CNN(卷积神经网络)的误差反传(error back propagation)中有一个非常关键的的步骤就是将某个卷积(Convolve)层的误差传到前一层的池化(Pool)层上，因为在CNN中是2D反传，与传统神经网络中的1D反传有点细节上的不同，下面通过一个简单的例子来详细分解一下这个反传步骤。

假设在一个CNN网络中，P代表某个池化层，K代表卷积核，C代表卷基层，首先来看一下前向(feed forward)计算，从一个池化层经过与卷积核(Kernel)的运算得到卷积层：

在未来20 - 30年中，自动驾驶汽车（AV）将改变我们的驾驶习惯、运输行业并更广泛地影响社会。 我们不仅能够将汽车召唤到我们的家门口并在使用后将其送走，自动驾驶汽车还将挑战个人拥有汽车的想法，并对环境和拥堵产生积极影响。市场调研公司ABI Research预测：到2030年，道路上四分之一的汽车将会是自动驾驶汽车。

本文主要介绍了高斯滤波器的原理及其实现过程

高斯滤波器是一种线性滤波器，能够有效的抑制噪声，平滑图像。其作用原理和均值滤波器类似，都是取滤波器窗口内的像素的均值作为输出。其窗口模板的系数和均值滤波器不同，均值滤波器的模板系数都是相同的为1；而高斯滤波器的模板系数，则随着距离模板中心的增大而系数减小。所以，高斯滤波器相比于均值滤波器对图像个模糊程度较小。

<font size="3"><strong>什么是高斯滤波器</strong></font>

既然名称为高斯滤波器，那么其和高斯分布（正态分布）是有一定的关系的。一个二维的高斯函数如下：

基于今天可观察到的主流宏观经济、政治、人口、社会、文化、商业和技术趋势，我们来看看未来10年将出现的21个新工作岗位，这些岗位将成为未来工作的基石。

作者：Manish Bahl
编译：大数据（ID：hzdashuju）

<font color="#33b1c8"><strong>1. 数据侦探（Data Detective）</strong></font>

数据侦探用大数据来查看和解释大局。那些成功的应用将“走到数据所在的位置”，去追踪数据所说的内容，并通过分析各种来源给出有意义的商业建议。

人们常常觉得区块链和人工智能是两种截然不同的科技技术，那么你真正的理解它们吗？你知道他们是怎么运行的吗？

<font size="3"><strong>区块技术解析</strong></font>

区块链作为一种新兴技术，它对每个行业都可能造成影响。区块链的分布式系统与当今使用的固有集中式操作系统相对立。

采用分布式数据库架构形式，某些操作的记录和身份验证取决于多方的协议，而不仅仅是单一的权限。

与其他集中式技术相比，区块链-使操作更安全，更快速，更透明。

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

目前的恶意样本检测方法可以分为两大类：静态检测和动态检测。静态检测是指并不实际运行样本，而是直接根据二进制样本或相应的反汇编代码进行分析，此类方法容易受到变形、加壳、隐藏等方式的干扰。动态检测是指将样本在沙箱等环境中运行，根据样本对操作系统的资源调度情况进行分析。现有的动态行为检测都是基于规则对行为进行打分，分值的高低代表恶意程度的高低，但是无法给出类别定义。

本文采用CNN深度学习算法对Cuckoo沙箱的动态行为日志进行检测和分类尝试，分别测试了二分类和多分类方法，效果还有不小提升空间，希望共同交流。

要理解什么是机器学习，其实可以类比于人类的学习。假设一个场景：父母教三岁大的孩子认识什么是西瓜。首先父母要给孩子看西瓜，然后告诉孩子这个是西瓜...<!--break-->

Machine Learning：A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.

1998年以来，人工神经网络识别技术已经引起了广泛的关注，并且应用于图像分割。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。这种方法需要大量的训练数据。神经网络存在巨量的连接，容易引入空间信息，能较好地解决图像中的噪声和不均匀问题。选择何种网络结构是这种方法要解决的主要问题。

图像分割是图像识别和计算机视觉至关重要的预处理。没有正确的分割就不可能有正确的识别。

&nbsp; • &nbsp; 普通分割
将不同分属不同物体的像素区域分开。
如前景与后景分割开，狗的区域与猫的区域与背景分割开。

<font color="#FD8900">时间：9月11日 上午10:00-10:30 (北京时间)</font>

人工智能（AI），尤其是神经网络（NN）正在成为一种关键性的技术，在不同的领域和市场都有着广泛的应用。借助它我们能够实现更加智能的相机，具有视频分析、异常行为检测、物体和人员识别等多种功能。在相机SoC中实现神经网络（NN）具有一定的挑战性，面临的问题包括功耗增加、存储带宽以及芯片面积等。此次网络研讨会介绍了智能相机领域神经网络（NN）的市场情况，涉及到多种应用以及未来的发展趋势，然后主要探讨关键SoC实现所遇到的挑战、技术要求，从而推出一个可部署且高效的解决方案，此外还会讨论如何借助创新性的硬件加速器来解决这些问题。

【导读】神经网络在计算机视觉领域有着广泛的应用。只要稍加变形，同样的工具和技术就可以有效地应用于广泛的任务。在本文中，我们将介绍其中的几个应用程序和方法，包括语义分割、分类与定位、目标检测、实例分割。

