demi的博客

ShaderGraph是基于可编程渲染管线，我们要使用shaderGraph也就需要设置SRP。

与人类相对缓慢的进化不同的是，机器视觉的演进之路是迅速而具有颠覆意义的，机器看世界的方式也在经历着革命性突破。首先是色彩维度，正如婴儿的“视界”早期只有黑白两色，早期的摄影受感光材料以及后期技术的局限只能记录单调的黑白世界。直到19世纪末，随着光学研究的突破，摄影师采用不同颜色滤镜拍摄并经过后期合成彩色照片，使得机器的视觉能力向前迈出第一步。

Gartner 2019年人工智能成熟度曲线审查了在AI领域的创新和趋势潮流，以及AI计划范围。快速跟风者，首先应该为AI设计一个商业案例。对于早期使用者来说，AI的可扩展性是下一个挑战。

风险现实基金（Venture Reality Fund）一直在投资增强现实和虚拟现实游戏和应用程序，现在是时候进行新一轮有关AR发展现状的季度信息更新了。 基金联合创始人Tipatat Chenavasin提供了七条非常有价值的消息供我们学习了解。

要做机器学习项目，第一重要的就是数据！那如何来准备机器学习要用的数据就成了第一要做的事情，巧妇难为无米之炊，今天就来教大家如何成为巧妇（夫）。

深度学习中的技巧：

初始化参数尽量小一些，这样 softmax 的回归输出更加接近均匀分布，使得刚开始网络并不确信数据属于哪一类；另一方面从数值优化上看我们希望我们的参数具有一致的方差（一致的数量级），这样我们的梯度下降法下降也会更快。同时为了使每一层的激励值保持一定的方差，我们在初始化参数（不包括偏置项）的方差可以与输入神经元的平方根成反比

学习率（learning rate）的设置应该随着迭代次数的增加而减小，个人比较喜欢每迭代完一次epoch也就是整个数据过一遍，然后对学习率进行变化，这样能够保证每个样本得到了公平的对待

滑动平均模型，在训练的过程中不断的对参数求滑动平均这样能够更有效的保持稳定性，使其对当前参数更新不敏感。例如加动量项的随机梯度下降法就是在学习率上应用滑动平均模型。

在验证集上微小的提升未必可信，一个常用的准则是增加了30个以上的正确样本，能够比较确信算法有了一定的提升

什么是PBR？基于物理的渲染过程。PBR是一种着色和渲染技术，用于更精确的描述光如何与物体表面互动。

集成学习（ensemble learning）是机器学习中一类学习算法，值训练多个学习器并将它们组合起来使用的方法。这类算法通常在实践中会取得比单个学习器更好的预测结果。

通过卷积和池化等技术可以将图像进行降维，因此，一些研究人员也想办法恢复原分辨率大小的图像，特别是在语义分割领域应用很成熟。通过对一些资料的学习，简单的整理下三种恢复方法，并进行对比。

池化（Pooling）是卷积神经网络中另一个重要的概念，它实际上是一种形式的降采样。有多种不同形式的非线性池化函数，而其中“最大池化（Max pooling）”是最为常见的。它是将输入的图像划分为若干个矩形区域，对每个子区域输出最大值。