Google的深度神经网络强在哪里？谷歌首席科学家说了这些奇妙的特性
按：作者董飞，数据科学家，微信公号“董老师在硅谷”。写在前面日，谷歌首席科学家，MapReduce、BigTable等系统的创造者，Jeff Dean受邀韩国大学，演讲主题《大规模深度学习》，这里部分来自highscalability的文字和笔者Youtube上的听录。刚好演讲在AlphaGo和李世石比赛之前，观众也问了他的预测，他只是说训练了5个月的机器跟顶尖高手的差距不好说；还有人问道他喜欢的编程语言（C++爱恨交织，喜欢Go的简洁，Sawzall才是真爱）；在Google作为首席一天是怎么过的（要吃好早饭，到处闲逛闲聊，找到那些每个领域专家一起攻克难题）。| 整合意味着理解如果你不理解信息中的奥秘，那么你也很难去组织它。Jeff Dean是Google系统架构组院士，在讲座：“大规模深度学习构建智能计算机系统”中提到这句和Google的使命：整合全球信息，使人人皆可访问并从中受益。早期他们通过收集，清理，存储，索引，汇报，检索数据完成“整合”的工作，当Google完成这个使命，就去迎接下一个挑战。理解是什么含义？看到这张图，你马上知道是小宝宝抱着泰迪熊睡觉。而看到下张街景，马上意识到纪念品店里面有打折信息。其实直到最近，计算机才可以提取图片中的信息。如果想从图像去解释物理世界，计算机需要去选择跟那些感兴趣的点，阅读文字并去真正理解。像下面的文字“car parts for sale”，传统的Google通过关键字匹配来给出结果，但更好的匹配是第二个。这是一个需求深度理解的过程，而不能停留在字面，要去做一个优秀搜索和语言理解产品。| Google的深度神经网络历史Google跟其他公司的不同是，2011年就开始Google大脑计划，当时想通过使用神经网络来提升技术水准，但并没有把研究做成像大学象牙塔那种，而是结合安卓，Gmail，图片去改进产品解决真正问题。这对其他公司也是很好的借鉴，把研究和员工工作结合起来。神经网络老早就开始研究，上世纪60年代发明，在80年代和90年代早期也流行过，后来又不火了。两个原因：缺少计算能力去训练数据模型，这样也不能用来做更大规模的问题；2）缺少大量有效的数据集。而Google通过算法的力量，在加上他们强大的基础架构，海量数据集创造了AI的绝佳温床。深度学习一开始从少数的产品组开始，一段时间后反响很好，能解决之前不能做的，就更多的团队开始采纳。使用深度学习的产品有：安卓，Apps，药品发现，Gmail，图片理解，地图，自然语言，图片，机器人，语音翻译等。深度学习能应用到很多领域原因是那些通用模块：语音，文字，搜索词，图片，视频，标签，实体，短语，音频特性。输入一类信息，决定你想要的输出，收集训练数据作为你想要计算的潜在函数，然后就放手不管了。模型很赞的原因是因为灌了很多原始形式的数据。你不需要教工程师很多特征点，模型的力量在于从观察一些例子就能自动识别数据中的有用信息。| 深度神经网络是什么？神经网络就是一些从数据提炼的复杂函数。从一个空间输入在转化为另一个空间的输出。这里的函数不是像平方，而是真正复杂的函数。当你给出一些原始像素，比如猫，而输出就是对象的类别。深度学习中的“深度”指的是&神经网络中的层数。这个系统的良好性质是一组简单的可以训练的数学函数集合。深度神经网络适用于很多机器学习风格。比如你给输入一张猫的图片，输出是人工标记的猫图片，这是监督学习。你把很多这样监督样本给系统，让它去学习近似的函数，如同从监督样本中观察出来的。还有一种是非监督学习，给出一个图片，你也不知道里面是啥，系统可以学习去寻找在很多图片中出现的模式。这样即使不认识图片，它也能识别所有的图片中都有一只猫。增强学习也适用，这也是AlphaGo用到的技术。| 什么是深度学习？深度网络模型是类似于大脑行为的原理。但不是具体模拟神经元如何工作。而是一种简单抽象的神经元版本。神经元有一组输入。真正神经元会有不同的强度的输入。在人工智能网中试图去学习到这些边上的权重，去加强不同输入的联系。真正神经元通过输入和强度的组合去决定要不要生成脉冲。人工神经元不会产生脉冲，但会生成一个数值。神经元的函数就是通过非线性函数计算输入的加权乘以权重之和。典型的非线性函数就是整形线性单元（max(0, x))，在90年代很多非线性函数是很平缓的sigmoid()函数或者tanh()函数。但对于神经元来说产生的数值是不是更接近0对优化系统更有利。比如如果神经元有3个输入 X1, X1, X3，权重分别是 -0.21, 0.3, 0.7,计算就是y = max(0, -.0.21*x1 + 0.3*x2 + 0.7*x3)。为了决定图片到底是猫还是狗，这个图片要经过很多层。这些神经元根据输入来产生下一步。最低层的神经元会查看像素的小块。更高层的神经元会看下层神经元的输出再决定是否生产。这个模型也会错，比如说这里是猫，但事实上是狗。那么做错误决定的信号就会返回到系统中做调整，让剩余的模型在下一次查看图片时候，更可能输出狗。这就是神经网络的目标，通过模型小步调整边的权重让它更可能去得到正确答案。你可以通过所有样本去聚合，这样可以降低错误率。学习算法其实比较简单，如下：选择随机训练样本“（输入，标签）”，比如上面猫图和想要的输出标签，‘猫’运行神经网络，在输入上去查看它产生的。调整边的权重让最后输出更接近于“标签”上的。如何调整边的权重去保障输出更接近于标签呢？&&& & & & & &反向传播：积分的链式规则在决定高层神经网络中使用，如果选择是猫而不是狗呢？得想办法去调整高层的权重去让它更可以决定是“狗”。根据箭头方向和权重去让它更可能说是狗。不要步子迈得太大因为这种表面很复杂，微调一小步让它下次更可能给出狗的结果。通过很多迭代以及查看例子，结果更可能会是狗。通过这个链式法则去理解底层参数改变是如何影响到输出的。说白了就是网络变化回路反馈到输入，使得整个模型更适应去选择“狗”。权重的微调真正神经网络通过亿级的参数在亿级的维度做调整，去理解输出网络。Google目前有能力如何快速搭建和训练这些海量数据上的模型，去解决实际问题，在快速去不同广泛的平台去部署生产模型（手机，传感器，云端等）。| 神经网络的奇妙特性这就是说神经网络可以用在很多不同问题上。文本：万亿级别的英文和其他语言资料。从一个语言翻译到另一个，从短语到整句。虚拟化数据：十亿级别的图谱，视频。语音：每天都产生万小时的资料。用户行为：&很多应用产生数据。比如搜索引擎的查询，用户在email中标记垃圾。这些都可以学习并搭建智能系统。知识图谱：十亿级别的标签化关系元组。如果吸收更多数据，让模型变大，结果也更好。如果你输入更多数据，但没有把模型变大，模型的能力就会受限在一些数据集中的明显特征。通过增加模型的规模，让它不仅记住明显的，还有一些也许出现很少的细微特征。通过更大的模型，更多数据，计算需求也更大。Google很多精力花在如何提升计算量，训练更大的模型。| 在Google深度学习有哪些强大应用？1、语音识别第一个部署深度神经网络的小组。他们实现的新模型基于神经网络而不是隐马尔可夫模型。这个问题是把从150毫秒的语音去预测中间10毫秒吞掉的声音。比如到底是ba还是ka的声音。你得到一个预测的序列，再通过语言模型去理解用户所说。一开始的版本就把识别错误率降低了30%，确实非常厉害。