卷积神经网络（Convolution Neural Network，CNN）已经在许多计算机视觉（Computer Vision）任务上取得了成功。 对于可视化，CNN 可以怎么应用于图形感知任务？ 这篇文章 [1] 通过复制 Cleveland 和 McGill 的1984年的开创性实验 [2] 来研究这个问题，该实验测量了不同视觉编码的人类感知效率，并定义了可视化的基本感知任务。 我们在五种不同的可视化任务上测量了四种网络架构的图形感知功能，并与现有人的感知能力进行比较。 虽然在有限的情况下 CNN 能够达到或超越人工任务表现，但我们发现 CNN 目前还不是人类图形感知的良好模型。 我们提供这些实验的结果，以促进理解 CNN 在应用于数据可视化时的成功和失败。

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。

<font size="3" color="blue"><strong>3. WiFi辅助定位</strong></font>

<center><img width="600" src="http://imgtec.eetrend.com/files/2021-05/wen_zhang_/100016528-205237-ima…; alt="Imagination technologies Logo" title="Imagination technologies Logo"></center><br>

机器学习有望从根本上改变软件开发的本质，这也许是自FORTRAN和LISP被发明以来的第一次。 它对我们几十年来的编程范式提出了第一个真正的挑战。 这些变化对数百万正在实施软件开发的人而言，会意味着什么？ 我们是否会看到失业和裁员，或者会看到编程演变成不同的东西，也许会是一种更关注于满足用户的东西？

数学在机器学习中非常重要，不论是在算法上理解模型代码，还是在工程上构建系统，数学都必不可少。通常离开学校后很难有机会静下心学习数学知识，因此我们最好能通过阅读小组或读书会等形式营造环境，并专注学习那些在实践中常常需要用到的数学知识。

数学达到什么水平才可以开始机器学习？人们并不清楚，尤其是那些在校期间没有研究过数学或统计学的人。

本文的写作目的是介绍构建机器学习产品或进行相关学术研究所必需的数学背景，以及数学在工程和研究中的重要性。这些建议是根据我和机器学习工程师、研究者和教育者交流而得到的，当然也有我自己在机器学习研究和业界工作中的个人经验。

2019年将为数据中心和公共云和私有云提供什么？这是人们进行有根据的猜测。

在年底的时候，回顾和展望是不可避免的传统。在此将将重点放在数据中心和云计算，因为很多企业的开展业务正在云平台和本地部署实现之间找到平衡。

在此预测的大部分内容已经在研究或新兴趋势中被暗示过，所以不会超出更多范围。这只是根据过去的证据做出合理的假设和结论。希望这会提高准确率。以下就是对于数据中心和云计算的10个预测。

<font color="blue"><strong>1. 边缘计算已经成熟，但是需要业务模型</strong></font>

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。

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：

<font size="3"><strong>1. 卫星定位</strong></font>

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。

<font size="3"><strong>01：Alex-Net 网络模型</strong></font>

<font color="blue"><strong>AIoT领域中人机交互的市场机会</strong></font>

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。

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。

<font size="3"><strong>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？</strong></font>

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。

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。

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。

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。

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：

<strong>为什么机器学习中的数学很重要？</strong>

来源：《中国计算机学会通讯》
作者： 王晓刚

<font size="3"><strong>1、深度学习发展历史</strong></font>

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。

<font size="3"><strong>一、空洞卷积的提出</strong></font>

空洞卷积（atrous convolutions）又名扩张卷积（dilated convolutions），向卷积层引入了一个称为 “扩张率(dilation rate)”的新参数，该参数定义了卷积核处理数据时各值的间距。

万物互联是未来时代的发展趋势，物联网的应用正一步步改变着世界，也改变着我们的日常生活。在物联网遍及社会生活的每个角落之前，我们有必要认清关于物联网的5个认知误区。

什么是物联网？它是一套新的连接技术，有望在未来十年内为数十亿的设备提供网络连接。这套技术，也就是物联网。它涵盖洗碗机、烘干机及其他的家用电器，还有车辆及公共场所的一些设施，甚至覆盖无数工业应用。他们的共同点是：收集数据并将其发送到企业或其他系统中。

虽然人们接触物联网这个词汇有一段时间了，但是对于它到底是什么以及它在物理世界中的工作方式，尚存困惑。以下是关于物联网技术的一些主要误区，认知这些误区在一定程度上可供企业高管和其他试图入局物联网的企业参考。

现代GPU提供了顶点处理器和片段处理器两个可编程并行处理部件。在利用GPU执行图像处理等通用计算任务时，要做的主要工作是把待求解的任务映射到GPU支持的图形绘制流水线上。

通常的方法是把计算任务的输入数据用顶点的位置、颜色、法向量等属性或者纹理等图形绘制要素来表达，而相应的处理算法则被分解为一系列的执行步骤，并改写为GPU的顶点处理程序或片段处理程序，然后，调用3D API执行图形绘制操作，调用片段程序进行处理；最后，保存在帧缓存中的绘制结果就是算法的输出数据。

虽然数字图像处理算法多种多样，具体实现过程也很不相同，但是在利用GPU进行并行化处理时，有一些共性的关键技术问题需要解决，如：数据的加载，计算结果的反馈、保存等。

下面对这些共性的问题进行分析，并提出相应的解决思路。

导语：IEEE 802.11是无线局域网通用的标准，它是由IEEE所定义的无线网络通信的标准。虽然有人将Wi-Fi与802.11混为一谈，但两者并不一样。

<font size="3"><strong>802.11标准下常见的WiFi攻击</strong></font>

<strong>流量嗅探</strong>

实际上，所有的WiFi流量都可以在监控模式下使用适配器进行嗅探。大多数Linux发行版都支持将某些WiFi芯片组放入这个监控的模式中，这样就可以处理所有网络流量。