在很多应用场景中，如机器人、无人机、SLAM，都需要确定物体在三维空间中的姿态。姿态有四种常见的描述方法：旋转矩阵、轴角、欧拉角、四元数。本文将针对这四种描述方法进行系统的讲解，尽可能罗列所有涉及的公式，并指出进行数值计算时容易忽视的陷阱，方便大家日后使用。 本 Chat 包含以下内容： * 旋转矩阵的含义、推导和性质，旋转顺序对于坐标转换的影响； * 轴角的定义，罗德里格旋转公式； * 欧拉角的定义，万向节死锁问题； * 四元数的定义和运算法则，使用四元数进行坐标变换； * 旋转矩阵、轴角、欧拉角、四元数之间的转换公式及推导。

现在的人脸识别技术已经很成熟，各种商业应用遍地开花。 很多人也多多少少了解一些人脸识别的相关技术，比如卷积神经网络、人脸检测、人脸搜索等等，也会自己跑一下人脸识别模型。 But, so whta ? 如果要你部署一个行业级人脸识别服务系统呢？每天处理上千万的视频图片，如何合理利用 GPU 资源，如何根据实际应用场景调整模型参数，性能，达到行业应用水准呢？ 是的，实际应用往往跟纯理论不一样!！需要我们见招拆招。 本文将以实际应用为背景，讲解如何搭建一个行业级人脸识别服务系统，涉及以下内容： 1. 应用场景介绍 2. 人脸识别服务系统整体框架说明 3. 人脸识别服务系统技术实现细节 4. 介绍一款超级强大人脸搜索框架（比 Faiss 好用强大 N 倍） 5. 如何并发调度 6. 如何根据实际情况大幅度提供人脸检测、人脸搜索速度 本文适合有一定深度学习基础的人工智能从事者，文中会涉及很多踩过的坑，并给出应对措施，希望对从事人脸识别应用的伙伴们有所帮助。

AlphaZero 在 AlphaGo 的基础上更进一步，横扫全球围棋大师。强化学习（RL）是怎么攻克二十年来没有解决的难题，实现在棋局可能性多于全宇宙星球数量的一对一比赛中战胜人类呢？AlphaZero 又是如何脱离人类围棋棋谱独立自学完成对 AlphaGo 的超越呢？ 本 Chat 将会使用 AlphaZero 实现五子棋游戏，并详细解析核心代码，大家还将学习到： 1. AlphaZero 原理详解 2. 强化学习介绍 3. Actor Critic（RL 一种）完成小游戏 CartPole （附完整代码） 4. 蒙特卡洛搜索在 AlphaZero 中承担角色 5. 强化学习在 AlphaZero 中承担角色 6. 附上完整代码供大家学习

算法是机器视觉系统完成各种任务的核心。为了设计准确性和鲁棒性都较高的算法，并提高其执行速度，一般需要事先对整幅图像或部分像素进行操作，使图像尺寸或形状更适合计算机处理。某些时候还要对图像进行算术和逻辑运算，以消除噪声或提高图像的对比度。这些前期的图像操作或运算不仅会在空间域增强图像，还能极大地提高后续算法的执行速度及其有效性。 本 Chat 主要设计的知识点有： - 介绍灰度分析与变换 - 介绍空间域图像增强 - 特征分析 本 Chat 中图像的处理将使用 OpenCV 进行实例化实验，希望通过本次 Chat 让读者深刻理解图像的相关处理。 本场 Chat 适用于入门人工智能的同学，同学们在只需具备一定的 Python 编程能力，照着做，就能做出效果。 本次 Chat 详细内容为： 1. 实验环境的安装 - ubuntu 下安装 Anaconda - 利用 Anaconda 安装 pythone-opencv 2. 灰度分析与变换 - 直方图介绍 - 直方图绘制 3. 空间域图像增强 - 均值滤波 - 方框滤波 - 高斯滤波 - 中值滤波 4. 特征分析 - 阈值分割

