CAN总线在整个无人驾驶系统中有着十分重要的作用。除了在VCU信号需要通过CAN总线进行传输外，无人车上的某些传感器（如雷达、Mobileye）的信号传递也是通过CAN实现的。

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

本文主要内容是——无人驾驶中的CAN（Controller Area Network ）总线。

CAN总线在整个无人驾驶系统中有着十分重要的作用。除了在VCU信号需要通过CAN总线进行传输外，无人车上的某些传感器（如雷达、Mobileye）的信号传递也是通过CAN实现的。

我在无人驾驶，个人如何研究？中提到过

你是否还在为无线通信选用NB-IoT还是LoRa而困扰？搞不清楚ZigBee和LoRa的优势区别，不明白到底什么场合适用Wi-Fi？看完这篇文章你就懂了。

在万物互联的时代里，越来越多的物体将被连接到互联网，打通端到端、端到云的连接。这些连接，我们可采用多种通信链路予以实现。在智能物联应用上，工程师经常会困惑NB-IoT/LoRa/ZigBee/Wi-Fi等无线连接方式，到底哪一种，才是最合适的？哪一种才能让项目开发事半功倍？

以下，为大家列出在选择无线通信方式时的考虑大纲。

<strong>一、传输基础篇</strong>

目前的语音识别算法：卷积神经网络、深度学习神经网络、BP神经网络、RBF神经网络、模糊聚类神经网络、改进的T-S模糊神经网络、循环神经网络、小波神经网络、混沌神经网络、小波混沌神经网络、神经网络和遗传算法、动态优化神经网络、K均值和神经网络集成、HMM与自组织神经网络的结合、正交基函数对向传播过程神经网络、HMM和新型前馈型神经网络、特征空间随机映射、SVM多类分类算法、特征参数归一化、多频带谱减法、独立感知理论、分段模糊聚类算法VQ-HMM、优化的竞争算法、双高斯GMM特征参数、MFCC和GMM、MFCCs和PNN、SBC和SMM、MEL倒谱系数和矢量量化、DTW、LPCC和MFCC、隐马尔科夫模型HMM。

调色板
调色板（Palette）也叫颜色查找表，是指在16色（每个像素4个bit，总共有16种颜色）或256色（每个像素8个bit，即一个字节，总共有256种颜色）显示系统中由图像中出现最频繁的16种或256种颜色所组成的查找表。对这些颜色按4位(16色)或8位(256色)，即0-15或0-255进行编号，每一个编号(索引值)代表R，G，B，3个分量24位的颜色值。使用调色板的图像叫做调色板图像。对于调色板图像而言，它们的像素值并不是颜色值，而是颜色在调色板查找表中的索引号。

Imagination提供硬件加速图形技术、GPU计算和神经网络加速器，这是大部分汽车价值链中所依赖的。我们的GPU是仪表盘的基础，在集群应用方面，它们被用来展示全新的尖端数字显示，为驾驶员提供生动而清晰的信息。这可以应用到很多方面，从精确渲染的60fps仪表盘到3D导航图。

<font size="3"><strong>一、机器学习的背景</strong></font>

大家都说人工智能是综合的学科，而机器学习就是人工智能的大脑。它通过对数据的处理，不断地变得更好和更强，做出各种各样的判断和决策。

人工智能、机器学习、深度学习，这三者是什么关系？

在实际计算时，三种方法计算的金字塔组数noctaves，尺度空间坐标σ，以及每组金字塔内的层数S是一样的。同时，假设图像为640*480的标准图像。

金字塔层数：
<center><img src="http://imgtec.eetrend.com/sites/imgtec.eetrend.com/files/201809/blog/17…; alt="【计算机视觉】SIFT中LoG和DoG比较"></center>

人工智能，深度学习，机器学习—无论你在做什么，如果你对它不是很了解的话—去学习它。否则的话不用三年你就跟不上时代的潮流了。 ——马克.库班

马克.库班的这个观点可能听起来很极端——但是它所传达的信息是完全正确的！ 我们正处于一场革命的旋涡之中——一场由大数据和计算能力引起的革命。

只需要一分钟，我们来想象一下，在20世纪初，如果一个人不了解电力，他/她会觉得如何？你会习惯于以某种特定的方式来做事情，日复一日，年复一年，而你周围的一切事情都在发生变化，一件需要很多人才能完成的事情仅依靠一个人和电力就可以轻松搞定，而我们今天正以机器学习和深度学习的方式在经历一场相似的旅程。