作者 | Ravindra Parmar
编译 | Xiaowen

物联网已经成为近几年的热门话题，目前的发展情况也是非常好，特别是在智慧城市、工业、安防、交通等领域，都取得比较不错的成就。我们在要求物联网实现越来越多功能的同时，其相关技术的难点也越来越高。

要推动物联网产业更好地发展，必须从低功耗、高效率、安全性等方面出发，以下几项关键技术的应用变得更加重要、更加严格。

<font size="3"><strong>RFID射频识别技术</strong></font>

本文延续该系列的上一篇 深度学习优化函数详解（1）—— Gradient Descent 梯度下降法

上文讲到的梯度下降法每进行一次 迭代 都需要将所有的样本进行计算，当样本量十分大的时候，会非常消耗计算资源，收敛速度会很慢。尤其如果像ImageNet那样规模的数据，几乎是不可能完成的。同时由于每次计算都考虑了所有的训练数据，也容易造成过拟合。在某种程度上考虑的太多也会丧失随机性 。于是有人提出，既然如此，那可不可以每一次迭代只计算一个样本的loss呢？然后再逐渐遍历所有的样本，完成一轮（epoch）的计算。答案是可以的，虽然每次依据单个样本会产生较大的波动，但是从整体上来看，最终还是可以成功收敛。由于计算量大大减少，计算速度也可以极大地提升。这种逐个样本进行loss计算进行迭代的方法，称之为 Stochasitc Gradient Descent 简称SGD。

<font size="3"><strong>一、目的</strong></font>

缩小图像（或称为下采样（subsampled）或降采样（downsampled））的主要目的：

1、使得图像符合显示区域的大小；

2、生成对应图像的缩略图。

放大图像（或称为上采样（upsampling）或图像插值（interpolating））的主要目的是放大原图像,从而可以显示在更高分辨率的显示设备上。

对图像的缩放操作并不能带来更多关于该图像的信息, 因此图像的质量将不可避免地受到影响。然而，确实有一些缩放方法能够增加图像的信息，从而使得缩放后的图像质量超过原图质量的。

在机器视觉系统中,获得一张高质量的可处理的图像是至关重要。系统之所以成功，首先要保证图像质量好，特征明显,。一个机器视觉项目之所以失败，大部分情况是由于图像质量不好，特征不明显引起的。要保证好的图像，必须要选择一个合适的光源。

<font size="3"><strong>光源选型基本要素</strong></font>

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

先坦白地说，有一段时间我无法真正理解深度学习。我查看相关研究论文和文章，感觉深度学习异常复杂。我尝试去理解神经网络及其变体，但依然感到困难。

接着有一天，我决定一步一步，从基础开始。我把技术操作的步骤分解开来，并手动执行这些步骤（和计算），直到我理解它们如何工作。这相当费时，且令人紧张，但是结果非凡。

现在，我不仅对深度学习有了全面的理解，还在此基础上有了好想法，因为我的基础很扎实。随意地应用神经网络是一回事，理解它是什么以及背后的发生机制是另外一回事。

原文地址：https://en.wikipedia.org/wiki/Deferred_shading

在3D计算机图形学领域，deferred shading 是一种屏幕空间着色技术。它被称为Deferred，是因为实际上在第一次pass中的顶点和像素着色器中没有执行着色：相反，着色是“deferred（延迟）”到第二个pass中执行。
在deferred着色器的第一次pass中，只收集着色计算所需的数据。每个表面的位置、法线和材质，然后使用“render to texture”技术渲染到几何缓冲（G-buffer）中。在这之后，像素着色器使用屏幕空间中纹理缓冲区的信息计算每个像素的直接和间接光照。

<font color="#FD8900">作者：张俊林</font>

看深度学习文献，门函数基本上已经是你必然会遇到的一个概念了，最典型的就是LSTM，首先上来你就得过得去“遗忘门”“输入门”“输出门”这三个门。门函数本身是个独立概念，不过LSTM使用多个门函数来组合出一个带有状态记忆的计算模型而已。随着LSTM大行其道，各种计算模型开始在计算过程中引入门函数的概念，相信这些论文你也没少看，其实这也是一种研究模式，比如你看看你手头的模型，想想能不能把门函数引进来？会不会有效？也许能走得通。

多年来，半导体行业一直致力于将越来越多的组件紧密的集成到单个片上系统中（SoC）。毕竟这对于庞大的应用而言是非常实用的解决方案。通过优化处理器的定位，存储器和外部设备芯片厂商能够将数据路径调整到最短，从而提高功率效率并取得更高的性能，此外还能够显著的降低成本。通过这些方法，该行业已经取得了巨大的成功，SoC几乎是我们所有消费电子产品的标准组件。

在今年初举办的GDC 2018大会上，我们推出了最新的图形技术演示Demo，重点介绍了PowerVR Series8XE系列GPU。尽管PowerVR Series8XE系列GPU高度集成尺寸小巧的设计，但从项目之初我们就准备展示其强大功能，这一系列集成丰富的内核，比如PowerVR GE8300和PowerVR GE8100。

<font size="3"><strong>1、初识深度信念网络</strong></font>

深度信念网络是一个概率生成模型，与传统的判别模型的神经网络相对，生成模型是建立一个观察数据和标签之间的联合分布，对P(Observation|Label)和 P(Label|Observation)都做了评估，而判别模型仅仅而已评估了后者，也就是P(Label|Observation)。