TITAN

这是我个人觉得蛮有意思的一篇文章，不是说里面的问题，而是两方暴露出来的问题现象，我们常说的业务价值和技术价值的权衡，其实精髓就在此，当然里面有些言论有些激烈，很多牢骚抱怨我们也有过，换个角度来想，也就释然了。这篇文章我看了很多遍，我喜欢看那些深刻的问题而不是个别敏感的字眼。所以推荐大家阅读也吸取有价值的思想，不要太拘泥于里面的个别表达方式。问题讨论的知乎链接为： https://www.zhihu.com/question/32039226/ ----------------------------------------------------------- 今年年初，到一家互联网公司实习，该公司是国内行业龙头。 不过技术和管理方面，却弱爆了。 那里的程序员，每天都在看邮件，查问题工单。 这些问题，多半是他们设计不当，造成的。 代码写的一团糟，全是复制粘贴，连作者都没改，大家普遍不写注释，也不格式化，代码歪歪扭扭。 一个项目里，httpclient竟然出现了四种。 一种是该公司研发部写的， 一种是老版本的开源项目， 一种是新版本的开源项目， 还有一种是开发人员造的轮子。 打接口请求响应日志，竟然不知道用拦截器。 打错误日志竟然不打上下文信息，每个人一种日志风格，千奇百怪。 许多重要的中间流程，居然不打日志。 idea、eclipse

阿里妹导读：数字化的时代，无论是商场里的大小专柜，还是小区门口的便利店，大多仍处于“数据荒漠”中。店家不知道店内多少商品被人浏览，多少衣服被试穿了，作为顾客的我们也不知道哪些商品是最受同龄人喜爱的畅销好物。 在新零售场景中，线下的行为数据是潜藏的宝矿。如何进行数字化升级，更好辅佐商家和消费者，成为摆在我们眼前的重要课题。 下面，搜索事业部的算法专家京五将为大家详细介绍阿里在线下场景的客流数字化探索与应用。 在互联网时代，数据是所有应用的基础，淘宝的商家可以基于商品历史的点击成交量来判断店内各个商品的情况，并做出相应的运营行为，淘宝的买家会根据商品历史的成交数据，评论数据等，来辅助自己判断是否进行购买，同时我们平台也会基于用户和商品的历史数据，来训练模型，预测各个商品的点击率，预测各个用户的偏好，使展示的结果更符合用户的需求。可以看出，数据对于各个不同的角色都有很重要的作用。 在互联网中，获取数据相对容易，反观线下零售场景，大部分数据都是缺失的，商家并不知道店内多少商品被浏览了，多少商品被试穿了，买家也不知道各件商品的历史数据。 因此，我们的客流数字化相关的探索，就是要将线下的用户和商品的行为数据收集起来，让线下的行为也能有迹可循，为商业决策和市场运营提供准确有效的数据支撑，将传统零售中的导购经验逐渐数字化成可量化和统计的数字指标，能够辅助商家运营，同时帮助用户进行决策。基于这些数据

碎碎念： 最近拿到一个工业模型渲染测试，它有三千六百万个三角面，内存使用了近16G。家里电脑显卡是GTX960，才2G显存，完全不够用啊。稍微加点模型进去，就超显存不渲了，很是揪心，谁让我选了redshift渲呢。。但不可否认它确实出图很快啊。 为了测试继续进行下去，我不断优化场景，尽可能的删掉看不到物体。最终模型三角面减到了两千百万，才勉强能够渲成图。小心翼翼调整采样，都不敢多加半点参数。门都不敢打开，糟心的测试，真是够够了。贴一张渲染出来的图留念一下吧！ 这只是别人发给我的测试，可能不是西门子的东西，自己瞎放上去的。如有不合适，请联系我删掉。。 恩！回归到正题，要跟上时代潮流家里就得换电脑了。于是我研读了一下redshift的对于硬件的需求。 划重点： 游戏显卡跟专业显卡在redshift渲染性能上没差异。windows系统选专业显卡会快。 1GB的显存中容纳大约2千万到3千3百万个三角面。算算自己的需求量吧。 单显卡，显存越高越好啦，渲染会更快。 多个GPU的显存不能叠加在一起用。如果是多显卡一起使用，可以一次渲多帧，会节约渲染时间。 CPU单核高GHz是更好的选择。 至少安装比GPU大两倍的内存。 本地缓存纹理文件夹所在的磁盘，使用固态硬盘会加快读取速度。 网络读取速度会影响渲染速度，请用大量代理文件（例如3000w面的代理）测试本地路径和网络路径渲染时间差异。

