当前位置：
&&&&&&&&&&&&SABIC Lexan EXL9330S
SABIC Lexan EXL9330S
[更新日期:]
产品型号：SABIC Lexan EXL9330S
原产地：美国,广州南沙,上海
品牌：SABIC Lexan系列PC聚碳酸酯材料
价格：面议
产品数量：10000
产品关键字：SABIC-Lexan-EXL9330S
经营性质：私营企业
所在区域：&
地址：广东东莞市常平镇大京九塑胶市场
我司专业供应(SABIC)基础创新塑料LexanResin树脂系列聚碳酸酯PC塑胶粒，多种型号规格现货供应，主要颜色有清澈透明（transparent），黑色（Black）及白色（White）。并可根据客户实际需求接收预定，我司已与沙伯基础（南沙，上海）建立起长久的合作关系，正规的进货渠道，且拥有专业的技术人才，多年的经验累计，可根据客户的要求作出最合适的安排，争取让客户以最小的投资获取最大的回报。SABIC Lexan EXL9330S具体型号价格及技术参数欢迎来电咨询！ & 以下是关于SABIC公司及旗下Lexan材料的一些简单介绍，SABIC Lexan EXL9330S的详细资料可来电索取！ & Lexan聚碳酸酯树脂是一种无定形工程热塑性塑料，具有优良的机械、电气、光学和热学性能。Lexan树脂系列所提供的各种粘度和产品性能将丰富您的设计。这些性能包括符合各种环保规范的阻燃性、光学质量，而且符合严格的FDA和USP要求； & 主要的材料特性包括： 〉较高的抗冲击强度 〉固有的“水般清澈通透”的透明度 〉产品的纯度、一致性和耐用性 〉卓越的耐热性 -- RTI高达125℃ 〉高温下的尺寸稳定性 〉透明、半透明和不透明的颜色 〉阻燃性 〉UV稳定性 〉与注射成型、挤出和吹塑成型工艺相容 & 定制的抗紫外线Lexan树脂挤出牌号具有始终如一的易加工性、一流的表面光洁度和透明度以及出色的抗冲击性能。 & Lexan SLX树脂是在聚碳酸酯基础上新开发的一种材料这种独特的共聚物具有四倍于抗紫外线聚碳酸脂的耐候性。 & Lexan EXL树脂是基于聚碳酸脂硅氧烷共聚物的新一代高强牌号，与传统聚碳酸脂相比，它具有卓越的抗冲击性能、低温延展性、耐热性和抗潮湿老化特性。. & 以下是关于SABIC公司及其材料的一些简单介绍 & SABIC的材料组合在管道、管件和阀部件中的应用 & 给水和工业管路系统要求材料能够承受各种极端环境并且具有较长的使用寿命。Cycolac ABS树脂在此领域已经得到普遍认可，可为全世界各种不同行业提供可靠的管路。它们集韧性和耐用性于一身，在很大的温度和压力范围内都能够保持高性能。另外，它们还具有良好的挤出加工性能，并且可以进行快速现场连接。 & 给水和工业管路技术领域的领头羊 -- 瑞士制造商Georg Fischer，已经选用Cycolac X399树脂作为这种预制绝热管路系统的材料。该系统广泛应用于全世界的各种冷却和制冷装置中，它所依赖的正是这种树脂始终如一的耐低温性和良好的抗压性能。树脂独具耐用性和良好的挤出加工性，帮助该公司提供经济实惠的管路系统，这种管路系统使用寿命很长，可以在极端恶劣的环境中使用。 & 沙伯基础创新塑料针对恒温阀提供了一系列满足特定性能需求的材料。例如，隶属于GE水处理公司的GE Osmonics利用Noryl GFN2树脂开发出一种新颖的全塑料控制阀。这种高强度、轻质材料具有非凡的尺寸稳定性和水解稳定性，帮助这种阀在性能和可维护性方面设立了新标准。 & 这种由美国制造商MuellerCompany设计的突破性供水阀采用Noryl GTX 830树脂作为成型材料。作为在此类应用中替代铜的第一种工程热塑性塑料材料，Noryl GTX树脂帮助模塑部件达到爆破强度和螺纹强度、抗疲劳性和耐化学腐蚀性等关键要求。由于这种符合公司对无铅部件要求的材料减少了安装时间和二次加工需求，因此使得系统总成本也得以下降。 & 沙伯塑料在太阳能面板中的应用 & 随着全世界对全球变暖的关注程度不断提高，用途广泛且十分方便的太阳能为未来提供了一种成本低、可再生的重要能源。太阳能系统的成功取决于其具有高效率、可靠性、安装简便性和低成本性。 & 挪威集成太阳能供热系统制造商Solarnor与沙伯基础创新塑料的应用开发工程师携手开发出一种太阳能面板系统。这种创新性的挤出面板采用Noryl EN150SP树脂制成，能够采集并保留尽可能多的热量，用于家庭供暖和提供热水。 & 该热力系统的独特设计使得Noryl树脂面板与因季节和一天中的不同时间而引起的不同温度的水持续接触。Noryl树脂在水解稳定性和温度耐受性方面很均衡，有助于确保面板长期保持其形状、刚度和美观度。与传统的铜质或铝质面板不同，这些美观轻质的面板运输方便，并且易于安装到屋顶或房屋正面。 & 关于SABIC的创新过程 & 沙伯基础创新塑料所提供的产品与服务众多：从理念的产生到众多的开发阶段，再到产业化生产，该公司在各开发阶段为客户提供支持。 & 1.符合特定行业标准的初始理念 2.基于专业工程设计服务的设计辅助 3.满足性能标准和行业标准的材料选择辅助 4.先进的前瞻性工程 5.CAD/CAE分析 6.在一流实验室中进行的工艺评估 7.二次加工评估 8.原型制作 & 凭借这种独一无二的技术支持，沙伯基础创新塑料始终如一地帮助世界各地的客户站在设计的前沿。从潜水泵壳体到冷凝式热交换器，从逆渗透部件到一流的太阳能面板，沙伯基础创新塑料愿意并且有能力帮助客户开发出下一代流体输送应用产品。 & 当这一过程涉及金属向塑料转换时，沙伯基础创新塑料可以通过一种结构化方法来提供帮助，即从设计评估开始，通过部件集成带来系统效率的提高，省去二次加工，减轻重量并简化组装。 & 沙伯基础创新塑料与其客户紧密合作，帮助其在对行业、工程材料和制造过程全面了解的基础上形成流体工程理念。依托这种知识，这些初始理念可以被成功转化成实际部件，不仅满足特定的行业需要，符合严格的行业标准，而且最大限度地降低制造成本并缩短上市时间。 & & SABIC Lexan EXL9330S的物性表及各种资料欢迎来电索取！
联系我时，请说是在搜了网上看到的，谢谢！
商家产品系列：
除了SABIC Lexan EXL9330S，您也可能对以下产品感兴趣
（销售经理）
手机：&&联系我时，请告知来自搜了网！
地址：广东东莞市常平镇大京九塑胶市场
邮编：523000
SABIC Lexan EXL9330S相关栏目
广东企业名录
&&&&&&&&&&&&&&&
&&&&&&&&&&&&&&&&&&&&
还没找到您需要的？立即发布您的求购意向，让主动与您联系！
免责声明： 以上所展示的信息由企业自行提供，内容的真实性、准确性和合法性由发布企业负责。搜了网对此不承担任何责任。
按排行字母分类：|||||||||||||||||||||||||
||联系我们&p&一，“我来买单吧”和“我来买单”是两个意思。&/p&&p&虽然抢着买单的场景，仍然在朋友聚餐时偶有出现，但随着社交熟练度和装逼指数的提升，我们在更多的情形下，已经做到了文明结账：大家心里知道这一局谁该买单，于是当那个人轻声呼唤“服务员，买单”的时候，我们会礼貌性地、同样轻声地，说一句“我来买单吧”，以此避免等待服务员时忽然安静的尴尬。那个人接一句“不用不用，下次去……”就可以把对话体面收尾。大家拍拍屁股、鱼贯而出。&/p&&p&
“吧”字，天然就是准备让 “不用不用”来接的。&/p&&p&
前段时间在微博上流行一句话：“在成人的社交礼仪里，没有爽快地答应，就是拒绝的意思。” 这句被无数人转发点赞的话，道出了人际交往中不成文的语言规则。与之对偶的，是另一条规则：在成人的社交礼仪里，没有语气坚定地提出，就是客套的意思。&/p&&p&
比如聚餐之后要各自回家，家住海淀开了车的张三，对家住南城没开车的李四说：“要不我送你吧。” 这句话的实际意思是：除非你有特殊原因需要我送你，不然我就先走了。大部分的李四，都会说“不用不用，又不顺路，我打个车很方便”之类的。于是一别两宽，各生欢喜。但李四如果说：“好啊，那谢谢了。”
张三心里可能会翻白眼。&/p&&p&
上周深圳下暴雨，我一位海归好友H律师早上醒来，看到窗外的雨势，很担忧，于是给她的团队发信息：“要不今天在家办公吧。” H律师的本意，是真的想让团队在家办公，只是常青藤式的培训让她有了使用对冲词（hedge words，在学术写作中鼓励使用的、用于减弱文字主观性和突兀性的词汇）的习惯。H律师的先生、深谙中国语言潜规则的F君，正好看到她的信息，马上敏锐地指正：“你这个语气不够坚定。”&/p&&p&
如果一个心思缜密、想要积极表现的员工，看到H律师的信息，可能会陷入纠结，因为他读出来的意思其实是：“虽然今天的天气恶劣在家办公也可以，但我还是希望我们可以到办公室。” 他会犹豫，是不是应该这么回复： “不用了老板，雨也不是很大，我晚点就到办公室。”&/p&&p&
你可能发现了，这种不成文的语言规则，用在上下级之间的时候，会失去默契和准确性。事实就是如此，所以上级在对下级传递信息时，避免触碰中国文字的潜规则，是比较明智的选择。&/p&&p&
这也就是为什么善于当领导的人，会常用比较坚定的语气。而习惯了使用坚定语气的领导，往往也能形成令人信服的气场。&/p&&p&