后来就研究一些复杂模型去加强网络，进一步降低错误率。现在当你对着电话说话，语音识别比五年前强多了。2、ImageNet挑战ImageNet是6年前公布的。里面有100万张图片，算是计算机视觉领域最大的。图片中包含1000种不同分类，每一类有1000张图片。比如里面有上千张不同的豹子，摩托车等，一个麻烦的是不是所有的标签都是对的。在神经网络使用之前，最好的错误记录是26%，2014年 Google错误率暴降到6.66%取得冠军，然后到了2015年错误率下降到3.46%。这是什么概念，大家注意到Andrej人类的错误率也有5.1%（他还是花了24小时训练后的结果）。总之这是个又大又深的模型，每个盒子就像神经元的一层去进行卷积操作。3、图片类别识别计算机在花卉识别上很强大，这是非常好的模型，能够识别细微差别。一般的效果，比如在菜品识别。计算机也有犯错的时候，关于错误敏感性看一看上面的，比如左边鼻涕虫当成蛇，右边也不知道是什么鬼。4、Google图片搜索就是理解图片中像素的能力，Google图片团队开发了不用标签就可以搜索图片的功能。比如你可以去找雕像，素描，水，而不需提前标注。5、街景图像在街景中如何识别里面的文字。首先要找到文字部分，模型能够去有效预测像素中热点图，那些含有文字的像素点。训练的数据就是包含文字划分的多边形。因为训练数据中包括不同的字符集，这样在多语言下也没问题。也要考虑大小字体，远近，不同颜色。训练的模型相对容易，就是卷积神经网络尝试去预测每个像素是否包括文字。6、Google搜索排名中RankBrainRankBrain&2015年启动，在搜索排名（前100位排第三），里面难点是搜索排序需要了解模型，要理解为什么要做某个决定。当系统发生错误为什么做那个。调试工具准备好，需要足够的理解能力嵌入模型，去避免主观。总体上是不想手工调参数。你需要尝试理解模型中的预测，去理解训练数据是否相关，是否跟问题无关？你需要训练数据并应用到别的上面。通过搜索查询的分布你能得到每天的变化，事件发生后改变也随时发生。你要看分布是否稳定，比如语音识别，一般人不会改变音色。当查询和文档内容频繁变化，你要保证模型是新的。我们要搭建通用工具去理解神经网络里面发生了什么，解释什么导致这个预测。序列模型很多问题都可以映射到从一个序列到另一个序列的规律。比如语言翻译，从英语翻译到法语，就是把英语的序列单词转化到法语序列单词。神经网络在学习复杂函数时特别有用，这个模型学习从英文到法文的句子。句子以单词为单位，以结束符作为信号。训练模型在遇到结束符时开始产生另一个语言的对应句子。而模型函数就是把语言中语句对作为训练数据。每一步都在词典表中的单词产生概率分布。在推理时候通过一些搜索来实现，如果你最大化每个单词的概率，这样找的不是最可能的句子。直到找到最大可能的句子找到才结束搜索。这个系统在公开翻译系统中表现出色。大多数其他翻译系统需要手工编码或机器学习的模型只是在一小部分使用，而不是像这种整体的端到端的学习系统。这些领域都是可以归到序列类的方法。7、智能回复智能回复是另一个序列类的例子。在手机上你如何更快回复邮件，打字很累。Gmail组开发了一个系统能够去预测邮件回复。第一步就是训练小量模型去预测如果消息是某一类的，如何做简短回复。如果是一个更大，计算能力更强的模型会把消息作为一个序列，尝试预测序列的反应词。比如对于感恩节邀请，最可能的三个答复是“算上我们”，“我们会去的”，“对不起，我们有事没发去”8、看图说话把之前开发的图片模型与序列类模型结合一起。图片模型作为输入。这里就不是阅读英文句子了，而是看图片的像素。接下来就是训练生成字幕。训练集有5个由不同的人写的不同的字幕。总共100万图片，70万条语句。效果如下两个模型翻译的都不错：1）一个小孩紧紧的抱住毛绒玩具；2）一个宝宝在泰迪熊旁边睡着了。上面是一些好玩的出错语句，为啥会错，其实你自己看了也明白。9、机器视觉和翻译结合翻译团队写了一个app，使用计算机视觉来识别镜头中文字，再翻译成文本，最后再图片本身覆盖翻译好的文字。模型足够小可以运行在所有设备上。直接在手机上跑一些模型中的重要方法。智能化将转移到设备端，这样不会依赖远程云端的大脑。研究上的努力和成果转化Google 非常在乎研究转化效率。就是要快速训练模型，理解那些做的好的和不好的，再想下一步实验。模型应该再分钟或者小时，而不是几天或者几周。这样让每个人都做研究更高效。机器学习发展会更好，更快。Jeff说机器学习社区发展得特别快。人们发布了一篇论文，一周内就有很多研究小组跟进，下载阅读，理解实现，再发布他们自己的扩展。这跟以前的计算机期刊投稿完全不同，等6个月才知道是否被接收，然后再过3个月最后发表。而现在把时间从一年压缩到一周，真不得了。如何快速训练大量模型模型的并行化神经网络有很多固有的并行化，所有不同的神经元与其他的也是保持独立，特别本地接纳的，神经元仅仅接受一小部分比它更低的神经元作为输入。在不同的GPU上和不同机器上可以做并行。只有边界上的数据需要通信。数据并行化优化的模型参数集不应该在一台机器上或者一台中心服务器上，应该有多个模型拷贝，这样协作区优化参数。在训练过程中读取数据的不同随机部分。每一个拷贝在模型中获取当前的参数集，读取在当前梯度下的一点数据，找到想要的参数调整，在发送调整到中心的参数服务器中。这个参数服务器会对参数做调整。整个过程重复，这个也会在很多拷贝中进行。有些使用500份在500台不同机器上的拷贝，为了快速优化参数并处理大量数据。一种方式是异步的，每一个都有自己的循环，取得参数，计算梯度，发送它们，不需要任何控制和跟其他的同步，不好的是当梯度返回到参数可能在计算结束后都被移走了。对有些例子可能有50到100的拷贝。还有一种是同步，一个控制器控制所有的拷贝。|&TensorFlow在过去的几年间，我们已经建立了两代用于训练和部署神经网络的计算机系统，并且将这些系统应用于解决很多在传统上来说对计算机而言很难的问题。我们对许多这些领域的最新技术做了很大的改进。第一代系统DistBeliet在可扩缩性上表现很好，但在用于研究时灵活性达不到预期。对问题空间的更深理解让我们可以做出一些大幅度的简化。这也是第二代系统的研发动机，用 TensorFlow 表达高层次的机器学习计算。它是C++语言编写的核心，冗余少。而不同的前端，现有Python和C++前端，添加其他语言的前端也不是难题。计算可以用一张数据流图来理解。我们输入数据、权重、误差以及标签，在不同节点进行不同的运算。TensorFlow名字的意义Tensor（张量）意味着N维数组。1维时就是向量，2维时就是矩阵；通过图像可以代表更高维的数据流，比如，图像可以用三维张量（行，列，颜色）来表示。Flow（流）意味着基于数据流图的计算。有许多运算（图中的节点）应用在数据流上。张量从图象的一端流动到另一端，这就是“TensorFlow”。“边”代表张量（数据），节点代表运算处理。这是使用张量计算的示意图。这是使用状态计算的示意图。这是使用分布式计算的示意图。它能够在各个平台上自动运行模型：电话上，单个机器上（CPU或GPU），由成百上千的GPU卡组成的的分布式系统。如果你还没想通过深度学习网络去解决你的数据问题，你还是要赶紧考虑。TensorFlow 让每个人更容易获取深度学习能力。高度扩展的设计，更快的实验速度加速研究进程容易分享模型，开发代码应用到可重用的效果通过同一个系统把研究工作直接用于生产环境最后说一些quora上大家给Jeff Dean大神编的段子，供君一乐：Jeff Dean当初面试Google时，被问到“如果P=NP能够推导出哪些结论”，Jeff回答说：“P = 0或者N = 1”。而在面试官还没笑完的时候，Jeff检查了一下Google的公钥，然后在黑板上写下了私钥。编译器从不警告Jeff Dean，只有Jeff警告编译器。Jeff Dean的编码速度在2000年底提高了约40倍，因为他换了USB2.0的键盘。Jeff Dean被迫发明了异步API因为有一天他把一个函数优化到在调用前就返回结果了。Jeff Dean曾经写过一个O(n2)算法，那是为了解决旅行商问题。Jeff Dean的键盘只有两个键，1和0。Jeff Dean失眠的时候，就Mapreduce羊。参考文章：Jeff Dean on Large-Scale Deep Learning at Google。
