其他

1        引言 1.1      文檔目的 為相關承建單位改造某省網上辦事大廳資訊無障礙資訊建設提供改造指南，提高效率，使其改造符合WCAG2.0 A級、AA級標準，特編製此方案。 1.2      讀者對象 某省資訊中心、某省網上辦事大廳承建單位等相關干係人。 1.3 &

紅外視頻移動目標檢測的應用背景：         通常的視頻目標檢測，往往都是可見光下的目標檢測，這種檢測識別以及跟蹤技術已經很成熟了，但卻有一個無法避免的缺陷，那就是無法在光線不足的 情況下進行有效檢測，在無光的晚上根本就不能進行檢測。而紅外檢測就可以彌補這樣的不足。紅外視頻通過物體輻射紅外線的強度而成像，這樣就擺脫了可見光的束縛，可全天候進行有效檢測跟蹤。 紅外視頻檢測的幾個特點 ：

在Opencv3.3版本中整合了deeplearning功能。其實現了對caffe和tensorflow兩個架構的推理，但不支援訓練。本文使用caffe訓練的檔案對目標進行檢測。整個思路是首先讀取視頻檔案，然後載入模型檔案，最後讀取到視頻的每一幀對其進行檢測。 系統: ubuntu16.04 python:2.7 模型檔案：MobileNet-SSD 任意視頻檔案 1.安裝 openCV 如果安裝好了openCV可以跳過這一小節，這一小節只是把一些命令複製出來，實際安裝可能會存在錯誤。

   SSD: Single Shot MultiBox Detector, 是一個end to end 的目標檢測識別模型。先小八卦下，它屬於google派系，它的作者也是googlenet的作者。該模型旨在高精度的快速識別， 它不用額外計算bounding box而能達到相當的識別精度，而且速度有極大的提高，號稱可以達到58的FPS 和 72.1%的mAP。   我們先來看下這個模型的全貌。它的最底幾層是一個經典的VGG16的網路（也可以替換成ResNet）

模式識別 評價方法 ===> ROC 曲線 DET 曲線  FPPW  FPPI 因個人在做模式識別相關的工作，模式識別演算法最終的效能評價是關鍵。但苦於網上很難找到具體、詳細的評價流程、方法以及代碼，所以本人打算近期準備如題所示評價方法的整理工作，到時候會奉上方法介紹、基礎代碼（matlab 版），以協助更多像我這樣對這些方法有些迷茫的人。 暫時提供matlab中內建的ROC,DET曲線繪製函數: perfcurve()

最近TalkingData開源了Fregata，Fregata的主要作用是加速基於spark的機器學習的計算速度，據說10億*10億層級的資料如果緩衝到記憶體中的話用1s鐘就可以算完，如果不緩衝的話，十秒鐘搞定，如果這麼來的話，那真是碉堡了，以下只是翻譯，如果有不正確的歡迎指正 簡介 ·fregata是一個輕量級，超級快，大規模的基於基於spark的機器學習的架構，它提供了高水準的scalaAPI ·高精確度：對於各種問題，fregata比mllib來說能實現更高的精確度

import fregata.spark.data.LibSvmReaderimport fregata.spark.metrics.classification.{AreaUnderRoc, Accuracy}import fregata.spark.model.classification.LogisticRegressionimport org.apache.spark.{SparkConf, SparkContext}/** * Created by ALL on 2016/12/8.

在即將發布的Apache Spark 2.0中將會提供機器學習模型持久化能力。機器學習模型持久化（機器學習模型的儲存和載入）使得以下三類機器學習情境變得容易： 資料科學家開發ML模型並移交給工程師團隊在生產環境中發布； 資料工程師把一個Python語言開發的機器學習模型訓練工作流程整合到一個Java語言開發的機器學習服務工作流程； 資料科學家建立多個訓練ML模型的作業，稍後需要儲存和評估。 Spark

機器學習正在不斷加的加快前進的步伐，是時候來探討這個問題了。人工智慧真的能在未來對抗網路攻擊，自主地保護我們的系統嗎。

http://www.zhixin99.com/a/421 還有一個多月就進入2016年了，2015年是移動互連網繼續高速發展的一年，在過去的一年中，國內搜尋引擎排名有哪些變化呢（注意，主要是綜合排名）。本篇文章一一為你揭曉。排名第一：百度 www.baidu.com百度依然是國內搜尋引擎的老大，無論是PC還是移動端。目前百度移動端的流量已經超過PC端了。而百度在移動端的市場佔有率更加具有壟斷性，百度移動活躍使用者6.29億，覆蓋超過95%中國移動網民。估計百度移動市場佔有率80%