我小时候，跟着父母去拜访过一个远亲M大爷。M大爷做过很多年的远洋船船长。远洋船长带领一船的人出海，其渺小无助，就像是一片小树叶上的蚂蚁漂在海上。天气的不确定因素、若隐若现的暗礁、加上海盗出没的危险，要求远洋船长必须成为全船的定心丸。所以船长总是看上去胸有成竹：没有船长不知道的、没有船长搞不掂的，全船上下抱定这样的信念，才敢乘风破浪。M大爷就是典型的船长做派：身材精壮、面容坚毅、语言简练沉稳、斩钉截铁、不留悬念。他说话，从来不用“要不……吧”的句式。&/p&&p&
当时M大爷担任某单位的领导，单位给配了一辆奔驰E级的小轿车。我们去的时候，M大爷亲自开车接我们。路过一个特别窄的小巷前，他下车把两侧后视镜“啪啪”折进去，上车一脚油门就穿了过去，“几万吨的远洋油轮都能开，这点儿小路算什么”。那光辉形象，在我幼小的心灵中留下深刻的印记，那种笃定的气场，用现在的话说，大概就是“社会我M哥，人狠话不多。”&/p&&p&
后来，我在《加勒比海盗》电影里看到巴博萨船长的形象，忽然就对上号了，M大爷给我的印象，就是巴博萨船长那样的：即使被变成鬼的萨拉查吊起来要杀掉了，还能语气坚定地提出一个方案。&/p&&p&
几年之后，有一天，我爸跟我说他要去看望一下M大爷，因为M大爷住院了。&/p&&p&
“M大爷怎么了？”&br&
“开车不小心滑到沟里了，摔伤了。”&br&
不知道为什么，我总觉得，那一定是沟的问题。&/p&&p&&br&&/p&&p&二，打倒一切反问句。&/p&&p&同样一个意思，让两个人去表达，往往会有两个效果，差距还挺大。有些人能把话说得春风扑面、有些人的话一出口，就让人心生厌烦。我仔细观察了身边的人，发现反问句式的使用，是最大的对话杀手。&/p&&p&
这大概来源于我们上小学、中学时收获的“优良传统”。我们的班主任，无论来自白山黑水、林海雪原、还是青纱帐、甘蔗田，无论南腔北调、高矮胖瘦，竟然共享着一套惊人相似的话语体系。&/p&&p&
“你上课不带书，和士兵打仗不带枪，有什么区别？”&br&
“这么简单的题，你也不会做？”&br&
“如果大家都像你这样，学校还怎么上课？”&br&
班主任的余威，被我们从学校里，带到了社会上。有些“消化不良”的朋友，就直接把这套话语体系变成自己的了。&/p&&p&
这种传承是下意识的，不易觉察。我是在很偶然的情景下，才发现自己说了一句令人生厌的反问句。那天我去一个朋友家里，朋友正在整理文献，熬了一夜晕乎乎的他，正抱怨找不到有关某个概念的材料，我脱口而出：“那你怎么不搜维基百科啊？” 朋友大概因为休息不足、心情很糟糕，他也脱口而出：“因为我是个傻X。”&/p&&p&
我当时心里一颤，虽然朋友马上清醒过来、解释打圆场，但我这才印象深刻地意识到：反问句是很难让人心平气和地接下去的。&/p&&p&
就在写这篇文章的时候，我收到了一条工作微信：“里总，XXX的合同里怎么没加YYYY的内容？” 我心里的第一反应是什么呢？“我TM爱加不加！你TM爱签不签！” 当然，作为一个行事得体的人，我只能把这句话深埋在心底，然后假惺惺地说：“那我让律师看看能不能调整一下。” 虽然没有产生冲突，但心情已经被破坏了。而我估计发微信的那个年轻人，还不知道这平静湖面之下，已经旋转了一次暗涌。&/p&&p&
反问句是为了终止对话而诞生的。上学挨惯了骂的我们，很清楚这个生存准则：在班主任用到反问句的时候，最聪明的应对，就是低头和沉默。不然后果只会更严重。&/p&&p&&br&&/p&&p&
案例1：&br&
“你上课不带书，和士兵打仗不带枪，有什么区别？”&br&
“有以下区别：第一，后果的严重程度不同、第二，补救措施的可用性不同……”&br&
噼里啪啦咚咚……&/p&&p&
案例2：&/p&&p&
“你上课不带书，和士兵打仗不带枪，有什么区别？”&br&
“没有区别。”&br&
“……”&br&
噼里啪啦咚咚……&/p&&p&
班主任常用反问句，是因为他们本来在潜意识里，就想让你低头沉默。管理几十个调皮捣蛋的少男少女，最省事的模式，就是建立一个只有老师说话的一言堂，所以谆谆善诱的老师少、盛气凌人的老师多。&/p&&p&
但在我们的日常沟通里，大部分情形中，都是希望有来有往的。即使在上级对下级的沟通里，那种上级君临臣下、发号施令；下级战战兢兢、唯命是从的情形也已经渐趋落伍。毕竟互联网已经打破了这么多藩篱，大家渐渐朝着“优盘化生活”发展，随来随走、合则留不合则去，已经没有清晰永恒的上下级界限了。&/p&&p&
沟通是为了办事，带着情绪，事情肯定不容易办好。所以不论是甲方对乙方、上级对下级、还是同事对同事、乃至王者荣耀里对着陌生的队友，把反问句的刺拔掉、换成平缓的祈使句或者真诚的疑问句，效果总是会有提升。&/p&&p&
“亚瑟，你打什么野？怎么不去下线守塔？” 和 “亚瑟，别打野，先去下线守塔。” 两句话说出来，成功率肯定是不一样的。但如果你细心观察，你会惊讶于我们的群众，是多么热爱使用噎死人的反问句。&/p&&p&
反问句不止在事务性沟通、祈使型对话中让人难接，在“说好话”的时候也很难接。“日出江花红胜火，春来江水绿如蓝。能不忆江南？” 这两句诗隔着纸念，是没问题的，但如果作者白居易（时任杭州刺史，相当于现在的杭州市委书记）在你面前这么说，你也是蛮尴尬的。“是啊白书记，真是不能不忆啊。” 你怎么接，听起来都会显得狗腿。如果白居易只是平淡地说“我很怀念江南，你呢？” 你就可以选择很多不卑不亢的答复方式。“白书记，我对江南的感情也是很深的，那一年……” 这天儿就聊下去了。&/p&&p&
当然，凡事无绝对，我说“打倒一切反问句”也是一个夸张的提法。反问句在大部分情形下都让人尴尬，但还是有一些适合它的场景的。第一种场景，是你本来就想让对方难受，这时反问句是很好的匕首，短促而有力，“你咋不上天呢？”&/p&&p&&br&&/p&&p&来源：&/p&&h2&公众号“&b&里大师江湖笔记 &/b&”&br&&/h2&&p&（已获得授权转载）&/p&&h2&想看更多文章，还可以在公众号“酷炫脑” 搜索关键词：&/h2&&p&记忆，抑郁，强迫症，上瘾，睡眠，衰老，意识，专注力，发育，冥想，精神病，迷幻药，智商，情商，多动症&/p&&p&点击关注酷炫脑专栏：&a href=&/coolbrain& class=&internal&&&span class=&invisible&&http://&/span&&span class=&visible&&/cool&/span&&span class=&invisible&&brain&/span&&span class=&ellipsis&&&/span&&/a&&/p&
一，“我来买单吧”和“我来买单”是两个意思。虽然抢着买单的场景，仍然在朋友聚餐时偶有出现，但随着社交熟练度和装逼指数的提升，我们在更多的情形下，已经做到了文明结账：大家心里知道这一局谁该买单，于是当那个人轻声呼唤“服务员，买单”的时候，我…
&p&近两年来，在资本与科技力量双线驱动的共享单车忽然之间就闯入了我们的城市当中。五颜六色的自行车已经成为日常城市景观的一部分，下图是我们熟悉的街景。&/p&&p&&br&&/p&&img src=&/v2-4df855db4a792ece2884552acf2286b6_b.png& data-rawwidth=&865& data-rawheight=&499& class=&origin_image zh-lightbox-thumb& width=&865& data-original=&/v2-4df855db4a792ece2884552acf2286b6_r.png&&&p&&br&&/p&&p&而在数据的视角下，我们会看到完全不同的图景。&/p&&p&&br&&/p&&p&如果从天空中观察，我们可以看到一整座城市的共享单车，请看下图：&/p&&img src=&/v2-4d7a1de5d0b7216045eb_b.jpg& data-rawwidth=&1024& data-rawheight=&768& class=&origin_image zh-lightbox-thumb& width=&1024& data-original=&/v2-4d7a1de5d0b7216045eb_r.jpg&&&p&（上图是我们以摩拜单车数据为例，绘制出的2017年某天上午该品牌共享单车在上海市的大致空间分布图。从地图上可以看到，共享单车已经深入了城市的每一个角落，几乎毫无死角。）&/p&&p&&br&&/p&&p&如果从个体视角观察的话，我们可以看到普通市民的使用逻辑，请看下图：&/p&&img src=&/v2-1e2754b0fbffc47182e21b_b.jpg& data-rawwidth=&2382& data-rawheight=&1669& class=&origin_image zh-lightbox-thumb& width=&2382& data-original=&/v2-1e2754b0fbffc47182e21b_r.jpg&&&p&这是一个短途骑行者。他高频流连于市中心与杨浦区。