看过本文的人还看过
最新图文推荐
最新专栏文章
大家感兴趣的内容
&&<a rel="nofollow" class="red" href="" target="_blank" color="red新版网站排行榜
===全新上线===
网友热评的文章世界著名计算机科学家杰夫&迪恩清华诠释谷歌前沿成果
　　清华新闻网11月8日电 11月5日下午，美国工程院院士、ACM Fellow、Google高级研究员杰夫&迪恩（Jeff Dean）博士应邀访问清华大学计算机系。
图为杰夫&迪恩在做报告。
　　杰夫&迪恩在信息技术大楼多功能厅做了题为&Scaling Deep Learning&的学术报告。在报告中，他深入浅出地阐述了深度学习的基本思想和方法，生动细致地介绍了Google在机器视觉、语音识别、自然语言处理等领域基于大规模深度学习神经网络所做出的最新研究成果，并在问答环节中，结合自身的科研与工程经历，耐心解答了听众踊跃提出的很多专业性的问题。
　　仅能容纳120人的会场挤满了300余名慕名前来的师生，现场气氛非常热烈。
图为报告会全场连墙边和地上都站满、坐满了听众。
　　报告结束后，计算机系党委书记孙茂松代表计算机系向杰夫&迪恩赠送了清华纪念品。
图为孙茂松向杰夫&迪恩赠送纪念品。
　　计算机系教师还就若干前沿技术问题与杰夫&迪恩进行了广泛交流。
　　杰夫&迪恩是谷歌高级研究员，他作为主要贡献者之一设计和实现的多项计算机前沿技术，如MapReduce、BigTable、Spanner、DistBelief、Google Brain、Google第五代搜索和查询的服务系统等，不仅应用于谷歌的一线主流产品中，其中若干项通用关键技术在世界范围内也得到了广泛应用，在学术界和工业界都形成了十分深刻的影响，享有很高的声誉。
供稿：计算机系　编辑：襄桦计算机画家阅读答案
计算机画家阅读答案
相关热词搜索：
篇一：计算机画家阅读答案篇二：计算机画家阅读答案购物客户端首单满99元立减5元 下载读书客户端，海量免费电子书 客户端下单赠送3倍积分（含购物、读书） 品牌：人民邮电详情基本信息商品名称：黑客与画家(来自计算机时代的高见)(精)作者：(美)格雷厄姆|译者:阮一峰开本：16开原价：69页数：265现价：见顶部出版时间ISBN号：0印刷时间：出版社：人民邮电版次：1商品类型：图书印次：1内容提要格雷厄姆编著的《黑客与画家(来自计算机时代的高见)(精)》是硅谷创业之父PaulGraham的文集，主要介绍黑客即优秀程序员的爱好和动机，讨论黑客成长、黑客对世界的贡献以及编程语言和黑客工作方法等所有对计算机时代感兴趣的人的一些话题。书中的内容不但有助于了解计算机编程的本质、互联网行业的规则，还会帮助读者了解我们这个时代，迫使读者独立思考。《黑客与画家(来自计算机时代的高见)(精)》适 合所有程序员和互联网创业者，也适合一切对计算机行业感兴趣的读者。作者简介保罗?格雷厄姆（PaulGraham），美国著名程序员、风险投资家、畅销技术书作家。哈佛大学博士。当今美国互联网界如日中天的教父级人物。被《福布斯》杂志喻为“撼动硅谷的人”。他是Lisp专家，是第一个互联网应用程序Viaweb的发明人之一，该程序后被雅虎以5000万美元收购，这个程序后来成为如雷贯耳的Yahoo!Store。2005年，他创办了YCombinator，如今该公司已成为美国著名的创业孵化器。截至2012年7月，共孵化380家创业公司，这些公司累计获得投资额超过10亿美元，估值已超100亿美元。2012年，《福布斯》将YC评为最有价值的孵化器。如今，当年轻人紧握一个激动人心的想法，想要寻求帮助时，或是有所小成，得到了一点钱，却不知该朝哪个方向继续努力时，就会想到去找保罗?格雷厄姆。目录1为什么书呆子不受欢迎他们的心思在别的地方。 2黑客与画家黑客也是创作者，与画家、建筑师、作家一样。3不能说的话如果你的想法是社会无法容忍的，你怎么办？ 4良好的坏习惯与其他美国人一样，黑客的成功秘诀就是打破常规。5另一条路互联网软件是微机诞生后的最大机会。 6如何创造财富致富的最好方法就是为社会创造财富。创造财富的最好方法就是创业。7关注贫富分化“收入分配不平等”的危害，会不会没有我们想的那样严重？8防止垃圾邮件的一种方法不久前，许多专家还认为无法有效地过滤垃圾邮件。本文改变了他们的想法。 9设计者的品味如何做出优秀的东西？10编程语言解析什么是编程语言？为什么它们现在很热门？ 11一百年后的编程语言一百年后，人类怎样编程？为什么不从现在开始就这样编程呢？ 12拒绝平庸别忘了你的对手与你一样，能用任何想用的语言编写互联网软件。13书呆子的复仇在高科技行业，只有失败者采用“业界最佳实践”。 14梦寐以求的编程语言一种好的编程语言，是让黑客可以随心所欲使用的语言。 15设计与研究研究必须是“新”的，而设计必须是“好”的。致谢术语解释图片授权说明贝叶斯推断与过滤垃圾邮件中文简装版读后感精彩导读 如果您在其他网站发现同样商品的价格比当当价低，且双方均有货，请您提供有效链接信息，将作为我们调整价格的重要依据。篇三：计算机画家阅读答案篇四：计算机画家阅读答案如何评价德国计算机神经网络科学家发表的这篇可以让电脑模仿任何画家的风格作画的论文？一位德国计算机神经网络科学家发表了篇可以让电脑模仿任何画家的风格作画的论文，我的问题有以下几个：1.此程序或算法是否一种革命性的新成就，或者只是现有技术的复杂化？2.此技术的发展前景如何，程序是否有一天会发展到可以脱离模仿，自己创造画风独立创作?3.从美术角度看，画的艺术价值如何？4.这项技术今后的大规模发展，是否会导致一些画家失业？（这里指的不是顶尖的有自己风格的大师，而是水准相对平庸的画匠。）5.这程序有下载或在线版么？如果能找到的话求衔接。详情如下：…谢邀有电脑了，就好好回答一下这个问题。究竟什么叫做风格？这很难给出一个数学上的定义，但有两点特性是可以确定的：一是风格的表达应当是局部的。receptive field越大，特征越接近语义，即"这个东西是什么"，而不是风格，当然也不能太小，因为风格这东西…谢邀有电脑了，就好好回答一下这个问题。究竟什么叫做风格？这很难给出一个数学上的定义，但有两点特性是可以确定的：一是风格的表达应当是局部的。