01

分寸感,它是人的天分与修养在内心沉淀而成的对人或事物的合理认可度。

东野圭吾在《戴着面具的人们》里有这样一段描述,”我们酒店的客人,都是戴着面具的,一个叫做”客人”的面具,绝对不要试图揭开面具”。

没有分寸感的人,神憎鬼厌。

夫妻之间的分寸感尤为重要,若是把握不好,感情分崩离析,伤人伤己,还有可能波及其他家人。

婷婷对于姐妹们来说,是一个不可多得的好闺蜜,好基友,但是却一直处理不好自己的感情。每次大伙儿出来聚餐,都能闻到她跟她老公之间浓浓的火药味。吃饭之前,婷婷喜欢把所有的餐具都烫一遍,永远都是指使老公动手,必须主动拉开座椅,必须主动给夹菜,一旦老公有哪一点疏忽了,那脾气就上来了。

自己发脾气老公必须得哄着,哄到自己满意。所有事情都是自己说了算,每天都在刷新底线。话里话外,都在把老公跟别的男生来比较。谁谁老公每次都特别绅士,不用提醒就主动为妻子忙这忙那,谁谁老公月赚几万还那么听老婆话,谁谁老公又帅又有肌肉,你看看你,也不去去健身房。

每次聚餐,姐妹们都特别尴尬。不知道婷婷老公什么感受。婷婷这类人,往往会按照自己的习惯要求对方,觉得伴侣为自己做什么都是应该的,理所当然的,不仅如此,还拿异性来作比较,思维认知里,认为爱人就应该忍让,还得一直忍下去,稍有差池,内心就无法接受。他们肆无忌惮的试探对方的容忍程度,用伤人心的言语及行动伤害对方,贬低对方,越来越习惯,越来越肆无忌惮。

像婷婷这样,就是对分寸感非常不感冒。不知道爱人之间的界线和底线在什么水平上,没有认识到这种行为所带来的危险性和给别人带来的伤害,更不懂得现在悬崖勒马,为时未晚。

作为姐妹,我们只能善意的提醒,却无法插手别人的感情生活,更不能指手画脚,但真的很怕,在婷婷一次次肆意挥霍中,会不会把对方推向深渊,会不会真的有土崩瓦解的那一天,这段美好的感情是否经得起如此蹂躏,继续灿烂下去。

02

大左是我们的男闺蜜,他没处对象的时候,经常跟我们厮混在一起,自从处了对象,很少跟我们见面,这些都理解。但是最近一段时间,大左几乎每周都找我们诉苦。

原来大左的女朋友,实在是太爱他,天天黏着他,做什么都要他陪着,甚至都辞职准备应聘大左的公司。每天例行检查大左手机,不管是领导还是同事还是家人,所有聚会都要跟随,手机游戏也是情侣号,天天形影不离,一天24小时在一起。听起来多么浪漫,但是其实已经严重越界。我们每个人都需要有自己的一片小天地,适当的给对方留一点私人空间,在没有相识之前,每个人都有自己的生活方式,兴趣爱好以及朋友圈,如果在适当保持距离的问题上,丧失了应有的分寸感,对感情有害无利。夫妻情侣适当分离,才是最好的相处方式。

大左其实很爱她,跟她黏在一起也很幸福,但就是喘不过气来了。他说其实我需要独处的时间,即使只是十五分钟也好,这种想法的出现,真的跟爱不爱没有关系。

03

在日常婚姻生活中,不乏有些夫妻经常戳对方的痛处,在争吵中重伤彼此,说出一些很伤人心的话语,给双方心里留下一道深刻的划痕。更有甚者,吵起架来,“离婚”二字常常挂在嘴边,不经大脑思考脱口而出,以此来威胁爱人,更是常常把沉默当武器。不顾场合的相互讥讽、挑衅、相互埋怨,胡乱猜疑。这些其实都是没有分寸感的表现,什么事该做,什么话该说,都没有一个自我的概念。

