您的位置：
→ 次元大作战攻击前摇攻击后摇详解
次元大作战攻击前摇攻击后摇详解[多图]
字体大小：【 |
16:08:28&&&
类型：策略棋牌大小：181.85MB评分：10平台：标签：
攻击前摇攻击后摇详解，大部分萌新都不知道攻击前摇攻击后摇的具体含义，深入了解它们，能让你的输出更加平滑连贯哦。
次元大作战攻击前摇攻击后摇详解
可以简单的理解为英雄攻击或施法的起始姿势和结尾姿势。
桐人A出去那一下，有个拿剑挥出的抬手姿势，砍到敌人身上之后对敌人造成伤害，随后有个收剑姿势。
这一套动作做完之后，才能进行下一次平A 攻击。
在dota里面，由于英雄的攻击前后摇姿势很明显，所以补刀感觉很难。你会看到很多玩家通过按S键让英雄停下挥刀的动作(取消攻击前摇)往返如此，就会造成一秒N刀的鬼畜视觉效果。
在中，瑞雯的玩家都很清楚，光速QA的产生，就是通过极其复杂的操作，取消Q技能和平A 的前后摇。使得一套技能伤害变快，让地方玩家没有更多的输出时间。
以上就是清风小编为大家带来的次元大作战攻击前摇攻击后摇详解，更多相关内容敬请关注 清风手游网 公众号(vipcn_com)。
</更多次元大作战内容，请进入专题：
专题类型：策略类
更新时间：
专题标签：战斗魔幻
《次元大作战》作为一款MOBA系列的竞技手游，玩家在这里将可以体验到公平的游戏竞技，利用你自身的实力，参与5V5公平匹配对战、人...
5.0清风指数
0人0人
猜你喜欢日韩游戏二次元PVP类卡牌
日韩游戏顾名思义就是日本和韩国的游戏结合的简称，日韩是现代游戏的创始人之一，日韩一般都做得比较精美，很多国人在玩的大型游戏很多都是日韩游戏，日韩游戏因为人物的细...
专区礼包开服开测
专区礼包开服开测
专区礼包开服开测
专区礼包开服
礼包开服开测
礼包开服开测
专区开服开测
专区礼包开服
专区礼包开服
游戏礼包推荐礼包
专区礼包开服开测
专区礼包开服开测
次元大作战游戏资讯14
次元大作战攻略心得37
次元大作战游戏问答30
(您的评论需要经过审核才能显示)
声明：清风手游网未在任何手游交易平台有代充和返利店铺，如有相同名称，非本站行为！请勿上当！今天可以回答这个问题了。答案是围棋定式，特别是过去以大斜、雪崩、妖刀为代表的大型难解超级宇宙无敌复杂定式。&br&&br&围棋定式的基础知识请移步 &a data-hash=&5b67d9a1eb450f8db94b384b173f0917& href=&///people/5b67d9a1eb450f8db94b384b173f0917& class=&member_mention& data-hovercard=&p$b$5b67d9a1eb450f8db94b384b173f0917&&@云天外&/a& 的很多回答。这里不做过多解释。&br&&br&大型定式的变化数量多，变化复杂。过去每一个认真学习围棋的人都要在这上面花费大量时间。一不留神就会局部亏损，导致局面不利。&br&&br&人类的大雪崩是这样的：&br&&img src=&/v2-8eb89cd8aaa3b556a516_b.jpg& data-rawwidth=&500& data-rawheight=&500& class=&origin_image zh-lightbox-thumb& width=&500& data-original=&/v2-8eb89cd8aaa3b556a516_r.jpg&&&br&也可能是这样的&br&&img src=&/v2-eb0ca8a5ff23e162ab2dac3f6b877cb5_b.jpg& data-rawwidth=&500& data-rawheight=&500& class=&origin_image zh-lightbox-thumb& width=&500& data-original=&/v2-eb0ca8a5ff23e162ab2dac3f6b877cb5_r.jpg&&或者是这样的&br&&img src=&/v2-290e9cb5bfffde31d70c26ff_b.jpg& data-rawwidth=&500& data-rawheight=&500& class=&origin_image zh-lightbox-thumb& width=&500& data-original=&/v2-290e9cb5bfffde31d70c26ff_r.jpg&&&br&前两天AlphaGo的人间附身Aja Huang公布了AlphaGo眼中的大雪崩主变化图，居然异常简单，是长成这样的：&br&&img src=&/v2-2a425b431f3525afce106d63bd2aaee4_b.jpg& data-rawwidth=&500& data-rawheight=&500& class=&origin_image zh-lightbox-thumb& width=&500& data-original=&/v2-2a425b431f3525afce106d63bd2aaee4_r.jpg&&(其实已经不能叫大雪崩了)&br&&br&人类的妖刀变化图是这样的：&br&&br&&img src=&/v2-6cf38f2c3d735e93dfe96f688df834ae_b.jpg& data-rawwidth=&212& data-rawheight=&236& class=&content_image& width=&212&&这样的&br&&img src=&/v2-bb4067cc14fbb879e20eda4b4552ec9b_b.jpg& data-rawwidth=&236& data-rawheight=&236& class=&content_image& width=&236&&这样的&br&&img src=&/v2-84f945b7e0e822a701e862f15565b63e_b.jpg& data-rawwidth=&212& data-rawheight=&260& class=&content_image& width=&212&&这样的&br&&img src=&/v2-aae3d3b5a36b276a91d5cc712fe99511_b.jpg& data-rawwidth=&720& data-rawheight=&889& class=&origin_image zh-lightbox-thumb& width=&720& data-original=&/v2-aae3d3b5a36b276a91d5cc712fe99511_r.jpg&&&br&AlphaGo然后又公布了妖刀主变化图。&br&&img src=&/v2-eb679eafcaf_b.jpg& data-rawwidth=&526& data-rawheight=&526& class=&origin_image zh-lightbox-thumb& width=&526& data-original=&/v2-eb679eafcaf_r.jpg&&&br&然后又点评了一下人类的一个变化图。&br&&img src=&/v2-429fd3ac084ee706c56e3f_b.jpg& data-rawwidth=&526& data-rawheight=&526& class=&origin_image zh-lightbox-thumb& width=&526& data-original=&/v2-429fd3ac084ee706c56e3f_r.jpg&&&br&人类认为这个变化白棋厚势雄壮，白棋优，但是AlphaGo认为白棋胜率降低15个百分点。意思是，这棋基本上下完了，黑基本胜定。&br&&br&妖刀卒。&br&&br&刚刚Aja又公布了大斜的主变化图。&br&&img src=&/v2-34eb6ed1e6c70b4ea70a989a_b.jpg& data-rawwidth=&500& data-rawheight=&500& class=&origin_image zh-lightbox-thumb& width=&500& data-original=&/v2-34eb6ed1e6c70b4ea70a989a_r.jpg&&&br&&img src=&/v2-183ab08aa8a30ece0fe70_b.jpg& data-rawwidth=&500& data-rawheight=&500& class=&origin_image zh-lightbox-thumb& width=&500& data-original=&/v2-183ab08aa8a30ece0fe70_r.jpg&&&br&&br&&img src=&/v2-8b9bafc9d704fb693bff625_b.jpg& data-rawwidth=&500& data-rawheight=&500& class=&origin_image zh-lightbox-thumb& width=&500& data-original=&/v2-8b9bafc9d704fb693bff625_r.jpg&&&br&&img src=&/v2-fb0cd4f4d86f668c7bcd31e3e44d236b_b.jpg& data-rawwidth=&500& data-rawheight=&500& class=&origin_image zh-lightbox-thumb& width=&500& data-original=&/v2-fb0cd4f4d86f668c7bcd31e3e44d236b_r.jpg&&&br&AlphaGo点评了一个人类常用变化：&br&&br&&img src=&/v2-e3b03b4c018b8cb480a9_b.jpg& data-rawwidth=&500& data-rawheight=&500& class=&origin_image zh-lightbox-thumb& width=&500& data-original=&/v2-e3b03b4c018b8cb480a9_r.jpg&&此图AlphaGo认为白棋稍优，与人类看法基本一致。&br&&br&总体感觉人类和AlphaGo在厚势上有几个残子的价值判断分歧很大。&br&&br&这些定式是实实在在的“树”，现在基本证实很多是严重偏离双方均衡的。以后人类学习围棋势必对复杂定式变化进行大量剪枝。&br&&br&我有一种刚在git中删除了七千个文件的感觉。
今天可以回答这个问题了。答案是围棋定式，特别是过去以大斜、雪崩、妖刀为代表的大型难解超级宇宙无敌复杂定式。 围棋定式的基础知识请移步
的很多回答。这里不做过多解释。 大型定式的变化数量多，变化复杂。过去每一个认真学习围棋的人都要在这…