receptive field越大，特征越接近语义，即"这个东西是什么"，而不是风格，当然也不能太小，因为风格这东西还是个比较复杂的模式(pattern)。二是全局共享同一个风格，如果各处都是不一样的，那就变成大杂烩，而不能称为具有某种风格。说到这里，对卷积神经网络比较熟悉的可以想到，中层的卷积特征符合这两个特性。在我们还未明确什么是风格这个特征的时候，可以找一个比较大的网络(例如vgg)，将中层卷积特征的分布当做风格。这篇文章主要解决了两个问题：第一个问题是如何能同时保证生成的图像还像原来的东西，即”这个东西原来是什么，现在还是什么“。之前说过，这个在学术界有个名词叫做语义(semantic)，处在神经网络的高层中。因此原图和结果图的高层语义特征之差应尽量小。第二个问题是“风格”这个pattern到底是什么，文中的答案是所有卷积层的特征Orz...这跟我们上边分析得到的“中层特征”不是很相符，高层特征会带来一些具体的物体，比如梵高星空中的大漩涡（抱歉我真不知道这是什么），窃以为这个具体的物体不叫风格。为了实现平移不变性，作者使用了所有空间位置上，特征的协方差矩阵来衡量特征的分布。通过减小原图和风格图的特征分布之间的差距，使得原图和风格图的风格尽量接近。上边提到了两个”减小“，对应着两个损失函数，通过优化，即可得到文中所示的结果。这篇工作是开创性的，即找到了新的应用，所以很值得肯定。希望大神们多多研究，将神经网络绘画发展成一个单独的方向，就不会再有人问"这东西能不能提高识别率"这样的问题了。-----------------我是分割线---------------------下面回答一下题主的问题：1.此程序或算法是否一种革命性的新成就，或者只是现有技术的复杂化？答：不能算革命性的成就，“什么是风格”的问题还是没解决，而是用了一种很暴力的方式。2.此技术的发展前景如何，程序是否有一天会发展到可以脱离模仿，自己创造画风独立创作?答：我觉得是可以的，上文提到的特征分布，其实没必要来自于一幅现有的名作，里面的内容是可以随意修改的。不过，这么做符不符合人类的审美观，就没法保证了。一个可行的办法是大量地随机，让人们来对生成的图像进行打分，然后从里面学习出“什么是美观的风格”。3.从美术角度看，画的艺术价值如何？答：我们程序员、科研人员这些死理性派，来评价艺术价值，显然是不合适的。4.这项技术今后的大规模发展，是否会导致一些画家失业？（这里指的不是顶尖的有自己风格的大师，而是水准相对平庸的画匠。）答：这个问题也不在我的回答能力范围之内。5.这程序有下载或在线版么？如果能找到的话求衔接。答：我自己实现了一个：由于笔记本速度有限，我没有仔细地调整参数，等能用到台式机的时候再好好调整下吧。代码实在混乱，有点拿不出手啊。。目测会被玩坏。个人觉得在圣地巡礼的后期优化上发挥的余地很大呀。这是我在日本宇治市『上低音号』巡礼，午夜爬大吉山拍的渣图：没错，都怪小米手机。然后这是动画第8集的原景图：接下来就是见证奇迹的时刻：使用拍摄图作为 content_image， 使用动画原景图…目测会被玩坏。个人觉得在圣地巡礼的后期优化上发挥的余地很大呀。这是我在日本宇治市『上低音号』巡礼，午夜爬大吉山拍的渣图：没错，都怪小米手机。然后这是动画第8集的原景图：接下来就是见证奇迹的时刻：使用拍摄图作为 content_image， 使用动画原景图作为 style_image, 利用该论文的方法渲染：有那么点意思了不是？ 注意这还是我使用默认的参数的结果。模型迭代了1000次并没有收敛，也并没有使用 GPU 加速。如果注意参数调优以及图片的平滑会好很多。==================================================================该程序在 GitHub 上可以找到，之前也有答主提到了。安装相关平台还是蛮麻烦的， 需要 protobuf, loadcaffe, torch 三件套。而且有些 trick 比如 lua 版本要足够新否则会有包安装不上的问题 （luarocks），都需要查阅相关的邮件列表以及 github issue 以及 FAQ 耐心解决。注意 luarocks install nn/image/.... 注意遗漏的包可以不适用默认的参数，将 num_iterations 调大一些。来来来，题主要的福利来了，我们几个小伙伴为了让大家可以玩转这个新算法，专门开了一个公众号，叫「画风刷」，大家只要把图片传上去，就可以得到各种画风的结果啦。我们后台的算法是基于这个Stanford的implementation, ，然后对这个代码进行了进一步的优化，目前计算时间在2分钟以内（不过大家等待的时间可能会比这个长，因为服务器处理能力有限，请求过多的时候可能会排队）。这里是我们的宣传动画
画风刷―在线播放―优酷网，视频高清在线观看 /v_show/id_XMTMzNjY3NDYwNA==.html 我们可是在AWS的GPU上烧着钱跑程序为大家谋福利哦，快去关注「画风刷」开始玩吧！（指不定哪天因为资金不足就停了呢ini）从题主贴出来的几幅图来看，这篇论文的程序只是在保留原画内容的前提下，让细节看起来像另一幅画。研究本身固然有意义，但我觉得把它描述为“模仿任何画家的风格作画”则有标题党之嫌，因为一来程序没有在“作”画，只是在“改”画；二来它只是模仿一幅画，…从题主贴出来的几幅图来看，这篇论文的程序只是在保留原画内容的前提下，让细节看起来像另一幅画。研究本身固然有意义，但我觉得把它描述为“模仿任何画家的风格作画”则有标题党之嫌，因为一来程序没有在“作”画，只是在“改”画；二来它只是模仿一幅画，而不是画家的风格。楼上给的demo都是用torch写的。安装方法Google搜索torch7即可。自己对二次元的效果还是蛮感兴趣的，今天用自己的相片和新海诚的照片试了试，得到的结果还挺好玩的。大家笑笑即可。：）其实是可以独立创作的，就像是乐谱不过是音符排列组合，这些画你可以当像素点排列组合........风格就是像素随机派，能不能欣赏就不知道了。其实是可以独立创作的，就像是乐谱不过是音符排列组合，这些画你可以当像素点排列组合........风格就是像素随机派，能不能欣赏就不知道了。神经网络都快被玩坏了…如果说学术价值，那就只有应用层上的创意有价值了，谁学了神经网络会想起来用它干这个……还是老外会玩啊……神经网络都快被玩坏了…如果说学术价值，那就只有应用层上的创意有价值了，谁学了神经网络会想起来用它干这个……还是老外会玩啊……科技发展的目的就是让所有人失业... ... 然后... ... 又发现新的职业给人... ... 人类就是自个玩儿自个... ...科技发展的目的就是让所有人失业... ... 然后... ... 又发现新的职业给人... ... 人类就是自个玩儿自个... ...修改：
大概认知到其原发言有所不妥，亦已向我评论，其原发言亦可能已修改。下面截取其原文的三点误区，进行讨论分析。保留仅是因为这些观点常见典型。0.顺便答 渡鸦千谣，我对其原回答的反驳不限于他弄错了/不知道一个事实（ps和研究工…修改：