我们都有敏感的地方,其实最初自由个体凌驾在夫妻概念的基础之上,每个人都有彼此正常应有的心理感受,渴望尊重与被尊重,渴望理解与被理解。相比一个不懂得尊重自己的人,大多数人都愿意跟尊重自己的人相处,相比一个口无遮拦的人,我们都喜欢跟那些讲话有分寸的人聊天。像何炅,像汪涵,像蔡康永,深谙说话之道,懂得人与人之间的分寸感。

夫妻关系更像是两只互相取暖的刺猬,要彼此依赖,也需要收起锋芒避免刺痛对方然后拥抱彼此,也想番茄与蛋,各有各的特点,但按照比例组合起来却那么舒服。适当保持距离,把握分寸,才是夫妻相处之道。

在我们的感情生活中,人与人相处最完美的状态就是愉快、舒服。喜欢一个人,爱上一个人,前提也是在一起愉快、舒服。应该设身处地的为彼此着想,经常换位思考,时常考虑别人的感受。己所不欲勿施于人。这一切的关键,就是要把握好分寸,不要轻易越界。

转载自:蓝视星空系列教程第44集。这是爱奇艺地址,还有B站地址:蓝色星空B站

可以消除视频抖动的三款软件。
1、用 Magix Vegas Pro 14.0 (这个处理速度最快,在处理之前还可预调,推荐!)
2、Premiere 的特效
3、After Effects 的特效

为避免某些浏览器的自动播放,请查看全文看视频教程。

查看全文

Once
一次
Doesn’t mean anything to me
对我来说并不意味着全部
Come
来吧
Show me the meaning of complete
告诉我完美的意义
Where
哪里
Did our love go wrong
我们的爱情(哪里)出了问题
Once we were so strong
我们如此的深爱
How can I go on?
我如何继续
When you told me you loved me
当你说你爱我的时候
Did you know it would take me the rest of my life
你想到了这句话会占据我的余生么
to get over the feeling of knowing A dream didn’t turn out right
使我从梦想破碎的感觉中恢复过来
When you let me believe that you weren’t complete
当你告诉我没有我在你身边的时候
Without me by your side
你过的并不完美
how could I know
我怎么会想到
That you would go
你竟然会走
That you would run
你竟然会离我而去
Baby, I thought you were the one
亲爱的,我原以为你是我的唯一
Why
为什么
Can’t I just leave it all behind
我不能彻底忘记
I

Felt passion so bright that I was blind
只觉得激情似火,照的我无法看清真相
Then接着
Something made me weak Talking in my sleep
你在我睡梦中说的话让我更加脆弱
Baby, I’m in so deep and you know I believed
亲爱的,我陷入的太深,你相信我是很用情
When you told me you loved me
当你说你爱我的时候
Did you know it would take me the rest of my life
你想到了这句话会占据我的余生么
to get over the feeling of knowing A dream didn’t turn out right
使我从梦想破碎的感觉中恢复过来
When you let me believe that you weren’t complete
当你告诉我没有我在你身边的时候
Without me by your side你过的并不完美
how could I know
我怎么会想到
That you would go
你竟然会走
That you would run
你竟然会离我而去
Baby, I thought you were the one
亲爱的,我原以为你是我的唯一
Your lips
你的唇
Your face
你的脸
Something that time just can’t erase Find my heart
还有那些时光不能摸去的记忆
Could break All over again
使我的心再一次完全的破碎
When you told me you loved me
当你说你爱我的时候
Did you know it would take me the rest of my life
你想到了这句话会占据我的余生么
to get over the feeling of knowingA dream didn’t turn out right
使我从梦想破碎的感觉中恢复过来
When you let me believe that you weren’t complete
当你告诉我没有我在你身边的时候
Without me by your side
你过的并不完美
how could I know
我怎么会想到
That you would go
你竟然会走
That you would run
你竟然会离我而去
Baby, I thought you were the one
亲爱的,我原以为你是我的唯一

本文大概描述了机器学习领域之外的人如何转行到机器学习领域内。说得很详细。

下文转载自CSDN:http://blog.csdn.net/qq_40027052/article/details/78542679?locationNum=3&fps=1


