自动驾驶是一项快速发展的技术，同时也是一个备受争议的话题。在一个极端，人们相信自动驾驶汽车将通过增加道路安全，降低基础设施成本以及增强儿童、老人和残疾人的出行自理能力来确保美好的未来。

随着越来越多的企业采用物联网，将会出现许多新的安全漏洞。风险增加可能归因于设备局限，以及错过了增强安全的机会。以下是企业必须应对的12大物联网安全挑战。

2019年12月18-19日，由国际测试委员会（BenchCouncil）主办的国际芯片大会将在北京怀柔中国科学院大学国际会议中心举办，本次会议以「构建自主可控和开放的芯片产业」为主题，旨在探讨如何建立自主可控和开放的芯片产业，在实现芯片等关键技术自主可控的同时，充分利用国际分工协作，提高芯片产业发展的可持续性。

机器学习是未来，因为它将广泛应用于计算机和其他领域。尽管如此，开发有效的机器学习应用需要大量的“黑魔法”，这在手册中很难找到。

经历三十余年发展，中国现已成为全球最大的汽车生产和消费国。当前，汽车行业正处于百年未有之大变局，“电动化”、“网联化”、“智能化”和“共享化”这“新四化”开始成为公认的未来趋势，必将带来前所未有的革命性变化。

物体有颜色是因为那些没有被物体吸收的光线(表现为物体的颜色)射入你的眼睛，你才感知到了颜色。从光照模型的角度来说，射入你眼睛的有两种光，一种是直接的反射光(表现为光本来的颜色)，一种是折射进入物体后又散射出来的所谓漫反射光(即被吸收过了的光，也就是贴图的颜色)

深度学习中的双下降现象，可能大家也遇到过，但是没有深究，OpenAI这里给出了他们的解答。

错误率为分类错误的样本数占样本总数的比例，相应的精度=1-错误率，模型的实际预测输出与样本的真实输出之间的差异称为“误差”，模型在训练集上的误差称为“训练误差”，在新样本上的误差称为“泛化误差”。

Vulkan 1.1.130今天作为此图形API的最新更新发布，它解决了许多文档问题和需要澄清的领域，同时还引入了新的扩展。

现在深度学习模型开始走向应用，因此我们需要把深度学习网络和模型部署到一些硬件上，而现有一些模型的参数量由于过大，会导致在一些硬件上的运行速度很慢，所以我们需要对深度学习模型进行小型化处理。模型小型化旨在保证模型效果不会明显下降的情况下降低模型的参数量，从而提高模型的运算速度。

最新数据显示，全球正陷入一场前所未有的人工智能军备竞赛中，美国和中国在这场可能彻底重塑世界的竞赛中遥遥领先。

与机器可以实现的功能相比，在许多方面，人类驾驶员所拥有的感知能力仍然遥遥领先，而且在许多关键领域我们仍然无法提供能够实现SAE 4级自动化所需性能和功能的传感器。在本文，我们涉及了一些特别具有挑战性或目前完全无法解决的情境来加以说明......

从各家最新发布的GPU产品看，移动GPU市场正因5G、AI、自动驾驶等迎来了变革。

欠拟合是指模型在训练集、验证集和测试集上均表现不佳的情况；过拟合是指模型在训练集上表现很好，到了验证和测试阶段就大不如意了，即模型的泛化能力很差。

说到正则化大家应该都不陌生，这个在机器学习和深度学习中都是非常常见的，常用的正则化有L1正则化和L2正则化。提到正则化大家就会想到是它会将权重添加到损失函数计算中来降低模型过拟合的程度。了解更多一点的同学还会说，L1正则化会让模型的权重参数稀疏化(部分权重的值为0)，L2正则化会让模型的权重有趋于0的偏好。

12月6日，OFweek 2019（第四届）中国物联网产业大会在深圳举行。会上，主办方公布了“维科杯•OFweek2019中国物联网行业年度评选”的结果，Imagination的PowerVR Series3NX神经网络加速器（NNA）IP凭借强大的计算性能和可扩展性，以及对一系列嵌入式应用的良好支持，在本次评选中荣获“物联网行业创新技术产品奖”。

Dropout是在《ImageNet Classification with Deep Convolutional》这篇论文里提出来为了防止神经网络的过拟合。它的主要思想是让隐藏层的节点在每次迭代时(包括正向和反向传播)有一定几率(keep-prob)失效。

谣言止于智者，谣言止于科学。本文从科学的角度带你去了解5G为什么对人类几乎是安全的。在追求真理的过程中，我们应该依靠的是科学证据，而不是恐惧和意识形态来决定事物是否应该存在与发展这个问题。

Physically-based rendering (PBR) 说起来是令人兴奋的，如果不负责任的说，它是未来实时渲染的趋势。 这个术语经常被人提及， 也让人产生疑惑：具体到底是个什么鬼呢。

12月3日，一年一度的Imagination Inspire在上海拉开序幕，同期第十代PowerVR图形处理器架构IMG A系列新品推出。会议邀请了业内人士探讨AI芯片发展趋势和方向。清华大学、北京大学双聘教授魏少军出席会议并发表题为“深度学习与智慧芯片-路径与架构”的演讲。