博客
本文我们就讨论另一类输出和模型间有反馈的神经网络：循环神经网络(Recurrent Neural Networks ，以下简称RNN)，它广泛的用于自然语言处理中的语音识别，手写书别以及机器翻译等领域。
在物联网应用中，5G网络切片可以提供优质的服务，并可增强可靠性和安全性。5G是下一代移动通信网络技术，可以为物联网应用提供不少关键的优势，包括低延迟、高带宽，以及支持在室内和室外的长期、密集的网络覆盖。
表面遮挡住光源路径就会产生阴影，由理想点光源产生的阴影边缘是比较锐利的，而现实世界中的阴影边缘确是模糊的，该模糊部分成为半影。半影的出现，是由于现实世界的点光源不是空间意义上的一个点，它会覆盖一定的面积，就会产生以不同角度掠过物体边缘的光线。
图像增强是图像模式识别中非常重要的图像预处理过程。图像增强的目的是通过对图像中的信息进行处理，使得有利于模式识别的信息得到增强，不利于模式识别的信息被抑制，扩大图像中不同物体特征之间的差别，为图像的信息提取及其识别奠定良好的基础。图像增强按实现方法不同可分为点增强、空域增强和频域增强。
人工智能(AI)在人们的日常工作和生活中日益普及，而且企业越来越依赖于人工智能来完成一系列任务，因此IT团队实施人工智能面临的风险越来越高。其实施成功与否的后果可能是深远的。如果没有正确实施，人工智能可能带来更多的偏见，以及许多其他的破坏性后果。
很多人以为虚拟现实是现代才有的产物，但是其实早在上世纪20年代，它就已经以某种形式存在。人们对于VR的了解还是相当有限的，甚至还有一些误解，为了更进一步了解这个领域，让大家能够更清楚的认识虚拟现实，并去接受它。本文总结分析了虚拟现实革命的十大必读和十大误区。
近几年来，“深度学习”在国内暴得大名，无论是理论界还是实践界都对此趋之若鹜，许多学者对此有过论述，几乎所有一线教师都非常关心这一论题。就国内研究而言，短短五年就有论文500篇之多。然而，我们不无遗憾地看到，绝大多数理论及实践成果都有一种“单向度取向”，即主要是基于学习心理学认知学派的“信息加工”理论而展开的研究成果，鲜有“全视角”观照；其中国内研究多数又以“译介”为主，实证成果稀少。
最近几年，AI炒翻天。有太多商业泡沫遮蔽了我们的认知。即便有些虽然看上去合理的讨论，也容易被扭曲。比如，前年下半年、去年上半年，几个行业大人物围绕中美AI核心竞争力做着比较，最后我们大都在强调自己的数据优势、场景优势，而美国强调了自己的算法与底层的综合技术。
机器学习和互联网意味着海量数据和复杂的联系，同时也意味着人类无法理解的运行过程——人工智能的“黑箱”是近期学界热议的一个话题，当我们无法理解算法和它生产出的内容，它会怎样改变人类的思想和整个世界的运行？与此同时，完全无法理解这些数据意味着什么的人工智能，真的是在分析世界吗？
几年前，在学术机构之外很难找到人认真讨论人工智能(AI)。但在今天，几乎每个人都在说AI。和所有新技术趋势一样，这波新浪潮正源源不断地带来好奇心和热情。普罗大众的参与，虽然创造了不少伟大的想法，但在许多情况下也导致了错误看法的出现。
近期，著名研究机构未来今日研究所（Future Today Institute）发布了《2019技术趋势报告》。该报告涉及人工智能、网络安全、隐私与数据、交通、先进机器人、电子竞技、营销与广告、能源、气候与地理科学、农业技术，以及生物技术与基因编辑等数十个行业和前沿技术领域，并提出了值得关注的315个趋势。
根据工业和信息化部、公安部、交通运输部等三部委共同发布的《智能网联汽车道路测试管理规范（试行）》，自动驾驶汽车是指搭载先进的车载传感器、控制器、执行器等装置，并融合现代通信与网络技术，实现车与人、车、路、云端等智能信息交换、共享，具备复杂环境感知、智能决策、协同控制等功能，可实现安全、高效、舒适、节能行驶，并最终可实现替代人来操作的新一代汽车。
在unity中主要有两种透明效果的实现，透明度测试和透明度混合，透明度测试比较简单暴力，就是对片元的alpha通道的值进行测试，满足条件就留下该片元，不满足就抛弃该片元，所以在本章中主要讨论第二种---透明度混合。
当机器学习技术用于“关键任务”时，可接受的误差范围变得非常低。在我们用模型进行自动驾驶、协助医生等场景时，我们必须确保模型所做的预测是有效的.随着模糊系统成为我们生活中越来越重要的一部分，测量预测不确定性变得越来越重要。不过好消息是：有几种技术可以测量神经网络中的不确定性，其中一些非常容易实现！
本文介绍了机器学习中的基本数学符号。具体来说有算数符号，包括各种乘法、指数、平方根以及对数；数列和集合符号，包括索引、累加以及集合关系。此外，本文还给出了 5 个当你在理解数学符号遇到困难时可以应急的小技巧。
由于图像数据之间存在着一定的冗余，所以使得数据的压缩成为可能。信息论的创始人Shannon提出把数据看作是信息和冗余度（redundancy）的组合。所谓冗余度，是由于一副图像的各像素之间存在着很大的相关性，可利用一些编码的方法删去它们，从而达到减少冗余压缩数据的目的。为了去掉数据中的冗余，常常要考虑信号源的统计特性，或建立信号源的统计模型。
图像的冗余包括以下几种：
（1）空间冗余：像素点之间的相关性。
（2）时间冗余：活动图像的两个连续帧之间的冗余。
（3）信息熵冗余：单位信息量大于其熵。
（4）结构冗余：图像的区域上存在非常强的纹理结构。
（5）知识冗余：有固定的结构，如人的头像。
（6）视觉冗余：某些图像的失真是人眼不易觉察的。
深度学习成为了当今最热门的话题之一，但对于大多数人来说，这是一个陌生而又神秘的学科。很多人认为，深度学习就是包括了大量的数学和统计知识。本文列举了常见的12个深度学习的问题。