作者： Derrick Mwiti 编译：ronghuaiyang 来源公众号：AI公园 导读 作者参加了39个Kaggle比赛，总结了非常多的技巧和经验，现在全部分享给大家。 想象一下，如果你能得到所有的tips和tricks，你需要去参加一个Kaggle比赛。我已经超过39个Kaggle比赛，包括： Data Science Bowl 2017 – $1,000,000 Intel & MobileODT Cervical Cancer Screening – $100,000 2018 Data Science Bowl – $100,000 Airbus Ship Detection Challenge – $60,000 Planet: Understanding the Amazon from Space – $60,000 APTOS 2019 Blindness Detection – $50,000 Human Protein Atlas Image Classification – $37,000 SIIM-ACR Pneumothorax Segmentation – $30,000 Inclusive Images Challenge – $25,000 现在把这些知识都挖出来给你们！ 外部数据 使用 LUng Node Analysis Grand

　　机器之心报道 　　 编辑：魔王、蛋酱 　　 贵是贵了点儿，但用起来是真香。 　　 　　创建属于自己的深度学习工作站大概是很多机器学习从业者的梦想，本文作者 Rahul Agarwal 也不例外。然而创建工作站并非易事，你得有时间，还得有钱。主要是得有钱…… 　　在拖延了很长时间后，Rahul Agarwal 下定决心创建自己的工作站。原因无他，受够了使用云服务时，不管多小的项目都要设置服务器、进行一系列安装，或者运行时和网络连接受限。 　　于是，Rahul 决定行动起来。在创建工作站之前，他阅读了大量资料，观看了很多相关的 YouTube 视频，做足了准备工作。 　　按照个人需求创建深度学习工作站需要大量研究，Rahul 研究了单个组件、性能、评论甚至外观，并写下了整个过程、所有组件以及选择原因等详细信息。 　　如果你也想创建深度学习工作站，Rahul 的这篇文章或许可以作为参考。 　　 为什么要创建个人工作站？ 　　映入我脑海的第一个答案是：为什么不呢？ 　　我的工作和深度学习、机器学习应用密切相关，但是每一次开启新项目都要使用新的服务器、安装所有依赖，真是让人头秃。 　　 　　如果有了属于自己的工作站，你就可以坐在桌边使用它，根据自己的需求进行大量定制。简直太棒了！ 　　不过相比于使用云服务，创建工作站这个主意真的让我「身无长物」了。 　　 工作站配置 　　我用了好几周时间

看过宫崎骏动画电影《天空之城》的小伙伴，想必偶尔会向往那座神秘的空中岛屿拉普达吧。近日，密歇根大学安娜堡分校博士后研究员 Zhengxia Zou 进行了一项研究，不仅可以创建空中堡垒，更可以转变场景中的天气和光照，让你有身临其境的感觉。此外，这项研究完全基于视觉，能够很好地应用于在线或离线场景，且可以执行实时处理。 哈尔的移动城堡？天空之城？这幅图是否让你想起了这两部电影中的场景…… 上：《天空之城》剧照；下：《哈尔的移动城堡》剧照。 是电影场景变为现实了吗？真的有人建造了一座空中楼阁？答案是也不是。 这座空中城堡的确是人为「构建」的，但并非真实存在。它是密歇根大学博士后研究员 Zhengxia Zou 近期一项研究所呈现的效果。 荒野、公路、疾驰的汽车，还有天边的巨型神秘建筑物，有科幻 / 末世电影内味儿了。然而，这幅场景竟然是从晴空万里的画面转换而成的。公路片变身科幻片？！ 别急，还有大招。（以下示例左图为原始画面，右图为处理后画面。） 右图场景是不是更像《天空之城》了？ 这场景让人想起一句歌词「打开这深夜，抚摸寒星光，我只想走进圆月亮」。 除了改变天空（比如增加悬浮城堡、改变色彩和云朵等），这项技术还能变换场景中的天气和光照。 今日天气多云转晴。 雷暴预警！一瞬间天昏地暗，雷电交加。 看起来，这项技术似乎都可以用到电影业了。那它是如何做到的呢？