大概认知到其原发言有所不妥，亦已向我评论，其原发言亦可能已修改。下面截取其原文的三点误区，进行讨论分析。保留仅是因为这些观点常见典型。0.顺便答 渡鸦千谣，我对其原回答的反驳不限于他弄错了/不知道一个事实（ps和研究工作的先后关系）。而是，不知道这个事实，这件事反映了很多问题。另外，原回答还有两个论述有问题（见2,3）。1.“这种东西ps中早就有了”。不好意思，绝对没有。ps中的东西就是三年、五年、十几年前中的论文研究出来的，而现在这篇论文的结果，只有三五年后才会出现在ps中。这意味不知道ps软件的来源，背后的技术的来源。而图形学中相当大一部分课题，都是用来提高电影特效、游戏特效、图形图像视频编辑、模型设计的技术的。这项成果就是图形学这种课题的一部分。如果这些基本事实不清楚，其实没有太大必要答这题。2.“这只是复杂化的技术”。艺术家和设计师们，比如 @渡鸦千谣 。ps软件，数位板，显示器，各种后期编辑软件，建模型软件，是怎么来的呢？是不是拉一伙大专出来的程序员编程就能编出来了？可以说，正是那些开发出 @渡鸦千谣 所认为的开发出“只是复杂化的技术”的科学家们，在过去用他们的智慧造就了设计师和艺术家如今的创作环境。3.“没有艺术价值”。现在觉得技术够用了，是否就可以否定科学家现在探索的价值呢？科学本就是沙中淘金。还是畏惧艺术家有一天会被机器取代？所以原回答中在刻意彰显艺术家、创造力、艺术价值。事实上，科学家只对如何辅助艺术家更高效地创作感兴趣，他们研究未来艺术家的创作工具。所以，现在痛斥你未来的画笔、颜料、色彩板、画布，“没有艺术价值”，是为了什么？3.1. 事实上，上述第3条我论述有问题，我混淆了作品和工具。题主问的是作品有无艺术价值，我讨论的是工具有无艺术价值。事实上，如果这一问题的回答是“（作品）没有艺术价值”，而不作任何讨论的话，将会非常危险。这将会直接否定掉：3.1.1 平常人/非科班/非艺术工作者的艺术作品的价值或者否定掉：3.1.2 当代摄影作品的艺术价值3.1.3 当代/未来设计师的作品的艺术价值逻辑是：（不加前提的）作品没有艺术价值 = (否定3.1.1 或者 ( 否定3.1.2 和 否定3.1.3 ) )不是很直观，有兴趣的人可以自行分析一下，分析过程我以后再写。4.我相信 @渡鸦千谣 并不了解这些技术，他或许是个掌握工具的好的艺术家，但他并不知道工具的来源。那么请这样的人保持沉默，不要评论不知道的事情，这是基本的为人的责任感。因为你和你一样的人会误导其它一些人。结论:这个工作很好，但是没那么划时代，只是你们平时不了解而已。搜搜siggraph，里面各种这样的高端“ps”算法。要是把每年siggraph的论文一篇篇地发到微博上，估计你们先是惊叹，然后就会麻木了。其实这种工作一直都有人在做。就这个课题的创意本身，我在本科毕业设计那段时间独立想到过，然后发了条微博记录了一下。没想到被人先实现了。这个创意也不厉害，很多人都能想到，以前就有类似的:1.模仿特定风格的字体，仿照他人的字体；2.将照片变成水彩画，油画，素描画；3.将两张图片融合；4.将一张图片的着色方案应用到另外一张图片上；5.将照片变成艺术家风格的。我就是看了第一条的论文，然后想到了这个创意，从文字到图片，很普通的迁移。甚至上面的第二条，感觉很多滤镜可能都有类似的功能。而第3-4条甚至在某种程度上达到第5条的效果。0.如何评价这个工作，具体还是要看它发表在哪个会议上，毕竟类似的工作不少。1.这个工作很好，但不算革命性的，它应用的深度神经网络可以算是革命性的。然而deep learning没这个直观，只有圈内和吹比的人懂，大家都不会太关注。2.艺术价值？不讨论。反正即便为零，也不会降低这个算法的价值。这可以节约模仿画家的成本，提高生产力。画家要学习作画以及相应的风格，还要作画时间。3.模仿到创作。创造，创作这些词好难界定。反正一旦将抄袭定量描述，那计算机科学家们应该能弄出能生产出不属于抄袭的作品的算法。不过这种生产，还是基于算法输入了什么，学习了什么。当然，如果算法学了很多风格，它可能可以生产出模仿痕迹很少的作品。比如说，计算机随便拍一张照片，然后把它转换成油画风格的，然后再加点噪声，或者转换过程中放点随机的因子进去。然后和普通的油画放在一起，估计普通人也分不出哪些是模仿，哪些是原创，哪些是计算机生成的，哪些是人画的。4.最后，我看了一下结果图，觉得这个工作应该还有能改进或者完善的地方，不过不告诉你们。你所看的并不是画，而是画里压缩的世界。------1.此程序或算法是否一种革命性的新成就，或者只是现有技术的复杂化？A:---谢谢 的指正，Ps的滤镜远远不及此算法的技术高度---2.此技术的发展前景如何，程序是否有一天会发展到可以脱离模仿，自己创造画风独立创作?A：不可能。人类的艺术，是基于人这个物种之上的，人类对所处空间及时间的抽象反应。不基于人脑，人类社会，人类所处的自然所诞生的“画风”，不能被人类理解，所以不能称之为“画风”，也不能把这些作品叫做“画”。（再说一句，动物园里的大象，猩猩表演作画，只能称之为“动物的肌肉反应通过笔与颜料作用于画纸之上所产生的图案”）3.从美术角度看，画的艺术价值如何？A:没有任何艺术价值，只有技术价值。↑甚至不能称之为“画”。一幅有价值的画，首先要能反应画画的人的思想，能表达画画人的心境，并能使观众产生情绪共鸣。大家看这些所谓计算机创造的画作，情绪上有共鸣吗？没有，因为在创作时没有目的，没有感情。再退一万步，如果真的能引起共鸣，也是因为筛选上传图片的人，挑选图片时会带有感情与情绪。4.这项技术今后的大规模发展，是否会导致一些画家失业？（这里指的不是顶尖的有自己风格的大师，而是水准相对平庸的画匠。）A:------请先说明所谓的“水准”的含义是什么。“平庸"的含义又是什么。并不会。因为没有艺术价值。如果从商业价值角度出发,能否满足客户需求，能否在设计上自动生成最完美方案，同时又有装饰等效果，取决于座位消费者的人类所制定的要求。也就是得从最基本上满足一般人类的审美。再次说一句，艺术品是为人类服务的。不过在可见的未来，除非这项技术被整合进高智商，拥有完整人格的AI，才能有一些用武之地，但也就是用来模仿罢了。同时，一个有着完整人格的AI，与人类同空间生活，其创造的艺术作品与人类亲手创造的艺术作品无异，其AI本身与人类也无异。5.这程序有下载或在线版么？如果能找到的话求衔接。布吉岛PS，在打字时，我有一个想法。商业与艺术的隔阂越来越小，艺术的受众面也越来越广大，尤其是摄影摄像技术的出现。许多以前需要画家一笔一画画出来的场景，现在只需要相机+PS便能轻松搞定，作品与作品之间的差异便是艺术家与普通人的审美和设计水平差异了。诸君可以了解一下影视中的mattepainting技术。所以我想的是，为什么不从最基本开始，由程序摄影摄像，从题材，构图，光线，空间，色彩出发，舍弃所谓“艺术家的笔触”呢？用机器自己拍出来的摄影作品，和人类摄影师的作品对比，再来一场新的“图灵测试”，会将问题中出现的所谓“作品”的违和感降低许多。------↑引用 ↑引用
