光线追踪是图形学领域里最为著名的一种技术，其中首要的一步是视点（相机，眼睛）穿过像素中心，发射一条射线，也就是主光线（次级光线指的是从物体表面反射或折射等发出的光线）。这一步看起来比较简单，但仍然涉及到一些细节和概念需要理清。

我系统的学习这些东西是从renderman规范开始的，看的第一本书是advanced renderman，这本比较难，我更推荐看An Introduction to Ray Tracing (1989)。

直方图均衡(Histogram Equalization)是图像处理中一个十分基础的概念，具有调整图像灰度，增强对比度的作用。

限制对比度自适应直方图均衡(Contrast Limited Adaptive Histogram Equalization,CLAHE),关于该算法的中文原理性描述可以参考网址：http://www.cnblogs.com/Imageshop/archive/2013/04/07/3006334.html

下面我按照自己的理解来介绍一下CLAHE算法：

国际研调机构Gartner公布2018至2023年引领数字企业创新的10大物联网（IOT）策略技术趋势。副总裁暨分析师Nick Jones指出，未来10年，物联网将带动数字企业创新的商机，能够掌握物联网创新趋势的信息官，将有机会带领企业迈向数字创新。

此外，他指出，信息官也应确保企业拥有必要的知识和合作伙伴来支持重要的物联网新兴趋势和技术，因为到了2023年，信息官需掌管的平均终端装置数量将是目前的3倍以上。

列出10项IoT策略技术趋势：

<strong>第一：AI人工智能。</strong>
该机构预测，2019年全球连网对象数量将达142亿美元，并在2021年将达250亿美元，因此将产生极大量的数据。未来AI将被用来处理各种IoT数据，包括影片、静态影像、语音、网络流量与传感器数据。

<font color="blue" size="3"><strong>Highway Networks</strong></font>

论文地址 : https://arxiv.org/abs/1505.00387 [cs.LG] (ICML 2015),
全文:Training Very Deep Networks( https://arxiv.org/abs/1507.06228 )

<font size="3"><strong>1、特征选择</strong></font>

特征选择也被称为变量选择和属性选择，它能够自动地选择数据中目标问题最为相关的属性。是在模型构建时中选择相关特征子集的过程。

特征选择与降维不同。虽说这两种方法都是要减少数据集中的特征数量，但降维相当于对所有特征进行了重新组合，而特征选择仅仅是保留或丢弃某些特征，而不改变特征本身。
降维常见的方法有PCA，SVD，萨蒙映射等，特征选择是丢弃作用小的特征。

<strong>为什么要做特征选择？</strong>

在第一期“快聊”访谈系列中我们采访了一些主要的合作伙伴，了解他们对目前行业的看法以及他们是如何应对挑战的。第一个访谈对象是来自中国的手机厂商OPPO，OPPO在智能手机市场取得了巨大的成功，从2015年仅占全球2%的市场份额增长到2018年的近10%。

物联网是在计算机互联网的基础上，利用RFID、无线数据通信等技术，构造一个覆盖世界上万事万物的“Internet of Things”。在这个网络中，物品(商品)能够彼此进行“交流”，而无需人的干预。其实质是利用射频自动识别(RFID)技术，通过计算机互联网实现物品(商品)的自动识别和信息的互联与共享。比如超市里的付款系统，目前的超市里都是有专门的工作人员核算顾客的消费量，而利用物联网则能实现付款机对货物的自动核算功能，大大提高了购买效率。

<font size="3"><strong>那么物联网综合管控平台系统又有哪些优势呢？</strong></font>

随着硬件的更新换代，越来越多的机器学习从业者又开始面临选择 GPU 的难题。正如我们所知，机器学习的成功与否很大程度上取决于硬件的承载能力。在今年 5 月，我在组装自己的深度学习机器时对市面上的所有 GPU 进行了评测。而在本文中，我们将更加深入地探讨：

<font size="3"><strong>GPU + 深度学习</strong></font>

深度学习（DL）是机器学习（ML）的一个分支。深度学习使用神经网络来解决问题。神经网络的优点之一是自行寻找数据（特征）模式。这和以前告诉算法需要找什么不一样。但是，通常这意味着该模型从空白状态开始（除非使用迁移学习）。为了从头捕捉数据的本质／模式，神经网络需要处理大量信息。通常有两种处理方式：使用 CPU 或 GPU。

在前一个小节中，简单地谈了谈什么是“M-P神经元模型”，顺便用生活中生动的小案例，把激活函数和卷积函数的概念撸了一遍。下笔之处，尽显“神经”。当然这里所谓的“神经”，是说我们把不同领域的知识，以天马行空地方式，揉和在一起，协同提升认知水平。其实，这不也正是深度学习的前沿方向之一——“迁移学习（Multi-Task and Transfer Learning）”要干的事情吗？

下面，继续“神经”下去，首先聊聊机器学习的三大分支，然后以“中庸之道”来看机器学习的发展方向。

<font size="3"><strong>4.1 机器学习的三个层次</strong></font>

过去的二十年，汽车行业把大量的数字化技术应用在协同工作、设计开发、销售及服务等方面，因此信息安全建设过去几乎没有围绕汽车实施。同时由于生产环境和物理环境的相对封闭，我们也看到国内大量整车厂针对传统信息安全建设的缺位。信息安全不是个新话题，但是在汽车行业开始被重视并且实践，是近两年才开始的。

近年通过大量的走访、调研，我们发现汽车行业在智能网联汽车信息安全建设过程中，目前存在大量的建设误区，导致成本及资源的浪费，未来甚至可能埋下新的安全隐患。

因此我们总结了十大常见误区，供行业管理者参考：

<font size="3"><strong> 1. 信息安全战略不清晰</strong></font>