demi的博客

在三维显示，空间可视化表达和图像处理中，插值处理是比较重要的一个部分。如何能找到快速、简单、有效的插值算法是目前研究者们津津乐道的问题。

以下几种是前人收集起来的比较常用的插值算法，仅供参考：
  •   Inverse Distance to a Power（反距离加权插值法）
  •   Kriging（克里金插值法）
  •   Minimum Curvature（最小曲率）
  •   Modified Shepard's Method（改进谢别德法）
  •   Natural Neighbor（自然邻点插值法）
  •   Nearest Neighbor（最近邻点插值法）
  •   Polynomial Regression（多元回归法）
  •   Radial Basis Function（径向基函数法）
  •   Triangulation with Linear Interpolation（线性插值三角网法）
  •   Moving Average（移动平均法）
  •   Local Polynomial（局部多项式法）

下面简单说明不同算法的特点。

手机常用的定位方式有：

1、卫星定位：手机定位的核心。包括美国的GPS，中国的北斗(BDS)、欧洲的伽利略(Galileo)、俄罗斯的格洛纳斯(Glonass)。此外，还有日本的准天顶系统（QZSS）和印度的IRNSS。
2、移动基站定位：有手机信号就能定位！
3、WiFi辅助定位：“灵异”定位技术
4、A-GPS定位：给GPS派个助手
5、室内定位。包括蓝牙定位、红外定位、RFID射频定位、超声波定位、Zigbee定位、UMB定位等。Wi-Fi定位，其实也一样适用于室内。

下面详细介绍：

1. 卫星定位

目前最主流的室外定位方式，就是卫星定位。

作者：魏秀参

本文将以 Alex-Net、VGG-Nets、Network-In-Network 为例，分析几类经典的卷积神经网络案例。

在此请读者注意，此处的分析比较并不是不同网络模型精度的“较量”，而是希望读者体会卷积神经网络自始至今的发展脉络和趋势。

这样会更有利于对卷积神经网络的理解，进而举一反三，提高解决真实问题的能力。

01：Alex-Net 网络模型

Alex-Net 是计算机视觉领域中首个被广泛关注并使用的卷积神经网络，特别是 Alex-Net 在 2012 年 ImageNet 竞赛 中以超越第二名 10.9个百分点的优异成绩一举夺冠，从而打响了卷积神经网络乃至深度学习在计算机视觉领域中研究热潮的“第一枪”。

Alex-Net 由加拿大多伦多大学的 Alex Krizhevsky、Ilya Sutskever(G. E. Hinton 的两位博士生)和 Geoffrey E. Hinton 提出，网络名“Alex-Net”即 取自第一作者名。

关于 Alex-Net 还有一则八卦：由于 Alex-Net 划时代的意义，并由此开启了深度学习在工业界的应用。

AIoT领域中人机交互的市场机会

自2017年开始，“AIoT”一词便开始频频刷屏，成为物联网的行业热词。“AIoT”即“AI+IoT”，指的是人工智能技术与物联网在实际应用中的落地融合。当前，已经有越来越多的人将AI与IoT结合到一起来看，AIoT作为各大传统行业智能化升级的最佳通道，已经成为物联网发展的必然趋势。

在基于IoT技术的市场里，与人发生联系的场景(如智能家居、自动驾驶、智慧医疗、智慧办公)正在变得越来越多。而只要是与人发生联系的地方，势必都会涉及人机交互的需求。人机交互是指人与计算机之间使用某种对话语言，以一定的交互方式，为完成确定任务的人与计算换机之间的信息交互过程。人机交互的范围很广，小到电灯开关，大到飞机上的仪表板或是发电厂的控制室等等。而随着智能终端设备的爆发，用户对于人与机器间的交互方式也提出了全新要求，使得AIoT人机交互市场被逐渐激发起来。

AIoT发展路径

作为 AI 从业者，笔者经常被问及关于入行或转行 AI 的问题，其中颇有一些高频重复出现，今天总结出来几个，供大家参考。

问题1：年龄偏大了，而且之前也不是计算机相关专业的，怎么才能转行做 AI？

这个问题经常被问到。有不少朋友，工作了几年之后，想转向 AI 技术岗位。但感觉自己年纪比较大了，或者有生活压力，考全日制的研究生不太现实。

偏偏大多数公司招 AI 工程师的时候，要求应聘者有相关专业硕士学位等学术背书。作为转行者，应该怎样提高专业背景？

针对这种情况，笔者的建议是：从自己原来的专业领域入手。

比如，一位原本制造业的自动化工程师，肯定对各种工业生产设备比较熟悉，了解各种各样的电机、传感器，知道这些设备输出信号的物理含义。

那么，当工业领域运用机器学习方法时，自动化工程师在特征工程方面就具备了相当的优势，这些领域知识，不是纯粹搞机器学习的人能比的。

至少在现阶段，机器学习、深度学习的实际落地都以数据为主——能够把实际问题转化成数值拿去运算，比把运算本身（算法）做得精巧要来的重要。

作为一名Unity3D游戏开发者，无论是初学者，还是已经就业的工作者，在平时的学习工作里，掌握一些Unity开发的高级技巧，能够很好的节省开发时间，提高开发效率，毕竟世界如此美丽精彩，我们应当把时间花费在更有价值的事情上。