的图，这张不能称为艺术品，只能算是摄影作品的再创作，削弱了原图的临场感与细节，色彩杂乱与主题没有联。人物表情与情绪削弱。↑↑，来源BD，侵删。 一目了然。------：艺术，是人类（或被定义为人类的事物）拆解-重构-反映真实世界的数据资料的一个手段。不通过人类本身拆解-重构-反映的数据资料，不能引起人类心理层面的共鸣，不能称之为艺术品。存在于自然中，能引起人类心理层面共鸣的数据资料，如美景，花朵，晶体结构等，因为先于人类存在，吸引了人类观察，促生了人类艺术的诞生及发展，不能称之为艺术品。这个软件如果能普及，那一众“转手绘”大师就面临失业了，哈哈哈～感觉这在搞美术的人眼里完全是大快人心啊。不过，真正用手画画还不能被代替。程序上我不懂，但是看上面那几张图，油画因为风格太强看不出，本来也是比较抽象派印象派的。素描转的完全是一塌…这个软件如果能普及，那一众“转手绘”大师就面临失业了，哈哈哈～感觉这在搞美术的人眼里完全是大快人心啊。不过，真正用手画画还不能被代替。程序上我不懂，但是看上面那几张图，油画因为风格太强看不出，本来也是比较抽象派印象派的。素描转的完全是一塌糊涂，猫下巴上那条黑色的斑纹他给画的跟多了道颧骨一样，因为程序只会照猫画虎，他不会分析几大调子黑白灰明暗交界线，只是照着画而已。你拿古典油画那种特别细腻的画法转着试试看，赌五毛他也得懵逼。好像需要反对一些答案……为什N只有人类体验到的自然和社会才能够作为生成画风的经验？而计算机体验到的不算？这个断言是很不可思议的。人类对脑的隐喻中，不管是“心灵即机器”，“心灵即计算机”抑或是“心灵即动力系统”，都假设了人脑是可以被解构的。…好像需要反对一些答案……为什N只有人类体验到的自然和社会才能够作为生成画风的经验？而计算机体验到的不算？这个断言是很不可思议的。人类对脑的隐喻中，不管是“心灵即机器”，“心灵即计算机”抑或是“心灵即动力系统”，都假设了人脑是可以被解构的。我们甚至可以玩一把忒修斯之船，对一个人的脑部的每一个神经元测定完了之后知道一个同样输出的人工神经元换进去。理论上可以生成一个人脑当前的coredump。这个coredump有没有有没有心境呢。所以我觉得什N心境啊共鸣啊，只要好好还原认知科学有足够发展，都是可以模拟的。人类特质在创意行为中的重要性，我相信都是可以还原的（只是我还不知道）。至於需要的情绪，计算机虽然不知道是什N，但是我们可以标注啊。也算是经验了。1.siggraph我不懂。技术上cnn不算新技术了……在我看来这篇文章对AI/CC(computational creativity)领域的贡献来自於将“风格/笔触”这种听起来无法捉摸的东西使用特徵表示出来并且可以应用在各种场合中。2.自己创造画风，不就是将提取出来的各种画风向量遗传算法组一组就好了……按照MBoden的观点，computational creativity的难点从来不是创造出新的东西，因为排列组合，或者说是猴子打字机，是计算机的强项。难点在於如何筛选出比较好的东西呈现出来。如何独立创作是一个比较大的问题，现阶段的话照片的转写是比较现实的，更难的……如果你想出来了请告诉我，我们合作一篇好不好？3.艺术价值，我觉得可能更多的取决於受众。我老板提过一个placebo effect的问题，如果人类评测者事先被告知了这个句子来自於一个正常的作者的话，它的联想能力会根据外界信息做出调整，更容易接受一条推是隐微的而不是词语的胡乱组合（word salad）。以及我很怀疑图灵测试在其中发挥的用处。背景：一点NLP，一点点点分哲。CC初学者。不懂艺术理论。不要被文章题目忽悠了这篇文章用的CNN，是一个训练好的模型，所以说这个文章提出得算法仅仅用来提特征而已。文章算法亮点是作者之前发的文章的texture提取方法……就是文中的gram矩阵……CNN感觉只是个幌子……不要被文章题目忽悠了这篇文章用的CNN，是一个训练好的模型，所以说这个文章提出得算法仅仅用来提特征而已。文章算法亮点是作者之前发的文章的texture提取方法……就是文中的gram矩阵……CNN感觉只是个幌子……我来回答234。2.此技术的发展前景如何，程序是否有一天会发展到可以脱离模仿，自己创造画风独立创作? 先不管发展前景，单说创造风格和独立创作。很多作品的风格一旦脱离了其历史背景和逻辑就是瞎涂，创造一种新的绘画方式并不是一件多么困难的事情，谁都可…我来回答234。2.此技术的发展前景如何，程序是否有一天会发展到可以脱离模仿，自己创造画风独立创作? 先不管发展前景，单说创造风格和独立创作。很多作品的风格一旦脱离了其历史背景和逻辑就是瞎涂，创造一种新的绘画方式并不是一件多么困难的事情，谁都可以做到，问题是别人会不会认同。如果不考虑别人是否会认同的问题的话那么按照现在的技术就能开发出接近无穷的画法，比如给照片添加一些噪点算一种画法、添加更多噪点算另一种画法、添加非常多噪点又算一种、全是噪点还算一种，处理方法太多了，但是别人会不会认为这是一种绘画风格呢？如果需要其他人认同的话首先需要确定作者的身份，作者是谁？程序的开发者？使用者？还是程序本身？作者需要对自己创造出来的画法给出一个合理的解释。只有这种解释被其他人普遍接受之后相应的画法才会成为画风。因此想要让程序自己做到创造画风的话，还需要给程序增加用人类的语言与人沟通的能力，起码是能用语言描述自己动机的能力，为什么用这种画法表现这种画面/对象。这怎么也得是AI了吧？3.从美术角度看，画的艺术价值如何？ 如果要谈艺术价值的话，那么就要考虑到对艺术史的拓展，那么还是要牵扯到谁是作者的问题。假设咱们改变今天的艺术规则，把作者的概念从人类身上扩展到人工智能上，那么程序是可以成为作者的。作者在这方面需要做什么？需要创作出艺术史上从未曾出现过的新的艺术表现手段(不管借助的是理论、观念、技术、材料或者是什么)，那么程序首先需要掌握艺术史，然后能够理解艺术的发展逻辑，在新的艺术理论影响下(现代艺术阶段是多人可以共用一个理论，不过现在不行了，一人一个理论，拿别人的理论用了算抄袭)创作出新的艺术作品。这已经不是简单的AI了吧？4.这项技术今后的大规模发展，是否会导致一些画家失业？（这里指的不是顶尖的有自己风格的大师，而是水准相对平庸的画匠。） 会导致非常多的画家失业，除了走在艺术史发展最前沿的那一部分人以外绝大多数都会失业。不过这一部分人可以去干别的赚钱。当前大热的德国的一篇论文，基于神经网络的艺术风格提取。就是说如何提取名画特征并作为滤镜对目标图片进行重绘。在论文里作者用深度学习的cmm算法做了这样的一个模型，模型的条件是1.保证在单一色块下，被多重滤镜渲染的图片和原图的类似平方差关系尽可能…当前大热的德国的一篇论文，基于神经网络的艺术风格提取。就是说如何提取名画特征并作为滤镜对目标图片进行重绘。在论文里作者用深度学习的cmm算法做了这样的一个模型，模型的条件是1.保证在单一色块下，被多重滤镜渲染的图片和原图的类似平方差关系尽可能小，2.在全剧对比下，被多重滤镜渲染的图片与模仿的名画的类似平方差关系尽可能小，1跟2有一个权重值调节，这个值可以理解成模仿名画的权重。通过cmm求多重滤镜的值及滤镜后的图片。然后收敛之后就可以得到结果~不知道对文章理解有没有偏差，求大神们指点[微笑]，另外脑洞打开，能否用类似算法提取歌曲特征运用到另外一个歌曲上，例如提取“杰伦”风格加到”我的滑板鞋上”[微笑][微笑]篇五：计算机画家阅读答案计算机应用基础模拟真题三 一、选择题（单选题） 下列叙述中，正确的是。(2009 年12 CAI软件属于系统软件 计算机运行速度可以用多少个MIPS来表示 下面各组设备中，全部属于输入设备的一组是。(2010 下列功能中，画图程序不能完成的是。(2010 冯诺依曼计算机的基本原理是。(2010 微型计算机的内存储器。(2009 年12 CD-ROM属于。(2009 年12 ROM中的信息是。