神经网络的基本思想是模拟计算机“大脑”中多个相互连接的细胞，这样它就能从环境中学习，识别不同的模式，进而做出与人类相似的决定。

典型的神经网络是由数千互连的人工神经元组成，神经元是构成神经网络的基本单位。这些神经元按顺序堆叠在一起，以称为层的形式形成数百万个连接。单位划分如下:
  ○ 输入单元：用于接收外部环境的信息；
  ○ 隐藏单元：隐藏层将所需的计算及输出结果传递给输出层；
  ○ 输出单元：输出信号表明网络是如何响应最近获得的信息。

前面几篇文章介绍的是图像的空间域滤波，其对像素的处理都是基于像素的某一邻域进行的。本文介绍的图像的灰度变换则不同，其对像素的计算仅仅依赖于当前像素和灰度变换函数。

灰度变换也被称为图像的点运算（只针对图像的某一像素点）是所有图像处理技术中最简单的技术，其变换形式如下：
<center> s = T ( r ) </center>
其中，T 是灰度变换函数；r 是变换前的灰度；s 是变换后的像素。

最近，我们举办了一次网络研讨会：“在智能相机中实现高效的神经网络”，如果你错过了此次网络研讨会，建议你去看一下重播（需注册），在这次网络研讨会上，我们深入介绍了智能相机市场和终端设备嵌入神经网络加速器日益增长的需求。

<font size="3" color="Purple"><strong>Job Description</strong></font>

<strong>Position：</strong>Developer Technology Engineer
<strong>Location：</strong>China Shanghai

<font size="3" color="Purple"><strong>Developer Technology Engineer</strong></font>

<font size="3"><strong> 一、理论基础</strong></font>

<font color="Purple"><strong>1、三维场景中创建图像</strong></font>

第一步：透视投影。这是一个将三维物体的形状投影到图像表面上的几何过程，这一步只需要连接从对象特征到眼睛之间的线，然后在画布上绘制这些投影线与图像平面相交的轮廓。

<font size="3"><strong>一、分类模型评估</strong></font>

<strong>1、混淆矩阵（confusion matrix）</strong>

TP(True Positive) —- 将正类预测为正类数
FN(False Negative) —- 将正类预测为负类数
FP(False Positive) —- 将负类预测为正类数
TN(True Negative) —- 将负类预测为负类数

<font size="3"><strong>为什么要使用卷积呢？</strong></font>

在传统的神经网络中，比如多层感知机（MLP），其输入通常是一个特征向量，需要人工设计特征，然后将这些特征计算的值组成特征向量，在过去几十年的经验来看，人工找到的特征并不是怎么好用，有时多了，有时少了，有时选择的特征根本就不起作用（真正起作用的特征在浩瀚的未知里面）。这就是为什么在过去卷积神经网络一直被SVM等完虐的原因。

如果有人说，任何特征都是从图像中提取的，那如果把整副图像作为特征来训练神经网络不就行了，那肯定不会有任何信息丢失！那先不说一幅图像有多少冗余信息，单说着信息量就超级多。。。

物联网无处不在，从智能家居到灾难管理运营等。在如此广泛的应用中，物联网安全应该是首要关注的问题。

物联网是一项热门技术，其应用范围从帮助人类做日常琐事到专业军事应用等。凭借其强大功能和能力，物联网安全已经成为人们和企业组织的关注点。在过去十年中，我们对物联网的依赖程度有所增加，然而，物联网的安全性并没有随之增加，黑客可以通过某些方式挑战和威胁我们的身体、经济和情感安全，正如人们说的那样，任何连接到互联网的东西都有可能被黑客攻击。

<font size="3"><strong>物联网安全如何岌岌可危?</strong></font>

人工智能的浪潮正在席卷全球，诸多词汇时刻萦绕在我们耳边：人工智能（Artificial Intelligence）、机器学习（Machine Learning）、深度学习（Deep Learning）。不少人对这些高频词汇的含义及其背后的关系总是似懂非懂、一知半解，那么他们之间有什么样的联系啦？

<font size="3"><strong>人工智能：从概念提出到走向繁荣</strong></font>

上一篇文章讲解了犹如小球自动滚动下山的动量法（momentum）这篇文章将介绍一种更加“聪明”的滚动下山的方式。动量法每下降一步都是由前面下降方向的一个累积和当前点的梯度方向组合而成。于是一位大神（Nesterov）就开始思考，既然每一步都要将两个梯度方向（历史梯度、当前梯度）做一个合并再下降，那为什么不先按照历史梯度往前走那么一小步，按照前面一小步位置的“超前梯度”来做梯度合并呢？如此一来，小球就可以先不管三七二十一先往前走一步，在靠前一点的位置看到梯度，然后按照那个位置再来修正这一步的梯度方向。如此一来，有了超前的眼光，小球就会更加”聪明“, 这种方法被命名为Nesterov accelerated gradient 简称 NAG。