&p&被编辑收录了，补一下档。&/p&&p&先说我为什么要学习反侦察。因为我是一个极端生存主义者，由于某些儿时经历导致安全感差，各种生存技能对我来说是保证我内心平静的工具，其中就包括反侦察手段。&/p&&p&另外，我业余还写过好几年的小说，其中包括几部犯罪小说，为了情节真实，也需要学一些比较冷的知识。用朋友圈证实一下。写这个答案和补充答案的时间都晚于这个朋友圈日期。&/p&&p&最后，反侦察并不是一定用在反警务人员的侦查上，懂得是有利无害的，还请键盘侠们脑子清醒点，反制罪犯的追踪也是反侦查。&/p&&p&由于上述原因，本次补充只针对反追踪术，最原始回答中的其他内容不补。&/p&&img src=&/v2-b0bf78a84bf6cad6a16d34c0a3fbd470_b.png& data-rawwidth=&1080& data-rawheight=&1920& class=&origin_image zh-lightbox-thumb& width=&1080& data-original=&/v2-b0bf78a84bf6cad6a16d34c0a3fbd470_r.png&&&br&&p&————————&/p&&p&原回答：&/p&&p&“MUJI !”的一声跑掉了！&/p&&p&写了些反侦查的经验，直接的结果嘛，嗯嗯~被当成潜在的坏人了呗~&/p&&p&真是不爽的体验。&/p&&p&————————&/p&&p&所谓反追踪，即是消除“到过或离开”的痕迹的技术。“到过”算了，不讲。“离开”可以讲，这个在离开传销窝点之类的地方时有实用。&/p&&p&以从传销点脱逃为例：&/p&&p&&b&（以下全部文字以自己去的地方可能不安全为前提。如不很熟的网友强邀见面，有人大力推荐外地工作等情况）&/b&&/p&&p&&b&前置准备：&/b&&/p&&p&离家去任何不熟悉的地方都要进行先期观察，用谷歌地图和普通地图对照，加上电子街景。如果有可能出现暂住情况的话，需要标出附近所有的人流大的场所及去那里的路线，补充资源的地方，银行，派出所等都要记住位置。在电子街景里多实践几次，保证自己对附近的街道能够熟悉把握。&/p&&p&到不熟的地方长住一定要携带备份手机，必备条件是老式手机，带备用电池。这样可以长时间待机，手机体积也很小。记住静音，并且本手机号码家长要知道。&/p&&p&&b&改造自己的腰带，里面要能藏三张左右大钞，够一次住店和车票。这一条十分重要，必须做到。&/b&&/p&&p&穿帽衫外套，需要牛仔料，备份手机用夹层方式藏在帽衫的帽子和领子交界位置。女性请把手机藏在包里，同样需要改造夹层，在夹层外贴硬面料假底，以防被搜出。男性的腰包更容易进行改造，使用带厚腰带的包即可。&/p&&p&身份证之外的证件要携带一件，学生证，工作证，驾驶证等，同样藏在夹层里。另外，如果处于身份证换领期间，可以去派出所开临时身份证，同样夹层。手机备份电池也同样。&/p&&p&腰带用金属头针扣型，可以用来搏斗，威力惊人。鞋子要利于跑步，但鞋底要硬一些。&/p&&p&&b&戴厚面戒指，或藏一个格斗指环。&/b&&/p&&p&锻炼身体，调节生物钟时间至正常状态。&/p&&p&&b&在十分挤的商场等地点练习穿行技术，常练习后可以做到在拥挤人流中快他人两三倍的前进速度。&/b&&/p&&p&练习现代格斗术及街头战术，需要对练。&/p&&p&&b&最后，请务必告知接站人员假的到站时间及车次，车次应提前一天，足够自己先到现场勘察附近所有地形，观察该地点出入人员及附近街道气氛等。万事依靠别人的想法请务必舍弃。&/b&&/p&&p&请相信，做这样麻烦的举动一点都不多余。&/p&&p&&b&后置行动：&/b&&/p&&p&被控制状态一般是没有证件和手机，但随身衣物和包袋不会被拿走。为了保证可以做到随时走掉的状态，这个包袋请不要携带大型包。男性请用腰包，女性请用小提包。改造方便，随时可以拿着走，拿包不会引起怀疑。&/p&&p&如果被控制，请尽量多的提出外出要求，如多次小额取款等，也可以靠暗语由家人配合做到这一点。&/p&&p&&b&（和家人有了联系，并在电话里靠暗语知道你的遭遇的情况下，最好的办法就是带大量的人过来，强行带走。一个人过来救或者报警之类的都不保险。记住，规定一个暗语，听到这个词，知道你的具体地址，带一堆人过来，强行带走你是最好的办法。）&/b&&/p&&p&一般来说，出行时传销点都是派人跟着的，已多次外出后，在适宜的机会出现时（比如本次出门后面跟着的人体力不高或跑不快等）：&/p&&p&A、请往人流尽量多的地点移动，在到达该地点后向人多的地方快速移动，有经验的话别人跟不上你，可以有脱逃的机会。&/p&&p&B、&b&冲入任何大型公务场所，抓住最像负责人的那个求救，只向个人求救，不要对着一堆人喊救命，来得及冲进某某长办公室那就最好，中途不要因为言语阻拦就停下来。&/b&&/p&&p&C、&b&在路人很多的地方大喊抢劫，一般是谁先喊谁赢，并抱住某壮汉或彪悍形象的大哥求救，一定要死抱不放，如果对方抵赖强拉，大喊自己所有个人情报和遭遇。&/b&&/p&&p&D、进入已经熟悉路线的窄路逃跑，拉开距离后能逃则逃，甩不掉的话在追踪者之间拉开距离的情况下转身一对一，把追踪者依次打倒。&/p&&p&E、实在无法去别处的话，事先准备一小袋番茄酱藏好，在民宅区寻找网吧和中型饭店这种场所，冲进那里，同时把番茄酱拍在脸上，大喊有人抢劫，引起混乱后待机脱逃。&/p&&p&F、战斗吧少年，一对二并非全无胜算，只要格斗指环在手，一拳一个还是有可能做到的。&/p&&p&&b&脱身之后：&/b&&/p&&p&&b&A、有电话：&/b&&/p&&p&&b&立刻电话家人和信得过的朋友。&/b&&/p&&p&&b&去汽车站，去临近县市的车通常都很多，坐上最快发车的那个，别管去哪，优先离开当地。&/b&&/p&&p&&b&B、没有电话：&/b&&/p&&p&&b&一定要在离开当地之后再设法联系家人，不要在车上借手机，到了异地之后再说。&/b&&/p&&p&&b&C、被公务人员保护：&/b&&/p&&p&&b&立刻联系家人，在电话中提到保护者的单位，保护者的姓名和职衔。&/b&&/p&&p&&b&无论A还是B，到达异地，取得联系后，请再次转车，目的地是附近的较大城市。乘坐汽车，不要坐火车。能做到这里，就基本安全了。C项的话只要能够通话后就基本安全了。&/b&&/p&&p&&b&好像已经跑题写成传销脱逃指南了...&/b&&/p&&p&&b&祝大家用不上。&/b&&/p&
被编辑收录了，补一下档。先说我为什么要学习反侦察。因为我是一个极端生存主义者，由于某些儿时经历导致安全感差，各种生存技能对我来说是保证我内心平静的工具，其中就包括反侦察手段。另外，我业余还写过好几年的小说，其中包括几部犯罪小说，为了情节真…
&img src=&/v2-b044cb7dfcbd9d01a81e1a7_b.jpg& data-rawwidth=&640& data-rawheight=&356& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&/v2-b044cb7dfcbd9d01a81e1a7_r.jpg&&&blockquote&李林 若朴 编译整理&br&量子位 出品 | 公众号 QbitAI&/blockquote&&p&少年，你知道Jeff Dean么？&/p&&p&传奇一般的Jeff Dean现在领导着Google Brain团队，也是Google研发群组的高级研究员（Senior Fellow）。近日，Jeff Dean为YC AI小组的同学讲了一堂时长近1小时的课程，讲述了目前Google目前在人工智能方面的研究和进展。&/p&&p&这节不容错过的AI课程，现在有两个观看方式：&/p&&p&&b&第一：视频方式。&/b&&/p&&p&科学前往YouTube(&a href=&/?target=https%3A//youtu.be/HcStlHGpjN8%25EF%25BC%2589%25EF%25BC%258C%25E6%E8%zai& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&https://youtu.be/HcStlHGpjN8）&i class=&icon-external&&&/i&&/a&,或者在量子位微信公众号（量子位）上查看我们搬运回来的视频。&/p&&p&&b&第二：图文方式。&/b&&/p&&p&Jeff Dean这节课配有86页PPT，我们也把全部内容搬运过来，空耳听译了Jeff Dean对每一页的讲述，然后整理配发为每一页的要点。&/p&&p&所以，开始吧~&/p&&p&&br&&/p&&img src=&/v2-38cfefcd5dddfb5871bd4_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-38cfefcd5dddfb5871bd4_r.jpg&&&p&我会全面地讲一讲我们正在用深度学习处理哪些任务，正在建立怎样的系统来提升深度学习的速度。&/p&&p&这份PPT是很多人合作的成果，包括我领导的Google Brain团队。&/p&&img src=&/v2-f4a4cfb863343_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-f4a4cfb863343_r.jpg&&&p&Google Brain团队的任务是让机器更智能，进而让人们生活得更好。&/p&&img src=&/v2-06b02bc38c43b7dec6c91_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-06b02bc38c43b7dec6c91_r.jpg&&&p&为了达到这个目标，我们：&/p&&ul&&li&进行长期的研究；&/li&&li&建立并开源TensorFlow等系统；&/li&&li&与Google和母公司Alphabet的其他部门合作，让几十亿用户能在Alphabet的产品中用上我们的工作成果；&/li&&li&通过实习和Google Brain Residency项目培训新研究者。&/li&&/ul&&img src=&/v2-0d563c63ac2f4264ee27_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-0d563c63ac2f4264ee27_r.jpg&&&p&Google Brain的主要研究领域有以上这些。&/p&&img src=&/v2-0e2a4f4e873d407159fcc_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-0e2a4f4e873d407159fcc_r.jpg&&&p&我今天主要会讲到红色的这些：&/p&&ul&&li&一般机器学习算法和技巧；&/li&&li&机器学习的计算机系统；&/li&&li&自然语言理解；&/li&&li&健康；&/li&&li&机器人。&/li&&/ul&&p&也会涉及一些感知领域的研究。&/p&&img src=&/v2-c8d0baa5cfab_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-c8d0baa5cfab_r.jpg&&&p&年初，我写了一篇博客，总结2016年我们团队都做了哪些工作。&/p&&p&&a href=&/?target=http%3A///2017/01/the-google-brain-team-looking-back-on.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&&/span&&span class=&invisible&&/2017/01/the-google-brain-team-looking-back-on.html&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&博客中的每一条超链接都指向了这项工作的成果展示或论文。&/p&&img src=&/v2-efc403a9eab8d3deb2064_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-efc403a9eab8d3deb2064_r.jpg&&&p&你们可能都在做AI相关的创业公司，不过我还是要说，深度学习改变了我们解决很多问题的方式。&/p&&p&在80、90年代，对于很多问题来说，神经网络还不是最好的解决方案，当时训练数据的量、计算力都还不够。所以，人们或者用其他方法，或者用比较浅层的机器学习方法，需要人工进行大量的特征工程。&/p&&img src=&/v2-9a722f2dcf3f_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-9a722f2dcf3f_r.jpg&&&p&但是现在，我们有了更强大的计算力。&/p&&p&90年代，我的本科论文是关于神经网络的并行训练的，神经网络模型非常吸引我，我想，如果我们能通过并行计算获取更多计算资源，比如说用一台64个处理器的超立方体结构机器，结果我发现，60倍的计算力远远不够，我们需要数十万倍的计算力。&/p&&img src=&/v2-07aab7bcef86fefd718c7_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-07aab7bcef86fefd718c7_r.jpg&&&p&到今天，我们已经有这样的计算能力了。