学习着色器，并理解着色器的工作机制，就要对OpenGL的固定功能管线有深入的了解。

<font size="3"><strong>首先要知道几个OpenGL的术语</strong></font>

俗话说得好：如果某事看起来好到令人难以置信，那可能真的不能相信。仔细想想，绝佳交易和骗局看上去都是超级好。二者都表现出能为你面临的棘手难题提供必备解决方案的样子。然而，其中一个是真的很好，而另一个就很玄乎了。

同时，信息安全行业中的供应商都太急于抛出流行词，试图说服客户他们的解决方案非常合适。这种大环境下，企业或机构该如何理解什么是真的很好什么是太过虚幻呢？

以下就列出8个安全领域经常会遇到的流行词，帮读者看清它们的真相。

<font size="3" color="#33b1c8"><strong>1. 人工智能</strong></font>

在场中浏览主要算法以获得可用的方法的感觉是有用的。有这么多的算法，它可以感觉压倒性的算法名称被抛在周围，你希望只是知道他们是什么，他们适合的地方。

我想给你两种方法来思考和分类你可能在现场遇到的算法。第一种是通过学习风格的算法分组；第二种是通过形式或功能上的相似性（例如将类似的动物组合在一起）的算法分组。这两种方法都是有用的，但将集中在通过相似性的算法分组，并进行各种不同的算法类型的游览。

尽可能的给出了算法的英文名称以及英文缩写，少数算法只有中文名字......

作者：George Seif
编译：ronghuaiyang

不是所有的数据都是完美的。实际上，如果你拿到一个真实的完全均衡的数据集的话，那你真的是走了狗屎运了。大部分的时候，你的数据都会有某种程度上的不均衡，也就是说你的数据集中每个类别的数量会不一样。

<font size="3"><strong>我们为什么想要数据是均衡的？</strong></font>

在我们开始花时间做深度学习项目之前，非常重要的一点是需要理解为什么我们要做这个事情，确保我们的投入是值得的。当我们真正关心的是少数的类别的时候，类别均衡技术就是真正的必须的了。

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

要预测未来一年的网络威胁发展趋势很难，无论是威胁的形态和响应的防范方式都在快速迭代，加上各国对于网络空间中地缘政治利益的理解日益深刻，不同的力量交织在一起进一步加深了复杂性。

国外安全媒体CSO Online还是试着对明年的网络安全态势做出了九大预测，我们来看一看他们是怎么说的。

<font size="3"><strong>一、勒索软件活跃度下降，破坏性不减</strong></font>

<font color="blue"><strong>1. 基于神经网络的机器翻译</strong></font>

入选理由：翻译是“自然语言处理”的最重要分支，也是比较难的一支。早年间，机器翻译还被视作 “低级翻译”被嘲讽，如今神经网络的机器翻译准确性大大提高，堪比专业人工翻译。我们熟知的谷歌翻译、微软语音翻译以及搜狗语音识别等都是基于此项技术。

<font color="blue"><strong>2. 基于多传感器跨界融合的机器人自主导航</strong></font>

最近，在看caffe源码时，偶然在网上看到一个问题？觉得挺有意思，于是，仔细的查了相关资料，并将总结写在这里，供大家迷惑时，起到一点启示作用吧。

问题的题目是CNN中的一个卷积层输入64个通道的特征子图，输出256个通道的特征子图，那么，该层一共包含多少个卷积核？

对于上面这个问题，目前有两种答案，每一种答案的区别是所基于的卷积核的维度不同而导致的。下面是两种答案的解析过程：

<strong>第一种答案：</strong>卷积核是二维的（caffe源码中以卷积核二维转化成相应矩阵），那么就需要64*256个卷积核来对输入特征子图进行卷积，其中，输入的每个通道对应64种不同的卷积核进行卷积，再将64种卷积核得到的卷积结果合并成一张输出特征子图；这样，就会得到256个通道的特征子图。

目前，智慧城市已经成为全球众多城市未来规划和设计的方向，并致力于通过各种新技术的应用来改善城市居民的工作与生活。

但什么样的技术应用能够推动智慧城市的建设？如何让新技术在智慧城市中的应用效率最大化？这是所有城市规划者都在思考的问题。

从最近几年全球各地智慧城市建设的应用案例可以发现，各种新技术从城市基础设施和生活设施入手，覆盖智能停车、智能路灯、智能交通、智能能源、智能医疗、智能建筑和智能环境等七个常见领域，从各方面逐步让智慧城市变为现实。

<font color="blue"><strong>1. 智能停车提升交通效率</strong></font>

<strong>什么是epoch？</strong>

当一个完整的数据集通过了神经网络一次并且返回了一次，这个过程称为一次epoch。然而，当一个epoch对于计算机而言太庞大的时候，就需要把它分成多个小块。

<strong>为什么要使用多于一个epoch?</strong>

在神经网络中传递完整的数据集一次是不够的，而且我们需要将完整的数据集在同样的神经网络中传递多次。但请记住，我们使用的是有限的数据集，并且我们使用一个迭代过程即梯度下降来优化学习过程。如下图所示。因此仅仅更新一次或者说使用一个epoch是不够的。

什么是渲染（Rendering）?渲染简单的理解可能可以是这样：就是将三维物体或三维场景的描述转化为一幅二维图像，生成的二维图像能很好的反应三维物体或三维场景。<!--break-->

<font color="#9a9a9a"><i>对图形渲染管线的各个阶段到底做了些什么，总是不甚清楚，每次翻书查阅，但是过了一阵遇到还是翻书，这次看Cg教程里写的不错，特地摘下来，以备查阅。- by shenzi/2010.3.25</i></font>

<font size="3" color="Purple"><strong>什么是渲染（Rendering）？</strong></font>