的屏幕尺寸是固定的，也会占据现实世界中的相应面积。而VR则能够通过左右眼各一块屏幕为用户创造一个360°沉浸式的虚拟世界，这两者的区别是显而易见的——屏幕是一块画面，而VR则是一个世界。
今年特别火热的VR观影对这一特性做出了很好的诠释，一些价格亲民、操作简单的VR观影一体机也因此成为了今年倍受消费者喜爱的产品。对于观影爱好者来说，去影院看电影是一件很耗费时间的事情，除了影片本身的时间，我们还需要前往电影院，然后取票、候场、入场，而在家中用电视或者电脑看电影又没办法提供影院那样的氛围，让人专注于影片。
1、为什么要用神经网络？
对于非线性分类问题，如果用多元线性回归进行分类，需要构造许多高次项，导致特征特多，学习参数过多，从而复杂度太高 。
在神经网络中引入激活函数一个重要的原因就是为了引入非线性。
2、CNN基本问题
层级结构：输入层->卷积层->激活层->池化层->卷积层->激活层->池化层->全连接层····
（1）输入层数据预处理：去均值；归一化；PCA/白化；
去均值：即0均值化，CNN常用，训练集所有像素值减去均值，把输入数据各个维度中心化到0，测试集也减相同的均值；
目的：（1）数据有过大的均值可能导致参数的梯度过大，在梯度回传时会有一些影响；（2）如果有后续的处理，可能要求数据0均值，比如PCA。
归一化：幅度归一化到同样的范围；
目的：为了让不同维度的数据具有相同的分布规模，方便操作，图像一般不需要。
PCA/白化：降维，白化是对PCA降维后的数据每个特征轴上的幅度归一化；
人工智能等新一代信息技术的快速崛起，推动诸多行业掀起了变革大浪潮。随着智能化、数字化趋势日益凸显，人工智能受到了更多青睐，在各行各业实现了广泛应用，并且开始承担不同的角色，发挥独特的优势。
如何选择卷积核的大小？越大越好还是越小越好？
答案是小而深，单独较小的卷积核也是不好的，只有堆叠很多小的卷积核，模型的性能才会提升。
• CNN的卷积核对应一个感受野，这使得每一个神经元不需要对全局图像做感受，每个神经元只感受局部的图像区域，然后在更高层，将这些感受不同局部的神经元综合起来就可以得到全局信息。这样做的一个好处就是可以减少大量训练的参数。
• VGG经常出现多个完全一样的3×3的卷积核堆叠在一起的情况，这些多个小型卷积核堆叠的设计其实是非常有效的。两个3×3的卷积层串联相当于1个5×5的卷积层，即一个像素会和周围5×5的像素产生关联，可以说感受野是5×5。同时，3个串联的3×3卷积层串联的效果相当于一个7×7的卷积层。除此之外，3个串联的3×3的卷积层拥有比一个7×7更少的参数量，只有后者的 (3×3×3) / (7×7) = 55%。最重要的是3个3×3的卷积层拥有比一个7×7的卷积层更多的非线性变换（前者可以使用三次ReLu激活，而后者只有一次）。
卷积神经网络池化后的特征图大小计算
研究图像特征检测已经有一段时间了，图像特征检测的方法很多，又加上各种算法的变形，所以难以在短时间内全面的了解，只是对主流的特征检测算法的原理进行了学习。总体来说，图像特征可以包括颜色特征、纹理特等、形状特征以及局部特征点等。其中局部特点具有很好的稳定性，不容易受外界环境的干扰，本篇文章也是对这方面知识的一个总结。
本篇文章现在(2015/1/30)只是以初稿的形式，列出了主体的框架，后面还有许多地方需要增加与修改，例如2013年新出现的基于非线性尺度空间的KAZE特征提取方法以及它的改进AKATE等。在应用方面，后面会增一些具有实际代码的例子，尤其是基于特征点的搜索与运动目标跟踪方面。
1. 局部特征点
图像特征提取是图像分析与图像识别的前提，它是将高维的图像数据进行简化表达最有效的方式，从一幅图像的 M × N × 3 的数据矩阵中，我们看不出任何信息，所以我们必须根据这些数据提取出图像中的关键信息，一些基本元件以及它们的关系。
误解一：5G是一场革命要取代4G
最初的5G采用NSA模式部署，即依托于现有4G来扩充网络容量和覆盖。最初的5G与4G非常相似，网络部署也主要利旧现有4G基站资源，这是一次从4G到5G的平滑演进过程。
事实上，不管是NSA还是SA部署模式，4G将在较长时间内继续提供语音、数据和物联网业务，与5G网络共存。
至于我们通常讲的“5G改变社会”，5G要对社会产生革命性的规模影响，还需要时间来孵化。
误解二：5G投资大、资费贵
从单站规模看，5G早期利旧4G基站及配套资源共站部署，可较大节省投资成本。
物联网是与云计算相伴而生的，事实上，正是物联网的概念帮我弄清了对云计算的工作定义。物联网是一个由三个不同的子系统组成的系统:
• 云
• 聚合器
• 智能传感器
上述每一个子系统对于整个物联网系统的功能优化都是必需的。云是终极的计算单元和通用通信网络。智能传感器是通向现实世界的界面。最后，这些聚合者是中间人。对云来说，聚合器看起来像智能传感器，而对智能传感器而言，它看起来像云。
系统的特点
系统的概念一直很有趣，这个术语引出了一些问题。例如,"一个系统存在的最小一组功能是什么?"或者,"一个系统可以由许多其他系统组成吗?"物联网是一个系统的系统。它的三个组件(云、聚合器和智能传感器)都有自己的系统。此外，任何两个组件也可以形成一个完整的IoT系统。例如，与聚合器进行通信的一系列智能传感器可以成为许多应用的一个最佳系统。同时，智能传感器直接对云进行通信也可以是一个最佳的系统。