(2010 根据用户需求不同，由用户随时写入的10. 目前制造计算机所用的电子元件是 。(2010 超大规模集成电路11. 目前计算机的基本工作原理是 。(2010 存储程序控制12. Windows 中，要将屏幕分辨率调整到 1024768，进行设置时应选择控制面板中 。(2009年12 管理工具13. 若Windows 的桌面上有“画图”程序的快捷图标，不能启动“画图”的方法是 从“资源管理器”中，找到“画图”，并右击它14. 在“我的电脑”窗口中，双击驱动器图标的作用是 。(2009 年12 检查磁盘驱动器15. Windows 中，可以退出应用程序“画图”的操作方法是 。(2010 执行“编辑”菜单中的“撤消”命令16. Windows 中文输入法的安装按以下步骤进行 。(2009 年12 “控制面板”->“区域和语言选项”的顺序操作 “控制面板”->“添加/删除程序”的顺序操作17. 在Windows 文件夹窗口中共有15 个文件，先按住Ctrl 键，再用鼠标左键依次单击前5 个文件，被选定的文件个数是 。(. Windows 的任务栏 。(2009 年12 可以被隐藏起来19. Word中，选择某段文本，双击格式刷进行格式应用时，格式刷可以使用的次数 无限次20. 在Word 中，能将所有的标题分级显示出来，但不显示图形对象的视图是 Web版式视图 普通视图21. 在Excel 2003 中，电子工作表中的行号为 。(2009 年12 第一个为字母其余为数字22. 在Excel 2003 中，假定一个单元格的地址为$D$25，则该单元格的地址为 三维地址23. 在Excel 2003 的图表中，水平X 轴通常作为 。(2010 时间轴24. 在PowerPoint 2003 中，下列新建演示文稿的操作错误的是 。(2009 年12 在Office工具栏中单击“新建”按钮，然后选择“空演示文稿” 25. 在PowerPoint 2003“幻灯片浏览视图”模式下，不允许进行的操作是 幻灯片切换26. 在PowerPoint 2003 中，如果在备注页视图中输入文本，那么 。(2009 年12 不能在备注页视图中删除文本27. 中国公用计算机互联网又称作 。(2010 CHINAGBN28. 互联网最常见的形式是 。(2009 年12 几个局域网通过广域网连接起来29. 在以下四个WWW网址中，哪一个网址不符合WWW网址书写规则 ”，按回车键。 （2）在“文件”下拉菜单中，单击“另存为”，在弹出的“保存网页”对话框中双击打开指 定文件夹，在“保存类型”框中选择“网页，全部（*.*.html）”，在“文件名”框中输 入“wangye58.htm”，单击“保存”按钮完成该页面的保存。 10. 操作提示： 启动Outlook Express，单击工具栏中的“创建邮件”， （1）在“收件人”文本框中输入“.cn”，在“主题”文本框中输入“试 卷”，在正文文本框中输入“你需要的模拟试卷。” （2）在工具栏中选择“插入”下拉菜单中的“文件附件”，在弹出的对话框中选择文件“试 卷.rar”，单击“附件”完成添加附件的操作。 （3）单击工具栏中的“发送”按钮发送邮件。 下面是余秋雨经典励志语录，欢迎阅读。 不需要的朋友可以编辑删除！！ 关于年龄 1.一个横贯终生的品德基本上都是在青年时代形成的，可惜在那个至关重要的时代，青 年人受到的正面的鼓动永远是为成功而搏斗，而一般所谓的成功总是带有排他性、自私性的 印记。结果，脸颊上还没有皱纹的他们，却在品德上挖下了一个个看不见的黑洞。 2.我不赞成太多地歌颂青年，而坚持认为那是一个充满陷阱的年代。陷阱一生都会遇到， 但青年时代的陷阱最多、最大、最险。 3.历史上也有一些深刻的哲人，以歌颂青年来弘扬社会的生命力。但这里显然横亘着一 种二律背反：越是坚固的对象越需要鼓动青年去对付，但他们恰恰因为年轻，无法与真正的 坚持相斡旋。 4.青年时代的正常状态是什么，我想一切还是从真诚的谦虚开始。青年人应该懂得，在 我们出生之前，这个世界已经精精彩彩、复复杂杂地存在过无数年，我们什么也不懂，能够 站正脚下的一角建设一点什么，已是万幸。 5.中年是对青年的延伸，又是对青年的告别。这种告别不仅仅是一系列观念的变异，而 是一个终于自立的成熟者对于能够随心所欲处置各种问题的自信。 6.中年人的当家体验是最后一次精神断奶。你突然感觉到终于摆脱了父母、兄长、老师 的某种依赖，而这种依赖在青年时代总是依稀犹在的;对于领导和组织，似乎更贴近了，却 又显示出自己的独立存在，你成了社会结构网络中不可缺少的一个点;因此你在热闹中品尝 了有生以来真正的孤立无援，空前的脆弱和空前的强大集于一身。 7.中年人一旦有了当家体验，就会明白教科书式的人生教条十分可笑。当家管着这么一 个大摊子，每个角落每时每刻都在涌现着新问题，除了敏锐而又细致地体察实际情况，实事 求是地解开每一个症结，简直没有高谈阔论、把玩概念的余地。这时人生变得很空灵，除了 隐隐然几条人生大原则，再也记不得更多的条令。 8.中年人的坚守，已从观点上升到人格，而人格难以言表，他们变得似乎已经没有顶在 脑门上的观点。他们知道，只要坚守着自身的人格原则，很多看似对立的观点都可相容相依， 一一点化成合理的存在。于是，在中年人眼前，大批的对峙消解了，早年的对手找不到了， 昨天的敌人也没有太多仇恨了，更多的是把老老少少各色人等照顾在自己身边。请不要小看 这“照顾”二字，中年人的魅力至少有一半与此相关。 9.中年人最可怕的是失去方寸。这比青年人和老年人的失态有更大的危害。中年人失去 方寸的主要特征是忘记自己的年龄。一会儿要别人像对待青年那样关爱自己，一会儿又要别 人像对待老人那样尊敬自己，他永远活在中年之外的两端，偏偏不肯在自己的年龄里落脚。 10、某个时期，某个社会，即使所有的青年人和老年人都中魔一般荒唐了，只要中年人 不荒唐，事情就坏不到哪里去。最怕的是中年人的荒唐，而中年人最大的荒唐，就是忘记了 自己是中年。 11、中年太实际、太繁忙，在整体上算不得诗，想来难理解;青年时代常常被诗化，但 青年时代的诗太多激情而缺少意境，按我的标准，缺少意境就算不得好诗。 12、一般情况下，老年岁月总是比较悠闲，总是能够没有功利而重新面对自然，总是漫 步在回忆的原野，而这一切，都是诗和文学的特质所在。老年人可能不会写诗或已经不再写 诗，但他们却以诗的方式生存着。看街市忙碌，看后辈来去，看庭花凋零，看春草又绿，而 13、老人的年龄也有积极的缓释功能，为中青年的社会减轻负担。不负的中青年用不正当的宠溺败坏了老人的年龄，但老人中毕竟还有 冷静的智者，默默固守着年岁给予的淡然的尊严。 14、只有到了老年，沉重的人生使命已经卸除，生活的甘苦也已了然，万丈红尘已移 到远处，宁静下来了的周际环境和逐渐放慢了的生命节奏构成了一种总结性、归纳性的轻 微和声，诗的意境出现了。 15、中青年的世界再强悍，也经常需要一些苍老的手来救助。平时不容易见到，一旦有 事则及时伸出，救助过后又立即消失，神龙见首不见尾。这是一种早已退出社会主体的隐性 文化和柔性文化，隐柔中沉积着岁月的硬度，能使后人一时启悟，如与天人对晤。老年的魅 力，理应在这样的高位上偶尔显露。不要驱使，不要强求，不要哄抬，只让它们成为人生的 写意笔墨，似淡似浓，似有似无。 关于人生 1.我们对这个世界，知道得还实在太少。