<font size="3"><strong>卷积神经网络（CNN）</strong></font>

卷积神经网络和前几次介绍的神经网络非常相似：它们都是由神经元组成，神经元中有具有学习能力的权重和偏差。每个神经元都得到一些输入数据，进行内积运算后再进行激活函数运算。整个网络依旧是一个可导的评分函数：该函数的输入是原始的图像像素，输出是不同类别的评分。在最后一层（往往是全连接层），网络依旧有一个损失函数（比如SVM或Softmax），并且在神经网络中我们实现的各种技巧和要点依旧适用于卷积神经网络。

灰度图像上每个像素的颜色值又称为灰度，指黑白图像中点的颜色深度，范围一般从0到255，白色为255，黑色为0。所谓灰度值是指色彩的浓淡程度，灰度直方图是指一幅数字图像中，对应每一个灰度值统计出具有该灰度值的象素数。

灰度就是没有色彩，RGB色彩分量全部相等。如果是一个二值灰度图象，它的象素值只能为0或1，我们说它的灰度级为2。用个例子来说明吧：一个256级灰度的图象，如果RGB三个量相同时，如：RGB(100,100,100)就代表灰度为100，RGB(50,50,50)代表灰度为50。

现在大部分的彩色图像都是采用RGB颜色模式，处理图像的时候，要分别对RGB三种分量进行处理，实际上RGB并不能反映图像的形态特征，只是从光学的原理上进行颜色的调配。

<font color="#FD8900">作者：蔡恒进</font>

我们也许不会马上遭遇机器具有自我意识、反叛人类的危险，但是很可能制造了一个很偏执的机器。我们即使是想让机器为人服务，也有可能会出错，这并不是机器有意识造反，只需要某一个方面失控就能对人造成很深的伤害，因为它的速度和力量比人类强大太多，这才是很快就会来临的危险]

摩尔定律描述硬件发展是18个月芯片的能力翻一倍，现在AI的计算力，有统计表明是3.5个月翻一倍。虽然计算力本身不意味着AI的能力，但仍然能够说明AI进化的速度多么恐怖。

据SingularityHub报道，太空探索中的人工智能(AI)正在蓄势待发。在未来几年里，当我们前往彗星、卫星和行星，并探索在小行星上采矿的可能性时，新的任务看起来可能会得到AI的巨大帮助。

欧洲航天局(ESA)高级概念和研究办公室主任利奥波德·萨默斯(Leopold Summerer)在接受采访时说:“AI已经改变了游戏规则，使科学研究和探索更加高效。AI不仅让这种效率翻倍，而是提高了10倍。”

<strong>例证比比皆是</strong>

AI在太空探索中应用的历史比许多人想象的要久远得多。AI已经在研究我们的星球、太阳系和宇宙方面发挥了重要作用。随着计算机系统和软件的发展，AI的潜在用例也在不断增加。

<font color="#FD8900">作者：吴郦军、罗人千</font>

编者按：如果你是刚入门机器学习的AI探索者，你知道什么是胶囊网络吗？AutoML和元学习又是什么？为了帮大家节省查阅晦涩难懂的论文的时间，我们邀请微软亚洲研究院机器学习组实习生吴郦军、罗人千帮大家用最通俗的语言解释了这三个机器学习领域的热门词汇，赶紧收藏吧！

<font size="3"><strong>胶囊网络Capsule Networks</strong></font>

作者：王学宽

深度学习到底有多热，这里我就不再强调了，也因此有很多人关心这样的几个问题，“适不适合转行深度学习（机器学习）”，“怎么样转行深度学习（机器学习）”，“转行深度学习需要哪些入门材料？”等等。

而网上相应问题的回答也比较杂乱，存在不走心、不够基础等等问题。

考虑到太多的人没有一定的专业基础，又恰恰对转行、学习的问题比较关心，因此，本文希望从一个小白的角度出来，真正从零基础的角度来为大家提供一些专业的建议和指导.