在新的公司工作半年了時間飛逝，作為一名工程師，也要時刻對自己反省，這樣才能夠有所提升，在工作中我總結了一下幾點，這個可能也是大家常見的一些問題，好記性不如爛筆頭，今天就好好的來歸納總結一番。 1、在研發功能之前一定要弄清楚功能的需求，這個是必須要詳細瞭解的一個前提，然後分析需求在業務上的可能性，需求是根基，業務分析前提。前面做到位了，在開發中定位會更加的準確，同時也會減少bug，減少了後期的工作量。

原文連結 在2017雲棲大會-上海峰會上阿里巴巴iDST演算法專家禾朔做了題為《人工智慧時代下的視覺設計》的分享。在人工智慧時代強勢來臨的今天，視覺設計也可以通過人工智慧完成。如何自動化可控視覺內容產生，成為了今天視覺設計的主題。通過建立模型和深度學習可以基本完成這樣一個目標，相信在不久的未來視覺設計者，將有可能失去他們的工作。 原文連結

        在過去一兩年中，產生式模型 Generative Adversarial Networks（GAN）的新興為產生式任務帶來了不小的進展。儘管 GAN 在被提出時存在訓練不穩定等諸多問題，但後來的研究者們分別從模型、訓練技巧和理論等方面對它做了改進。本文旨在梳理這些相關工作。

GAN介紹 GenerativeAdversarial Nets

世界程式設計語言熱門排行榜08年02月 TIOBE Programming Community Index for January 2008 註： TIOBE 世界程式設計語言熱門排行榜展現了程式設計語言的流行趨勢。每個月，都有最新的資料被更新。這份熱門排行榜的資料取樣來源於互連網上富有經驗的程式員、商業應用、著名的搜 索引擎（諸如Google、 MSN 、雅虎）的關鍵字排名、 Alexa 上的排名等。請注意這個熱門排行榜只是反映了某個程式設計語言的熱門程度

今天是2015年11月18號，外面下著小雨，自己一個人坐著圖書館，不知道怎麼的就想起來了自己，可能是因為上午看了一上午的林書豪的比賽，並沒有按照計划去做自己的事情，所以心裡 不舒服吧。突然就思考了一個自己的缺點。 1.想的多，做的少 2.執行力太差 3.做什麼事情都堅持不下去 4.對時間的分配上 很不合理 5.總是在正確的時間做錯誤的事情 6.做事情效率太低 7.在寢室的自製力很差，其實室友什麼的都是借口，自己內心並沒有強烈的想去學習的想法，所以才容易燥得慌，做不住

看完視頻的感受:         首先第一感覺就是髒亂差，好像學校的那種公用課堂         然後感覺像是很久沒有值過日，值日不到位         其次大家公用場合的場合比個人地區居然還要髒

深度學習反思 伴隨著電腦硬體效能的提升，深度學習在當今如同時代的寵兒，Computer Vision，Data mining，Nature Language Process....都搭上深度學習的專車，並最終坐上了波音客機。深度學習的架構一個接一個的浮出水面，caffe，tensor flow，cxxnet， mxnet....，而且這些架構已經不屑於在單機單卡的圈圈裡面混跡了，他們藉助hadoop以及spark這些大資料操作的的燃料，儼然是要造出火箭了。

剛做完實驗，來答一答自然語言處理方面GAN的應用。 直接把GAN應用到NLP領域（主要是產生序列），有兩方面的問題： 1. GAN最開始是設計用於產生連續資料，但是自然語言處理中我們要用來產生離散tokens的序列。因為產生器(Generator，簡稱G)需要利用從判別器(Discriminator，簡稱D)得到的梯度進行訓練，而G和D都需要完全可微，碰到有離散變數的時候就會有問題，只用BP不能為G提供訓練的梯度。在GAN中我們通過對G的參數進行微小的改變，令其產生的資料更加“逼真”

學習曲線：