结果就是神经网络成了很多问题的最佳解决途径。&/p&&img src=&/v2-5a12e0dec1cd63e0d8f4df4a7b14eae2_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-5a12e0dec1cd63e0d8f4df4a7b14eae2_r.jpg&&&p&最开始，我们的团队只是想证明大量的计算资源能帮助神经网络解决一些有趣的问题，于是我们做了大规模的无监督学习，那时候甚至还没用上GPU，我们用了16000个CPU核心，做了一些有趣的事情。（量子位注：就是机器从YouTube视频中认出了猫的那一次）&/p&&p&后来，我们把深度学习用到了更多领域，上图左侧是包含我们第一代和第二代（TensorFlow）深度学习框架模型描述文件的程序数量，我们和Google的其他团队合作，把深度学习用到各种产品之中。&/p&&img src=&/v2-8727ddccce94d4407752dda7ed9034f4_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-8727ddccce94d4407752dda7ed9034f4_r.jpg&&&p&我们在工作中关注的一个重点是如何缩短实验的周转时间，提高研究效率。&/p&&p&实验周期需要1个月和实验周期只有几分钟，会带给研究者截然不同的体验。所以，能尽快取得实验结果对我们来说非常重要。&/p&&img src=&/v2-e8fdeddab094f_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-e8fdeddab094f_r.jpg&&&p&为此，我们要建造正确的工具。&/p&&img src=&/v2-8bc36e0d0eaa464f57e7_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-8bc36e0d0eaa464f57e7_r.jpg&&&p&TensorFlow就是我们为解决深度学习问题而建造的第二代系统，它从一开始就是作为一个开源系统而打造的。&/p&&p&量子位注：我们之前发文介绍过Google是怎样管理TensorFlow这么庞大的开源社区的：（在微信公众号中搜索）TensorFlow技术主管详解：Google是怎样管理开源软件的&/p&&img src=&/v2-98099c68ebaa9fa2697b4b_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-98099c68ebaa9fa2697b4b_r.jpg&&&p&TensorFlow的目标是，建立一个呈现机器学习创意和系统的通用平台，并让这个平台在研究和生产环境中都成为世界最佳，再通过开源，让它成为所有人的平台，而不只是Google的。&/p&&img src=&/v2-da3045cff8e8b093db31d_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-da3045cff8e8b093db31d_r.jpg&&&p&这是GitHub星标数的趋势图，你可以看到TensorFlow与其他机器学习框架的对比。&/p&&p&我想，TensorFlow在研究中足够灵活，又很容易部署到实际产品上，还能在多种环境中运行，这些特性很有吸引力。&/p&&img src=&/v2-72b906fa1d3b1ddf952ed93c3649de83_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-72b906fa1d3b1ddf952ed93c3649de83_r.jpg&&&p&我们经常会做一些基准测试，这些测试显示TensorFlow的可扩展性还是不错的。&/p&&p&其实我们很重视速度。&/p&&p&在TensorFlow刚发布的时候，我们推出了很多教程，但是当时我们犯了一个错误，我们发布的教程代码追求清晰、解释详细，但忽略了性能，于是很多人模仿那些代码来建立高效的TensorFlow模型。后来我们逐渐更新了那些代码，对代码的清晰程度和性能同样重视。&/p&&img src=&/v2-b3bd1e470b6a_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-b3bd1e470b6a_r.jpg&&&p&在很多任务上，TensorFlow支持多达64个GPU，还能随着GPU的增加保持性能的线性提升。&/p&&p&如果你听说TensorFlow很慢，不要信&/p&&img src=&/v2-844bb11e19a6c2e034be915629cff957_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-844bb11e19a6c2e034be915629cff957_r.jpg&&&p&我们还支持多种平台，包括iOS、Android、CPU、GPU、我们自己的TPU，还有Raspberry Pi等等。&/p&&img src=&/v2-bc58face1e9e72a72b5bc3_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-bc58face1e9e72a72b5bc3_r.jpg&&&p&我们还支持各种变成语言，目前支持得最好的是Python，C++做得也不错。&/p&&img src=&/v2-11d91fc024bfe_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-11d91fc024bfe_r.jpg&&&p&除此之外，我们还有个不错的用户基础。&/p&&img src=&/v2-8bee7baeff172_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-8bee7baeff172_r.jpg&&&p&在GitHub上最受欢迎的程序里，我们排第6。前5名要么是JS，要么是LISP编程书。&/p&&img src=&/v2-814cb537b16f18eb07cd_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-814cb537b16f18eb07cd_r.jpg&&&p&这是世界上为TensorFlow标星的人口分布，全世界几乎都在用机器学习。&/p&&img src=&/v2-d00d6ec8eab899a2d9ad53b_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-d00d6ec8eab899a2d9ad53b_r.jpg&&&p&TensorFlow在全世界有近千人的外部贡献者，为它增加功能、修复bug、改进系统。&/p&&p&各种机器学习课程中也在越来越多地使用TensorFlow。&/p&&img src=&/v2-cc0215fabebebbb74d03_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-cc0215fabebebbb74d03_r.jpg&&&p&接下来我要谈一谈深度学习在Google具体产品中的应用。Google Photos是个很好的例子，计算机视觉让机器能知道人们的照片中有什么，照片中发生了什么事情。&/p&&img src=&/v2-fe37d2de8316_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-fe37d2de8316_r.jpg&&&p&作为人工智能领域的创业者，你们需要关注各种机器学习成果，很多时候，你可以使用其中的方法，把它用到另一个数据集上，就可能有意想不到的发现。&/p&&p&给定一张图片，让机器预测其中的关键像素，是一个常用的模型，有很多种实现方式。&/p&&p&不过，我们的做法是用一个能实现这种功能的模型，迁移到各种其他任务上。&/p&&img src=&/v2-bd0b6f5d7bf7ab41a8065e_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-bd0b6f5d7bf7ab41a8065e_r.jpg&&&p&计算机视觉公司Clarifai的创始人Matt Zeiler是我之前的暑期实习生，我们和街景团队合作，识别街景照片中的文字。&/p&&img src=&/v2-f981a05dd_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-f981a05dd_r.jpg&&&p&训练数据就是人类手工圈出了文字区域的照片，任务是让机器预测普通街景照片中哪里有文字，选定区域之后，就可以通过OCR来识别这些文字了。&/p&&img src=&/v2-dc268b5efbaa81bf51f8db143ad72344_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-dc268b5efbaa81bf51f8db143ad72344_r.jpg&&&p&后来地图团队决定开发另一个程序，来识别你家房顶适不适合采集太阳能，装上太阳能板可以生产多少电。&/p&&p&这个程序的第一件事是在图中找出房顶，这和找到文字区域的模型不完全一样，但其实只是换了一种训练数据。&/p&&img src=&/v2-de64c123fdfaea3ee9ea6_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-de64c123fdfaea3ee9ea6_r.jpg&&&p&我们还把这个模型用到了医疗领域。&/p&&img src=&/v2-877b614d94ec478f7d0c07b_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-877b614d94ec478f7d0c07b_r.jpg&&&p&还是一样的基础模型，我们用它来解决医学图像问题。&/p&&p&具体来说，是用在眼科检查上。我们让算法从上图这样的视网膜图片上，分辨出是否有糖尿病视网膜病变。&/p&&p&在这个问题上，我们需要识别图上可能是病变的区域，然后再进行图像分类，确定这个眼部照片是否真的有问题。&/p&&img src=&/v2-6f929e86fb109fc753aa_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-6f929e86fb109fc753aa_r.jpg&&&p&我们的研究收集了15万张视网膜照片，每张照片找7名眼科专家来标注，然后训练我们的算法。&/p&&img src=&/v2-78ff44c655bc879af303bf_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-78ff44c655bc879af303bf_r.jpg&&&p&最后，我们获得了一个识别糖尿病视网膜病变的算法，和8名协会认证的眼科专家相比，算法的准确率和他们的中位数持平，有时还要高出一点。&/p&&p&相关论文：&/p&&p&&a href=&/?target=http%3A///journals/jama/fullarticle/2588763& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&/journal&/span&&span class=&invisible&&s/jama/fullarticle/2588763&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&img src=&/v2-a6e7acfb80ea_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-a6e7acfb80ea_r.jpg&&&p&另外，我们可以看到，深度学习在机器人领域也非常用用。