避免大家看很多无用的信息，少走弯路。接下来，本文从以下几个方向出发，来展开叙述：
1. 什么样的人适合入行深度学习？
2. 怎样学习深度学习？
3. 有哪些入门深度学习的材料推荐？

大脑是非常复杂的，研究强人工智能需要参考大脑的结构和算法，来理解并创造智能。人脑算法、结构的秘密都隐藏在DNA和人存在的世界中。从现在的哲学和科学的认知来看，可认为人脑是自组织的，没有明确的全局目标函数。而自组织是大脑非常重要的一个特点。自组织最大的好处是人工介入少，这是对智力生产力的解放，代表了下一代生产力。

当前的人工神经网络算法以全局控制为主流。虽然有一部分自组织的算法，但是其应用范围非常小。所谓全局控制，即需要比人工神经网络更高级的观察者来控制神经网络，比如设定神经网络的目标，选择其算法，设定参数等。而自组织系统则最小化对系统的初始设定，把其余部分交给神经网络系统自己去调整。

在全局控制的神经网络系统中，全局控制的部分包括：

近年来，全球各个主要国家都制定了传统工业向智能化转型的行动计划，继德国提出工业4.0计划后，我国也提出了中国制造2025计划。基于我国产业链条完备和产业规模庞大的工业基础，大力发展智能产业必将使中国产业和经济迎来又一波的发展高潮。立足中国工业互联网发展基础，未来中国工业互联网将呈现十大演进趋势。

<font size="3"><strong>一、工业数据从信息割据到无边界流通</strong></font>

深度学习和符号智能的结合将是下一代自然语言理解的新范式，也是解决自然语言理解这个困难任务的唯一路径。

<font size="3"><strong>1. 通往语言理解之路</strong></font>

<strong>什么是理解 </strong>

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

美团每天有百万级的图片产生量，运营人员负责相关图片的内容审核，对涉及法律风险及不符合平台规定的图片进行删除操作。由于图片数量巨大，人工审核耗时耗力且审核能力有限。另外对于不同审核人员来讲，审核标准难以统一且实时变化。所以有必要借助机器实现智能审核。

图像智能审核一般是指利用图像处理与机器学习相关技术识别图像内容，进而甄别图像是否违规。图像智能审核旨在建立图片自动审核服务，由机器自动禁止不符合规定（负例）的图片类型，自动通过符合规定（正例）的图片类型，机器不确定的图片交由人工审核。因此，衡量智能审核系统性能的指标主要是准确率和自动化率。

PowerVR框架（也称为框架）是一组库，旨在用作图形应用程序的基础。 它由代码文件，头文件和几个平台“项目文件组成，这些文件将这些文件组合成模块，也称为库。

曾经，当你打算开发一款带有复杂图形技术的移动App时，大多数情况下你会立即想到OpenGL ES。在本篇文章中我们将讨论Vulkan带来的好处，以及为什么你真的应该考虑使用下一代图形技术API。为什么我们转向Vulkan是如此的重要呢？

常用的图像处理算法：数字图像处理基础、遥感数字图像处理、机器视觉、计算机视觉

图像处理程序：C++ OpenCV、Matlab与图像处理

<font size="3"><strong>数字图像处理-概述</strong></font>

其实，造成“不可能图形”（三角形的三个角都是90°）的并不是图形本身，而是你对图形的三维知觉系统，这一系列在你知觉图形的立体心理模型时强制作用。在把二维平面图形知觉为你三维立体心理图形时，执行这一过程的机制会极大地影响你的视觉系统。

经过前几年的火爆，工业界和资本都开始对机器人持比较理性的态度，不再“野蛮生长”。这样的氛围也许会更有利于企业潜心钻研，打造真正符合客户需求的产品和技术。

<font size="3"><strong>趋势一：物流机器人运作过程日趋柔性化</strong></font>

这里的“柔性”，是和生产制造过程相对而言的。在生产线上，因制造工艺不能轻易更改，所以工业机器人的动作比较固定、重复性较高。但是在物流领域，从A点到B点的移动则可能有许多种路径,不确定性较大。

