∣
x
)
P\left( \hat{y}|\boldsymbol{x} \right)
P(y^∣x)建模求得数据的最优决策边界；后者通过对联合概率
P
(
x
,
y
^
)
P\left( \boldsymbol{x},\hat{y} \right)
P(x,y^)建模求得数据各模式的决策边界。
机器学习模型的分类(绿色为新样本)
如图所示，判别式模型通过最优决策边界计算
P
(
y
^
∣
x
)
P\left( \hat{y}|\boldsymbol{x} \right)
P(y^∣x)，并选择使
P
(
y
^
∣
x
)
P\left( \hat{y}|\boldsymbol{x} \right)
P(y^∣x)较大的
y
^
\hat{y}
y^作为
x
\boldsymbol{x}
x的预测值；生成式模型通过比较样本
x
\boldsymbol{x}
x与模型各模式间的相近程度，即通过联合概率间接计算样本
x
\boldsymbol{x}
x对各模式的后验概率，并选择使后验概率较大的
y
^
\hat{y}
y^作为
x
\boldsymbol{x}
x的预测值
生成式模型和判别式模型是两种截然不同的人工智能模型。判别式模型的主要任务是对给定输入进行分类或标记，而生成式模型则是根据给定的条件生成新的数据。在过去，人们只希望基于已有的给定数据做一些预测和拟合，因此判别式模型得到发展并且很好地解决了大部分任务；而未来，人们将目标转向用生成式模型生成全新数据，进行迁移学习等，也就是常说的人工智能生成内容(AI Generated Content, AIGC)
为什么我们需要生成全新数据？
答案很简单：我们希望提高人工智能的工作上限，就不能仅仅依靠它对已有数据的拟合，而是像人一样有一定的创新能力。
生成式模型相比判别式模型的独特优势，使之可以应对更多的任务，例如推动内容开发、视觉艺术创作、数字孪生、自动编程，甚至为科学研究提供AI视角、Al直觉…因此生成式人工智能的未来发展趋势。
本次大会展示了非常多AIGC方面的demo，一个大家比较熟悉的例子是AI绘画，在这个互动演示中，Google展示了在Google Kubernetes Engine(GKE)上部署Stable Dffusion的强大能力和可扩展性。与会者将亲眼目睹在Stable Diffusion最受欢迎的Web界面上实时生成高质量图像的过程
2 无障碍游戏体验
Google的技术氛围是具有包容性和国际视野的，其产品往往会考虑不同人群的实际需要。举例而言，Google推出的**MST肤色量表(Monk Skin Tone Scale)**可以保证面部识别、目标检测等技术对不同肤色的人群不存在偏见。
另一个实例是通过面部识别技术为有障人士提供更好的游戏体验。本次大会上，Google Gameface联合《荒野行动》，将机器学习和传统编码相结合，以解决面部检测和面部地标提取的挑战，并将这些信息转化为鼠标遥测的代码。通过检测玩家的面部表情和动作，游戏可以更好地理解玩家的情感和动机，从而根据这些信息提供更个性化的游戏体验。包括自动调整游戏难度、创建更具互动性的游戏角色或者提供更逼真的虚拟现实体验。
对有障碍人士而言，他们可以利用面部动作来代替手部操作，从而参与游戏，表达自己的情感和意愿。这种互动性能够增强他们在游戏中的参与感和满足感，享受游戏的乐趣。同时，面部表情控制游戏可以帮助他们更好地表达自己的情感，与其他玩家或角色进行情感交流。这种交流方式能够增强社交互动，减少沟通障碍。
每个人的面部表情和动作都是独特的，能否将自己的个性特点融入游戏，游戏则根据面部表情来调整角色行为或反应，使游戏体验更加个性化和独特？期待Google未来在这方面的技术动向。
3 跨平台机器学习
GoogleMediaPipe是一款用于构建跨平台、基于机器学习的视觉与感知应用程序的机器学习模型框架。它可以帮助开发人员轻松地构建AI应用程序，如物体检测、姿势估计、虚拟试衣和手部跟踪等。作为一款跨平台框架，MediaPipe不仅可以被部署在服务器端，更可以在多个移动端 (安卓和苹果 iOS)和嵌入式平台(Google Coral和树莓派)中作为设备端机器学习推理框架。MediaPipe提供了一系列机器学习管道和计算单元，以处理多种不同类型的感知数据，例如视频、音频和深度图像数据。同时，它还提供了大量的预训练模型和工具，使开发者可以快速构建高质量的视觉应用程序，而不需要编写复杂的算法和代码。
除此之外，MediaPipe还为开发人员提供了模块化的流水线视图，以及可以自定义的机器学习管道和组件，这些功能可以帮助开发人员更好地理解和调试他们的应用程序。此外，在移动设备上部署应用程序时，MediaPipe还优化了硬件和软件的配合，以实现更快的性能和更低的功耗。
总的来说，MediaPipe是一个强大且易于使用的开源框架，它可以帮助开发者轻松构建各种不同类型的视觉应用程序，并且在跨平台和性能方面都有良好的表现。在Google，一系列重要产品，如YouTube、Google Lens、ARCore、Google Home 等，都已深度整合了MediaPipe
Google的Web ML技术也采用了MediaPipe，它使开发者可以创建更快、更安全和更智能的Web应用程序。与传统的机器学习应用不同，Web ML技术在安全方面有显著的优势。首先，机器学习模型可以在用户设备上本地运行，而不需要将敏感数据上传到云端进行处理。这意味着用户的数据可以得到更好的保护和隐私，并减少了数据泄露的风险。其次，通过在用户设备上进行机器学习推理和推断，Web ML技术可以减少与云端通信的需求，从而降低了网络传输过程中的数据被窃取或篡改的风险。
此外，Web浏览器提供了一个沙箱环境，用于隔离和限制JavaScript代码的访问权限。这可以防止恶意代码对机器学习模型或用户数据的篡改或滥用。
目前Web端机器学习也成为机器学习应用的新方向
总结
这次大会为与会者提供了许多有价值的活动和机会。首先是主旨演讲和专题演讲，我深刻感受到了Google专家们对技术的热情和追求。想要进一步了解Google最新开发技术和产品的小伙伴可以点击下方链接，前往CSDN大会专题页，这里有很多精选的专题回放视频，帮助你深入了解Google前沿技术。
在现场 40 多个技术与产品趣味互动展示中，我们可以深入了解Google最新的科技产品和解决方案，并学习如何最好地利用这些工具进行开发和创新。在这里，可以非常自由地分享彼此的创新想法，交流经验并建立联系。这种互动展示了科技行业不断创新的活力和潜力。
总的来说，Google开发者大会是一个汇聚技术创新和凝聚开发者社区的重要平台。通过这次盛会，我们不仅能够获取最新的行业动向和见解，而且还能获得宝贵的学习、交流和合作机会。
自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。
深知大多数Go语言工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！
因此收集整理了一份《2024年Go语言全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。
既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Golang知识点，真正体系化！
由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新
如果你觉得这些内容对你有帮助，可以添加V获取：vip1024b （备注Go）
一个人可以走的很快，但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎扫码加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
入学习提升的进阶课程，基本涵盖了95%以上Golang知识点，真正体系化！**
由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新
如果你觉得这些内容对你有帮助，可以添加V获取：vip1024b （备注Go）
[外链图片转存中…(img-E4TBIRzr-1712854652718)]
一个人可以走的很快，但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎扫码加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
6万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