&/p&&p&我们在实体机器人和模拟环境中都做了很多实验，还试着让机器人通过模仿人类的动作来学习。&/p&&img src=&/v2-abe15e66bb9f40c9abfeb89_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-abe15e66bb9f40c9abfeb89_r.jpg&&&p&我们建了个“机械臂农场”，摆了很多机器人，让它们学习抓取物体。&/p&&p&我们每天还会把传感器获取的数据收集起来，用它们训练一个模型来优化机器人的抓取技能，这些机器人每天都会提高。&/p&&p&我们公开了这个数据集，其中包含80万次抓取尝试。&/p&&p&项目主页：&/p&&p&&a href=&/?target=https%3A///site/brainrobotdata/home& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&/site/b&/span&&span class=&invisible&&rainrobotdata/home&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&论文：&/p&&p&&a href=&/?target=https%3A//arxiv.org/abs/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/abs/&/span&&span class=&invisible&&9&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&数据集：&/p&&p&&a href=&/?target=https%3A///site/brainrobotdata/home/grasping-dataset& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&/site/b&/span&&span class=&invisible&&rainrobotdata/home/grasping-dataset&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&img src=&/v2-46abc8bebcdae51c4e8a6_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-46abc8bebcdae51c4e8a6_r.jpg&&&p&这张图是我在做动作，试着让机器人模仿。&/p&&img src=&/v2-017ec02e2da69c9f2125ddd15d8f9d3c_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-017ec02e2da69c9f2125ddd15d8f9d3c_r.jpg&&&p&我们首先让模拟器里的机器人学习人类动作，然后再迁移到实体机器人。效果还不错。&/p&&img src=&/v2-edaf8fa22fe73acb286f56acd6af216f_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-edaf8fa22fe73acb286f56acd6af216f_r.jpg&&&p&还有一个激动人心的领域，是深度学习在科学研究中的应用。&/p&&p&科学研究通常都会用到高性能计算机上运行的模拟器，它们会产生大量数据，但问题是，模拟器的运行消耗大量资源，价格昂贵。&/p&&img src=&/v2-55d74bfcad018e238b303d471a124251_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-55d74bfcad018e238b303d471a124251_r.jpg&&&p&举个深度学习应用在这里例子，我们可以用模拟器中的数据作为训练数据，运行一小时模拟器，然后用获取的数据来训练一个神经网络，让它来预测分子的性质。&/p&&p&当然，模拟器给出的结果更精确，但神经网络给出结果的速度要快上几十万倍。&/p&&p&相关研究：&/p&&p&&a href=&/?target=https%3A///2017/04/predicting-properties-of-molecules-with.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&&/span&&span class=&invisible&&/2017/04/predicting-properties-of-molecules-with.html&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&&a href=&/?target=https%3A//arxiv.org/abs/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/abs/&/span&&span class=&invisible&&2&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&&a href=&/?target=https%3A//arxiv.org/abs/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/abs/&/span&&span class=&invisible&&2&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&img src=&/v2-a78eedb10fedc5eb5d6ce805c08f6d84_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-a78eedb10fedc5eb5d6ce805c08f6d84_r.jpg&&&p&图像处理技术也能用在细胞研究上。怎么用呢？&/p&&img src=&/v2-20e6bf98f5d6fc229fa36_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-20e6bf98f5d6fc229fa36_r.jpg&&&p&Google有人做了一个模型，尝试通过一张照片来预测景深。&/p&&p&这是一个pixel to pixel的学习问题，你可以想象，还有很多问题都是类似的。&/p&&img src=&/v2-125fae6bde_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-125fae6bde_r.jpg&&&p&在拍照中，景深的预测有很多用途，比如说预测一张人像照片的景深。&/p&&img src=&/v2-3c1b7098f_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-3c1b7098f_r.jpg&&&p&然后就可以做出一些神奇的效果，比如说保留人像的颜色，把背景变成黑白的，或者让背景变得模糊、给背景加上特定的风格等等。&/p&&img src=&/v2-d467b19b4e55644aac171eb132f73a1a_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-d467b19b4e55644aac171eb132f73a1a_r.jpg&&&p&这种模型还有更神奇的用途：&/p&&p&用显微镜原始图像做为输入，可以输出一张染色后的显微镜图像。&/p&&img src=&/v2-8f80bce836b_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-8f80bce836b_r.jpg&&&p&这有助于帮人们分清细胞核和它外层的物质。&/p&&p&给细胞染色的时候，通常会伤害细胞的活性，所以这种虚拟染色的功能非常有用，能让你在染色后继续追踪细胞的后续活动。&/p&&img src=&/v2-b17a60265eefce40dc2cd96a8d8ebcde_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-b17a60265eefce40dc2cd96a8d8ebcde_r.jpg&&&p&这种技术也能用来观察神经元的活动。&/p&&img src=&/v2-9e2ba76c64fefa8eefad_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-9e2ba76c64fefa8eefad_r.jpg&&&p&我们在语言理解领域也做了不少工作。&/p&&img src=&/v2-eab6b0ce7535b2_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-eab6b0ce7535b2_r.jpg&&&p&最开始，我们的团队提出了seq2seq模型。给神经网络输入一个序列，它会输出一个预测序列。&/p&&p&seq2seq能用来处理很多问题。&/p&&img src=&/v2-0eb608c2fe88c49b2dde18cb5cab0b43_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-0eb608c2fe88c49b2dde18cb5cab0b43_r.jpg&&&p&机器学习就是其中之一。&/p&&p&比如说你有一组成对的英语-法语句子，就可以用seq2seq模型，以法语为输入序列，英语为输出序列，将它们对应起来，训练一个RNN。&/p&&img src=&/v2-ae1cada485ba1e5b0e8f16a_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-ae1cada485ba1e5b0e8f16a_r.jpg&&&p&然后你会通过beam search来找到最合适的输出序列。&/p&&img src=&/v2-dded7fd63aab312fbf0a1_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-dded7fd63aab312fbf0a1_r.jpg&&&p&Gmail中的Smart Reply自动回复功能也是seq2seq的应用之一。&/p&&p&举个例子，这是我发给同事们的一封邮件，问大家要不要参加感恩节聚会。这种邮件只需要简短的回复，有了Smart Reply用户只需要选择“是”或者“否”。&/p&&img src=&/v2-ed7231eb7dffe74aec66b15e_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-ed7231eb7dffe74aec66b15e_r.jpg&&&p&我们的seq2seq模型会在用户选了是/否之后，生成一个简短的回复。&/p&&img src=&/v2-e3b3fbf9_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-e3b3fbf9_r.jpg&&&p&这个功能，是2009年Google开的一个愚人节玩笑：“哈哈哈哈我们要帮你自动回复邮件了！”&/p&&p&日，真正的产品发布了；到日，Inbox手机应用中由超过10%邮件是自动回复的。