&/p&&p&&br&&/p&&img src=&/v2-102f53cf614a52debb6e9c18d458c40b_b.jpg& data-rawwidth=&2382& data-rawheight=&1669& class=&origin_image zh-lightbox-thumb& width=&2382& data-original=&/v2-102f53cf614a52debb6e9c18d458c40b_r.jpg&&&p&这是一个两地骑行者，他似乎一半时间在虹口区流连，而另一半时间在徐汇和长宁活动。&/p&&p&&br&&/p&&img src=&/v2-bec647aaeb8a_b.jpg& data-rawwidth=&2382& data-rawheight=&1669& class=&origin_image zh-lightbox-thumb& width=&2382& data-original=&/v2-bec647aaeb8a_r.jpg&&&p&这是一个长途骑行者，他曾经从杨浦区一口气骑到大虹桥。&/p&&p&&br&&/p&&p&虽然行程特征各种各样，但其实大家使用单车上还是有很强的时间逻辑的。请看下图：&/p&&img src=&/v2-4f0cfb0ebca0b2fb198d34_b.jpg& data-rawwidth=&2969& data-rawheight=&1519& class=&origin_image zh-lightbox-thumb& width=&2969& data-original=&/v2-4f0cfb0ebca0b2fb198d34_r.jpg&&&p&在上图中，圆圈越大说明在该时段使用共享单车的人越多。很显然：&/p&&p&工作日的早晚高峰（早上7-9点，晚上17-20点）是共享单车的使用高峰期，该期间的使用占比约为36%。&/p&&p&而对于周末而言，共享单车是不存在早高峰的，但是却有非常明显的晚高峰。&/p&&p&&br&&/p&&p&&b&大家使用单车的目的都是通勤吗？&/b&&/p&&p&&br&&/p&&p&我们抽样了两万位共享单车用户在工作日早晚高峰时段、和其他时段使用共享单车的次数，绘制出下图（每个点代表一位或一类用户）：&/p&&img src=&/v2-d9aa5c8e440daa1baa49bb_b.jpg& data-rawwidth=&4101& data-rawheight=&2596& class=&origin_image zh-lightbox-thumb& width=&4101& data-original=&/v2-d9aa5c8e440daa1baa49bb_r.jpg&&&p&可以看到，用户在通勤和非通勤两个时间段内使用共享单车的次数成正比。喜欢骑共享单车上下班的人，也更喜欢用共享单车的模式去完成别的出行。&/p&&p&&br&&/p&&p&在这个意义上来看，共享单车似乎已经成为了像地铁或者公交车一样的城市基础交通型设施。我们把共享单车数据和同时段的城市地铁使用数据比较一下，就能看得更清楚：&/p&&img src=&/v2-8ec63b71a282c3140e71e_b.jpg& data-rawwidth=&3251& data-rawheight=&1537& class=&origin_image zh-lightbox-thumb& width=&3251& data-original=&/v2-8ec63b71a282c3140e71e_r.jpg&&&p&很显然，共享单车已经成为了与地铁在时间上几乎同步的城市通勤性交通工具。虽然在晚高峰时段上略有差异，但基本上展示出了极强的时间相关性。&/p&&p&&br&&/p&&p&那么，空间上呢？&/p&&p&&br&&/p&&p&首先，我们用从地铁站及周边300米为起讫点的共享单车轨迹数据，绘制出每个地铁站的骑行等时圈，请看下图：&/p&&img src=&/v2-0cd7dd8ddcbbf1fc011151_b.jpg& data-rawwidth=&3719& data-rawheight=&3012& class=&origin_image zh-lightbox-thumb& width=&3719& data-original=&/v2-0cd7dd8ddcbbf1fc011151_r.jpg&&&p&（说明：上图的范围是上海中心城区的一部分；图中绿色圆点为地铁站，围绕地铁站的绿色曲线是以2分钟骑行间隔为单位作的等时圈；熟悉测绘或者地图学的小伙伴可以看到，这张地图清晰地为上海定义出了一个“骑行盆地”和“骑行山区”：在平坦的盆地里，大家可以使用地铁站周边的共享单车便捷地到达很大的范围，这是全市骑行环境最友好的地区；在山区则反之。）&/p&&p&&br&&/p&&p&可以看到，由于每个站点周边的道路情况、城市功能不尽相同，站点客流量和共享单车的使用人数差异很大，每个地铁站的等时圈形状各相迥异。我们将每个站点的20分钟骑行范围与泰森多边形做了交集，得到站点的实际骑行服务范围，如下图所示：&/p&&img src=&/v2-cbfc898fe460faf6f2b8054_b.jpg& data-rawwidth=&2908& data-rawheight=&1808& class=&origin_image zh-lightbox-thumb& width=&2908& data-original=&/v2-cbfc898fe460faf6f2b8054_r.jpg&&&p&可以看到：&/p&&p&&br&&/p&&p&在中环线以内的市中心，站点密度较高，大部分地点步行20分钟都很容易到达某个地铁站。因此，虽然共享单车缩短了市民前往地铁站的时间，但并没有在实质上扩大地铁站的服务范围。所以无论有没有共享单车，地铁站的平均服务范围都在站点步行大约20分钟的范围（直线距离700m-800m、实际步行距离900m-1000m）。&/p&&p&&br&&/p&&p&在中环线以外区域，站点相对稀疏，共享单车的出现可以使得地铁站的服务半径大大增加。以骑行20分钟计算，地铁站的平均服务半径约为2km-2.3km（实际骑行距离约为2.6km-3km）。&/p&&p&&br&&/p&&p&具体而言，在上海外环线周边的地铁站附近（注：“外环线周边”指的是 中环-沈海高速申嘉湖高速 的范围。这个范围内居住的人口最多、地铁站数目适中，且地铁站服务半径变化较为显著。）：&/p&&p&服务面积从190平方公里扩展到了670平方公里；&/p&&p&服务的居住人口从350万扩展到了780万；&/p&&p&服务的就业人口从270万扩展到了580万。&/p&&p&&br&&/p&&p&然而，以上只是我们基于共享单车出行数据的一厢情愿的测算。&b&&u&市场是否认同“地铁站服务范围扩大”的现象呢？&/u&&/b&&/p&&p&&br&&/p&&p&以租房市场为例吧。我们先做一个假设：假如租房市场认同了地铁站服务范围的扩大，意味着一些原本离地铁站步行时间较长、骑行时间适中的“准地铁房”升级成了“新地铁房”。相应的，“新地铁房”与原本就在地铁站步行服务区内的“老地铁房”的租金差距将会变得平滑。&/p&&p&&br&&/p&&p&我们使用了（共享单车是2016年规模性出现在上海的）的房租数据，绘制出上海市外环线周边历年房屋租金与地铁站距离的衰减曲线图。&/p&&img src=&/v2-a30ab25b037a57afaade_b.jpg& data-rawwidth=&4206& data-rawheight=&3254& class=&origin_image zh-lightbox-thumb& width=&4206& data-original=&/v2-a30ab25b037a57afaade_r.jpg&&&p&&b&在图中，我们可以观察到：年，外环线周边从“老地铁房”到“新地铁房”的价格距离衰减是非常迅速的；而在共享单车进入城市后的年，这一衰减速度却大大减缓了。&/b&&/p&&p&&br&&/p&&p&&b&因此，假如我们设定租金衰减到80%时的距离范围就是所谓的“新地铁房”范围，那么所谓“新地铁房”的范围将从年的地铁站周边900m，瞬间扩展到年的1650m。&/b&&/p&&p&&br&&/p&&p&&b&在某种程度上，我们可以这么简单地理解：在租房市场里，共享单车使得我们有了更多的地铁房、让更多的人居住或工作在地铁房里。&/b&&/p&&p&&br&&/p&&p&当然，这也可能只是一种时间上的巧合，还缺乏房租变化和共享单车出现的因果性。因此，我们必须更进一步，探究共享单车密度与地铁站服务半径是否存在空间一致性。&/p&&p&&br&&/p&&p&我们统计了外环线周边地铁站500m范围内的共享单车数量（2017年某工作日的上午11点），以及地铁站附近1500m范围内的人口数量（日夜人口数量的均值），以共享单车数量与人口数量的比值作为共享单车的密度指标。