demi的博客

神经网络做分类等问题的核心原理是使用升维/降维、 放大/缩小、旋转、平移、弯曲这5大类操作完成扭曲变换，最终能在扭曲后的空间找到轻松找到一个超平面分割空间。

文中列举了渲染管线各个阶段中用到的几十种主流的优化策略。其中，个人印象比较深刻的优化方法有使用实例（Instance）结合层次细节和impostors方法来对多人同屏场景的渲染进行优化，以及使用纹理页（Texture Pages）来进行批次的尺寸最大化。

线性判别分析(Linear Discriminant Analysis,LDA)是一种有监督学习算法，同时经常被用来对数据进行降维，它是Ronald Disher在1936年发明的，有些资料上也称位Fisher LDA。LDA是目前机器学习、数据挖掘领域中经典且热门的一种算法。

如今，游戏中使用的人工智能比以往任何时候都更加复杂，玩家的游戏体验前所未见。开发者使用的AI工具更加强大，这让游戏更加真实同时还能简化开发过程，我们接下来讨论AI技术如何推动手机游戏的变革与手游开发进程。

随着物联网的重要性不断提高，它将需要新的技术和规则，而这些技术和规则将对企业、组织和整个社会产生广泛的影响。

前面的追踪都能很好的解决大部分的问题，但是人工智能的宗旨是模拟实现更为真实更为智能的智能体。同样，一个简单的追踪算法它也是有很多优化为更智能的需求。这一篇是追踪算法里面的拦截追踪。

常用的图像形态学操作包括膨胀、腐蚀、闭运算、开运算。膨胀操作会扩大（粗化）图像中物体的轮廓，可以用来弥补（填充）物体间的孔洞，强化离散点，代价是导致物体的面积比原来的面积要大。腐蚀操作会收缩（细化）图像中物体的轮廓，可以用来断开（分离）物体间的连接，消除离散点，代价是导致物体的面积比原来的面积要小。

在过去的几年里，不乏物联网的统计和预测，并且所有这些都指向其爆炸式的增长。事实上，物联网是全球研究最多的新兴市场之一，因为它具有颠覆业务流程和运营模式的巨大潜力。

NNLM是从语言模型出发(即计算概率角度)，构建神经网络针对目标函数对模型进行最优化，训练的起点是使用神经网络去搭建语言模型实现词的预测任务，并且在优化过程后模型的副产品就是词向量。

在学习渲染的旅途中，你可能会时不时遇到模型边缘有锯齿的情况。这些锯齿边缘(Jagged Edges)的产生和光栅器将顶点数据转化为片段的方式有关。