本场 Chat 将介绍**行人碰撞预警系统**（`pedestrian collision warning，PCW`） 该系统是一项先进的汽车主动安全技术，是汽车 `ADAS` 中的重要组成部分，对交通安全的提升具有十分重要的意义。 行人碰撞预警系统是在行人检测系统的基础上进行的，首先，通过汽车前上方摄像头收集汽车前方道路信息，然后对探测视野的图像进行行人检测来确定是否存在行人并给予定位，若有行人步入汽车前方危险区域，此时行人碰撞预警系统将会发出危险报警，提示驾驶员注意前方潜在的危险。其本质是采用摄像头实现人眼的感知功能，运用视觉算法对汽车前方的道路信息进行分析来实现行人捡测的功能，进而做到及时、有效的预警，提醒驾驶员防范汽车前方潜在危险。 具体内容如下： 1. 系统需求分析 2. 系统数据处理 3. `Faster R-CNN`检测网络的详细设计 4. `Faster R-CNN`网络模型的训练 本场 Chat 适用于入门人工智能的同学，同学们在最后实战时只需具备一定的` Python` 编程能力，照着做，就能做出效果。 其中网络模型的训练过程将介绍如下内容： - 训练文件框架 - 训练文件框架 - 参数文件配置 - RPN 网络训练 - Fast-Rcnn 网络训练 - Fast-Rcnn 网络训练

现在物联网的概念异常的火热，市面上米家、天猫精灵、小爱同学、小度、亚马逊、Home Assistant 等平台正在激烈的逐鹿争霸。但是百家争鸣的另一面却是各家都有各自的协议，不加以改造很难应用于其他的平台。 作者之前曾经通过某家的 WiFi 开关，搭配电磁铁实现了一个建议的 WiFi 遥控的门禁装置。避免了忘记带钥匙，或者将钥匙弄丢之后的尴尬。但是使用一年之后，却发现该方案并不是像想象中那么便捷。因为，当我们回家想要进门时，我们不得不面对下面繁琐的步骤： 1. 掏出手机 2. 解锁手机 3. 退出手机上面的上一个应用 4. 返回到主界面 5. 从主界面上找到对应的 App 6. 打开 App，等待 App 启动 7. 点击对应的开门按钮 8. 进门 我们的目的仅仅是为了开门回家，但是真的需要面对这么一系列繁琐的步骤吗？一年以后，我在想，可否将这一系列的过程简化成回家，拉门把手，门开了呢？ 经过几天的摸索，我尝试着用从 0 开始，完成了我最初的构想，现在是，回到家，点亮手机屏幕，拉门把手就可以开门回家了，相比原来的过程，复杂度指数级下降。 在本场 Chat 中，我会详细讲解我的实现思路和步骤，会讲到如下内容： 1. 如何选择一个开发板 2. 蓝牙 BLE 和 Classic 如何选择，蓝牙和 WiFi 的异同是什么 3. 如何基于 WiFi 嗅探获取校验指定的设备 4. 门锁的电路实现 5. 电磁铁、继电器、升压板的原理是什么 6. 如何选择电磁铁、升压板、继电器 7. 如何通过代码实现 适合人群：对 Arduino 感兴趣，或者是和我一样想让生活变得更懒一些的人

随着人工智能技术在多个领域的不断发展，相关领域的项目落地就显的尤为重要。目前人工智能落地最多的消费级应用便是在移动设备上的项目了。谈到人工智能项目落地便无法回避神经网络的推理，众所周知，网络推理对算力的需求虽然没有训练那么庞大，但是对于移动设备这样算力有限的设备而言，确实是不小的挑战。而移动设备上的 GPU 无疑是最先被考虑的设备了。 随着对算力需求的不断提升，芯片厂商近几年在移动端 GPU 上的投入也越来越大，其算力也明显增强。而移动端 GPU 在通用计算方面的编程语言，目前依然是 OpenCL，虽说 GL 和 vulkan 也都在不断发展，但是目前使用最多的依然是 OpenCL。 本场 Chat 受限会带领大家入门 OpenCL 编程，然后针对面试中的基础知识点进行详细阐述；帮助大家深入了解 GPU 的运行原理及 OpenCL 编程方法。 本场 Chat 您将学到如下内容： 1. GPU 运行原理 2. OpenCL 编程模型 3. OpenCL API 详解 4. OpenCL 的 Hello Word 5. OpenCL 的优化策略

训练集（Train Set）、验证集（Validation Set）、测试集（Test Set）这三个名词在机器学习领域极其常见，但很多人并不是特别清楚，尤其是后两个经常被混淆。 而交叉验证很多教材和文章概念也不统一，即可用于划分数据集、也可用于模型选择及调参，也容易让大家误解。 为彻底搞明白这几个概念和用法，本文我们深度研究一下。 在本场 Chat 中，会讲到如下内容： 1. 训练集，验证集，测试集概念、用法 2. 交叉验证在不同教材及 sklearn 中的概念区别 3. sklearn 交差验证方法划分数据集语法、参数解析、用法 4. 不同数据条件下如何选择交差验证方法 5. 运用交叉验证进行模型评估（语法、参数解析、用法） 适合人群：机器学习初学者