&/p&&img src=&/v2-5cc06f0bf6_b.jpg& data-rawwidth=&4069& data-rawheight=&2175& class=&origin_image zh-lightbox-thumb& width=&4069& data-original=&/v2-5cc06f0bf6_r.jpg&&&p&&br&&/p&&p&可以看到，共享单车密度越高，地铁站的服务半径也越大（服务半径定义同上，为房租价格衰减到80%时的距离）。共享单车低密度地区的服务半径约为1600m，共享单车高密度地区的服务半径则接近1800m。（这种效应有一个阈值。当共享单车密度提升到极高水平时，对地铁站服务范围的影响不明显。）&/p&&p&&br&&/p&&p&至此，我们可以更有信心地说，在大多数情况下，共享单车很好地解决了地铁换乘的“最后一公里问题”，扩大了地铁站的服务范围，使更多市民便利地享受到了地铁的服务。而这一服务范围的扩大，也自然地扩大了“新地铁房”的范围，使得城市租赁住房市场发生了结构性的变化。更进一步说，共享单车作为一种基础型交通设施，在空间上重构了我们的城市结构，而重构的城市又从更多的方面影响了我们的生活。&/p&&p&&br&&/p&&p&毫无疑问，新技术和新模式的创新，将使得我们的城市不断地进化与变革，而且也会不断地改变我们的城市的认知，我们不得不花更多力气来认真观察和思考我们所生活的这个史无前例的巨大容器“城市”，对我们到底意味着什么？&/p&&p&&br&&/p&&p&当然，这也是城市数据研究的乐趣：&/p&&p&&br&&/p&&p&&b&在这个复杂的、混沌的、且永远都在进化中的城市里，总是蕴藏着我们还未曾发现的秘密。这条城市认知与探索的路，永无尽头。&/b&&/p&&p&&br&&/p&&p&说明：&/p&&p&1. 本文数据由 摩拜单车(mobike) 提供。&/p&
近两年来，在资本与科技力量双线驱动的共享单车忽然之间就闯入了我们的城市当中。五颜六色的自行车已经成为日常城市景观的一部分，下图是我们熟悉的街景。 而在数据的视角下，我们会看到完全不同的图景。 如果从天空中观察，我们可以看到一整座城市的共享单…
&p&推荐几个我办公常用的工具，对提高效率很有帮助，尤其是Excel和PPT使用频繁的童鞋，有免费有付费有商业。&/p&&p&&b&1、&/b& &b&Power Map&/b&&/p&&p&这个在知乎上已经安利很多次了，微软官方出版的一个3D数据地图插件，包含在线地图+在线演示+制作视频等各项功能。可以基于Bing地图绘制可视化三维列，包括气泡、饼图，热图和地区的数据，之前的一次回答中已经演示过了。&/p&&p&&a href=&/question//answer/& class=&internal&&李启方：怎么在 Excel 上做数据地图？&/a&&/p&&img src=&/v2-eb6f0c6e45b4e_b.jpg& data-rawwidth=&1000& data-rawheight=&493& class=&origin_image zh-lightbox-thumb& width=&1000& data-original=&/v2-eb6f0c6e45b4e_r.jpg&&&p&&b&2、&/b& &b&方方格子Excel插件&/b&&/p&&p&这就是一个Excel偷懒的工具，将一些常用的需要写函数或写宏的功能给封装成现成的按钮。比如：过滤文本、删除文本、汇总拆分、重复值工具、数据对比、高级排序、颜色排序、合并单元格排序等等。提供了大量常用宏及函数。&/p&&p&日常的表制作，配上这个插件可以大大提高工作效率。&/p&&img src=&/v2-cd8f6ca54cfbb3_b.jpg& data-rawwidth=&2190& data-rawheight=&488& class=&origin_image zh-lightbox-thumb& width=&2190& data-original=&/v2-cd8f6ca54cfbb3_r.jpg&&&p&① 一键删除空格&/p&&img src=&/v2-dbf06c6fd6ad_b.jpg& data-rawwidth=&1776& data-rawheight=&986& class=&origin_image zh-lightbox-thumb& width=&1776& data-original=&/v2-dbf06c6fd6ad_r.jpg&&&p&② 提取数字文字英文&/p&&img src=&/v2-9b0a9b802f5_b.jpg& data-rawwidth=&1770& data-rawheight=&964& class=&origin_image zh-lightbox-thumb& width=&1770& data-original=&/v2-9b0a9b802f5_r.jpg&&&p&&b&3、&/b& &b&Excel图表插件-EasyChart&/b&&/p&&p&EasyCharts是Excel的图表插件，能一键生成Excel未提供的图表，修改成R 、Python、Matlab的风格图表，像下图就有一种R既视感。&/p&&img src=&/v2-1e0c3a19ec126cc_b.jpg& data-rawwidth=&1366& data-rawheight=&724& class=&origin_image zh-lightbox-thumb& width=&1366& data-original=&/v2-1e0c3a19ec126cc_r.jpg&&&p&（图片源自网络）&/p&&img src=&/v2-4ca721cf11f2f21a16d0b4_b.jpg& data-rawwidth=&605& data-rawheight=&1193& class=&origin_image zh-lightbox-thumb& width=&605& data-original=&/v2-4ca721cf11f2f21a16d0b4_r.jpg&&&p&（图片源自网络）&/p&&p&&b&4、&/b& &b&FineReport&/b&&/p&&p&这是一个商用报表软件，主要应用于企业级的办公上。比如业务系统报表，数据分析报表。可集成在OA，ERP，CRM内。主要两大核心是填报和数据展示。懂点java的话可以做开发，比如我同事用这个开发了一个公司内部的考试系统。&/p&&p&主要用途还是做报表，大数据量的报表和可视化。&/p&&p&1、 类似excel制作报表，不用数据透视表，也不要写VBA，功能都是封装好的&/p&&p&2、 填报功能，收集数据审核入（数据）库简直无压力&/p&&p&3、 Dashboard(决策报表)，表格立马变高大上的“驾驶舱”&/p&&p&4、 移动端报表随时随地看&/p&&p&制作界面大概长这样，类似excel.&/p&&img src=&/v2-e94c8394eb4ecdc25702fba_b.jpg& data-rawwidth=&2536& data-rawheight=&1262& class=&origin_image zh-lightbox-thumb& width=&2536& data-original=&/v2-e94c8394eb4ecdc25702fba_r.jpg&&&p&&b&5、 Nordri Tools&/b&&/p&&p&一款非常火的PPT插件，可以用来拓展PowerPoint软件自身难以实现的功能，可能经常做PPT的人都知道。对于很多新用户或者小白用户，会有相见恨晚的感觉。如一键统一字体、段落；批量删减文本；图文一键对齐；PPT配色自动载入；PPT长途。&/p&&img src=&/v2-0fa140ee57_b.jpg& data-rawwidth=&1695& data-rawheight=&439& class=&origin_image zh-lightbox-thumb& width=&1695& data-original=&/v2-0fa140ee57_r.jpg&&&p&&b&一键统一PPT中的字体和段落：&/b&能全文档统一中/英文字体；全文档统一行距/段前/段后距(不用再一篇一篇改字体了:）&/p&&img src=&/v2-f1afce7bf00b7_b.jpg& data-rawwidth=&737& data-rawheight=&439& class=&origin_image zh-lightbox-thumb& width=&737& data-original=&/v2-f1afce7bf00b7_r.jpg&&&p&（图片源自网络）&/p&&p&&b&矩阵复制：&/b&通过一系列参数化设置，帮助实现一个元素在ppt中的快速阵列复制&/p&&img src=&/v2-a0c48ab3ea84c4196ca0_b.jpg& data-rawwidth=&737& data-rawheight=&415& class=&origin_image zh-lightbox-thumb& width=&737& data-original=&/v2-a0c48ab3ea84c4196ca0_r.jpg&&&p&（图片源自网络）&/p&&p&&b&6、&/b& &b&阿里巴巴矢量图icon&/b&&/p&&p&这个我做PPT的时候常用，一些icon的素材，上面提的很多了，不过貌似这个网站美工用的会多一些。