**：
前幾天和 ayden @葉瀚中 聊天時，提到了 www.
clarifai.com
這家公司。
此前，我已經從各方訊息中聽說過創始人matt zeiler最近打算賣公司。甚至還和朋友打賭說這個公司能不能以$5m出手。
先說結論：
這個公司的水準在13年稱得上世界第一 。但是這並不能給該公司以世界級的價值。
clarifai創始人matt zeiler 是 new york university (nyu) rob fergus教授門下的學生。要知道，從上個世紀開始，nyu就一直是neural computation的重鎮。現在deep net的前身convnet，就是出自 nyu 的 yann lecun教授組。
matt在phd期間，還曾經在google跟jeff dean實習過。不知道有沒有學到什麼獨門絕技。總之，2023年image net challenge以來，他在computer vision圈子就非常出名了。
講到這裡就不得不提image net challenge。以前的computer vision的資料集都非常小，最多不過幾百類，幾萬張圖，這帶來乙個問題——我們無法設計特別複雜的計算視覺模型。否則模型的複雜度太高，資料量太少，就會有
overfitting
的問題。
2023年，華人教授李菲菲牽頭搞了乙個
巨大的資料庫
imagenet
。到今天為止，image net上已經有了14,197,122張了。對每張，由人來手工記錄中物體的名字，並向業界宣布，同學們，如果你們誰開發出來了新的物體識別演算法，就在我家的資料庫上試試吧。
於是2023年，就有了這個lsvrc - large scale visual recognition challenge. 最終比賽結果在2023年底的nips會議上公布。
當時，大多數的研究小組還都在用傳統computer vision演算法的時候，多倫多大學的hinton祭出deep net這樣乙個大殺器。差距是這樣的：
第一名deepnet的錯誤率是0.16422
第二名日本東京大學的錯誤率是0.2617
第三名牛津大學的錯誤率是0.2679
如果我們仔細看看第二名和第三名的實現，會發現大家使用的技術框架非常接近，都是local descriptor + feature compression這套。而在這套實現上，二者的差距幾乎是可以忽略的——都完全不是deep net的對手。
具體結果參見：
imagenet large scale visual recognition competition 2012 (ilsvrc2012)
說來也巧，我恰好也參加了nips 12，親身感受了這在後來看來的歷史時刻。hinton當時放話說：「如果你沒有參加前面十幾年的nips，沒關係，因為直到今年，deep net才真正work了」。雖然deepnet取得了如此矚目的成績，但是就在當時，還是有大量與會教授表示不願意接受deepnet。這裡面指的「不願意」分幾個層次
1. deepnet很可能是某種形式的overfitting，因為它裡面有6000萬個引數。
2. deepnet作為乙個黑盒子，不可解釋。所以對cv的貢獻非常有限
3. deepnet只能解決物體識別這乙個問題，而物體檢測、分割等經典問題還需要其他人的努力。
在1%的效能提公升都可以稱之為「major contribution」的時代，被乙個和最近10年computer vision，尤其是object recognition領域的進展幾乎沒有交集的方法，超過了10個百分點，這也難怪大家紛紛表示不承認也不接受deepnet的革命。但是，洪水的閘門已經開啟。。。
一年後，新一輪的large scale visual recognition challenge又開始了，這時候我們不難發現，deep net的計算框架已經一統江湖了：
imagenet large scale visual recognition competition 2013 (ilsvrc2013)
其中matt zeiler (
) 的演算法排名第一，在不用額外訓練資料的情況下，跑到了error rate 0.1174這樣的成績。
這個成績是這樣解讀的：
