百度自动驾驶系统 Apollo 源码分析  Apollo（阿波罗）是百度今年发布的汽车自动驾驶系统，它是不是可以无人驾驶？安全性又如何保证？下面我们就来看看自动驾驶指的是什么，以及它是如何实现的． ##自动驾驶评级   先来看看什么是自动驾驶，2014 年，SAE International（国际汽车工程师协会）制订了一套自动驾驶汽车分级标准，其对自动化的描述分为 5 个等级。 自动驾驶评级   从辅助驾驶到全自动驾驶，都属于自动驾驶，只是级别不同，现在有很多车已经配置了定速巡航，自动泊车，这是从 L1 走向 L2 阶段；而 L3 是说人可以不进行主动驾驶，但需要时刻保持注意力；据说 Google 的 Waymo 自动驾驶系统已达到 L4 水平，它能在特定地理区域和条件下，完成整个动态驾驶任务．大家离 L5 还都有一段很长的路要走．百度的目标是 2019 年量产 L3 的汽车．   同样是自动，但是程度不同，具体要看：设计运行范围（operational design domain，简称 ODD），它包括地理位置、道路类型、速度范围、天气、时间、国家和地方性交通法律法规等等． 硬 ...

AlphaGo Zero 与增强学习  2017 年 10 月 19 日凌晨，DeepMind 在《自然》杂志上发表了一篇论文，正式推出人工智能围棋程序的最新版本——AlphaGo Zero． AlphaGo Zero 成长史   最初 AlphaGo Zero 除了围棋的基本规则以外，没有任何关于围棋的知识；  3 个小时之后，它通过自学入门围棋，成为人类初学者水平；  19 个小时之后，它自已总结出了一些＂套路＂，比如死活，打劫，先占边角等等；   自学第三天后，它战胜了 AlphaGo Lee（当初击败李世石的 AlphaGo 版本）；   自学第四十天后，它战胜了 AlphaGo Master（今年击败柯洁的 AlphaGo 版本）   与之前的 AlphaGo 版本相对，它不但提高了水平，而且节约了算力．   这还不是最重要的，最重要的是它只使用了增强学习，因此它的意义就不仅仅是赢得棋类比较这么简单了． 增强学习   先来看看什么是增强学习（Reinforcement Learning），我们知道机器学习分为有监督学习和无监督学习，增强学习介于它们两个之间，它关注的是智能 ...

深度学习 _ 总结篇 前篇总结 深度学习 _ 简介及相关概念 http://blog.csdn.net/xieyan0811/article/details/78401473 深度学习 _ 工具 http://blog.csdn.net/xieyan0811/article/details/78411882 深度学习 _BP 神经网络 http://blog.csdn.net/xieyan0811/article/details/78425453 深度学习 _ 卷积神经网络 CNN http://blog.csdn.net/xieyan0811/article/details/78438329 深度学习 _ 循环神经网络 RNN 与 LSTM http://blog.csdn.net/xieyan0811/article/details/78462982 朋友反馈说，看不懂 CNN 和 RNN 篇．文章确实因为篇幅原因，有点跳步了．不过我觉得主要原因还是跳过了前面的基础部分．我们很多时候喜欢直击重点，跳过过程，但是有的过程确实跳不过去． 数据挖掘，机器学习，机器视觉，语言处理这些背 ...

深度学习 _ 循环神经网络 RNN 与 LSTM 1. 循环神经网络 RNN 1) 什么是 RNN？ 循环神经网络（RNN）是一种节点定向连接成环的人工神经网络。具体应用有语音识别，手写识别，翻译等． 2) 什么时候使用 RNN？ FNN（前馈神经网络，如 BP，CNN 等）效果已经不错了，RNN 还需要更大量的计算，为什么要用 RNN 呢？如果训练 N 次，每次和每次都没什么关系，那就不需要 RNN，但如果每个后一次都可能和前一次训练相关，比如说翻译：一个句子里面Ｎ个词，一个词为一次训练（train instance），一个词的意思很可能依赖它的上下文，也就是其前次或后次训练，这个时候就需要 RNN． 3) RNN 与 FNN 有何不同？ 如图所示，左边的是前馈神经网络，数据按黑箭头方向从输入层经过隐藏层流入输出层，向前流动，因此叫做前馈网络．右图中，隐藏层中的数据除了传向输出层，还和下次输入一起训练后续的隐藏层，不再是单向，而是包含了循环，则构成了循环神经网络．下图是将各个时间点画在同一图上，左边前馈 FNN 的展开图，右边是 RNN 的展开图． 简单地说，它只是在隐藏层处加了 ...