&/p&&img src=&/v2-b_b.jpg& data-rawwidth=&2340& data-rawheight=&1099& class=&origin_image zh-lightbox-thumb& width=&2340& data-original=&/v2-b_r.jpg&&&p&下载时可选择颜色、大小和文件格式&/p&&img src=&/v2-a908f7f33a68fb89b5a3089d_b.jpg& data-rawwidth=&1236& data-rawheight=&753& class=&origin_image zh-lightbox-thumb& width=&1236& data-original=&/v2-a908f7f33a68fb89b5a3089d_r.jpg&&&p&&b&7、 Process on&/b&&/p&&p&ProcessOn是一个在线制作流程图的软件，包括思维导图等。风格很适合用在PPT中，勾画复杂的模型，基本上是0难度上手。&/p&&img src=&/v2-81c2e8467_b.jpg& data-rawwidth=&1528& data-rawheight=&763& class=&origin_image zh-lightbox-thumb& width=&1528& data-original=&/v2-81c2e8467_r.jpg&&&p&（图片源自网络）&/p&&p&&b&8、&/b& &b&gif录制/剪辑工具Screen to GIF&/b&&/p&&p&这个工具小而美，一共2M，点击开始-点击结束-保存文件，可以很快速的录制动图并调整文件大小。&/p&&img src=&/v2-6b6ceeb0f7a23b355a5451_b.jpg& data-rawwidth=&978& data-rawheight=&429& class=&origin_image zh-lightbox-thumb& width=&978& data-original=&/v2-6b6ceeb0f7a23b355a5451_r.jpg&&&p&&/p&
推荐几个我办公常用的工具，对提高效率很有帮助，尤其是Excel和PPT使用频繁的童鞋，有免费有付费有商业。1、 Power Map这个在知乎上已经安利很多次了，微软官方出版的一个3D数据地图插件，包含在线地图+在线演示+制作视频等各项功能。可以基于Bing地图绘制…
&img src=&/50/v2-c0b3b688efb127f25472f9c_b.jpg& data-rawwidth=&640& data-rawheight=&427& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&/50/v2-c0b3b688efb127f25472f9c_r.jpg&&&h2&&b&介绍&/b&&/h2&&p&深度学习目前已经成为了人工智能领域的突出话题。它在“计算机视觉”和游戏（AlphaGo）等领域的突出表现而闻名，甚至超越了人类的能力。近几年对深度学习的关注度也在不断上升，这里有一个&a href=&/?target=https%3A///blog/2014/06/deep-learning-attention/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&调查结果&i class=&icon-external&&&/i&&/a&可以参考。&/p&&p&这里有一个 Google 的搜索趋势图：&/p&&img src=&/v2-712eff1c996cb43f5f06da_b.png& data-rawwidth=&1024& data-rawheight=&326& class=&origin_image zh-lightbox-thumb& width=&1024& data-original=&/v2-712eff1c996cb43f5f06da_r.png&&&p&如果你对这个话题感兴趣，这里有一个很好的&a href=&/?target=https%3A///ai-machine-deep-learning& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&非技术性的介绍&i class=&icon-external&&&/i&&/a&。如果你有兴趣了解最近的趋势，那么这里有一个很好的&a href=&/?target=https%3A///pulse/heres-what-we-can-expect-from-deep-learning-2016-beyond-sophie-curtis& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&汇总&i class=&icon-external&&&/i&&/a&。&/p&&p&在这篇文章中，我们的目标是为所有深度学习的人提供一条学习之路，同时也是为想要进一步学习的人提供一条探索的路径。如果你准备好了，那么让我们开始吧！&/p&&h2&&b&步骤0：先决条件&/b&&/h2&&p&建议在学习深度学习之前，你应该先了解一些机器学习的基础知识。&a href=&/?target=https%3A///learning-path-learn-machine-learning/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&这篇文章&i class=&icon-external&&&/i&&/a&列出了完整的学习机器学习的资源。&/p&&p&如果你想要一个简单的学习版本。那么可以看下面的列表：&/p&&ul&&li&&a href=&/?target=https%3A//www.khanacademy.org/math& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&数学基础&i class=&icon-external&&&/i&&/a&（特别是微积分，概率和线性代数）&/li&&li&&a href=&/?target=https%3A///community/open-courses/introduction-to-python-machine-learning-with-analytics-vidhya-hackathons%23gs.XlsRa5s& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python 基础&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A///course/intro-to-statistics--st101& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&统计学基础&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A///course/intro-to-machine-learning--ud120& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&机器学习基础&i class=&icon-external&&&/i&&/a&&/li&&/ul&&p&&b&建议时间：2-6个月&/b&&/p&&h2&&b&步骤1：机器配置&/b&&/h2&&p&在进行下一步学习之前，你应该确保你有一个支持你学习的硬件环境。一般建议你至少拥有以下硬件：&/p&&ul&&li&一个足够好的 GPU（4+ GB），最好是 Nvidia&/li&&li&一个还可以的 CPU（比如：Intel Core i3，Intel Pentium 可能不适合）&/li&&li&4 GB RAM（这个取决于数据集大小）&/li&&/ul&&p&如果你还不确定，那么请阅读这个&a href=&/?target=http%3A////deep-learning-hardware-guide/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&硬件指南&i class=&icon-external&&&/i&&/a&。&/p&&p&&i&备注：如果你是一个硬件玩家，那么你可能已经拥有了所需的硬件。&/i&&/p&&p&如果你没有所需的规格，那么你可以租一个云平台来学习，比如 &a href=&/?target=https%3A///cn/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Amazon Web Service（AWS）&i class=&icon-external&&&/i&&/a&。