并且，在走完A点到B点路径的过程中，还可能遇到障碍物：一方面可能有其它机器人在移动，另一方面可能有人员走动等意外情况。这种多变的“柔性”流程对机器人提出了更高的要求。

IPv6对物联网节点移动性的支持。根据物联网的定义可知，物联网所要实现的物与物之间的通信基本上是基于无线传感技术的，也就是说物联网相对于传统的互联网对移动通信性能有了更高的要求，可以说物联网是一个瞬息万变的网络。而事实上，将来主宰物联网世界的必定是如今的移动通信服务供应商。

目前互联网的移动性不足造成了物联网移动能力的瓶颈。IPv4协议在设计之初并没有充分考虑到节点移动性带来的路由问题。即当一个节点离开了它原有的网络，如何再保证这个节点访问可达性的问题。由于IP网络路由的聚合特性，在网络路由器中路由条目都是按子网来进行汇聚的。

在工业自动化领域，机器需要传感器提供必要的信息，以正确执行相关的操作。机器人已经开始应用大量的传感器以提高适应能力。例如有很多的协作机器人集成了力矩传感器和摄像机，以确保在操作中拥有更好的视角，同时保证工作区域的安全等。在此枚举一些常用的可以集成到机器人单元里的各种传感器，供诸君参考。

<strong>二维视觉传感器</strong>

二维视觉基本上就是一个可以执行多种任务的摄像头。从检测运动物体到传输带上的零件定位等等。二维视觉在市场上已经出现了很长一段时间，并且占据了一定的份额。许多智能相机都可以检测零件并协助机器人确定零件的位置，机器人就可以根据接收到的信息适当调整其动作。

分享17张机器学习高清思维导图：描述性统计：表格和图形法 、描述性统计：数值方法、概率、概率分布、抽样分布、区间估计、假设检验、两总体均值之差和比例之差的推断、总体方差的统计推断、多个比率的比较&独立性检验&拟合优度检验、实验设计&方差分析、简单线性回归、残差分析、多元回归、回归分析、时间序列及预测、非参数方法...

<font size="3"><strong>导图概览</strong></font><font color="#9a9a9a"><i>（点击图片查看缩放大图）</i></font>

人类智能在宏观上有心理学，微观上有分子生物学等学科研究。但每个方向研究到一定阶段就停滞了，没有哪个学科能告诉我们：为什么能有智能，如何才能产生智能。即使已经了解了大脑的很多知识，人类智能仍然是个黑盒子。

对黑盒的研究，要么从外部观察其行为，然后来模拟其结构，可称为自上而下的研究；要么猜测其结构，然后从外部的输入输出来验证其行为，可称为自下而上的研究。题目所说的自上而下还是自下而上即是从哪个方向来研究强人工智能问题。

如果你看了今年的世界杯，是否注意到了球场两侧的广告牌上印着“Vivo”的标志呢？这里得说明一下，在此之前人们并不认为Vivo是一个世界知名品牌，至少在英国是这样的，因此它做这个广告是个非常明智的决定。Vivo专注于Android移动市场，注重用户的使用价值，这也使得集成了PowerVR Series8XE的Vivo Y83智能手机更加令人印象深刻。

这篇博客主要介绍处理不平衡数据的技巧，那么什么是不平衡数据呢？比如说一位医生做了一个病例对照研究，数据集由病例10人和对照990人组成，建立好一个逻辑回归模型后，并对建立的模型进行内部验证，居然发现其正确率高达99%，然后把他兴奋坏了，觉得可以将该成果发表到顶级期刊上，从此走上人生巅峰。然而，我们可以发现，该模型不管怎么预测，都能得到正常的结果，所谓的99%的正确率，原来是建立在1000个人中10个病例都发现不了的基础上。从这个例子可以看出，当遇到不平衡数据时，以总体分类准确率为学习目标的传统分类算法会过多地关注多数类，从而使得少数类样本的分类性能下降。

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