&/p&&img src=&/v2-bfaf4ada2bbedf_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-bfaf4ada2bbedf_r.jpg&&&p&实际上，seq2seq最具潜力的应用领域还是翻译。&/p&&p&我们把seq2seq用在了在线的谷歌翻译产品中。&/p&&img src=&/v2-ce29c8dda519732ccce08a_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-ce29c8dda519732ccce08a_r.jpg&&&p&在这篇有很多作者的论文Google’s Neural Machine Translation System: Bridging the Gap between Human and Machine Translation中，我们介绍了机器翻译背后的技术详情。&/p&&p&论文地址：&/p&&p&&a href=&/?target=https%3A//arxiv.org/abs/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/abs/&/span&&span class=&invisible&&4&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&img src=&/v2-a8a6cb95f8e829bd523faf3_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-a8a6cb95f8e829bd523faf3_r.jpg&&&p&这是我们模型的结构，它包含很深的LSTM stack，每一层运行在不同的GPU上；还有一个注意力模块，追踪所有的状态，决定在生成输出序列的各部分时，分别该注意输入数据中的哪一部分。&/p&&img src=&/v2-1d2f5b1411_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-1d2f5b1411_r.jpg&&&p&每一份这个模型都运行在一台GPU机器上。我们把这个模型复制了很多份，在训练数据上进行平行训练，然后共享学到的参数。&/p&&img src=&/v2-e0ab50f0ec4eaa35fdd9fd13b00b4dba_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-e0ab50f0ec4eaa35fdd9fd13b00b4dba_r.jpg&&&p&上图显示了人类和Google的两种机器翻译模型的翻译质量。蓝色表示我们原来用的基于短语的机器翻译模型，绿色的是基于seq2seq的神经网络机器翻译模型，黄色的表示双语人类（非专业翻译）。&/p&&p&基于神经网络的模型远远超过了基于短语的统计模型，越来越接近人类的水平。&/p&&img src=&/v2-de633fef51b8fc41ddee90fe_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-de633fef51b8fc41ddee90fe_r.jpg&&&p&我们的日语-英语神经网络机翻上线后，很多日本人都发现，翻译质量好了很多，终于真的能用了。&/p&&p&这是一位日本教授把海明威《乞力马扎罗的雪》第一段从英语翻译成日语、再从日语翻译回来的结果。上边是基于短语的统计模型的结果，下边是神经网络模型的结果。&/p&&img src=&/v2-4603e06eef23cd04a88d74efb06f2e7f_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-4603e06eef23cd04a88d74efb06f2e7f_r.jpg&&&p&我们正在进行大量研究的另一个领域，是如何自动化解决机器学习的问题，我们称之为“learning to learn”。&/p&&img src=&/v2-a0ffed3021_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-a0ffed3021_r.jpg&&&p&目前解决机器学习问题的主要方式，是机器学习专家+数据+计算力。然后用不同的学习率尝试某个模型，希望通过迁移学习的方式从某个数据集得到解决方案。&/p&&p&我们研究的解决方案，是数据+100倍的计算力，这中间不需要人类机器学习专家。如果能做到这一点，世界上会有更多的组织和数据能受益于机器学习。&/p&&img src=&/v2-7abeeaedd1e7_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-7abeeaedd1e7_r.jpg&&&p&我们在这个领域做了很多研究，今天主要讨论其中的两个。一是自动设计神经网络架构的方法，二是自动学习如何优化。&/p&&img src=&/v2-792eca63cfa2eb_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-792eca63cfa2eb_r.jpg&&&p&架构搜索。这个想法，是想用一个模型生成另一个模型。目前的机器学习中，设计神经网络的架构仍然需要大量的专业知识并且耗费大量时间。在这个研究中，我们生成10个模型架构，分别训练数小时，然后使用生成模型的损失，作为强化学习的信号。&/p&&p&这一基于梯度的方法，可以找到最优的架构，不过目前只适用于小问题。&/p&&img src=&/v2-ca478aa60dc4c_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-ca478aa60dc4c_r.jpg&&&p&这是一个例子。这个模型看起来就不像人类设计的东西，这些连线有点疯狂。这是CIFAR-10数据集上的一个应用，架构搜索的方法已经非常接近目前最先进的技术，这中间并没有人对底层架构进行过干预。&/p&&img src=&/v2-a5b49040ddc16d97bfb04_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-a5b49040ddc16d97bfb04_r.jpg&&&p&我们还在Penn Treebank数据集上，尝试了一个语言建模任务。我们只是给了架构搜索一个LSTM cell，然后让它寻找处理顺序数据的方法。在这个案例中，架构搜索的方法比此前最先进的方法表现更好。&/p&&img src=&/v2-59d65f6f2f_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-59d65f6f2f_r.jpg&&&p&常见的优化方法都是类似的。经常使用的方法包括SGD（随机梯度下降）、Momentum、ADAM、RMSProp等。在这一页可以看到，自动化的方法提出了15种完全不同的表达式，而且表现基本都优于人类设计的优化方法。&/p&&img src=&/v2-dbda1e9497ff6fae699c386f545b41cf_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-dbda1e9497ff6fae699c386f545b41cf_r.jpg&&&p&我们把其中最好的一个表达式迁移应用在一个不同的问题上，结果发现这个自动设计的优化器，表现比现有最好的ADAM更出色。&/p&&p&很多机器学习专家想要解决一个问题，需要运行非常多的试验，有可能一个周末就需要试验12000次。人类专家不能操作太多的试验，但是机器可以。当然目前也有很多时候，结果并不尽如人意。&/p&&img src=&/v2-bca2b_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-bca2b_r.jpg&&&p&另一个有趣的事情是，我们之所以能解决很多问题，是因为我们有了非常多的数据，而且能够在不同的问题上应用大规模计算能力。&/p&&p&深度学习改变了我们设计计算机的方式。&/p&&img src=&/v2-b5bf0f7ae4e_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-b5bf0f7ae4e_r.jpg&&&p&深度学习有两个非常好的特性。一个是完美的宽容了非常低的计算精度，另一个是能够处理多种不同的运算，所以我们有机会建造一个定制化的机器学习硬件系统，能够以极大降的低精度运算线性代数。&/p&&img src=&/v2-9ca34dab08dcb616e534b_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-9ca34dab08dcb616e534b_r.jpg&&&p&这是我们一直在搞的定制化机器学习加速器（TPU），目标是加速推理以及训练，这个硬件的第一代版本已经在我们的数据中心部署了两年半，在五月的Google I/O大会上，我们展示了第二代TPU。&/p&&p&重要的不是设计一个芯片，而是整个系统。&/p&&img src=&/v2-360cd3bd3829c_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-360cd3bd3829c_r.jpg&&&p&单个芯片不可能提供足够大的计算量，因此我们把TPU芯片连接在一起。我们称其为：TPU Pod。连接在一起的TPU能够提供更大的计算力。&/p&&img src=&/v2-8af3c12a02c308f1e98f6_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-8af3c12a02c308f1e98f6_r.jpg&&&p&通常给一台超级计算机编程有点烦人。所以我们决定使用TensorFlow，基本上可以实现用一个新的接口表达一个模型，而且我们在TensorFlow 1.2中添加了估计量，相同的程序在CPU、GPU、TPU上只需要微调就能运行。&/p&&p&这些都会引用在TPU云服务上，届时运行TensorFlow应该超快。&/p&&img src=&/v2-0a032c23379dab0d64c868a608e091d2_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-0a032c23379dab0d64c868a608e091d2_r.jpg&&&p&我们还把上千台这样的设备，免费提供给全球的研发人员使用，只要你致力于有趣的研究，需要更多的计算力，而且承诺会公开研究成果。我们想要构建一个科学和机器学习研究的生态系统，我们也希望得到使用TPU的反馈。&/p&&img src=&/v2-4e8cf3bb3af62f58bf13f0f423f24d0f_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-4e8cf3bb3af62f58bf13f0f423f24d0f_r.jpg&&&p&这里，实力广告一波Google Cloud。&/p&&img src=&/v2-aefa702ece312a_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-aefa702ece312a_r.jpg&&&p&最后讲一下，我们也在尝试用机器学习的方式得到更高性能的机器学习模型。&/p&&img src=&/v2-d8f35d8cd5a9_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-d8f35d8cd5a9_r.jpg&&&p&使用强化学习来配置设备。在这个案例中，我们使用强化学习的方式，使用序列到序列模型来预测TensorFlow数据流图的子集应该运行在哪些设备上。例如，如何分配两个GPU的计算力，让模型能够尽快的完成运算。