这是使用 AWS 进行深度学习的&a href=&/?target=http%3A//cs231n.github.io/aws-tutorial/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&良好指南&i class=&icon-external&&&/i&&/a&。&/p&&p&&b&备注：在这个阶段不要安装任何深度学习的库，安装过程我们会在步骤 3 中介绍。&/b&&/p&&h2&&b&步骤2：初试深度学习&/b&&/h2&&p&现在，你已经对这个领域有了一个初步的认识，那么你应该进一步深入了解深度学习。&/p&&p&根据自己的偏好，我们可以选择以下几个途径：&/p&&ul&&li&通过博客学习，比如 &a href=&/?target=https%3A///blog/2016/03/introduction-deep-learning-fundamentals-neural-networks/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Fundamentals of Deep Learning&i class=&icon-external&&&/i&&/a& ，&a href=&/?target=http%3A//karpathy.github.io/neuralnets/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Hacker's guide to Neural Networks&i class=&icon-external&&&/i&&/a&。&/li&&li&通过视频学习，比如 &a href=&/?target=https%3A///watch%3Fv%3Db99UVkWzYTQ%26list%3DPLjJh1vlSEYgvGod9wWiydumYl8hOXixNu& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Deep Learning Simplified&i class=&icon-external&&&/i&&/a&。&/li&&li&通过书籍学习，比如 &a href=&/?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Neural networks and Deep Learning&i class=&icon-external&&&/i&&/a& &/li&&/ul&&p&除了上述的先学知识，你还应该了解一些流行的深度学习库和运行他们的语言。以下是一个不太完整的列表（你可以通过查看 &a href=&/?target=https%3A//en.wikipedia.org/wiki/Comparison_of_deep_learning_software& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&wiki&i class=&icon-external&&&/i&&/a& 获得更加完整的列表）：&/p&&ul&&li&&a href=&/?target=http%3A//caffe.berkeleyvision.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Caffe&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//deeplearning4j.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&DeepLearning4j&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//www.tensorflow.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Tensorflow&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=http%3A//www.deeplearning.net/software/theano/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Theano&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=http%3A//torch.ch/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Torch&i class=&icon-external&&&/i&&/a&&/li&&/ul&&p&其他一些著名的库：&a href=&/?target=http%3A//mochajl.readthedocs.io/en/latest/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Mocha&i class=&icon-external&&&/i&&/a&，&a href=&/?target=http%3A///index.html/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&neon&i class=&icon-external&&&/i&&/a&，&a href=&/?target=https%3A//www.h2o.ai/verticals/algos/deep-learning/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&H2O&i class=&icon-external&&&/i&&/a&，&a href=&/?target=https%3A///dmlc/mxnet& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&MXNet&i class=&icon-external&&&/i&&/a&，&a href=&/?target=https%3A//keras.io/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Keras&i class=&icon-external&&&/i&&/a&，&a href=&/?target=http%3A//lasagne.readthedocs.io/en/latest/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Lasagne&i class=&icon-external&&&/i&&/a&，&a href=&/?target=https%3A///dnouri/nolearn& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Nolearn&i class=&icon-external&&&/i&&/a&。关于深度学习语言，可以查看这个&a href=&/?target=http%3A///b/deep-learning-libraries-language-cm569/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&文章&i class=&icon-external&&&/i&&/a&。&/p&&p&你也可以查看查看 Stanford 的 CS231n 中的第 12 讲，概要性的了解一些深度学习库。&/p&&p&&b&建议时间：1-3周&/b&&/p&&h2&&b&步骤3：选择你自己的领域&/b&&/h2&&p&这是最有趣的部分，深度学习已经应用在各个领域中，并且取得了最先进的研究成果。如果你想更深入的了解，那么作为一个读者，你最适合的路径就是动手实践。这样才能对你现在了解的内容有一个更加深入的认识。&/p&&p&&b&注意：在以下的每个领域中，都会包括一个博客，一个实战项目，一个需要的深度学习库以及一个辅助课程。第一步你应该学习一下博客，然后去安装对应的深度学习库，然后再去做实战项目。如果在这个过程中，你遇到什么问题，那么可以去学习辅助课程。