深度学习 _ 卷积神经网络 CNN 1. 引入 卷积神经网络（CNN）是一种专门用来处理具有网格结构数据的神经网络．它属于前馈神经网络，它被定义为：至少在某一层用卷积代替了矩阵乘法的神经网络．最常见的应用场景是图像识别． 前篇我们自己动手，用 Python 实现了一个 BP 神经网络，本篇我们在 Keras 框架之下实现卷积神经网络（Keras 框架详见《深度学习 _ 工具》篇）．Keras 几乎是搭建 CNN 最简单的工具了，然而原理并不简单：除了基本的神经网络中用的误差函数，激活函数等概念以外（具体详见《深度学习 _BP 神经网络》），CNN 还用到了卷积，池化，DropOut 等方法．将在本文中逐一介绍． 2. 原理 1) 图像识别 先来看看图形学中的图像识别是如何实现的． 图片.png 我们拿到了原图（图上左），一般先将其转换成灰度图（图上中）．然后进行边缘检测，图像处理中常使用计算梯度方法（判断某像素与它相邻像素的差值）检测边缘．在 CNN 中我们用卷积来检测：先设计一个卷积核计算相邻像素的差值，然后用 ReLU(f(x)=max(0,x)) 激活函数将那些差值小的置为 ...

深度学习 _BP 神经网络 1. 说明 现在使用深度学习算法都以调库为主，但在使用库之前，先用 python 写一个最基本的神经网络的程序，也非常必要，它让我们对一些关键参数：学习率，批尺寸，激活函数，代价函数的功能和用法有一个直观的了解。 2. 原理 1) BP 神经网络 BP 神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络．这又前馈又逆向的把人绕晕了．先看看什么是前馈神经网络，回顾一下《深度学习 _ 简介》中的图示： 图片.png 这是一个典型的前馈神经网络，数据按箭头方向数据从输入层经过隐藏层流入输出层，因此叫做前馈．前馈网络在模型的输出和模型之间没有反馈，如果也包含反馈，则是循环神经网络，将在后续的 RNN 部分介绍． 前向网络和循环网络的用途不同，举个例子，比如做玩具狗，前馈是用不同材料和规格训练Ｎ次，各次训练之间都没什么关系，只是随着训练，工人越来越熟练．而循环网络中，要求每次做出来的狗都是前次的加强版，因此前次的结果也作为一种输入参与到本次的训练之中．可把循环网络理解成前馈网络的升级版．本篇讲到的 BP 神经网络，以及处理图像常用的卷积神经网络都是前馈网络 ...

深度学习 _ 工具 1. 引入 深度学习的工具有很多 Tensorflow, Theano, Caffe, Keras, MXNet, Scikit-learn…有用 c++ 写的，有用 Python 写的，还有Ｒ的，Java 的，从哪里入手呢？ 先看看最热门的 Tensorflow，它是谷歌研发的人工智能学习系统，主要优点是分布式计算，特别是在多 GPU 的环境中。Theano 也是比较低级的库，一般单机使用．什么是低级库？就像炒回锅肉不用从杀猪开始，杀猪就是比较低级的工作，已经有人帮你做好了，像 Keras 这种较上层的工具，它把 Theano 和 TensorFlow 包装成了更具人性化的 API。至于是选择低级工具，还是上层工具，主要取决于您的目标是开肉联厂还是开饭馆． 图片.png 2. 工具简介 Caffe 是 c++ 写的库，是较低层级的库，它是个老牌的工具，工作稳定，性能也好，还提供绑定到 Python 上的编程语言，但相对没有 Python 类工具灵活． Theano 是一个低级库，透明地使用 GPU 来完成数学计算．也是一个老牌的工具，工作比较稳定，只支持单机 ...

