本来这篇文章是在五月份就要写好的，因为论文的事情耽搁了好久，直到七月份才有点时间来写这篇文章。三个月前，ChatGPT风头十足，每天上网都是各种相关的消息，像是“谁又开源了一个大模型，其性能可以达到GPT-3”，又或是“ChatGPT上架了新的功能”等等。那段时间，我每天都紧跟着技术更新的讯息，害怕错漏一点技术进展，虽然有点焦虑，但也比较充实快乐。 在接触到LangChain之前，我们最初的目的是为了实现一个单一功能的AI问答机器人，例如AI女友，AI专业软件知识问答，或用于语言功能受损的脑梗患
因为想将毫米波雷达的应用扩展到 VR/AR 头戴式设备上，所以前期为了验证想法的可行性，我们决定要先测试一下常见的一些毫米波雷达芯片。考虑到我们的的第一个应用是关于心率监测（Vital Signs Monitoring），因此我们选择的毫米波频段在 60 GHz。市面上，开发评估板的选择其实挺多的，但是考虑到用户数量，售后，以及开发工具的便携性，我们还是选择了大家普遍使用的 TI 的方案，即 IWR6843ISK。老实说相比于这种传统射频板的方案，我们更喜欢 AoP（Antenna on Pac
写这篇文章呢，就是想简单探讨一下为什么当下这些L4自动驾驶领域的独角兽企业都面临着巨大挑战，而这些挑战为什么在短时间内很难被解决。过去两年，随着各大公司纷纷涌入自动驾驶市场，我们可以明显看到，目前还没有一家公司能够实现大规模的L4无人驾驶运营。本质上，这是因为当前的L4自动驾驶在路径规划（即所谓的Planning）方面遇到了一个难以克服的问题。在本文中，我将以几家知名自动驾驶公司的近况为例，辅以从2012年Alexnet引领的深度学习热潮至今（2023年）的一些关键性进展，来帮助读者了解为何我们
在神经网络的构建中，激活函数的作用是决定一个节点的输出，根据所给的输入集。在实践中，采用非线性激活函数可以使得神经网络可以模拟复杂的非线性行为。然而，为了使神经网络可以通过梯度下降进行优化，激活函数需要是可微分的（或者至少是几乎可微分的）。因此，在神经网络中使用复杂的激活函数有可能导致梯度消失或者梯度爆炸等问题。为了解决这些问题，神经网络通常会采用一些特定的激活函数，例如 identity、sigmoid、ReLU 及其变体。 下面是多个激活函数的图像以及它们的一阶导数，图像右侧是一些与神经网络