在计算机行业,关于从业人员的素质,一直都有一个朴素的认识——科班出身好过非科班,学历高的好过学历低的。大部分时候,这个看法是对的。在学校学习,有老师指点,有同学讨论,有考试压迫,有项目练手。即便不大用心的学生,几年耳濡目染下来,毕业后作为半个专业人士,还是没什么问题的。

不过,量子物理告诉我们,这个世界的本质要看概率。所以,科班出身的同学,在技术上好过非科班出身的同学,这是大概率事件;相反,非机器学习专业,甚至非计算机专业的同学,在这个领域做的比本专业同学更好,则就是小概率事件了。但小概率事件并非“不可能事件”,国内很多做机器学习公司的CTO,都不是机器学习专业的科班出身,却能够抓住这里的“小概率”,让自己华丽地转身并实现弯道超车。

他们是怎么做到的?

如果在上学的时候,我们没能嗅到机器学习领域的机会,而是选择其他领域来学习和工作……如今却打算半路出家、改行机器学习,应该怎么做,才能做到跟这些人一样好?或者,至少是足够好?

我自己痛苦转型的经历,说出来可以供大家参考一下。

我也是非科班出身,但因为工作,一直需要接触计算机视觉的一些传统算法。后来,看到ImageNet竞赛的结果,我意识到了深度学习在视觉领域的巨大优势,遂决定开始转型深度学习和神经网络,走上了这条学习的不归路(笑)。

想要转型,跟上学的时候不同,因为手头正在做的工作意味着,自己需要从没有时间的情况下挤出时间,需要把别人睡觉、打游戏的时间用来学习,而所学的又是一种颇为艰深晦涩的学问。

转型,其实很容易,需要做到的只有一件事:学习。

转型,其实很困难,因为必须做到一件事:坚持学习。

最难的不是下定决心,而是贯彻到底。所以,在开始之前,不妨先问问自己这样几个问题:

“我真的已经想清楚,要踏足这个行业吗?”
“我能够付出比其他人更多的辛苦汗水,在这条路上坚定地走下去吗?”
“在遭受了痛苦甚至打击之后,我对机器学习的热爱,仍然能够维持我继续前进吗?”

根据我掌握的数据,100个程序员里大概有30个考虑过转型,而真正付诸行动的不过10个。一个月以后仍然在坚持的仅有5个,最终能完成第一个阶段学习的,最多两三个而已。

真的这么困难吗?是的。特别是你要白天上班,晚上才能学习,独学而无友,有问题又只能自己查。而要系统地入门,又不是咬牙一天两天就能学出来,恐怕得坚持几个月才能get到点。

我个人的经历是这样:一开始接触时,每周一、三、五固定3天时间,每晚花两个小时去学习、看视频、翻书,周六周日则用来完成课程附带的编程作业,大概也是每天两小时左右。在这种强度下坚持了三个月,我才算是完成了入门的第一步。

也许有的人效率更高一些,也许有的人步子更慢一些,但快和慢不是关键,即使学习最慢的人,也要比一开始放弃学习的人走得更远。

所以,其实真正重要的,不是“我该学什么”,或者“我该怎么学”;而是“我是不是真的有足够的决心”,以及“我是不是能坚持到底”。

上手的课程

定好决心后,我们就能看看:在学机器学习的时候,我们到底在学什么?

几乎所有人都知道人工智能这个概念;有一部分人知道“机器学习”这个概念;其中一小部分人能清楚描述“深度学习”、“机器学习”和“神经网络”的关系; 很少一部分人能够正确说明“卷积”、“池化”、“CTC”这些名词的正确含义与计算/实现的方法;非常少的人能清楚地理解损失函数和反向传播的数学表达;极少极少的人能够阐述网络的一个修改(比如把卷积核改小)对precision/recall会产生什么影响;几乎没有人能描述上述影响到底是什么原理。