&/p&&p&应用这个方法，我们在神经机器翻译模型、Inception-V3模型上，都获得了近20%的速度提升。此前，计算资源的分配智能通过人类专家手工摸索设置。&/p&&img src=&/v2-07aab7bcef86fefd718c7_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-07aab7bcef86fefd718c7_r.jpg&&&p&&br&&/p&&img src=&/v2-b6f5e99afea396c685e042_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-b6f5e99afea396c685e042_r.jpg&&&p&所以，我们认为更多的计算力带来更多的机会和收益。&/p&&img src=&/v2-202dc11db40b7f11eb382eb2bcdd9f21_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-202dc11db40b7f11eb382eb2bcdd9f21_r.jpg&&&p&这是一些未来会实现的需求。例如通过图像来发现糖尿病引发的视网膜病变；用西班牙语描述一段视频；让机器人从厨房沏一杯茶来；帮我找到与机器人强化学习有关的文档，并用德语总结出来。&/p&&img src=&/v2-4b2ce9a8af61ebe60b27_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-4b2ce9a8af61ebe60b27_r.jpg&&&p&结论。你们肯定已经知道深度神经网络正在带来巨大的变革，大家应该更关注这件事。&/p&&img src=&/v2-76b0c2ed3f8dcec_b.jpg& data-rawwidth=&3000& data-rawheight=&1688& class=&origin_image zh-lightbox-thumb& width=&3000& data-original=&/v2-76b0c2ed3f8dcec_r.jpg&&&p&这是我们正在研究的一些领域，访问&a href=&/?target=http%3A//g.co/brain& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&g.co/brain&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a&可以查看更多信息。你们应该可以加入我们的团队，不过鉴于你们已经开始创业了~（呵呵哒）&/p&&h2&PPT下载&/h2&&p&想要下载Jeff Dean此次讲座的86页PPT全文，请在量子位微信公众号（QbitAI）对话界面，回复：“&b&jeff&/b&”四个字母。&/p&&p&—— &b&完&/b& ——&/p&&p&欢迎大家关注我们的专栏：&a href=&/qbitai& class=&internal&&量子位 - 知乎专栏&/a&&/p&&p&诚挚招聘&/p&&p&量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。&/p&&p&&b&量子位&/b& QbitAI&/p&&p&?'?' ? 追踪AI技术和产品新动态&/p&
李林 若朴 编译整理 量子位 出品 | 公众号 QbitAI少年，你知道Jeff Dean么？传奇一般的Jeff Dean现在领导着Google Brain团队，也是Google研发群组的高级研究员（Senior Fellow）。近日，Jeff Dean为YC AI小组的同学讲了一堂时长近1小时的课程，讲述了目前Go…
&img src=&/v2-5e2bc796_b.jpg& data-rawwidth=&600& data-rawheight=&367& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&/v2-5e2bc796_r.jpg&&&p&1973年，长沙马王堆汉墓出土了一批古书，其中就包括我们盛行四海的《道德经》。结果经过整理复原人们发现，该版本与我们现在流行的《道德经》版本，存在着一些差异。&/p&&p&这些差异大多只是只字片句之间，但意义却有千差万别之远，所谓“失之毫厘，谬之千里”。这些差别，或许是传抄失误，或许是有心人的篡改所致。现在我们就摘录出四处来辨别一下，一起探讨探讨这桩千年公案。&/p&&p&&br&&/p&&p&&br&&/p&&h2&第一处：《道德经》第二章&/h2&&p&传世本：“故有无相生，难易相成，长短相较，高下相倾，音声相和，前后相随。”&/p&&p&帛书本：“有，无之相生；难，易之相成；长，短之相形；高，下之相盈；音，声之相和；先，后之相随，恒也。”&/p&&p&二者差别不大，就是一个“之”字，但意义却完全变了。“有无相生”，与“有，无之相生”，第一个理解就像现在流行的阴阳相生一样，你生我，我生你，互为其根，自循环而无始终。但第二个理解却是“有，是由无而生的，无是有的根本”。&/p&&p&而这个理解，才是与《道德经》第三十九章“贵以贱为本，高以下为基”、第四十章“天下万物生于有，有生于无”、第六十三章“天下难事必作于易，天下大事必作于细”相互应和的。&/p&&p&而照第一个理解，则完全与儒家解说易经的《十翼》、解说太极图的《太极图说》搅和在一起，混成了稀泥。也难怪有人说《道德经》是出自于《易经》的了。&/p&&p&&br&&/p&&p&&br&&/p&&h2&第二处：《道德经》第十四章&/h2&&p&传世本：“执古之道，以御今之有，能知古始，是谓道纪。”&/p&&p&帛书本：“执今之道，以御今之有，能知古始，是谓道纪。”&/p&&p&二者只差了一个字，把“今”换成了“古”。按照传世本的理解，是要遵循古法来治理现代。所谓“祖宗之法不可易”，推崇周代之礼治天下。&/p&&p&但是孔子向老子问礼时，老子却告诉他“子所言者，其人与骨皆已朽矣，独其言在耳。”你所学习的那一套，都是已经去世了很久的人所言。对这些很久以前的人说的话，要活学活用，不可拘泥执着。&/p&&p&《庄子》还直接讲解了原因：“今子之所言，犹迹也。夫迹，履之所出，而迹岂履哉!”你学习的这些东西，都是先王留下来的遗迹，又哪里是他们的真实内涵呢？脚印是脚踩出来的，但脚印又哪里是脚呢！”&/p&&p&所以按照帛书本的理解，则是要法随时变，以适应当下之法来治理当下。种植种子的方法，和培育幼苗、照顾成树的方法完全不同，因为时势和对象发生了变化，所以才要以“今之道”来“御今之有”。&/p&&p&&br&&/p&&p&&br&&/p&&h2&第三处：《道德经》第四十一章&/h2&&p&传世本：“大器晚成”&/p&&p&帛书本：“大器免成”&/p&&p&同样是一字之差。一个是持之以桓之意，表示大才都是很晚才成就出来的；一个却是顺其自然之意，表示大才都不是刻意成就、人为造就而来的。&/p&&p&可以看出，“大器晚成”在《道德经》体系中完全就是个外来户，上无依下无靠，突兀而孤零零的，如同飞来之石一般。但“大器免成”，却是与整本文意相通的。&/p&&p&《道德经》说“大巧若拙”，我们总觉得自然界的素材不够完美，想要人为去改造它，制作成器。但我们制作出来的任何器物，都远远比不上自然界一片树叶，一只小鸟那么精巧。&/p&&p&所以，自然成就之才，才是大才；人为造就之才，反而是拙才。试图把人塑造成“器”，才真正是“夺天之造化”，不过是变巧为拙，变美为丑而已。&/p&&p&&br&&/p&&p&&br&&/p&&h2&第四处：《道德经》第七十一章&/h2&&p&传世本：“知不知，上；不知知，病。夫唯病病，是以不病。”
&/p&&p&帛书本：“知不知，上；不知不知，病。夫唯病病，是以不病。”&/p&&p&说实话，“不知知”这句话，我一直都不知道是什么意思，感觉莫名其妙，怎么也解释不通。我在网上翻来复去才找到一个勉强看得过去的解释——“:知道表现为不知道，这才是高明；不知道表现为知道，这就不够理智。”&/p&&p&这个解释一下就把老子的形象拉低了无数个档次好吗？整个一装模作样、世故狡诈的老头嘛！说好的“信言不美，美言不信”呢？怎么能明明知道却装不知道这么腹黑呢！难怪有学者把《道德经》读成阴谋论了。看来根本就不是老子腹黑，而是读老子的人内心太奸诈。&/p&&p&后来我读了一遍《庄子》，这才恍然大悟。《庄子》里有个叫南荣趎的，他说：“邻里的人生了病，周围的乡邻询问他，生病的人能够说明自己的病情，而能够把自己的病情说个清楚的人，那就算不上是生了重病。&/p&&p&这就是“知不知”和“不知不知”的差别了：能够把自己的病情说清楚的人，就算不上是生了重病；自己都不知道自己生了什么病，那才是真正的重病。”&/p&&p&庄子由此大发感慨：我们都知道，对父母说的话一味称赞，对领导说的话一味奉承，这是“谄媚”的行为。但如今社会潮流认为是对的，我们往往也会赞成；社会潮流认为是错的，我们往往也会反对，我们这样生活着，岂不正是一直在“谄媚”然而自己还不知道吗？&/p&&p&我们穿着华美的衣裳，打扮艳丽的容貌，修饰自己的言行，讨好献媚于举世之人，却并不认为这是谄媚与阿谀，这不正是最大的迷惑吗！&/p&&p&&br&&/p&&h2&第五处：《道德经》第五章&/h2&&p&传世本：“天地之间，其犹橐龠乎？虚而不屈，动而愈出。多言数穷，不如守中。”&/p&&p&帛书本：“天地之间，其犹橐龠乎？虚而不屈，动而愈出。多闻数穷，不如守中。”&/p&&p&仍然是一字之差，一个是“多言数穷”，一个是“多闻数穷”。多言数穷再怎么传抄，也不太可能变成多闻数穷。因为二者无论字形和意义都相差甚远，所以很有可能是后人改的。&/p&&p&那为什么改呢？因为很难去弄明白：“多闻”，怎么会“数穷”？我们一直推崇的，不就是见多识广，博学多闻吗？&/p&&p&“少言”就不用多说，儒道二家都提倡的。比如“少说多听”，“言多必失”，“希言自然”，“知者不言”等等。但是对于增长“见闻”方面，儒道二家就有差别了。&/p&&p&所谓“读万卷书，不如行万里路”，道家却提倡“不出户，知天下”，“其出弥远，其知弥少”，“博者不知，知者不博”，“塞其兑，闭其门”，实在是让人难以理解。&/p&&p&其实这里老子主要讲了一个道理：不要被外物复杂的声色变化迷惑而去追逐表象。为什么？因为它们是无穷无尽的。&/p&&p&一颗石头，随着观察角度的不同，能得到无数不同的形象。知识取用于万物，随着认知角度的不同，推陈出新无穷无尽。所以不要向外去追求表象，而是要“守中”，把握它们的根本。&/p&&p&如此再结合前文，“天地之间，其犹橐龠乎？虚而不屈，动而愈出。”天地之间，不就好像一个大风箱一样吗？中间空虚而不闭塞，四周绷开而不塌缩。只要一拉动，就有无穷的风产生出来。就好像天地只要一运行，就有无数的万物衍生出来。与“多闻数穷”有明显的前后文对应的关系，所以此处当取“多闻数穷”。&/p&&p&&br&&/p&&p&&br&&/p&&h2&第六处：《道德经》第八章&/h2&&p&传世本：“居善地，心善渊，与善仁，言善信，正善治，事善能，动善时。”&/p&&p&帛书本：“居善地，心善渊，予善信，正善治，事善能，动善时。”&/p&&p&这个地方也很容易让人迷惑。《道德经》对仁是持批判态度的，《庄子》对这一点也确凿无疑，怎么在这里又出现一个“与善仁”呢？那诸如“大道废，有仁义”，“失道而后德，失德而后仁”，“绝仁弃义，民复孝慈”，怎解？&/p&&p&后来帛书本出世才知道，根本就没有什么“与善仁，言善信”，而只是一个“予善信”。&/p&&p&“仁义”这个东西，《庄子》说“仁义惨然，乃愤吾心，乱莫大焉”，形容它是在人世间播糠迷眼，让人颠倒是非。&/p&&p&因为天下有道，就不会体现出什么“仁义”，所以如果奔着追求仁义的目的去了，最终的结果就是天下无道。如此一来，提倡仁义和提倡天下无道何异？&/p&&p&《庄子》还说：素材没有被分割，谁还能用它雕刻为酒器；白玉没有被破裂，谁还能用它雕刻出玉器；人的自然本性不被废弃，哪里用得着仁义；人固有的天性和真情不被背离，哪里用得着礼乐；五色不被错乱，谁能够调出文彩；五声不被搭配，谁能够应和出六律。