所以，如果你还没有探索或理解深度学习的神奇力量——那你应该从今天就开始进入这一领域。

你周围的人是否都在谈论着“机器学习”？而你是否也听说过一些算法技术却仍旧缺乏一个全局的认识？本文也许就是一个好的起点……

<font size="3"><strong>智力的新纪元</strong></font>

在科学界，机器学习是目前很热门的话题。通过把计算机和人类的能力相结合，一些相当复杂甚至是难以想象的问题正在被逐个突破。

如今的机器可以更容易地处理不断产生的大量数据，也能够对复杂的科学发现进行破译。另一方面，研究人员已经承认机器学习具有用于广泛领域的潜力，并且最终可以付诸实践。

技术是人类发展和成长的重要组成部分。人工智能( AI )就是这样一种技术，它正在大肆炒作。 随着技术成为我们日常生活的一部分，人工智能已成为辩论和讨论的主题，科技专家认为这是一种福音，对某些人来说，这是一场灾难。尽管如此，我们仍然不确定人工智能的未来——人工智能是威胁还是福音？

花几分钟时间分析一下，看看你对人工智能（AI）应用的依赖程度如何？

我们肯定你听说过苹果的虚拟助理Siri，你还经常使用谷歌的语音搜索功能吗，好用吗？这两个应用程序都使用了人工智能技术，可以让我们的生活更轻松。无论是拨打电话还是设置提醒，AI都在为更高效的生活铺平道路。

让我们深入研究一下，看看人工智能的好处和风险。

<font color="#FD8900">作者：红色石头</font>

线性回归和逻辑回归通常是人们学习预测模型的第一个算法。由于这二者的知名度很大，许多分析人员以为它们就是回归的唯一形式了。而了解更多的学者会知道它们是所有回归模型的主要两种形式。

事实是有很多种回归形式，每种回归都有其特定的适用场合。在这篇文章中，我将以简单的形式介绍 7 中最常见的回归模型。通过这篇文章，我希望能够帮助大家对回归有更广泛和全面的认识，而不是仅仅知道使用线性回归和逻辑回归来解决实际问题。

你会经常看到网上出现“这怎么做，这不是NP问题吗”、“这个只有搜了，这已经被证明是NP问题了”之类的话。你要知道，大多数人此时所说的NP问题其实都是指的NPC问题。他们没有搞清楚NP问题和NPC问题的概念。NP问题并不是那种“只有搜才行”的问题，NPC问题才是。好，行了，基本上这个误解已经被澄清了。下面的内容都是在讲什么是P问题，什么是NP问题，什么是NPC问题，你如果不是很感兴趣就可以不看了。接下来你可以看到，把NP问题当成是 NPC问题是一个多大的错误。

人工智能的飞速崛起，使得该领域出现了巨大的人才缺口，据说在北上广地区，一个机器学习算法的岗位拿到100K的薪水也并不是一件很困难的事情，这刺激了普通程序员学习人工智能，迫切希望在人工智能大热时实现转行。可是许多程序员不知道该如何快速有效地学习人工智能。

其实，既然已经具备了普通程序员的功底，再转人工智能方向并非难事，接下来我们就具体分析一下，普通程序员该如何正确学习人工智能方向的知识。

<strong>1. 熟练掌握基础理论知识</strong>

虚拟现实技术的兴起，这两年已经成为了一种高科技、时尚的代名词。虚拟现实技术什么时候才能走进我们的生活，成为我们平常生活中随时可以应用的一种工具？现在我带你走进虚拟现实的世界，让我们一起感受虚拟现实在生活中的体验。

