demi的博客

在人工智能（AI）高速发展的几年间，AI技术已取得了明显的跃进和快速的迭代，演进路线也呈现出丰富多样化的趋势，如语音识别、语义识别、视觉处理等；但在与行业结合方面，AI却未能将价值较好地实现渗透和落地。因此，在企业纷纷拥抱AI的时候，市面上亦出现方向不明、战略不清、投入不够、执行不力等难题。

在本文中，我们将探讨使用深度神经网络来解决计算机视觉的一些基本挑战。特别是，我们将研究神经网络压缩，细粒度图像分类，纹理合成，图像搜索和对象跟踪等应用。

这篇文章提供了可以采取的切实可行的步骤来识别和修复机器学习模型的训练、泛化和优化问题。

机器视觉趋势经常被讨论，那么可能影响工业自动化中机器视觉的这些技术的选择和实施有哪些实用的信息？机器视觉市场中3D成像组件的扩展是一个强劲的趋势，这是由对3D测量和指导的高需求以及作为3D成像系统一部分的成本效益技术的可用性的增加所推动的。

随着5G的到来，消费升级以及技术发展的推动下，智能家居正式进入了飞速发展期。无论是业内人士，还是普通群众，相信都已经看到了智能家居在未来市场中所拥有有的巨大潜力，可以这么说，现在的智能家居就是一个“香饽饽”，是人都想咬一口。

本文对CPU与GPU中的逻辑架构进行了对比。其中Control是控制器、ALU算术逻辑单元、Cache是cpu内部缓存、DRAM就是内存。GPU设计者将更多的晶体管用作执行单元，而不是像CPU那样用作复杂的控制单元和缓存。从实际来看，CPU芯片空间的5%是ALU，而GPU空间的40%是ALU。这也是导致GPU计算能力超强的原因。

自动驾驶汽车是集感知、决策和控制等功能于一体的自主交通工具，其中，感知系统代替人类驾驶人的视、听、触等功能，融合摄像机、雷达等传感器采集的海量交通环境数据，精确识别各类交通元素，为自动驾驶汽车决策系统提供支撑。

神经网络是一种在很多用例中能够提供最优准确率的机器学习算法。其中参数的理解可能是我们入门的一个小小的难题，在讨论提升神经网络性能的方法，如检查过拟合、调参、超参数调节、数据增强之前，我们先简单介绍常用的神经网络参数，便于后期的学习和理解，以期更快的掌握深度学习，构建更准确的神经网络。

上一篇：基于物理的渲染 – 实现篇（一）

完整的PBR光照着色器

现在唯一剩下的就是将最终的色调映射和伽玛校正的颜色传递给片段着色器的输出通道，我们就拥有了一个PBR直接光照着色器。基于完整性考虑，下面列出完整的main函数：

经常会被问到你用深度学习训练模型时怎么样改善你的结果呢？然后每次都懵逼了，一是自己懂的不多，二是实验的不多，三是记性不行忘记了。所以写这篇博客，记录下别人以及自己的一些经验。