博客

图像卷积操作的目的是利用像素点和其邻域像素之前的空间关系，通过加权求和的操作，实现模糊（blurring），锐化（sharpening），边缘检测（edge detection）等功能。

Unity优化是一个很大的概念，我们优化时需要注意三个方面：CPU优化，GPU优化，内存优化。

感知机包含有输入层、输出层和一个隐藏层。输入的特征向量通过隐藏层变换到达输出层，由输出层得到分类结果。

举例来说，屏幕分辨率同为1280*720P 一个屏幕为6.0英寸，另一个屏幕为4.7英寸，都知道6.0英寸的要比4.7英寸的大，而尺寸小的屏幕容纳的分辨率像素更密集，那么同样的分辨率在成像质量上4.7的肯定比6.0的效果要好啦，所以并非屏幕越大越好哦，还要算上屏幕分辩率。

随着机器学习问题不断深入人心，人们也将现实中遇到不同的问题分为不同的学习方式，其中，最基础的应属监督学习，无监督学习和强化学习了。

Vulkan是一个用于图形和计算设备的编程接口。Vulkan设备通常由一个处理器和一定数量的固定功能硬件模块组成，用于加速图形和计算操作。通常，设备中的处理器是高度线程化的，所以在极大程度上Vulkan里的计算模型是基于并行计算的。Vulkan还可以访问运行应用程序的主处理器上的共享或非共享内存。Vulkan也会给开发人员提供这个内存。

FIDO的目标是创建一套开放的标准协议，保证各个厂商开发的强认证技术之间的互操作性，改变目前的主流在线验证的方式，消除或者减弱用户对密码的依赖。对于互联网公司来说，随着重大数据泄露事故的频发，过去基于密码的在线身份验证技术已经难以维持互联网经济的稳定发展，安全界关于"密码已死"的呼声越来越高。而FIDO联盟正是在这个背景下应运而生的一个推动去密码化的强认证协议标准的组织。

CNN组成：Convolutional layer，Pooling layer，Fully Connected layer。

GPU 图形渲染流水线的主要工作可以被划分为两个部分：把 3D 坐标转换为 2D 坐标；把 2D 坐标转变为实际的有颜色的像素。GPU 图形渲染流水线的具体实现可分为六个阶段......

程序员必知的七种并发编程模型：1. 线程与锁；2. 函数式编程；3. Clojure之道——分离标识与状态；4. actor；5. 通信顺序进程；6. 数据级并行；7. Lambda架构。

最近在看移动GPU优化的时候对TiledBased GPU有一些疑惑，特别是常说的Alpha-Blend比Alpha-Test在移动GPU上快的奇特性质，于是找了powerVR相关的文档来阅读，也做个记录。

3月9日，工信部官网公示《汽车驾驶自动化分级》推荐性国家标准报批稿，拟于2021年1月1日开始实施。 中国版《汽车驾驶自动化分级》基于驾驶自动化系统能够执行动态驾驶任务的程度，根据在执行动态驾驶任务中的角色分配以及有无设计运行条件限制，将驾驶自动化分成 0～5 级。

CNN网络是一种用来处理局部和整体相关性的计算网络结构，被应用在图像识别（CV）、自然语言处理（NLP）甚至是语音识别领域，因为图像数据具有显著的局部与整体关系，其在图像识别领域的应用获得了巨大的成功。

世界各地的城市人口数量正在不断增加，而城市也在努力应对。作为变革世界的无声力量，技术现在正被用来管理快速的城市化进程和创建更智能的城市。

手游运行在移动端的TBDR架构上，所以手游的渲染优化在硬件的角度上讲有其独特之处......

Bagging和Boosting都是将已有的分类或回归算法通过一定方式组合起来，形成一个性能更加强大的分类器，更准确的说这是一种分类算法的组装方法。即将弱分类器组装成强分类器的方法。

本文为开发者DonaldW写给UI美术同事的一篇文章，原文题为《Unity项目中UI同学需知的程序相关要点》，分享给大家，希望促进程序和美术之间的相互理解。

Mipmap是一个功能强大的纹理技术，它可以提高渲染的性能以及提升场景的视觉质量，它可以用来解决一般纹理贴图出现的两个常见问题：闪烁、性能问题。

在软件开发，特别是三维应用中，纹理随处可见，但受限于网络环境和硬件能力，纹理也是一大瓶颈。而且在一般的三维应用中，纹理所占大小基本都会在1/2以上，模型中往往超过2/3。或许你会说，纹理不就是一张图吗，有那么重要吗？

相对于 CPU 来说，GPU 能干的事情比较单一：接收提交的纹理（Texture）和顶点描述（三角形），应用变换（transform）、混合并渲染，然后输出到屏幕上。通常你所能看到的内容，主要也就是纹理（图片）和形状（三角模拟的矢量图形）两类。