查看全文

看来我应该慎重考虑一下转型人工智能?先努力开始学着,多学点没什么坏处。

以下全文转载自:http://www.sohu.com/a/124743338_505819


来源:WIRED (MOVE OVER, CODERS—PHYSICISTS WILL SOON RULE SILICON VALLEY)

编译:Agnes Pan

“如今还真不是当物理学家的好时候。” Oscar Boykin如是说。Boykin在佐治亚理工的物理系完成了本科学业,之后于2002年在加州大学洛杉矶分校(UCLA)获得了物理学博士学位。就在四年前,瑞士大型强子对撞机的物理学家发现了希格斯玻色子,这是20世纪60年代曾首次预测存在的亚原子粒子。

正如Boykin所提到的,每个人都在期盼它真正被发现。然而,希格斯的发现并没有打破宇宙的理论模型,它没有改变任何东西,或是给予物理学家任何新的研究方向。“每当与物理有关的事情出现差错时,物理学家们都会非常兴奋,然而我们却正处于一个几乎不太会出现差错的时代。” Boykin说道,“在一个物理学家看来,这是一个令人沮丧的时代。”而且,薪水也不高。

Oscar Boykin

现在,Boykin已经不再是一位物理学家,他化身成了硅谷的软件工程师。而现如今,正是这类职业的黄金时代。

Boykin在一家价值90亿美元的创业公司Stripe工作,创建在线平台,帮助企业接收在线付款。Boykin的职责是帮助构建和运行公司收集数据的软件系统,他负责预测这些服务系统的未来走势,包括欺诈性交易发生的可能性,以及具体可能发生的时间和途径。一方面,作为一名物理学家,他非常适合这项工作,因为该职位需要极强的数学能力和抽象思维。然而,不像是纯物理学家,他现在的工作领域能提供给他无限的挑战和可能性。而且,薪水也很高。

如果物理和软件工程是亚原子粒子,那么,硅谷已经变成了粒子碰撞的地方。 Boykin在Stripe与其他三位物理学家一起工作。 去年12月,当通用电气收购了机器学习创业公司Wise.io时,通用的CEO Jeff Immelt调侃道,他刚刚获得了一家充满物理学家的公司,其中最著名的就是加州大学伯克利大学(UCB)的天体物理学家Joshua Bloom。

开源机器学习软件H20是由来自瑞士的物理学家Arno Candel(曾在SLAC国家加速器实验室工作)的帮助下开发的,该软件现在成为了全世界近7万名数据科学家的研究工具。微软的数据科学主管Vijay Narayanan也是一名天体物理学家,在他团队工作的还有其他几名物理学家。

这一切并不是经过精心策划的。“我们并不是进入了物理世界的‘幼儿园’,并拐卖了一车儿童。” Stripe的总裁兼联合创始人John Collison表示,“这样的事情只是自然而然的发生了。”而且,它发生在硅谷的每一个角落。 因为在结构和技术的角度上看,每个互联网公司需要做的事情,已经越来越与物理学家的技术和知识相对口。

一切都是顺其自然

当然,物理学家在早些时候,就在计算机技术方面发挥了重要作用,就像他们在许多其他领域有着重要作用一样。 参与设计世界上最早的计算机之一ENIAC的John Mauchly,就是一位物理学家。C语言之父Dennis Ritchie,最开始也是一位物理学家。

但是,对于进入计算机技术领域的物理学家来说,如今才算时机成熟。由于机器学习的兴起,机器需要通过分析大量数据来学习任务,这种新型数据科学和人工智能是最适合物理学家的东西。

除此之外,神经网络,以及在此基础上开发的模仿人类大脑结构的软件,都是当前行业内的热点。但是,神经网络可以说是一个巨大的工程,涉及很多线性代数和概率论。计算机科学家不一定在这些领域内有过深入的研究,但物理学家有。“对于物理学家来说,神经网络中最陌生的,只有学习如何优化这些神经网络并训练他们,但这也是相对直截了当的一个部分。”Boykin说道,“其中,有一种技术被称为‘牛顿法’,以物理学家牛顿命名,而不是其他的什么牛顿。”

