复杂环境下的视觉同时定位与地图构建 章国锋 浙江大学CAD&CG国家重点实验室 SLAM: 同时定位与地图构建 • 机器人和计算机视觉领域的基本问题 • 在未知环境中定位自身方位并同时构建环境三维地图 • 广泛的应用 • 增强现实、虚拟现实 • 机器人、无人驾驶 SLAM常用的传感器 • 红外传感器：较近距离感应，常用于扫地机器人。 • 激光雷达：单线、多线等。 • 摄像头：单目、双目、多目等。 普通手机摄像头也可作为传感器 双目摄像头 微软Kinect彩色-深度（RGBD）传感器 手机上的惯性传感器（IMU） SLAM运行结果 • 设备根据传感器的信息 • 计算自身位置（在空间中的位置和朝向） • 构建环境地图（稀疏或者稠密的三维点云） 稀疏SLAM 稠密SLAM SLAM系统常用的框架 输入 • 传感器数据 前台线程 • 根据传感器数据进行跟踪求解， 实时恢复每个时刻的位姿 后台线程 • 结合双目立体视觉和超声波，实现空中精准悬停和安全航线自动生成 SLAM应用介绍 • 无人车 MobileEye、特斯拉等自动驾驶方案 以廉价的摄像头为主 Google无人车项目Waymo 使用高精度激光雷达构建地图 SLAM应用介绍 • 虚拟/增强现实：Inside-Out方案 目前绝大多数VR头盔都采用 Outside-In的定位方案，需要在环境 中放置一个或多个传感器，活动范 围受限，不支持大范围移动的定位。

十年后 的事。这些工具已经对工业和社会产生了越来越广泛的影响，改变了电影的制作方式、疾病的诊断方式，并 在基础科学中扮演着越来越重要的角色——从天体物理学到生物学。 关于本书 这本书代表了我们的尝试——让深度学习可平易近人，教会人们概念、背景和代码。 1 一种结合了代码、数学和HTML的媒介 任何一种计算技术要想发挥其全部影响力，都必须得到充分的理解、充分的文档记录，并得到成熟的、维护 帮助读者快速了解大多数现代深度学习应用背后的基本工具。 • 第三部分讨论可伸缩性、效率和应用程序。首先，在 11节 中，我们讨论了用于训练深度学习模型的几 种常用优化算法。下一章 12节 将探讨影响深度学习代码计算性能的几个关键因素。在 13节 中，我们展 示了深度学习在计算机视觉中的主要应用。在 14节 和 15节 中，我们展示了如何预训练语言表示模型并 将其应用于自然语言处理任务。 4 。阿斯顿拿起一部iPhone， 对它说道：“Hey Siri！”手机的语音识别系统就被唤醒了。接着，李沐对Siri说道：“去星巴克咖啡店。”语音 识别系统就自动触发语音转文字功能，并启动地图应用程序，地图应用程序在启动后筛选了若干条路线，每 条路线都显示了预计的通行时间⋯⋯由此可见，机器学习渗透在生活中的方方面面，在短短几秒钟的时间里， 人们与智能手机的日常互动就可以涉及几种机器学习模型。

行效率不高，灵活 性一般。 ❑ TensorFlow 是 Google 于 2015 年发布的深度学习框架，最初版本只支持符号式编程。 得益于发布时间较早，以及 Google 在深度学习领域的影响力，TensorFlow 很快成为最 流行的深度学习框架。但是由于 TensorFlow 接口设计频繁变动，功能设计重复冗余， 符号式编程开发和调试非常困难等问题，TensorFlow 1.x 版本一度被业界诟病。2019 # 创建 4D 张量 接下来我们使用索引方式读取张量的部分数据。 ❑ 取第 1 张图片的数据，实现如下： In [51]: x[0] # 程序中的第一的索引号应为 0，容易混淆，不过不影响理解 Out[51]: tensor([[[ 1.3005302 , 1.5301839 , -0.32005513], [-1.3020388 , 1.7837263 torch.squeeze()时逐一指定需要删除的维度参数 dim，防止 PyTorch 意外删除某些 长度为 1 的维度，导致计算结果不合法。 4.7.3 交换维度 改变视图、增删维度都不会影响张量的存储。在实现算法逻辑时，保持维度存储顺序 不变的条件下，仅仅改变张量的理解方式是不够的，有时需要直接调整张量的存储顺序， 即交换维度(Transpose)操作。通过交换维度操作，改变了张量的存储顺序，同时也改变了

1和?2，实际上表示的内容相同，这样其实可 以减少数据到一维，只有一个特征表示身高就够了。 很多特征具有线性关系，具有线性关系的特征很多都是冗余的特 征，去掉冗余特征对机器学习的计算结果不会有影响。 10 1.降维概述 数据可视化 t-distributed Stochastic Neighbor Embedding(t-SNE) t-SNE（TSNE）将数据点之间的相似度转换为概率。原始空间中的相似度由 仅仅需要以方差衡量信息量,不受数据集以外的因素影响 2.各主成分之间正交,可消除原始数据成分间的相互影响的因素 3.计算方法简单,主要运算时特征值分解,易于实现 4.它是无监督学习,完全无参数限制的 PCA算法缺点 1.主成分各个特征维度的含义具有一定的模糊性,不如原始样本特征的解释性强 2.方差小的非主成分也可能含有对样本差异的重要信息,因降维丢弃可能对后续数 据处理有影响 50 参考文献 [1]