前两天和一个搞土木(理科鄙视链底层)的哥们聊起了卷积的物理意义的话题。这货拿着某“机器学习专家”的教程笑了挺久。这大哥把卷积解释成了“这样一个不断失血又不断补血的过程”，形象是形象，就是解释的不知所云。那一刻在哥们的眼里看到了久违的优越感。 所以这里开了一个系列 Chat ，聊聊理工科的数学基础之间的关系，连带着纠正一些搞机器学习的前辈的说法。可以算作数学基础教程吧，但是会有很多私货。 本次 Chat 内容为： 1. 傅里叶变换与微分方程的解 2. 线性系统的脉冲响应与卷积 3. 本征模分析与特征向量 4. 如何利用所学的知识忽悠搞机器学习的人 最后一条删掉，应该是如何利用这些知识更好的进行机器学习。

词法分析器是用于识别单词所构筑的一个自动识别程序。其本质是词法分析，由一正规文法或是正规表达式推导出不确定的有穷自动机 NFA，再确定化得到确定的有穷自动机 DFA，最后最小化得到一个最简 DFA，输入符号串，识别单词。 语法分析器是在词法分析器的基础上实现识别一符号串是否符合相关文法，其本质是语法分析，而语法分析有两种分析方法：自顶向下与自底向上。自顶向下的代表方法是 LL(1) 分析；自底向上的代表方法是算符优先分析、LR(0) 分析、SLR(1) 分析。 本文的读者包括以下几类： 1. 对编译原理有兴趣，想要了解的； 2. 想要编写自制编译器的； 本文要求读者具有以下几点基础： 1. 了解基本数据结构，例如：栈【因为在语法分析的过程中，使用了分析栈】 2. 对文法有基本的了解与认识。 通过本文能够收获以下内容： 1. 词法分析的原理描述与实例化完全题解以及词法分析器的简易实现； 2. LL(1) 分析法中对 First 集、Follow 集、Select 集的直接解析，带实例化题解； 3. 算符优先分析法，这是一种只考虑终结符，不考虑非终结符的分析方法，带实例化题解； 4. LR(0) 分析法，讲述活前缀与分析表的创建等一系列的先导知识，再带实例化题解； 5. SLR(1) 分析法，相较于 LR(0) 分析，SLR(1) 引入了 Follow 集，带实例化题解。 备注：本文可能会带有不定时更新。 更新方向：LR(1) 分析；LALR(1) 分析；基于算符优先分析的语法分析器快速实现；语义分析。

面对机器学习，初学者的阻塞点往往不在于机器学习本身，而是数学。机器学习是计算机技术，但它的底层是数学。通常，在机器学习相关的教材中，通篇都是复杂的数学公式。初学者如果数学基础不牢固，面对满篇的数学公式时，就会逐步失去学习信心、减少学习动力，而达不到预期的学习效果，最终只能沦落个“半吊子”的水平。 有鉴于此，本 Chat 将会拆解机器学习主流模型，找到主流模型背后依赖的数学知识点。再讲这些数学相关的知识点，进行统一整合归并。因此，这篇 Chat 的背景是机器学习，而讲述的内容是数学知识。我会用尽可能简单的方式，取其精华、去其糟粕，让你尽可能以极低成本，迅速掌握机器学习必备的数学知识。相信有了这些必备知识之后，你就能轻松读懂其他机器学习教材并快速入门机器学习啦。 本 Chat 内容： - 机器学习主流模型依赖的数学知识要点拆解 - 梯度，利用梯度下降法求解函数极值 - 向量与矩阵，求各种积、求逆 - 求导大法，函数求导、向量求导、矩阵求导 - 概率计算，对于事物不确定性概率的计算、极大似然的原理 - 信息量的度量，熵、条件熵、信息增益、信息增益率 - 统计量，均值、方差、最小二乘 - 统计学的圣经，中心极限定理、假设检验 适合人群： - 每次打开书都被公式搞垮的机器学习初学者 最后一句，写好每篇 Chat 是对我的要求，更是对你的尊重。

