demi的博客

过去，机器学习这个名词的头上曾经笼着科学的光环，只有少数高薪数据科学家才懂得如何用数据“喂养”复杂的算法，得出有用的分析结果。但如今随着自动化工具的快速发展，数据的采集、结构化和分析已经变得更加容易，机器学习的使用门槛已经大幅降低，即使那些不懂编程的业务人员，只要能提出正确的问题，同样也能用机器学习工具得到想要的结果。

在Unity场景中，Lightmap烘焙主要考虑二点：时间消耗与烘焙质量。我们把烘焙的时间流程缩短后，可能会发现某些地方的烘焙质量不够，这时候该怎么补救呢？

近来自然语言处理行业发展朝气蓬勃，市场应用广泛。笔者学习以来写了不少文章，文章深度层次不一，今天因为某种需要，将文章全部看了一遍做个整理，也可以称之为概述。关于这些问题，博客里面都有详细的文章去介绍，本文只是对其各个部分高度概括梳理。

我们都知道增加网络的宽度和深度可以很好的提高网络的性能，深的网络一般都比浅的的网络效果好，比如说一个深的网络A和一个浅的网络B，那A的性能至少都能跟B一样，为什么呢？因为就算我们把A的网络参数全部迁移到B的前面几层，而B后面的层只是做一个等价的映射，就达到了A网络的一样的效果。

5G时代，连接设备数量会大量增加，网络边缘侧会产生庞大的数据。云计算虽然可以处理这些问题，但在实时性、智能性、安全性和隐私性等方面存在诸多不足，边缘计算由此应运而生。采用边缘计算，就可以就近处理海量数据，大量设备可以实现高效协同工作，诸多问题迎刃而解。

人工智能作为第四次工业革命，受到了大家的格外关注，各种人工智能的相关新闻、实例运用等信息铺天盖地。也正因为如此，很多朋友都会认为，人工智能不利于我们的日常生活。因为它很有可能会取代我们的收入来源!其实并非如此，人工智能的发展可能是会取代部分低收入人员，但人工智能最终的发展是有利于我们的社会生活中。

图像理解（image understanding,IU）就是对图像的语义理解。它是以图像为对象，知识为核心，研究图像中有什么目标、目标之间的相互关系、图像是什么场景以及如何应用场景的一门学科。

入门机器学习，总有几张图片，令人印象深刻。以下是十张经典图片，图解机器学习，非常有启发性。

在卷积神经网络中，感受野（Receptive Field）的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在输入图片上映射的区域大小。再通俗点的解释是，特征图上的一个点对应输入图上的区域......

Unity中的Lightmap烘焙速度一直是经常被人吐槽的一个问题，一个极其简单的小场景使用默认参数时烘焙都要几分钟，而大场景往往要烘几个小时甚至十几小时。不过Unity的烘焙系统有提供许多可调参数，通过合理调整这些参数能够显著加快烘焙速度。