demi的博客

深度学习的一个显著成功应用是嵌入，这是一种将离散变量表示为连续向量的方法。这项技术已经有了实际的应用，其中有在机器翻译中使用词嵌入和类别变量中使用实体嵌入。

Opaque：用于渲染所有不透明的物体；Cutout：作用：用于渲染有镂空的物体；Transparent：用于渲染有透明效果的物体；Fade：用于渲染实现物体的渐隐和渐现。

为了在计算机显示器上渲染出接近现实世界的场景图片，就得通过适当的模型来进行计算，辐射度理论模型就是其中一种，该模型是以能量守恒物理定律为基础建立的，观察前辈们提出的各种理论模型可发现，要想模拟现实世界，只能是以现实世界客观规律为出发点，才会得到想要模拟的目标。

很多10年前的虚拟现实装备，他们基本是平面显示器，或者将产生的画面投影到一个弧形甚至是球形屏幕上；或者在这些屏幕上叠加左右眼分别的图像，从而产生更加立体的效果。而这类装置往往很大型，也很昂贵。而近几年发展起来的VR头戴显示器，则达到了更好的使用效果：更好的沉浸感和更便宜的价格。这种VR眼镜 能够达到更好的沉浸感的原理是什么呢？

10折交叉验证：英文名是10-fold cross-validation，用来测试算法的准确性。是常用的测试方法。将数据集分成10份。轮流将其中的9份作为训练数据，1分作为测试数据，进行试验。每次试验都会得出相应的正确率（或差错率）。10次的结果的正确率（或差错率）的平均值作为对算法精度的估计，一般还需要进行多次10折交叉验证，在求其平均值，对算法的准确性进行估计。

在条件随机场CRF(一)中我们总结了CRF的模型，主要是linear-CRF的模型原理。本文就继续讨论linear-CRF需要解决的三个问题：评估，学习和解码。这三个问题和HMM是非常类似的，本文关注于第一个问题：评估。第二个和第三个问题会在下一篇总结。

许多消费者认为只有当无人驾驶做到「绝对安全」时才能被广泛应用，甚至进入法律。关于这一点，之前有文章已经提到，无人驾驶更切合实际的标准应该是比人类驾驶水平足够优秀即可，因为无人驾驶不可能做到「绝对安全」。

数字图像处理技术的研究与开发对数学基础的要求很高，一些不断涌现的新方法中，眼花缭乱的数学推导令很多期待深入研究的人望而却步。图像处理研究中所需的数学原理基础，主要涉及微积分、向量分析、场论、泛函分析、偏微分方程、复变函数、变分法等。

我们知道，机器学习的一大任务是”分类”。我们构建了一个分类模型，通过训练集训练好后，那么这个分类模型到底预测效果怎么样呢？那就需要进行评估验证。

作为备受瞩目的下一代移动通信网络，全球围绕5G的测试、布局与谈判不断升温。而与之相关的竞争也越发白热化，公司间的竞争、城市间的竞争、国家前的竞争，5G背负着太多的使命和期待。