宇宙之大，粒子之微，火箭之速，化工之巧，地球之变，生物之谜，日用之繁，无处不用数学。 ——华罗庚 火爆的深度学习技术跟数学有着千丝万缕的联系，例如常见的自动微分技术，梯度反向传播技术等。要想深入研究深度学习，数学知识是必备的基础。 本 Chat 主要分享必备的数学知识，囊括如下内容： - 函数和导数 - 函数的定义 - 函数的性质 - 函数的极限 - 函数的连续性 - 偏导数及梯度 - 导数的定义 - 常见的导数计算公式 - 使用 Pytorch 自动微分技术求解常见函数的导数 - 方向导数及梯度 - 微分及积分 - 牛顿-莱布尼茨公式 - 泰勒公式及其思想 - 拉格朗日乘子法及思想

这篇文章将详解爬虫处理登陆过程中出现的滑动验证的细节，不管你是小白还是大神都老少皆宜；和人工智能过招，你将学会下面核心技术： 1. 如何真实模拟人为轨迹 2. 如何准确快速识别滑块距离 3. 如何防止被识别为爬虫 4. 滑动验证变种的处理 5. 下一步滑动验证如何升级 学完上面后可在某京某宝上自行验证。通过本篇教程，你将学会处理滑动验证的核心思想并用之与人工智能对抗；学了后再面试中你讲成为面试官眼中的 Python 爬虫大神，在实际工作中你将轻松解决爬虫登陆问题。该技术源于解决某京登陆的问题，为避免侵权，案例以公开体验的网盾滑动验证来说明！

障碍物行为预测是无人驾驶系统的核心模块之一。预测模块承接上游感知模块，结合高精地图和主车的定位信息，对周边障碍物的未来运动情况进行预测，帮助主车提前作出决策，从而降低交通事故的发生率，在无人驾驶系统中发挥着承上启下的关键作用。 在百度 Apollo 自动驾驶开源平台中，障碍物行为预测分为车辆轨迹预测和行人轨迹预测两大类。在车辆轨迹预测中，分为意图预测和速度预测两个过程。意图预测根据不同的场景，通过深度学习神经网络给出各行为意图的概率。速度预测考虑与主车的交互，运用采样+代价函数选择的方法，给出合理的速度预测。 在这次分享中，我们将讨论 Apollo 5.0 中开放的新技术： 1. 路口场景预测模型 2. 语义地图预测模型 3. 基于交互的预测模型 4. 行人预测模型 ---- 作者简介：许珂诚，百度资深研发工程师，百度 Apollo 平台预测方向技术负责人。复旦大学数学专业本科，美国德克萨斯大学大学奥斯汀分校计算数学硕士，主要方向为机器学习。2017 年 3 月加入百度，参与 Apollo 1.0 至 5.0 的开发工作至今，主要负责障碍物行为预测方向的研发工作。

随着深度卷积神经网络（CNN）的发展，人脸识别已经取得了近乎完美的识别性能，并已经应用于我们的日常生活中，如手机解锁，门禁，人脸支付等。然而，这些人脸识别系统容易受到各种方式的攻击，如打印攻击、视频回放攻击等，使得识别结果变得不可靠。本场 Chat 我们就来做一个简单的实时活体检测系统，由于数据集有限，我们只做打印攻击活体检测。具体内容包括： 1. 简单过一遍已有的活体检测算法 2. 使用 MTCNN 进行人脸检测 3. 准备活体检测数据集，使用 Pytorch + MobileNet 训练活体检测模型 4. 编写程序，调用笔记本摄像头，将活体检测实时应用于所拍摄数据，实时显示检测结果 本场 Chat 适用于入门人工智能的同学，具备一定的 Python 编程能力，照着做，就能做出效果。

在深度学习最火的时候，相信很多人都听过“AI 视频换脸”这个词，甚至不少人从一些网站的视频中看过换脸之后的效果；想必当时也有一颗跃跃欲试的心，但又觉得学习成本太高，AI 换脸操作复杂而放弃了，当然这也是笔者当时所遇到的一些问题，不过花了一周时间研究之后，已经掌握了不少技巧，希望通过本次 Chat 和大家分享。 通过本次 Chat 分享，将获得以下能力： 1. 熟悉深度学习的显卡挑选 2. 熟悉视频换脸素材挑选 3. 掌握视频换脸操作步骤 4. 能独立完成视频换脸操作 5. 对深度学习有基本的认知