<font color="#33b1c8"><strong>一、虚拟电子媒体</strong></font>

机器学习中经典假设中往往假定训练样本各类别是同等数量即各类样本数目是均衡的，但是真实场景中遇到的实际问题却常常不符合这个假设。一般来说，不平衡样本会导致训练模型侧重样本数目较多的类别，而“轻视”样本数目较少类别，这样模型在测试数据上的泛化能力就会受到影响。一个例子，训练集中有99个正例样本，1个负例样本。在不考虑样本不平衡的很多情况下，学习算法会使分类器放弃负例预测，因为把所有样本都分为正便可获得高达99%的训练分类准确率。

下面将从“数据层面“和”算法层面“两个方面介绍不平衡样本问题。

<font size="3"><strong>数据层面处理办法</strong></font>

数据层面处理方法多借助数据采样法使整体训练集样本趋于平衡，即各类样本数基本一致。

<strong>前言</strong>

参考FCN论文：Fully Convolutional Networks for Semantic Segmentation

FCN作为图像语义分割的先河，实现像素级别的分类（即end to end，pixel-wise），为后续使用CNN作为基础的图像语义分割模型提供重要基础。作者在阅读FCN论文时，遇到不少困难，同时FCN没有多少中文资料（更多是英语翻译），所以作者尽量用浅白的方式讲述FCN的原理与过程。

<strong>FCN中的CNN</strong>

9月17日-19日，2018世界人工智能大会在上海隆重举行，全球人工智能领域最具影响力的科学家、企业家和相关领域政府领导齐聚一堂，分享政策、学术、科研、产业、应用方面的最新动向。会议期间还集中展示了多家企业和机构的新理念、新技术、新产品、新应用，令与会者充分领略到人工智能的无限魅力。

Imagination作为一家在人工智能领域拥有多年技术积淀和优质产品及解决方案的公司，积极参与本次大会，在西岸艺术中心B馆AI芯片展区展示了业界领先的PowerVR GPU图形处理和PowerVR 2NX NNA专用神经网络加速技术。

“AIIA人工智能开发者大会”及系列论坛，将于2018年10月15日（星期一）到16日（星期二），在江苏省苏州国际博览中心G馆（江苏省苏州市吴中区苏州工业园区苏州大道东688号）举行。

会议将邀请国内外人工智能产业知名人物、国家政府主管部门、行业内顶尖企业、知名学者代表、开源社区优秀贡献团队及个人，交流技术现状趋势、分享生态建设经验、探讨开源社区运营。开发者是人工智能技术落地应用的核心，会议拟覆盖人工智能开发者关心的各个方面，为各个阶段各种水平的开发者提供从技术讨论、实战训练到投融资的全方位交流学习平台。

本次会议将有12场分论坛，2场高规格公开课同期举办。2018年AIIA杯人工智能巡回赛收官及2019年新一届大赛启动也将在会上展现。

AI芯片系列课第二季启动啦~

系统讲解AI芯片架构如何创新

深度剖析终端侧应用落地难点

帮你看懂AI芯片的发展前景

<font size="3" color="blue"><strong>背景介绍</strong></font>

随着数据量的激增，人工智能算法日趋成熟，神经网络的规模越来越大，对计算力的要求也越来越高，传统芯片架构很难灵活适应不同的神经网络算法。因此基于GPU、FPGA、ASIC的各种AI芯片如雨后春笋般冒出来，AI芯片也成了最热门的投资领域，但竞争也异常激烈。

统计建模和工程开发很相似。在工程开发中，人们有多种方法搭建一套键-值存储系统，每种设计针对使用模式有一套不同的假设。在统计建模中，也有很多算法来构造一个分类器，每种算法对数据也有各自的假设集合。

当处理少量数据时，因为实验成本很低，我们尽可能多的尝试各种算法，从而选出效果最优的算法。但提到“大数据”，提前分析数据，然后设计相应“管道”模型（预处理，建模，优化算法，评价，产品化）是事半功倍的。

正如在我以前的文章里提到，每个给定的建模问题都存在几十种解法。每个模型会提出不同的假设条件，我们也很难直观辨别哪些假设是合理的。在业界，大多数从业人员倾向于挑选他们熟悉的建模算法，而不是最适合数据集的那个。在这篇文章中，我将分享一些常见的认识误区（要避免的）。在今后的文章中再介绍一些最佳实践方法（应该做的）。