&/p&&p&分解原木做成各种器皿，这是木工的罪过；毁弃人的自然本性以推行所谓仁义，这就是圣人的罪过。&/p&&p&所以最好的品质，是天真淳朴的自然天性；最好的生活，是自然而然、不知不觉的生活。天真淳朴不能人为培养，而只能保护不丢失；自然而然不能人为创造，而只能保证不破坏；不丢失不破坏，这就是无为。&/p&&p&&br&&/p&&p&&br&&/p&&h2&第七处：《道德经》第三十九章&/h2&&p&传世本：“是以侯王自谓孤、寡、不穀。此非以贱为本邪？非乎？故致数舆无舆。不欲琭琭如玉，珞珞如石。”&/p&&p&帛书本：“是以侯王自谓孤、寡、不穀。此非以贱为本邪？非也。故致数舆无舆。不欲琭琭如玉，珞珞如石。”&/p&&p&这里更妙，只是改了一个语气词，就把否定变成了肯定。“侯王自谓孤、寡、不穀”是指什么呢？这是春秋战国时期，各诸侯王用来自称的用语。“寡人”如何如何，“不穀”如何如何。&/p&&p&在《道德经》的第四十二章，老子指出了这个自称的来历：人之所恶，唯孤、寡、不穀，而王公以为称。也就是诸侯王表示自己愿意“受国之垢”，处众人之所恶，以下为根基，以贱为根本的意思。&/p&&p&所以侯王这个自称，表示不忘本，向来是广受赞赏的。但这里问题就来了，你一个自称，就得到了这么多的赞赏，说明了什么呢？说明你只是在说说而已，根本就没有做到。为什么呢？因为如果你真的做到了，别人也就不会去赞扬你这个自称了。&/p&&p&一个自称，相对于真正做出的行为，算得了什么呢？人们去赞扬它，只是因为没有其他可以赞扬的了。所以后文紧跟“致数舆无舆”：招来了太多的赞赏，就等于不是赞赏。&/p&&p&玉和石的差别在哪里？玉很美，但只能让极少部分人得到，所以人人都去赞赏它；石头很糙，但却能让人人都受益，大家造屋盖房随便取用。人人都能受其惠，人人都能得到的东西，大家反而不去赞赏它了。&/p&&p&就像水，赞赏水的人虽然很少，但大家一时一刻都离不开它。你说是玉贵重，还是水贵重？所以被太多人赞赏的东西，必定不能普及大众、惠及天下，又有什么好赞赏的呢？这就是“至誉不誉”的道理。&/p&&p&&br&&/p&&p&&br&&/p&&h2&第八处：《道德经》第五十一章&/h2&&p&传世本：“道生之，德畜之，物形之，势成之。”&/p&&p&帛书本：“道生之，德畜之，物刑之而器成之。”&/p&&p&古代“形”和“刑”是通用的，这里没毛病，有毛病的是把“器成之”改成了“势成之”。“物形之，势成之”，这里是很难沟通上下文的。道、德、物后面跟着动词，它们本身是作为主语的：道，生之；德，畜之；物，形之，那“势”，成之是个什么鬼？&/p&&p&这里的刑，其实是刑伤的意思。“朴散则为器”，朴是怎么散掉的？被刑伤了。&/p&&p&所以“物刑之而器成之”，这里的“物”，指的就是刑伤外物、刑伤自身的人。他们对待外物的方式是：挑选自己觉得有用的，丢弃自己觉得没有用的；他们对待自己的方式是，留取天性中觉得好的部分，抛弃天性中觉得不好的部分。&/p&&p&“刑”是雕刻、砍削的意思。一块木头，把它雕出花来，做成好看的器物，那么被削下来丢弃的部分，不正是他们觉得没有用的部分吗？&/p&&p&他们因为拥有智慧，所以懂得去改造工具，制作器物，让事物按照他们的想法成形、成器，但这种行为本身就是与道相悖逆的。&/p&&p&道有生养万物的特性，天生地长的自然之物，即为“朴”，它们完整地保留了道所赋予的天性。“朴散则为器”，是指背弃了道，成为被雕琢、被使用的“器”物。&/p&&p&“圣人用之则为官长”，因为任何“器”物都来源于朴，所以掌握了朴，就能成为天下器物之母，就能成为它们的官长。所以“朴虽小，而天下莫能臣”，所以要“抱朴”。&/p&
1973年，长沙马王堆汉墓出土了一批古书，其中就包括我们盛行四海的《道德经》。结果经过整理复原人们发现，该版本与我们现在流行的《道德经》版本，存在着一些差异。这些差异大多只是只字片句之间，但意义却有千差万别之远，所谓“失之毫厘，谬之千里”。这…
长痘痘的原因很多，先辨别原因再对症下药。&br&第一种、内在原因，遗传、内分泌失调、肝火旺盛、湿气重（湿毒）、便秘、缺乏维生素、压力大。以上问题建议去正规医院就诊，内服外调比较好。&br&当然自己也可以先了解下脸上不同位置长痘的原因。&br&&img data-rawheight=&349& src=&/v2-de98b161b88892ddc3745_b.jpg& data-rawwidth=&561& class=&origin_image zh-lightbox-thumb& width=&561& data-original=&/v2-de98b161b88892ddc3745_r.jpg&&&br&&img data-rawheight=&354& src=&/v2-b91bf5577_b.jpg& data-rawwidth=&479& class=&origin_image zh-lightbox-thumb& width=&479& data-original=&/v2-b91bf5577_r.jpg&&&br&第二种、外在因素。&br&1、注意防晒，紫外线不但让你长痘还长斑。&br&2、不注意清洁，脏东西堵塞毛孔。&br&3、卸妆不当，卸妆油不乳化好很容易长闭合，所以我推荐用卸妆乳。&br&4、经常化妆，任何化妆品都会对肌肤产生负担，尤其是bb爽，很容易诱发闭合粉刺。还有散粉容易堵塞毛孔。少化妆或者不化妆。&br&5、洗头洗不干净，发际线就容易冒痘。&br&6、有刘海儿的额头容易冒痘，因为头发总盖着，头发细菌多。&br&7、吃辛辣刺激性食物，第二天冒痘。&br&8、压力大熬夜喝酒很容易冒痘。&br&9、对着电脑、手机屏幕辐射引发痘痘，这种需要多洗脸。&br&10、螨虫，床上枕头上有螨虫也会诱发痘痘，勤换洗被褥，也可以从淘宝上买去除螨虫的喷雾，定期喷一喷。&br&11、缺乏维生素b族、维生素e、缺锌也会长痘痘。&br&12、喝水少。&br&13、皮肤缺水，多敷面膜，多喝水。&br&14、切勿乱投医，也别把自己的脸当试验田什么东西都敢抹，很多治疗痘痘的药是含激素的，抹上是会好但有依赖性。&br&我从小就比较注意保养自己的皮肤，所以到现在皮肤状态都很好，以上都是我18年来总结出来的经验，如果你注意了脸就会干干净净的。&br&&img data-rawheight=&1705& src=&/v2-63d7b58dad4b7_b.jpg& data-rawwidth=&1280& class=&origin_image zh-lightbox-thumb& width=&1280& data-original=&/v2-63d7b58dad4b7_r.jpg&&
长痘痘的原因很多，先辨别原因再对症下药。 第一种、内在原因，遗传、内分泌失调、肝火旺盛、湿气重（湿毒）、便秘、缺乏维生素、压力大。以上问题建议去正规医院就诊，内服外调比较好。 当然自己也可以先了解下脸上不同位置长痘的原因。 第二种、外在因素…
&p&租房的烦恼，相信大家或多或少都有过。独自一人在大都市打拼，找个温暖的小窝实属不易，租个称心又价格公道的房子是件重要的事儿。&/p&&p&本文作者、阿里工程师鹿星，也是众多北漂中的一员。如何从各大租房网的房源里面，找到最称心如意的小窝？今天让鹿星带大家看看数据能不能做出最优选择。文末有代码。&/p&&h2&&b&选择困难症&/b&&/h2&&p&毕业到现在两年多了，一直住的自如合租房，但因为各种原因住处已经换过4次，每次换租都是一件头疼的事。从茫茫房海中找一间中意的房间，实在是一件费时费力的活，对于我这种买东西直奔目的地的人来说，在这么多房间里对比各种房间属性选出最优的根本就是一种折磨（这里不得不说一下自如网的选房功能，列表筛选无法准备知道房间地点，而地图找房功能的筛选项又太少，实在无法满足我的需求），所以我每次都是草草选一个，将就着住。&/p&&p&最近在经历了又一次换租后，我萌生了把自如所有在租的房间数据都爬下来，找出最符合我预期的房间的想法，制作好一套流程以后再要换租的时候就可以无脑操作了。&/p&&h2&&b&爬取数据&/b&&/h2&&p&分析之前需要从自如网上爬数据，我用的是Python的Scrapy爬虫框架，但第一遍采集后发现房间数量要比自如网上能查到的数量少，找了下原因发现是自如的房间列表页中有些房间条目是js动态生成的，因为Scrapy没有js引擎，只能爬取静态页面，这部分数据自然就没采集下来。利用scrapy-splash来提供js渲染服务，最终完整采集到了所有在租的自如房间数据，共7907条。采集到的数据样例如下。每一行是一个json格式的字符串&/p&&p&&br&&/p&&img src=&/v2-fe83def5_b.png& data-rawwidth=&872& data-rawheight=&158& class=&origin_image zh-lightbox-thumb& width=&872& data-original=&/v2-fe83def5_r.png&&&h2&&b&租金的整体印象&/b&&/h2&&p&我只关心合租房的数据，再做脏数据过滤，共得到4762条合租房数据。合租房房租的平均值和中位数非常接近，整体数据基本无偏，即低价位和高价位的房间数量差不多。&/p&&p&&br&&/p&&img src=&/v2-f0d16dc3baf9e463e466172_b.png& data-rawwidth=&675& data-rawheight=&89& class=&origin_image zh-lightbox-thumb& width=&675& data-original=&/v2-f0d16dc3baf9e463e466172_r.png&&&p&不同价格的房间数量分布如图1，基本符合正态分布。&/p&&p&&br&&/p&&img src=&/v2-40edc36dc8e1cbf1b70eeb1_b.png& data-rawwidth=&640& data-rawheight=&331& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&/v2-40edc36dc8e1cbf1b70eeb1_r.png&&&p&（图 1 合租房不同价格区间的房间数量分布）&/p&&h2&&b&神秘的最贵房间&/b&&/h2&&p&从上图可以看到一间房超过了6000元，这勾起了我的好奇心，什么房间能这么贵。这间6290元月租金的房间链接是&a href=&/?target=http%3A///z/vr/.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&/z/vr/6055836&/span&&span class=&invisible&&8.html&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a& ，如下图。除了紧邻西单商场其它属性都没什么突出的。去链家上看了一下这个西黄城根45号院，小区均价14.6万元/平米，好吧，似乎明白为啥这屋子这么贵了。&/p&&p&&br&&/p&&img src=&/v2-a121e773c91_b.png& data-rawwidth=&640& data-rawheight=&273& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&/v2-a121e773c91_r.png&&&p&为了膜拜一下这个西黄城根45号院，我又在自如上搜了这个小区的所有在租房间，如下。突然发现好像就这间很贵，而其它房间价格虽然也不算低，但也不像这间这么离谱，有些房间的属性甚至看起来还比这间更好。这个房间总感觉是被自如标错价了，难不成它有什么隐藏属性（住进去每天精神值MAX）。&/p&&p&&br&&/p&&img src=&/v2-bd43da501d2c45d6614fb6_b.png& data-rawwidth=&640& data-rawheight=&521& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&/v2-bd43da501d2c45d6614fb6_r.png&&&h2&&b&租金地图&/b&&/h2&&p&房间价格在地图上的分布如图2。