Unity开发技巧：

41、使用[Tooltip( "提示信息" )]可以在鼠标停留时显示提示信息。

42、在层级视图中选中游戏对象，按快捷键Shift + Alt + A可以快速设置对象激活状态。

说起黑客在大家的印象中是十分的酷炫拉风，在很多的电影电视剧里面，大家也不难看出，他们有着超乎常人的电脑，能够解决普通人无法做到的电脑问题，这就是黑客。被世人所敬仰，但是在身份上又十分的神秘，捉摸不定同时在地点上也无法找寻到确切的位置。

第一、想要让自己成为一名顶尖的黑客，就是在态度上要有一定的认知。大多数的黑客，并非是以赚钱为目的，在他们的心中会有一种博爱，重点和方向都是以解决常人无法处理的问题作为前提条件。如果只是希望成为黑客之后，可以赚钱赢取利润，在态度上的理解失误，注定不会成为一名优秀的黑客。

第二、在于好奇心，想要成为顶尖的黑客，除了可以帮助大家解决困难的问题之外，最为重要的一点，仍然还是需要拥有一双善于发现问题的眼睛。只有具备了好奇心，才可以在探索和发现问题之后，体会并且享受这些解决问题所带来的优越感，这样的方式和理念不仅得到了大家的认同，更是吸引着更多人的目光和眼球。要具备一种不断超越自我极限的挑战能力，学会突破自己，对自己充满着信心，认为在接下来未知世界当中，仍然会存在着很多的问题，值得被大家所解决，这才是确保在接下来的探秘过程中取得突破性进展的关键。

原作者：Alex Vu 译者：Vivian Xue

游戏难度设计是人们深入讨论已久的话题。许多替代传统的在游戏开头提供难度选择的方法都被提出、分析和应用。然而，尽管它们从一定程度上弥补了传统方式的缺陷，它们本身仍存在诸多问题。因此，我想提出另一种替代方式——它算不上一种技术应用层面的解决方案，而是一种不同的难度设计理念。

我想要强调一点，这种理念已经被成功地运用到了许多游戏设计中，之后我将提到，但就目前的应用程度来看，它尚未成为难度设计的核心理念，而在我看来这是它应得的地位。我想这是由于我们缺乏一套相对清晰且深思熟虑的难度设计思路。

但首先，请让我试着简短地总结一些对传统的难度模式设计及其替代方法的常见批评。

难度模式存在的问题

试想一下你刚进入了一款全新的游戏，你的面前立即出现了若干选项，要求你选择一个适合你的难度模式。说白了，他们在让你做出这个重要的决定前，并没有为你提供充分的信息。这就是我们的游戏一贯以来处理难度问题的方式，并且直到现在，这种方式在游戏中仍然很常见。

以下是对这种方式的一些常见的批评：

之前总有同学问：如果学习机器学习、人工智能用什么软件比较好？从与大家的交流中发现，很多同学把机器学习的核心放到了软件的使用，缺少获取有用结果所必要的数学方法与思维。

事实上，目前针对机器学习的软件十分容易获取，例如 Python，scikit-learn，Weka 等等，而且相应的软件学习教程也不难找到。

但机器学习是集合了统计学、概率论、计算机科学、数学算法多等方面交叉研究，即便你对机器学习的应用炉火纯青，但对这些技术没有一个全面的数学理解，极有可能出现应用失误。

那自然有同学会问：

为什么机器学习中的数学很重要？

这个问题的理由我想强调以下几点：
1. 选择合适的算法，要考虑的包括算法准确性、训练时间、模型复杂度、参数的数量和特征数量。
2. 选择参数设置和验证策略。
3. 理解偏差与方差的权衡以确定欠拟合和过拟合。
4. 预估正确的置信区间和不确定性。

你需要多高的数学水平？

试图了解一个例如机器学习这样的跨学科领域，主要的问题是必要的数学知识的量，以及理解这些技术需要的数学水平。这个问题的答案是多方面的，取决于个人水平和兴趣。

来源：《中国计算机学会通讯》
作者： 王晓刚

1、深度学习发展历史

深度学习是近十年来人工智能领域取得的重要突破。它在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域的应用取得了巨大成功。现有的深度学习模型属于神经网络。神经网络的起源可追溯到20世纪40年代，曾经在八九十年代流行。神经网络试图通过模拟大脑认知的机理解决各种机器学习问题。1986年，鲁梅尔哈特(Rumelhart)、欣顿(Hinton)和威廉姆斯(Williams)在《自然》杂志发表了著名的反向传播算法用于训练神经网络，该算法直到今天仍被广泛应用。

神经网络有大量参数，经常发生过拟合问题，虽然其识别结果在训练集上准确率很高，但在测试集上效果却很差。这是因为当时的训练数据集规模都较小，加之计算资源有限，即便是训练一个较小的网络也需要很长的时间。与其他模型相比，神经网络并未在识别准确率上体现出明显的优势。