轨迹规划是无人驾驶系统的核心模块之一。轨迹规划模块承接上游感知、预测、决策等模块，规划无人驾驶车一段时间内的具体的驾驶行为，以轨迹的形式输出给下游控制模块执行。轨迹规划算法的优劣直接决定了无人驾驶车的安全性和舒适性，在无人驾驶系统中发挥着至关重要的作用。 在百度 Apollo 无人驾驶开源平台中，轨迹规划分为路径规划和速率规划两个顺序过程。路径规划结合道路边界线、静态障碍物的信息，产生轨迹的几何信息。速率规划在给定的路径下，考虑动态障碍物的预测轨迹、道路限速信息和决策信息，产生安全舒适的速率分配。 在这次分享中，我们将讨论： 1. 在 Frenet 坐标系下的轨迹规划的路径和速率分解 2. 基于离散分段的路径规划算法 3. 基于离散分段的速率规划算法 ---- 作者简介：张雅嘉，百度高级架构师，百度 Apollo 平台规划方向技术负责人。有多年机器人运动规划方向的研发经验，曾带领团队参加 DARPA 机器人竞赛。2016 年加入百度，从事无人驾驶平台规划方向的研发工作。

这一次将给大家介绍在学术界和工业界主流以及非常实用的深度学习卷积神经网络架构核心设计技术，内容时间跨度超过 10 年，覆盖的核心设计思想超过 10 余种，有助于给大家在工业界实践中设计更加强大，高效的卷积神经网络提供指导和建议。 内容主要覆盖以下部分： 1. 如何决定和迭代一个模型的深度 2. 如何决定和迭代一个模型的宽度 3. 如何使用好通道的维度变换技术 4. 如何增强网络各层信息的融合 5. 如何提高网络参数的利用率 6. 如何最优化网络的分辨率变化（步长，池化） 7. 如何使用好 BN、Dropout 等正则化技术 8. 如何对网络的各个通道进行更加有效的分组使用 9. 如何利用剪枝和量化技术去除网络冗余 10. 如何使用好迁移学习技术 11. 工程技巧

从算法发明者的角度让您醍醐灌顶地快速入门机器学习。让不管是初学者还是已经学习过的朋友都会有所启发。这个链接需要微信打开，点击报名然后微信识别弹出的二维码即可。(这次是免费性质的分享，但是平台要求超过60人预订才能发文章，希望大家帮忙转发到朋友圈。） 手推机器学习各大经典算法成为算法研发岗位的必备内容。无论您是从事数据挖掘还是应用机器学习进行图像识别和商品推荐。仅仅会调用 Python 机器学习包是不具备竞争力的。而机器学习算法繁多，每个都靠记忆推导公式来记住机器学习算法这是很困难的。只有了解，从算法发明者的角度出发理解算法原理，才能举一反三。学会一种算法的本质，就能领悟多种算法。 让您掌握学习机器学习的方法，快速入门机器学习。 本场 Chat 首先会带领大家从算法发明者的角度看机器学习算法的共同之处，从而发现机器学习算法的本质。然后从算法发明者的角度来演示几个经典机器学习算法是如何被创造的。帮助大家对机器学习算法做到知其然，并知其所以然。 机器学习写程序并不复杂，难的在于懂原理。以及如何应用它。 本场 Chat 您将会学到如下内容： 1. 了解机器学习算法的本质 2. 从算法发明者的角度看机器学习算法原理 3. 了解决策树发明的思路 4. 结合初学者角度看 SVM 5. 介绍评估算法的性能指标 6. 了解极大似然法和机器学习算法的联系 7. 介绍逻辑回归 8. 通俗介绍梯度下降的本质是什么，并使用 Python 进行实践。

在前面一篇 Chat 中，我们利用矩阵的特征值分解对数据进行主成分分析。这种方法有一定的局限性：即要求矩阵必须是方阵且能够被对角化。那么如果拓展到一般情况，对于任意形状的矩阵我们该如何处理呢？ 这篇 Chat 将介绍一个更通用的利器：奇异值分解。他可以对任意形状的矩阵进行分解，适用性更广。我们可以将特征值分解看作是奇异值分解的特殊情况，先从特征值分解的几何意义入手，然后从特殊到一般，在空间的背景下引导大家一步一步探索奇异值分解方法的推导过程，从头摸索一遍方法的来龙去脉，并具体运用他对数据进行降维处理。 全文主要内容如下： 1. 回顾特征值分解的几何意义 2. 探讨奇异值分解的具体实施细节 3. 从行和列两个维度进行数据压缩和矩阵近似 4. 利用 Python 进行奇异值分解