红色表示大于3000元/月的房间，绿色表示元/月的房间，紫色表示小于2000元/月的房间。颜色越深表示同一个位置重叠有越多房屋，可见总体上北京北边比南边贵，东边比西边贵。而要想租到月租2000以下的房间，就得考虑去往五环之外了。&/p&&p&&br&&/p&&img src=&/v2-f0ffceaf2c_b.png& data-rawwidth=&614& data-rawheight=&599& class=&origin_image zh-lightbox-thumb& width=&614& data-original=&/v2-f0ffceaf2c_r.png&&&p&（图 2 合租房价格在地图上的分布）&/p&&h2&&b&谁最重要？&/b&&/h2&&p&接下来看一下自如对房间定价时考虑的因素主次。使用随机森林算法对房间每月租金进行预测，选取如下14个特征：房间面积、自如配置版本(1.0,2.0等)、配置类型(布丁、拿铁等)、朝向、房间所在楼层、房间所在楼的总楼层、离最近地铁站的距离、是否有独立阳台、是否有独立卫生间、几室、几厅、所在北京区县、相对天安门的方位角、与天安门的距离。对其中的自如配置版本、配置类型、朝向、所在北京区县这四个类别特征使用One-Hot Encoding进行编码，最终扩展为41个特征。使用2/3的数据训练模型，1/3的数据进行测试，在测试集上得到拟合优度R2=0.86，不同特征对租金的影响程度Top10如下：&/p&&p&&br&&/p&&img src=&/v2-e4ae4a9304eaa7e622c59be_b.png& data-rawwidth=&682& data-rawheight=&296& class=&origin_image zh-lightbox-thumb& width=&682& data-original=&/v2-e4ae4a9304eaa7e622c59be_r.png&&&p&&br&&/p&&p&可见所在方位、房间面积大小、交通方便程度、有没有独卫是影响房间租金的主要因素。话说以前我还一直觉得房间加上朝南的属性会更贵，现在看来好像是我的错觉？&/p&&h2&&b&终极目标&/b&&/h2&&p&最后，回到本次分析的终极目标，找出最符合我预期的房间。我需要做的就是综合我自己的关注属性值对房间进行排序，我最关心的房间属性是[房间面积，房间租金，到公司的距离]，这里我使用的是灰度关联分析法对房间进行打分，详细计算过程网上都有，这里我就不再罗列了。&/p&&p&首先我过滤掉属性值超出我心理预期范围的房间，将价格大于等于2200元/月，面积小于等于8m2的房间过滤掉。过滤后的数据集中选5条数据如下：&/p&&p&&br&&/p&&img src=&/v2-acf8a50fd20d3_b.png& data-rawwidth=&679& data-rawheight=&191& class=&origin_image zh-lightbox-thumb& width=&679& data-original=&/v2-acf8a50fd20d3_r.png&&&p&对这三个属性值无量纲化，这里我使用的是离差标准化，如下。标准化后x_i^,的取值范围为[0,1]。&/p&&p&&br&&/p&&img src=&/v2-dbcdf2d367cf9a5e3308_b.png& data-rawwidth=&667& data-rawheight=&245& class=&origin_image zh-lightbox-thumb& width=&667& data-original=&/v2-dbcdf2d367cf9a5e3308_r.png&&&p&后数据如下：&/p&&p&&br&&/p&&img src=&/v2-7ecfbda58e8_b.png& data-rawwidth=&677& data-rawheight=&170& class=&origin_image zh-lightbox-thumb& width=&677& data-original=&/v2-7ecfbda58e8_r.png&&&p&然后设定最优序列，最理想的状态当然是房间面积最大，租金最小，到公司距离最近了。因此最优序列为[1,0,0]，计算每个属性与最优序列相应属性之间的关联系数如下：&/p&&p&&br&&/p&&img src=&/v2-9ede860e9f7a74f5d4cb077cdd9b1f12_b.png& data-rawwidth=&676& data-rawheight=&192& class=&origin_image zh-lightbox-thumb& width=&676& data-original=&/v2-9ede860e9f7a74f5d4cb077cdd9b1f12_r.png&&&p&由于我对不同属性的关注程度不同，因此这里需要设定每个属性的权重，权重值使用目标优化矩阵确定。&/p&&p&&br&&/p&&img src=&/v2-cfbea6c8039d_b.png& data-rawwidth=&685& data-rawheight=&116& class=&origin_image zh-lightbox-thumb& width=&685& data-original=&/v2-cfbea6c8039d_r.png&&&p&因此房间面积权重为1/6，房间租金权重为1/3，到公司的距离权重为1/2，则每个房间的关联系数=房间面积关联系数/6+房间租金关联系数/3+到公司的距离关联系数/2，计算结果如下：&/p&&p&&br&&/p&&img src=&/v2-ca02b26cb032d00cd1f1a8_b.png& data-rawwidth=&675& data-rawheight=&168& class=&origin_image zh-lightbox-thumb& width=&675& data-original=&/v2-ca02b26cb032d00cd1f1a8_r.png&&&p&计算出所有房间的关联系数，从大到小排列后取Top10如下：&/p&&p&&br&&/p&&img src=&/v2-a988ff585f6ed40_b.png& data-rawwidth=&640& data-rawheight=&249& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&/v2-a988ff585f6ed40_r.png&&&p&这下可以挑选房间的范围就大大缩小了，以后要是再租房感觉烦恼少好多。当然由于自如网上房间信息变动较快，随时都会有人下定，这套流程还得随租随用，不然筛选出房间后过个两三天再看，说不定房间早就被别人抢了。&/p&&p&来源：阿里技术&/p&&p&租房爬虫分析代码（复制后在PC网页端打开）：&/p&&p&&a href=&/?target=http%3A//-hangzhou.oss-pub./%25E7%2588%25AC%25E8%2599%25AB%25E5%E5%E6%259E%%25BB%25A3%25E7%25A0%2581.zip& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&-hangzhou.oss-pub.&/span&&span class=&invisible&&/%E7%88%AC%E8%99%AB%E5%92%8C%E5%88%86%E6%9E%90%E4%BB%A3%E7%A0%81.zip&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&h2&&b&更多技术干货敬请关注云栖社区知乎机构号：&a href=&/org/a-li-yun-yun-qi-she-qu-48& class=&internal&&阿里云云栖社区 - 知乎&/a&&/b&&/h2&&p&&/p&
租房的烦恼，相信大家或多或少都有过。独自一人在大都市打拼，找个温暖的小窝实属不易，租个称心又价格公道的房子是件重要的事儿。本文作者、阿里工程师鹿星，也是众多北漂中的一员。如何从各大租房网的房源里面，找到最称心如意的小窝？今天让鹿星带大家看…
&p&思维是大脑的运动成果，所以我们在思维训练之前，需要先了解一下，大脑有哪些基础的特性。&/p&&p&大脑的本能是什么？&/p&&p&&br&&/p&&p&有些人认为，大脑的本能是思考，毕竟我们是高级智慧动物。很可惜，不是的。大脑的本能不是思考，而是记忆。或者说，逃避思考才是大脑的本能。&/p&&p&&br&&/p&&p&&b&大脑的思考能力就像一团很难被锻炼到的肌肉，它很弱，一旦它被使用到，它就会觉得很累，很想停止这种锻炼&/b&。这就跟我们锻炼身体肌肉的时候是一样的。发誓每天跑步3km减肥的人，大部分都会越来越胖，大脑的锻炼也好不到哪里去——大部分人都会在疲惫、难受的感觉出现后不就就放弃了。所以，为了进行思维能力的锻炼，我们首先需要调整一下心态，告诉自己：&/p&&p&1一定要挺过这段“难受期”，它不会很长，很快就会过去的；&/p&&p&2难受期度过之后，思维会成为一种不那么痛苦的习惯，甚至成为一种享受。&/p&&p&&br&&/p&&p&做好了这种心态准备之后，就可以进行下面的训练了。&/p&&p&&br&&/p&&h2&&b&最简训练法1——5why法&/b&&/h2&&p&思维的深度，可以说就是逻辑链条的长度。为了加强链条的长度，最直接的训练法就是5why法。&/p&&p&5why法，简单来说就是&b&连续追问为什么，寻找问题的根本原因&/b&。举一个很有趣的例子：&/p&&blockquote&一个博物馆的东边外墙面上有非常严重的腐蚀，需要经常涂刷新的油漆。这一天，博物馆的主管发现墙面又腐蚀的很严重了，现在他需要决定怎么处理这件事情。&br&&/blockquote&&img src=&/v2-a5e1e25efd6c700d1db4_b.png& data-rawwidth=&914& data-rawheight=&659& class=&origin_image zh-lightbox-thumb& width=&914& data-original=&/v2-a5e1e25efd6c700d1db4_r.png&&&p&也许部分人的第一直觉是，那就再喷刷一次油漆呗。可是这个答案显然太肤浅了，有一些思维能力的你可能会说：“显然找出原因，为什么东边的外墙面腐蚀很严重？”&/p&&p&经过调查以后，你发现，原来博物馆的清洁人员在洗墙的时候，用了一种高腐蚀度的清洁剂，这才导致了墙面的腐蚀，所以正确的解决方法应该是，在喷刷修补了这一次的墙面以后，下次清晰墙面换用低腐蚀度的清洁剂。&/p&&p&你看，经过你的思维，你做出的决定就比直接刷油漆要强多了。&/p&&p&可是根据5why法，事情并不能就这么结束了。你还要继续追问：为什么这个清洁工要用高腐蚀度的清洁剂？&/p&&p&经过调查发现，原来是因为东边的墙上经常有很多鸟粪粘着，一般的清洁剂洗不干净。&/p&&p&现在你肯定已经知道了，还要继续追问：&/p&&p&&br&&/p&&p&为什么东边的墙上有很多鸟粪？&/p&&p&调查发现，原来是因为墙上有很多蜘蛛，而这些鸟以蜘蛛为食，所以经常在墙附近活动。&/p&&p&为什么墙上有很多蜘蛛？&/p&&p&因为墙上有很多小虫子，而蜘蛛以这些小虫子为食。&/p&&p&为什么墙上有很多小虫子？&/p&&p&因为东面墙上有几扇窗子，半晚时候博物馆里的光会从这里透出去，而这些趋光性很强的虫子就被光吸引过来了。&/p&&p&&br&&/p&&p&所以，正确的解决问题方法应该是，在窗户那里安装遮光性很强的厚窗帘，这样就能彻底解决问题了。&/p&&p&你看，经过连续追问（5why法）以后，问题的解决方法已经和一开始完全不一样了——从刷油漆，变成了安装窗帘！&/p&&p&这就是最典型