博客
我们都知道，卷积核的作用在于特征的抽取，越是大的卷积核尺寸就意味着更大的感受野，当然随之而来的是更多的参数。早在1998年，LeCun大神发布的LetNet-5模型中就会出，图像空域内具有局部相关性，卷积的过程是对局部相关性的一种抽取。 但是在学习卷积神经网络的过程中，我们常常会看到一股清流般的存在—1*1的卷积！
作为一个未来主义者，我每天都在思考人工智能的演变。最被炒作的技术也是最复杂、最普遍、最难监测、监管和控制的技术。机器学习实现的发展已经有了“自己的生命”，超出了任何一家公司、国家或学术机构的范围。在资本和创新的驱动下，人工智能是一个特洛伊木马，既能帮助、增强、自动化，又能将人类武装起来相互对抗。这既令人兴奋，又令人恐惧，而且不可避免。但具体包括哪些内容呢？
人工智能是一种引发诸多领域产生颠覆性变革的前沿技术，而生物识别技术的应用特别是在计算机视觉中的应用，在当前智慧社区建设中发挥很大作用。原有的被动识别、被动管理技术实现模式逐渐由人工智能技术代替，从而实现主动识别、无感采集、主动辨识的技术能力......
dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃。注意是暂时，对于随机梯度下降来说，由于是随机丢弃，故而每一个mini-batch都在训练不同的网络。
数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。
这篇文章介绍深度学习四种主流的规范化, 分别是Batch Normalization(BN[9]), Layer Normalization(LN[7]), Instance Normalization(IN[8])以及Group Normalization(GN[2])。
常见的一个误解便是将HDR和Bloom效果混为一谈。Bloom可以模拟出HDR的效果，但是原理上和HDR相差甚远。HDR实际上是通过映射技术，来达到整体调整全局亮度属性的，这种调整是颜色，强度等都可以进行调整，而Bloom仅仅是能够将光照范围调高达到过饱和，也就是让亮的地方更亮。不过Bloom效果实现起来简单，性能消耗也小，却也可以达到不错的效果。
麦肯锡的研究表明，全球范围内有多达1.4亿全职知识工作者或被智能机器所取代。到2020年，全球将会有700万个工作岗位消失。美国斯坦福大学统计，美国将有47%的职业会被人工智能取代；而在中国，这个比例有可能达到60%以上！
前面已经学习了Opengl ES的基础知识以及怎么样搭建一个基本的Opengl ES运行环境，现在我们来实现最基本的图形显示：绘制三角形，这里重点不是显示三角形，主要通过绘制三角形，帮助我们掌握如下知识点：顶点着色器的写法；片元着色器写法；怎么给顶点着色器中的变量赋值；怎么把顶点位置信息传给Opengl ES；怎么把颜色的值通过片元着色器传给Opengl ES；怎么样把三角形绘制并显示出来？
隐马尔可夫模型（Hidden Markov Model，HMM）是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析，例如模式识别。
尽管随机运动可能完全不可预知，它还是相当无趣的，因为它完全是以相同的方式工作——完全随机。下面要学习到的算法是根据具体环境作出不同响应的处理。作为例子，这里选择了追踪算法。追踪AI考虑到跟踪目标的位置，然后改变AI对象的轨道好让它移向被追踪的对象。
Unity在运行时可以将一些物体进行合并，从而用一个绘制调用来渲染他们。这一操作，我们称之为“批处理”，能得到越好的渲染性能。Unity中内建的批处理机制所达到的效果要明显强于使用几何建模工具的批处理效果，因为，Unity引擎的批处理操作是在物体的可视裁剪操作之后进行的，处理的几何信息少很多。
对于传统的深度学习网络应用来说，网络越深，所能学到的东西越多。当然收敛速度也就越慢，训练时间越长，然而深度到了一定程度之后就会发现越往深学习率越低的情况，甚至在一些场景下，网络层数越深反而降低了准确率，而且很容易出现梯度消失和梯度爆炸。
对于工业生产企业而言，由于业务连续性强、系统复杂，大量生产设备相互联系、耦合紧密，而且具有功率大、运转速度高的特点。安全生产更是保证从业人员的人身安全与健康，设备和设施免受损坏，环境免遭破坏，保证生产经营活动得以顺利进行的必要条件。