微软剑桥研究实验室主管Chris Bishop,在三十年前就有了同样的感受,当时深层神经网络才刚开始在学术界崭露头角。这也是导致他从物理学转变到机器学习领域的主要原因。“一个物理学家进入了机器学习领域,这是非常自然的一件事。”他说,“甚至比计算机科学家这么做更自然。”

更大的挑战空间

Boykin感慨道,十年前,许多他的物理学家同僚都争相转入金融界。同样的数学知识体系在华尔街非常受用,可以作为预测市场发展趋势的一种准确方式。 其中最重要的工具就是Black-Scholes方程式,这是一种能确定金融衍生物价值的方法,但后来,Black-Scholes在一定程度上也帮助酿成了2008年的金融危机。现在,更多的物理学者会选择转向数据科学,以及其他类型的计算机科技领域。

约十年前,物理学家开始进入顶尖的科技公司,参与开发大数据软件,即能在数百甚至数千台机器上运行数据的系统。Boykin曾在Twitter参与开发了名为Summingbird的大数据软件,来自MIT物理系的三位年轻人,也曾在一家名为Cloudant的初创公司研发出了类似的软件。物理学家熟知该如何处理数据,并且利用他们强大的抽象思维,构建一些复杂的系统。

在Google刚成立不久的时候,公司负责构建大规模分布式系统的关键人物之一Yonatan Zunger,就拥有斯坦福大学弦理论学的博士学位。当Kevin Scott加入Google的广告组时,他负责从各处获取数据,并用这些数据来预测,哪几类广告最可能获得最多的点击量。为此,他聘请了无数名物理学家进入他的小组工作。与很多计算机科学家不同,物理学家简直就是为了机器学习的实验本质而生。“这简直就是一门实验科学。” 如今的LinkedIn首席技术官Scott感叹道。

当下,大数据软件已经十分常见,它们帮助机器学习模型展开各类预测,这也为物理学家进入硅谷开辟了更广阔的道路。在Stripe,Boykin的团队还包括Roban Kramer(哥伦比亚大学物理学博士),Christian Anderson(哈佛大学物理学硕士)和Kelley Rivoire(MIT物理学学士)。他们来到这里,是因为他们适合这样的工作。他们来到这里,也是为了得到更可观的薪水。就像Boykin所说,“科技公司的薪资简直离谱。”但同时,他们来到这里,也是为了解决更多亟待解决的问题。

Anderson之所以放弃了物理学博士,离开哈佛,就是因为他对如今物理学界的看法和Boykin一样——是一种回报递减的纯学术追求。但是,互联网产业却并非如此。Anderson表示:“互联网的涵盖面很广,这让互联网产业能拥有更多的机会,同时也扩大了它的挑战空间和问题空间。但是,在这之中,我总能看到上升空间。”

充满变化的未来

今天,物理学家正前仆后继地进入硅谷公司,但在今后的岁月里,类似的现象会进一步蔓延。机器学习不仅会改变分析数据的方式,也会改变软件的开发方式。 神经网络已经从根本上改变了图像识别、语音识别、机器翻译以及软件接口的本质。正如微软的Chris Bishop所说,软件工程正在从基于逻辑的代码编写,转向基于概率和不确定性的机器学习模型。类似Google和Facebook这样的大公司,已经开始以这种新的思维方式,重新训练他们的工程师。最终,全世界都会跟随他们的脚步前进。

换句话说,大量物理学家进入硅谷工程师的领域,意味着更大的变化即将到来。不久之后,所有的硅谷工程师也都将踏入物理学家的领域。

-END-

本文由将门创投(thejiangmen)原创编译

如需转载,请在微信公众号中回复“转载”,获得许可

将门是一家专注于加速及投资技术驱动型初创企业的创投机构。

我们为技术驱动型的创业公司对接标杆企业用户、连接产业资源并提供众多战略投资机会。

将门旗下的基金将会重点投资通过技术创新激活商业场景,实现商业价值的初创企业。关注领域包括:1)机器智能;2)物联网;3)自然人机交互;4)企业计算。