作者丨VincentLee

来源丨晓飞的算法工程笔记

概要

当MobileNetV1于2017年问世时，它开启了CV研究的新领域，即提出可以在嵌入式系统中运行的模型。这使得神经网络模型向着“轻量“这一概念开始蓬勃发展，ShuffleNetV1和ShuffleNetV2、MNasNet、CondenseNet和EffNet等。MobileNet家族于2019年迎来了第三位成员——MobileNetV3，相比以往的轻量模型，它拥有更广义的轻量模型设计理念和更强大的性能。

Sauder将这种可视化技术称为“数据转储”：2012年奥运会网球决赛在罗杰o费德勒与安迪o穆雷两人之间展开，这张图包含了决赛中每个球的反弹和球拍击打数据。

DAMIEN SAUNDER，美国环境系统研究所

利用可视化技术研究体育运动的做法至少可以追溯到埃德沃德o迈布里奇的时代，他曾利用摄影术证明了一辆奔驰的马车会完全离开地面。

随着光学追踪、生物传感器和大数据分析的兴起，新技术正在改变我们对运动的认识。篮球比赛中，安装在天花板上的摄像头会追踪每一位选手。棒球比赛中，会对每次投掷以及被击中棒球的速度和抛物线进行追踪。足球比赛中，能掌握到选手的运动轨迹及其全场跑动距离。本月即将在美国举办的职业网球巡回赛中，尽管有着IBM和SAP这样的技术型公司作为赞助商，却在引进追踪技术方面慢人一步。

一、赛果与预测对比分析

俄乌冲突的最新动态引发了国际社会的高度关注。俄罗斯在战场上占据明显优势之时，却意外地提出了停火条件，这一举动出乎许多人的意料。在库尔斯克、扎波罗热、顿巴斯等关键地区，俄罗斯军队不仅处于攻势，还在库尔斯克取得了重大胜利，包围了大量乌军。按理说，俄罗斯完全可以利用这一优势继续扩大战果，但停火的提议却让局势变得复杂起来。

新华社华盛顿11月20日电（记者周舟）美国麻省理工学院科研团队19日宣布，其开发的人工智能程序“深度角色”（DeepRole）在一个玩家角色和动机不明的在线游戏中胜过人类，成为首个在敌友不明的多玩家游戏中战胜人类玩家的人工智能程序。

研究显示，通过在算法中使用“演绎推理”，“深度角色”根据观察到的部分行为，推断某一玩家是敌是友，快速学习应该与谁结盟从而获得胜利。

今年7月，美国卡内基-梅隆大学宣布，人工智能Pluribus在六人桌德州扑克比赛中击败多名世界顶尖选手，突破了人工智能仅能在国际象棋和围棋等二人游戏中战胜人类的局限。但在这些游戏中，人工智能从一开始就知道“谁是敌人、谁是朋友”。

一、核心战局推演：湖人三大必胜逻辑链

1. 超级火力矩阵成型

东契奇现象级统治：过去11战场均30.4分+4.8次关键回合接管，今日对掘金首节21分直接打崩对手心理防线，其「挡拆后撤步三分+内线造杀伤」的进攻组合拳已无解。

里弗斯破茧重生：近5战场均29+6.4+7.2的数据堪比全明星控卫，其与东契奇的「双发动机体系」彻底弥补詹姆斯缺阵的战术真空。

角色球员功能觉醒：古德温的防守反击（今日4抢断3助攻）、海斯的吃饼终结（对掘金篮下命中率83%）构建起立体攻防网络。

博弈这类游戏来讲，计算机的特点决定了它在解空间中寻找答案的能力比人类更强。今天不讲阿尔法狗，而是了解一种通过博弈树来实现下棋程序的算法。

一盘棋子从第一步到结束整个过程可以看作是一个庞大的树，每下一步都可以看成为树又向下推进了一层。因为针对敌方的走棋，我方的选择有非常多应对的策略，每一个选择都可以看成这一层的若干节点（分支），这样粗略评估一下如果每盘棋子要走100步（树深度），每步平均有10个选择（分支因子），那么这个棵树多大规模呢？10的100次方种走法，如果是围棋每步的选择更多所以深蓝也无法处理。博弈的过程就是双方在这个树（解空间）中找最优选择的过程。每个人都会选择对自己价值最大的那步，这课树也叫博弈树（如下图）。

决策树概况

决策树是一种常见的机器学习方法，非常有名。决策树可用于分类与回归任务，在很多领域得到普遍应用。以分类任务为例，其目的是根据样例的属性预测其类别。决策树分类器与人们日常决策时采用的逻辑非常相似。

以是否进行高尔夫运动为例，人们会根据天气、温度、湿度、风况等决定是否去打球。例如某人的决策逻辑为：如果天气为阴天，则打球；如果天气为晴天，还要看湿度情况，如果湿度较低则打球；如果天气为雨天，… 。这一决策过程可以用树状结构表示：