&/b&&/p&&ul&&li&深度学习在机器视觉中的应用&/li&&ul&&li&参考博客：&a href=&/?target=https%3A///blog/2016/04/deep-learning-computer-vision-introduction-convolution-neural-networks/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&DL for Computer Vision&i class=&icon-external&&&/i&&/a& &/li&&li&实战项目：&a href=&/?target=http%3A//danielnouri.org/notes//using-convolutional-neural-nets-to-detect-facial-keypoints-tutorial/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Facial Keypoint Detection&i class=&icon-external&&&/i&&/a& &/li&&li&深度学习库：&a href=&/?target=https%3A///dnouri/nolearn%23installation& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Nolearn&i class=&icon-external&&&/i&&/a& &/li&&li&推荐课程：&a href=&/?target=http%3A//cs231n.stanford.edu/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&CS231n: Convolutional Neural Networks for Visual Recognition&i class=&icon-external&&&/i&&/a& &/li&&/ul&&li&深度学习在自然语言处理中的应用&/li&&ul&&li&参考博客：&a href=&/?target=http%3A//colah.github.io/posts/2014-07-NLP-RNNs-Representations/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Deep Learning, NLP, and Representations&i class=&icon-external&&&/i&&/a& &/li&&li&实战项目：Deep Learning for Chatbots, &a href=&/?target=http%3A///2016/04/deep-learning-for-chatbots-part-1-introduction/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Part 1&i class=&icon-external&&&/i&&/a&, &a href=&/?target=http%3A///2016/07/deep-learning-for-chatbots-2-retrieval-based-model-tensorflow/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Part2&i class=&icon-external&&&/i&&/a&。&/li&&li&深度学习库：&a href=&/?target=https%3A///dennybritz/chatbot-retrieval/%23setup& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Tensorflow&i class=&icon-external&&&/i&&/a& &/li&&li&推荐课程：&a href=&/?target=http%3A//cs224d.stanford.edu/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&CS224d: Deep Learning for Natural Language Processing&i class=&icon-external&&&/i&&/a& &/li&&/ul&&li&深度学习在语音中的应用&/li&&ul&&li&参考博客：&a href=&/?target=https%3A///channels/baiduusa/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Deep Speech: Lessons from Deep Learning&i class=&icon-external&&&/i&&/a& &/li&&li&实战项目：&a href=&/?target=https%3A///tensorflow/magenta& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Music Generation using Magenta (Tensorflow)&i class=&icon-external&&&/i&&/a& &/li&&li&深度学习库：&a href=&/?target=https%3A///tensorflow/magenta%23installation& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Magenta&i class=&icon-external&&&/i&&/a& &/li&&li&推荐课程：&a href=&/?target=http%3A//cilvr.cs.nyu.edu/doku.php%3Fid%3Dcourses%3Adeeplearning2016%3Astart& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Deep Learning (Spring 2016), CILVR Lab@NYU&i class=&icon-external&&&/i&&/a& &/li&&/ul&&li&深度学习在强化学习中的应用&/li&&ul&&li&参考博客和实战项目：&a href=&/?target=http%3A//karpathy.github.io//rl/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Deep Reinforcement Learning: Pong from Pixels&i class=&icon-external&&&/i&&/a& &/li&&li&深度学习库：没有需要的深度学习库，但是你需要 &a href=&/?target=https%3A///openai/gym%23installation& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&openAI gym&i class=&icon-external&&&/i&&/a& 来测试你的模型。&/li&&li&推荐课程：&a href=&/?target=http%3A//rll.berkeley.edu/deeprlcourse/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&CS294: Deep Reinforcement Learning&i class=&icon-external&&&/i&&/a& &/li&&/ul&&/ul&&p&&br&&/p&&p&&b&建议时间：1-2个月&/b&&/p&&h2&&b&步骤4：深挖深度学习&/b&&/h2&&p&现在你应该已经已经学会了基础的深度学习算法！但是前面的路程会更加艰苦。现在，你可以尽可能高效的利用这一新获得的技能。这里有一些技巧，你应该做的，可以磨炼你的技能。&/p&&ul&&li&重复上述步骤，选择不同的领域进行尝试。&/li&&li&深度学习在别的领域的应用。比如：&a href=&/?target=https%3A///pulse/survey-deep-learning-techniques-applied-trading-james-melenkevitz-phd& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&DL for trading&i class=&icon-external&&&/i&&/a&，&a href=&/?target=https%3A///blog/deepmind-ai-reduces-google-data-centre-cooling-bill-40/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&DL for optimizing energy efficiency&i class=&icon-external&&&/i&&/a&。&/li&&li&利用你学到的心技能去做点别的事，比如参考这个&a href=&/?target=https%3A///1613/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&网站&i class=&icon-external&&&/i&&/a&。