demi的博客

微不足道的善意之举都有可能引发始料未及的巨大负面影响。而当这些举动对全世界的个人和公司企业都有影响的时候，这种未预料到的负面效果，有可能是灾难性的。有些专家就很担心，在新的隐私监管规定，尤其是欧盟的《通用数据保护条例》(GDPR)汹涌而来的时代，安全团队履行自己职责的能力会不会受到影响。

某些情况下，GDPR和《加州消费者隐私法案》(CCPA) 等法律，反而让安全团队束手束脚，让本应受到保护的个人信息被黑客轻易偷走。这些监管法案往往缺乏具体实施细节，出于对潜在惩罚的恐惧与不确定，公司企业就会采取一些妨碍安全团队的保守做法。

违反GDPR的代价过于巨大，因而你不得不为那些预料不到的后果考虑，而且因为无法使用Whois数据，无形中也扩大了威胁界面。因为GDPR的存在，可供黑客入侵的威胁界面显著增长，不是增加了一点点，而是翻了个数量级。

隐私控制非常有必要，但也有安全团队因为出于隐私顾虑，无法访问所需数据而拖慢了对攻击的响应。而且讽刺的是，因为坏人也享有隐私权，在隐私法案的保护下便有了藏身之处和逃脱之道。

这很有可能导致未来再曝出几起史上最大隐私泄露案。

有些情况下，是公司企业对安全团队的事件响应方式反应过度了。比如说，GDPR第49条似乎就对履行自己职责的安全团队进行了豁免：

一、基本知识

图像对比度是指：一副图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量，差异范围越大代表对比度越大；一般来说图像对比度a越大，图像越清晰醒目，色彩也越鲜明艳丽；对比度小让整个画面都灰蒙蒙；

图像饱和度是指：图像的鲜艳程度，也是色彩的纯度。饱和度取决于图像中该色中含色成分和消色成分的比例；纯的颜色饱和度都大；

图像的亮度是指：图像的明暗程度；

直方图均衡化以及灰度拉伸都是属于图像对比度增强的方法；

二、灰度拉伸

灰度拉伸是通过对对比度拉伸达到对对比度进行增强的目的；

公式为：

三、直方图均衡化及直方图匹配：

对某些人来说，物联网（IOT）是信息和交流的仙境，而对于另一些人来说，他们更喜欢人与人之间的互动，不愿被他们设备上不断轰炸的警报信息所困扰。对于后者来说，物联网使我们不得不以某种方式或形式连接起来，更糟糕的是，随着我们在物联网上所花费的时间越多，我们就变得越来越紧密——这使得它越来越难以退出并断开连接。有人预测，很快，物联网将无法脱离。

今天，互联网用户人数已经达到全球人口的49%，另外，全球估计有84亿连网设备正在投入使用，而且这些数字还将随着时间推移呈指数级增长。物联网具有巨大的技术、社会和专业优势，但它并非没有不良后果，在很多情况下，规模如此之大的物联网也使得它变得异常凶险。物联网过于庞大和复杂，无法一时决定是接受还是拒绝，但它将有助于完全了解不断扩大的物联网含义。但是，不久之后，你将不得不决定是服用“红色药丸”还是“蓝色药丸”。

物联网的技术含义

随着现代威胁形势的不断扩大，将人工智能（AI）添加到安全策略中，对于建立和维持有效的安全状态变得至关重要。鉴于现代网络威胁的速度和复杂性以及当前网络安全技能的短缺，网络安全团队需要机器学习和其他基于AI的功能的帮助，以便检测、保护和缓解现代攻击。

然而，当企业采用人工智能来加强他们的安全工作时，网络犯罪分子也会采用敏捷软件开发，自动化和机器学习之类的东西，来潜在地利用人工智能来更好地识别和更快地利用网络漏洞，这一点也不足为奇。

实际上，由于越来越多的物联网和运营设备进入网络基础设施，网络犯罪分子已经有机会和能力发起快速且复杂的攻击，而这些固有的易受攻击的设备，将成为企业网络的入口通道。人工智能所带来的潜在攻击能力，只会进一步加剧对当今数字化转型工作的威胁。

因此，人工智能可能很快就会提供成功保护或攻击物联网的方法，以便有效地在网络安全专业人员和网络犯罪分子之间建立AI军备竞赛。

为了保护数字化转型并保持严格的安全状态，IT团队必须了解网络犯罪策略的最新变化，这些变化可能会在未来几年内导致AI驱动的威胁环境。他们还需要了解现在可以将哪些AI功能合并到他们的安全堆栈中，以便在他们的网络不断发展和扩展时保持一致的安全状态。

不过，在AI防御开始之前，人工智能网络攻击也不能被忽视。

卷积运算与相关运算

在计算机视觉领域，卷积核、滤波器通常为较小尺寸的矩阵，比如 3 × 3 、5 × 5 等，数字图像是相对较大尺寸的2维（多维）矩阵（张量），图像卷积运算与相关运算的关系如下图所示（图片来自链接），其中 F 为滤波器，X 为图像，O 为结果。

相关是将滤波器在图像上滑动，对应位置相乘求和；卷积则先将滤波器旋转180度（行列均对称翻转），然后使用旋转后的滤波器进行相关运算。两者在计算方式上可以等价，有时为了简化，虽然名义上说是“卷积”，但实际实现时是相关。