无数的未知包围着我们，才使人生保留迸发的 乐趣。当哪一天，世界上的一切都能明确解释了，这个世界也就变得十分无聊。人生，就会 成为一种简单的轨迹，一种沉闷的重复。 2.人有多种活法，活着的等级也不相同，住在五层楼上的人完全不必去批评三层楼 的低下，何况你是否在五层楼还缺少科学论证。 3.人生的道路也就是从出生地出发，越走越远。一出生便是自己，由此开始的人生就是 要让自己与种种异己的一切打交道。打交道的结果可能丧失自己，也可能在一个更高的层面 上把自己找回。 4.不管你今后如何重要，总会有一天从热闹中逃亡，孤舟单骑，只想与高山流水对晤。 走得远了，也许会遇到一个人，像樵夫，像路人，出现在你与高山流水之间，短短几句话， 使你大惊失色，引为终生莫逆。但是，天道容不下如此至善至美，你注定会失去他，同时也 就失去了你的大半生命。 5.人生的过程虽然会受到社会和时代的很大影响，但贯穿首尾的基本线索总离不开自己 的个体生命。个体生命的完整性、连贯性会构成一种巨大的力量，使人生的任何一个小点都 指点着整体价值。 6.如果有一天，我们突然发现，投身再大的事业也不如把自己的人生当做一个事业，聆 听再好的故事也不如把自己的人生当做一个故事，我们一定会动手动笔，做一点有意思的 事情。 7.杰出之所以杰出，是因为罕见，我们把自己连接于罕见，岂不冒险?既然大家都很普 通，那么就不要鄙视世俗岁月、庸常岁序。不孤注一掷，不赌咒发誓，不祈求奇迹，不想入 非非，只是平缓而负责地一天天走下去，走在记忆和向往的双向路途上，这样，平常中也就 出现了滋味，出现了境界。 8.就人生而言，应平衡于山、水之间。水边给人喜悦，山地给人安慰。水边让我们感知 世界无常，山地让我们领悟天地恒昌。水边让我们享受脱离长辈怀抱的远行刺激，山地让我 们体验回归祖先居所的悠悠厚味。 9.第一根白发人人都会遇到，谁也无法讳避，因此这个悲剧似小实大，简直是天网恢恢， 疏而不漏，而决斗、毒药和暗杀只是偶发性事件，这种偶发性事件能快速置人于死地，但第 一根白发却把生命的起点和终点连成了一条绵长的逻辑线，人生的任何一段都与它相连。 10、谁也不要躲避和掩盖一些最质朴、最自然的人生课题如年龄问题。再高的职位，再 多的财富，再大灾难，比之于韶华流逝、岁月沧桑、长幼对视、生死交错，都成了皮相。北 雁长鸣，年迈的帝王和年迈的乞丐一起都听到了;寒山扫墓，长辈的泪滴和晚辈的泪滴却有 不同的重量。 11、人格尊严的表现不仅仅是强硬。强硬只是人格的外层警卫。到了内层，人格的天地 是清风明月，柔枝涟漪，细步款款，浅笑连连。 12、黄山谷说过：“人胸中久不用古今浇灌，则尘俗生其间，照镜觉面目可憎，对人亦 语言无味。”这就是平庸的写照。如此好事，如果等到成年后再来匆匆弥补就有点可惜了， 最好在时就进入。早一天，就多一份人生的精彩;迟一天，就多一天平庸的困扰。 13、再高的职位，再多的财富，再大灾难，比之于韶华流逝、岁月沧桑、长幼对视、生 死交错，都成了皮相。北雁长鸣，年迈的帝王和年迈的乞丐一起都听到了;寒山扫墓，长辈 的泪滴和晚辈的泪滴却有不同的重量。 14、人生不要光做加法。在人际交往上，经常减肥、排毒，才会轻轻松松地走以后的路。 15、几乎每一个改革探索者都遇到过嫉妒的侵扰，更不要其中的成功者了。人们很容 易对高出自己视线的一切存在投去不信任，在别人快速成功的背后寻找投机取巧的秘密。 关于文化 1.真正的文化精英是存在的，而且对国家社会非常重要。但是这些年来，由于伪精英的 架势实在是太让人恶心了，结果连真的精英的名声也败坏了。真精英总是着眼于责任，伪精 英总是忙着装扮;真精英总是努力地与民众沟通，伪精英总是努力地与民众划分，这就是最 根本的区别。 2.凡是文化程度不高的群落，总是会对自己不懂的文化话语心存敬畏，正是这种敬畏心 理被一些投机文人利用了。 3.在文化上，无效必然导致无聊，无聊又必然引来无耻。但是，即使到了这种“三无” 的低谷，也不必过于沮丧。因为只有低谷，才能构成对新高峰的向往。 4.当今天下百业，文化最大。当今天下百行，文化届最小。那么，岂能再让一个日渐干 涸的小池塘，担任江河湖海的形象代表? 5.古代绘画中无论是萧瑟的荒江、丛山中的苦旅，还是春光中的飞鸟、危崖上的雏鹰， 只要是传世佳品，都会包藏着深厚的人生意识。贝多芬的交响曲，都是人生交响曲。 6.善良，这是一个最单纯的词汇，又是一个最复杂的词汇。它浅显到人人都能领会，又 深奥到无人能够定义。它与人终生相伴，但人们却很少琢磨它、追问它。 7.社会理性使命已悄悄抽绎，秀丽山水间散落着才子、隐士，埋藏着身前的孤傲和身后 的空名。天大的才华和郁愤，最后都化作供后人游玩的景点。 8.阅读的最大理由是想摆脱平庸，早一天就多一份人生的精彩;迟一天就多一天平庸的 困扰。 9.为什么那么多中国民众突然对韩国的电视剧，对超女表现出那么单纯的投入，很重 要的原因是，韩国艺术家不知道中国评论家，而超女根本不在乎评论家的存在。 10、一切美丽都是和谐的，因此总是浑然天成，典雅含蓄。反之，一切丑陋都是狞厉的， 因此总是耀武扬威，嚣张霸道。如果没有审美公德的佑护，美永远战胜不了丑。 11、什么季节观什么景，什么时令赏什么花，这才完整和自然。如果故意地大颠大倒， 就会把两头的况味都损害了。“暖冬”和“寒春”都不是正常的天象。 12、文明的人类总是热衷于考古，就是想把压缩在泥土里的历史扒剔出来，舒展开来， 窥探自己先辈的种种真相。那么，考古也就是回乡，也就是探家。探视地面上的家乡往往会 有岁月的唏嘘、难言的失落，使无数游子欲往而退;探视地底下的家乡就没有那么多心理障 碍了，整个儿洋溢着历史的诗情、想像的愉悦。 13、我们的历史太长、权谋太深、兵法太多、黑箱太大、内幕太厚、口舌太贪、眼光太 杂、预计太险，因此，对一切都“构思过度”。 14、中华文化的三大优点：一、不喜远征。中国人不会举一国之力去攻打远方之国。二、 不喜极端。儒家讲究“中庸之道”，会努力寻找一个中间点，规避极端三、不喜无序。中国 一直处于集权统治的状态中，习惯所有的事务都在管理之中，中国失控的时候是很少见的。 关于爱情 很多女孩子觉得责任感不太重要，男人没有责任感反而给了女方一种权利。其实对男人 来说，还有什么比没有责任感可怕地呢?与没有责任感的男人谈恋爱，就像与朝雾和晚霞厮 磨，再美好也没有着落。 爱情非常珍贵，不仅值得用斗争来保卫，而且即使付出生命的代价也值得。 其实，未经艰苦寻找的草率结合，对她也是不尊重。她和你一样，都有寻求深刻爱情的 权利。 每一男女都处在自转之中，当一个男人最散发魅力的一面转向了一位女人，而这女人最 美好的一面也刚好朝向了这个男人，那么爱情就挡也挡不住了。当然不是每个人都如此幸运， 自转的方向和速度，相对于那个有可能出现或已经错过的异性，总要有偏差，所以老有人找 不到自己的爱情。 2、能够慢慢培养的不是爱情，而是习惯。能够随着时间得到的，不是感情而是感动。 所以爱是一瞬间的礼物，有就有，没有就没有。但反过来说，爱和婚姻实际并不是一回事情， 并不是所有的爱情都要结婚的，也不是所有婚姻都有爱情的。 6、爱情里，总有一个主角和一个配角，累的永远是主角，伤的永远是配角;有时，爱也 是种伤害：残忍的人，选择伤害别人，善良的人，选择伤害自己;人生就是一种承受，需要 学会支撑。支撑事业，支撑家庭，甚至支撑起整个社会，有支撑就一定会有承受，支撑起多 少重量，就要承受多大压力。}