深度学习 _ 简介及相关概念 1. 传说 传说深度神经非常神奇，把那些浅层学习都给甩出十万八千里去了！还需要什么特征工程？卷积神经网络的特征都是自动识别的！只要用正确的条件和结果训练得足够多，以后给条件就能自动出结果了，比教人还简单！它模拟的可是人类的大脑，现在的运算量已经赶上猫狗的脑了，只要运算足够大足够快，机器人分分钟就消灭人类！ 这些只是传说，它夸大的事实的一部分，而故意忽略了另一部分．不过，树立的典型不都这样么？看 2010 年以来最热门的卷积神经网络（CNN）的发展，从 AlexNet 到 RssNet，就可以看到，它主要解决了什么问题，具体怎么用，离强人工智能还有多远。 其实，神经网络就是机器学习的一种，机器学习又是人工智能的一种。现在一说人工智能就说深度学习，不懂这个就太 out 了。环境就是这样，也只好花时间来了解一下了，此专题大致分为：简介，入门工具，BP 实现，CNN，RNN，技巧这几部分来介绍一下。 2. 引入 简单地举个例子：有一家玩具工厂，想通过试生产的方式培养员工的生产玩具的能力．具体过程是提供 3 种材料（输入），和 1 种成品（输出），让工人们练手（此例 ...

比特币挖矿——集群矿池 btcpool #区块链 1. 介绍 btcpool 一个集群的解决方案，它使用了 mysql 数据库，web 服务，kafka，zooKeeper，据说可以控制 100000 矿机。代码中逻辑和安装说明都比较完整，但还需要一些编写一些 web 界面做 UI 支持。配好之后就和其它大矿池差不多了。 挖矿的哈希碰撞需要大量计算，由矿机实现。而拆分集成运算量，分配任务，在矿机多的情况下也需要大量的算力支持。Btcpool 是一个去中心化集群的解决方案（矿池内部去中心，对外自成体系）。N 个矿机连一个控制板，控制板接入网络，通过端口连服务器，服务器再把拆分运算量的工作分担给矿池内的多台服务器同时计算。 它的主旨就是整套系统切分成功能块，块与块之间用使用 kafka 传递数据和信息，后台由 zooKeeper 负载均衡，从而使不同的功能块运行在不同的服务器上。像钱包和 mysql 这种频率使用的公用数据放在另外的服务器上，各功能块通过 rpc，zmp 等方式访问它们。 其中最核心的程序是 sserver，矿机控制板连接的就是该程序。它支持 Stratum 协议。现在一般 ...

比特币挖矿——建立 Kafka&ZooKeeper 集群 #区块链 1. 介绍 采用 ZooKeeper+Kafka 的方式建立集群，主要支持了消息传递和负载均衡，常见的一些文档，有的是概念较多，没有实际操作；有的只有命令，不知其原理。这里就结合集群矿池来说说它的具体应用场景，原理，以及具体实现。 图片.png 2. 举例 先举个例子，比如一个理发店： 一开始只有一个理发师，洗剪吹都由他一个人负责，那么只能一个客人做完全套（同一台机器上操作各个步骤），再给下一个客人服务。 之后, 又来了几个理发师，每个人负责接待一个客人（多台服务器，每台负责单个流程）。 再后来理发店又扩大，人多了（多台不同用途的机器），老板发现如果把工作细分为：洗 (A) 剪 (B) 吹 (C) 三部分，这三部分的工作量和难度都不同，可以安排专人专职，以节约人力成本。三个模块工作量不同，需要的人数也不同，如上图所示，洗 2 人 (2 台机器)，剪 3 人 (3 台机器)，吹 2 人 (2 台机器)。Data 为库房 (数据服务器)，每个人都可能去库房存取工具。 显然，A 与 B 并不是一一对应的关系。洗 ...