Gartner今天强调了最重要的几大战略物联网（IoT）技术趋势，并称这些趋势将推动2018年至2023年期间的数字业务创新。

Gartner研究副总裁Nick Jones表示：“物联网将继续为未来十年的数字业务创新提供新的机遇，其中很多创新将通过新技术或改进技术实现。那些掌握了创新物联网趋势的CIO们才有机会在其业务中领导数字化创新。”

此外，CIO们应该确保他们拥有必要的技能和合作伙伴，以支持关键的新兴物联网趋势和技术，因为到2023年CIO们负责的端点数量将是今年的3倍多。

Gartner列出了10项最具战略意义的物联网技术和趋势，这些技术和趋势将实现新的收入流和业务模式，以及新的体验和关系：

趋势1：人工智能（AI）

Gartner预测，到2019年使用中的联网事物将达到142亿个，到2021年将达到250亿个，这都会产生海量的数据。Jones说：“数据是物联网的动力，推动着企业组织从中获取洞察以实现长期成功。人工智能将被应用于广泛的物联网信息中，包括视频、静止图像、语音、网络流量活动和传感器数据等。”

机器人视觉系统是指用计算机来实现人的视觉功能，也就是用计算机来实现对客观的三维世界的识别。人类接收的信息70%以上来自视觉，人类视觉为人类提供了关于周围环境最详细可靠的信息。

人类视觉所具有的强大功能和完美的信息处理方式引起了智能研究者的极大兴趣，人们希望以生物视觉为蓝本研究一个人工视觉系统用于机器人中，期望机器人拥有类似人类感受环境的能力。机器人要对外部世界的信息进行感知，就要依靠各种传感器。就像人类一样，在机器人的众多感知传感器中，视觉系统提供了大部分机器人所需的外部世界信息。因此视觉系统在机器人技术中具有重要的作用。

依据视觉传感器的数量和特性，目前主流的移动机器人视觉系统有单目视觉、双目立体视觉、多目视觉和全景视觉等。

单目视觉

单目视觉系统只使用一个视觉传感器。单目视觉系统在成像过程中由于从三维客观世界投影到N维图像上，从而损失了深度信息，这是此类视觉系统的主要缺点( 尽管如此，单目视觉系统由于结构简单、算法成熟且计算量较小，在自主移动机器人中已得到广泛应用，如用于目标跟踪、基于单目特征的室内定位导航等。同时，单目视觉是其他类型视觉系统的基础，如双目立体视觉、多目视觉等都是在单目视觉系统的基础上，通过附加其他手段和措施而实现的。

1、LR和SVM有什么相同点

（1）都是监督分类算法，判别模型；

（2）LR和SVM都可以处理分类问题，且一般都用于处理线性二分类问题（在改进的情况下可以处理多分类问题）；

（3）两个方法都可以增加不同的正则化项，如L1、L2等等。所以在很多实验中，两种算法的结果是很接近的。

2、LR和SVM有什么不同点

（1）本质上是其loss function不同；

区别在于逻辑回归采用的是Logistical Loss，SVM采用的是hinge loss.这两个损失函数的目的都是增加对分类影响较大的数据点的权重，减少与分类关系较小的数据点的权重。

逻辑回归损失函数：

身为技术主管和工程经理，我们经常遇到的问题是如何提高团队的效率。但是在你集中精力提高他们的工作效率之前，你可能首先要考虑是什么在破坏他们的工作效率，并建立起良好的基础。

程序员想要完成什么工作，根本离不开电脑，但确实还有很多公司希望程序员不使用电脑就能完成工作（你敢信）。

因此，我们列出了12件阻碍程序员提高效率的事情。下面给出的顺序是按最重要到不重要的排序的（从我的视角），请大家斧正。

其实吧，给程序员们加薪也是个好办法，哪怕加薪10%，也能起到相当不错的激励作用。

1) 干扰&会议

在我看来，随意打断是程序员的工作最影响他们效率的事情。开发人员无法轻松回到被打断之前的状态。他们需要再次找到感觉，然后继续上手原来的工作。干扰越多，挫折越大，质量越低，bug就越多——而且还在继续。

我越被干扰，效率就越低。每次被打断了工作流程，我就得重新开始找感觉，所以如果我一天被多次打断，这一天想要又什么成果基本就不可能了。——一位程序员如是说道

连接主义体系结构已存在 70 多年，但新的架构和图形处理单元 (GPU) 将它们推到了人工智能的前沿。深度学习架构是最近 20 年内诞生的，它显著增加了神经网络可以解决的问题的数量和类型。本文将介绍 5 种最流行的深度学习架构：递归神经网络 (RNN)、长短期记忆 (LSTM)/门控递归单元 (GRU)、卷积神经网络 (CNN)、深度信念网络 (DBN) 和深度叠加网络 (DSN)，然后探讨用于深度学习的开源软件选项。

深度学习不是单个方法，而是一类可用来解决广泛问题的算法和拓扑结构。深度学习显然已不是新概念，但深度分层神经网络和 GPU 的结合使用加速了它们的执行，深度学习正在突飞猛进地发展。大数据也助推了这一发展势头。因为深度学习依赖于监督学习算法（这些算法使用示例数据训练神经网络并根据成功水平给予奖惩），所以数据越多，构建这些深度学习结构的效果就越好。

深度学习与 GPU 的兴起