Function)代价函数和正则 化函数，最终要优化的函数。 备注：损失函数的系数1/2是为了便于计算，使对平方项求导后的常数系数为1，这样在形式上稍微简单一些。有些教科书把系数设为1/2，有些设置为1，这些都不影响结果。 损失函数采用平方和损失： ?(?(?)) = 1 2 (ℎ(?(?)) − ?(?))2 9 线性回归-最小二乘法(LSM) (残差平方和) 最小，即最小化： ?? ? ? ? ?2 = 1 ? ෍ ?=1 ? (? ? −?)2 ? = 1 ? ෍ ?=1 ? ? ? 处理后的数据均值为0，方差为1 数据归一化的目的是使得各特征对 目标变量的影响一致，会将特征数 据进行伸缩变化，所以数据归一化 是会改变特征数据分布的。 数据标准化为了不同特征之间具备 可比性，经过标准化变换之后的特 征数据分布没有发生改变。 就是当数据特征取值范围或单位差异 过拟合和欠拟合 欠拟合 过拟合 正合适 24 过拟合的处理 1.获得更多的训练数据 使用更多的训练数据是解决过拟合问题最有效的手段，因为更多的样本能够让模型学习 到更多更有效的特征，减小噪声的影响。 2.降维 即丢弃一些不能帮助我们正确预测的特征。可以是手工选择保留哪些特征，或者使用一 些模型选择的算法来帮忙（例如PCA）。 3.正则化 正则化(regularization)的技术

的条件概率为： 换句话说， )是度量已经观测到 事件发生的情况下 事件发生的概率，两个事件被称为独立事件 当且仅当 （或等价地， )。因此，独立性相当于是说观察到事 件 对于事件 的概率没有任何影响。 2. 随机变量 考虑一个实验，我们翻转10枚硬币，我们想知道正面硬币的数量。这里，样本空间 的元素是长度为10 的序列。例如，我们可能有 ， ， ， ， ， ， ， ， ， 。然而，在实践中，我 对于离散随机变量, 当对于任意 且 。 对于连续随机变量, 对于任意 。 对于连续随机变量, ，当 对于任意 。 非正式地说，如果“知道”一个变量的值永远不会对另一个变量的条件概率分布有任何影响，那么两个随 机变量 和 是独立的，也就是说，你只要知道 和 就知道关于这对变量 ， 的所有信息。 以下引理将这一观察形式化: 引理3.1 如果 和 是独立的，那么对于任何 ， ，我们有： 的情况下，它降维成普通正态分布，其中均值参数为 ，方差为 。 一般来说，高斯随机变量在机器学习和统计中非常有用，主要有两个原因： 首先，在统计算法中对“噪声”建模时，它们非常常见。通常，噪声可以被认为是影响测量过程的大量小 的独立随机扰动的累积；根据中心极限定理，独立随机变量的总和将趋向于“看起来像高斯”。 其次，高斯随机变量便于许多分析操作，因为实际中出现的许多涉及高斯分布的积分都有简单的封闭形

1. 背景介绍 数据机房面临的能耗问题 数据机房面临电量消耗巨大的问题 空调是数据机房中电量消耗最大的设备 空调为什么那么耗电？怎么优化节能？ 低效的 冷却装 置 服务主 机工作 发热 影响空 调耗电 量原因 建筑材料 隔热和散 热性能差 不够智能 的空调控 制系统 空调缺乏对整个环境 的全面感知 空调对温度的控制 存在延迟 多 维 感 知 温 度 预 测 控 制 2. 模型的训练 优化算法：Adam 同时具有动量更新和自适应调整学习速率，占用内存少。 损失函数：Logcosh Logcosh是预测误差的双曲余弦的对数。不会受到偶尔出 现的极端不正确预测的强烈影响，同时收敛速度快。 评价指标：RMSE和R^2 RMSE：预测值与真实值的误差平方根的均值 R^2：范围为0-1，越接近1，表明这个模型对数据拟合能 力越好。 LSTNet 预测效果展示

ResourceManager统计计数并按数量 分配 作业必须占用CPU资源 作业可以不需要GPU资源 系统自动分配物理CPU核心 需要知道具体GPU卡号，代码分配 计算任务到指定GPU设备 设备亲和性影响较小 设备亲和性影响较大 TensorFlow on Yarn技术细节揭秘 Yarn支持GPU调度ResourceManager端实现：� 扩展org.apache.hadoop.yarn.api.records

patch 进行线性映射，提取特征 2.模型介绍 12 提取特征 2.模型介绍 13 1.将位置编码信息加入提取的特征 2.模型介绍 14 位置编码信息对准确率的影响 2.模型介绍 结论:编码有用,但是怎么编码影响不大,干脆用简单的得了 2D(分别计算行和列的编码,然后求和)的效果还不如1D的每一层都加共享的 位置编码也没啥太大用 15 位置编码 2.模型介绍 16 将