任選一張，扔給演算法，演算法返回5個結果。如果5個結果中，有乙個猜對了物體類別，就算正確。換言之，如果允許猜5次，clarifai已經有接近90%的準確率了。這裡的物體類別包括了英語中兩萬多個名詞，幾乎涵蓋了各大類別。
但是，2023年和2023年的情況又有很大不同。
排名第二的新加坡國立大學的誤差，是0.129，第三名zf的誤差是0.133，這都與clarifai非常接近。再也無法出現hinton組獨步江湖的場面了。
今年的結果還沒出來，要等到12月份的nips 2014啦。我聽到過一些小道訊息，在lsvrc 12的訓練集（因為測試集保密，所以線下研究的時候，大家都會闢出一部分訓練集做測試），某公司已經能跑到10%以內的誤差了。當然clarifai也沒閒著，在他主頁上已經更新了準確率到10.7%了。
那麼deepnet的難點在什麼地方呢？從最近cvpr 14的情況來看，圈子在這個方面作出的改進，幾乎見不到什麼質的飛躍。調整deepnet在大多數時候變成了一門實驗科學：一方面，對2023年原作的修改太大，會導致識別率慘不忍睹，另一方面，很少有人能有stefan mallat那樣的數學功底能從理論層面分析deep learning到底在幹什麼。但是，由於的資料量實在太大，站在工程角度上，如何能夠在幾周甚至幾天內完成幾百萬甚至上千萬的訓練，就是乙個非常非常技術的活兒了。
在工程實現方面，deepnet開山*****的一作alex krizhevsky已經開源了他的**
，並且又另起了乙個convnet2的專案
。必須提到的，是uc-berkeley trevor darrel的賈揚清，把他寫的deepnet開源了。
這個功能很全面，效能很高的deep net，不斷被大量的開發者完善。目前來看，它是最有希望成為deep net通用架構的乙個基礎框架。目前，基於caffe的識別誤差，已經降到0.131了——非常接近matt zeiler的結果。但是要注意，這些結果幾乎都是開源的。
換言之，一群有過幾年cv經驗的初創小團隊，基本都可以超過hinton 2023年的世界紀錄，與2023年matt zeiler的紀錄非常接近。這簡直讓我想起戰爭之王檢閱娃娃兵的片段：乙個本科生訓練出來的deepnet，和乙個有30年經驗的大學教授訓練出來的deepnet，其實並沒有區別。
有這麼個傳說，真假待考，權當八卦說說吧。當年hinton組在nips 12會場上，就被各家公司爭相競購。hinton帶著google/ms/baidu等公司的負責人，找了間屋子說我們團隊競拍，每次加價一百萬。後來嫌一百萬太慢，改加價兩百萬。再後來的故事，大家就都知道了。。。
但是http://
clarifai.com
的估價和hinton組被收購的故事又有所不同。一方面，hinton本人是當今世界上最傑出（哪怕是2023年deepnet火爆之前）的machine learning研究者，20多年前back propagation也是他的傑作，而且deepnet的正宗首創效應也不可忽視。另一方面，deepnet席捲整個cv圈子帶來的各種效應（比如開源），可能也是大家所始料不及的。
最後，一方面，我希望http://
clarifai.com分享
舉報
目前的估值安全嗎？
目前的估值安全嗎？面對著飄忽不定的 面對著撲朔迷離的實體經濟，面對著搖搖欲墜的股價，對於目前持股的朋友來說，心中最大的疑問就是我的 安全嗎？這幾天我看了些報表，看了下目前的股價體系，就市場整體來說，目前的股價並不低，在熊市的氛圍下，還有不少的 空間。假如未來 創新低，那麼未來 的底部應該在 2000...
動畫中的插值器和估值器
timeinterpolator 時間插值器，它的作用是根據時間流逝的百分比來計算出當前屬性值改變的百分比。系統預置的有linearinterpolator 線性插值器，勻速動畫 acceleratedecelerateinterpolator 加速減速插值器，動畫兩頭慢中間快 decelerate...
從王者榮耀聊聊遊戲的幀同步
如此可觀的資料，令人十分欽佩。伺服器架構 通訊方式 同步方案 技能同步 斷線重連 不難發現，王者榮耀的伺服器採用房間模式，每個玩家登陸以後，然後進入大廳，進行匹配遊戲。匹配完成之後，把一起對戰的玩家放到乙個房間內進行對戰。一般的方式是玩家先登入 大廳伺服器 然後選擇組隊遊戲的功能，伺服器會通知參與的...