&/li&&li&参加一些比赛，比如：&a href=&/?target=https%3A///competitions& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&kaggle&i class=&icon-external&&&/i&&/a&。&/li&&li&加入一些深度学习社区，比如：&a href=&/?target=https%3A///u/0/communities/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Google Group&i class=&icon-external&&&/i&&/a&，&a href=&/?target=https%3A///r/deeplearning/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&DL Subreddit&i class=&icon-external&&&/i&&/a&。&/li&&li&跟随一些研究人员，比如：&a href=&/?target=https%3A//www.re-work.co/events/deep-learning-sanfran-2016& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&RE.WORK DL Summit&i class=&icon-external&&&/i&&/a&。&/li&&/ul&&p&&b&建议时间：无限&/b&&/p&&p&值得推荐的资源：&/p&&ul&&li&&a href=&/?target=http%3A//www.deeplearningbook.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Complete Deep Learning book&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=http%3A//ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stanford UFLDL Turorial&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A//arxiv.org/abs/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Deep Learning in Neural Networks: An Overview&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A///ChristosChristofidis/awesome-deep-learning& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Awesome Deep Learning github repository&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&/?target=https%3A///What-are-your-recommendations-for-self-studying-machine-learning/answer/Yann-LeCun%3Fsrid%3DddVE& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Yann LeCun's recommendations for Deep Learning self-study&i class=&icon-external&&&/i&&/a&&/li&&/ul&&p&结语&/p&&p&希望这个学习路径可以帮到你。我已经尽力让它更加全面，现在你要做的，就是尽可能多的阅读和练习。想要获取神经网络的专业知识，请尝试深度学习的练习题：&a href=&/?target=https%3A///contest/practice-problem-identify-the-digits/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Identify the Digits&i class=&icon-external&&&/i&&/a&。&/p&&p&当你对深度学习的概念有一些了解之后，试一下&a href=&/?target=https%3A///contest/deep-learning-skilltest/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Skilltest: Deep Learning&i class=&icon-external&&&/i&&/a&。试着接受深度学习的观念。&/p&&p&好运！&/p&&p&—————————————————————————————————————&/p&&p&为了方便大家学习，我建立了一个Python交流群，目前群内已经有1615个小伙伴，学习寂寞的小伙伴不妨一起来玩~群号：&/p&
介绍深度学习目前已经成为了人工智能领域的突出话题。它在“计算机视觉”和游戏（AlphaGo）等领域的突出表现而闻名，甚至超越了人类的能力。近几年对深度学习的关注度也在不断上升，这里有一个可以参考。这里有一个 Google 的搜索趋势图：如果你对…
&p&目前看上去没有像样的手机端优化框架，本着对开源社区的热爱，所以就写了这个东西，大家用了觉得好我就很开心了，不敢说是地球上速度最快的占内存最少，开源软件里头也找不到第二个了，希望能做得更好 QvQ&/p&&p&PPL看起来很厉害，但是没有公开过，sdk库都没有，对开源社区和其他公司都很不友好，只能当PPT看了（摊手&/p&
目前看上去没有像样的手机端优化框架，本着对开源社区的热爱，所以就写了这个东西，大家用了觉得好我就很开心了，不敢说是地球上速度最快的占内存最少，开源软件里头也找不到第二个了，希望能做得更好 QvQPPL看起来很厉害，但是没有公开过，sdk库都没有，对…
&img src=&/v2-a2e56daccf20eb15c32571_b.jpg& data-rawwidth=&855& data-rawheight=&716& class=&origin_image zh-lightbox-thumb& width=&855& data-original=&/v2-a2e56daccf20eb15c32571_r.jpg&&&p&更新：如果你觉得这篇回答有意思，也许你对我最近的CVPR'17上发表的比较不同网络可解释性的工作也感兴趣（&a href=&/question//answer/& class=&internal&&CVPR 2017 有什么值得关注的亮点?&/a&）。&/p&&p&--------------------------------&/p&&p&这是个挺好的问题。AlexNet(&a href=&///?target=https%3A//papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&papers.nips.cc/paper/48&/span&&span class=&invisible&&24-imagenet-classification-with-deep-convolutional-neural-networks.pdf&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&), Network in Network(&a href=&///?target=https%3A//arxiv.org/pdf/.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/pdf/&/span&&span class=&invisible&&v3.pdf&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&), VGG(&a href=&///?target=https%3A//arxiv.org/pdf/.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/pdf/&/span&&span class=&invisible&&.pdf&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&), GoogLeNet(&a href=&///?target=http%3A//www.cv-foundation.org/openaccess/content_cvpr_2015/papers/Szegedy_Going_Deeper_With_2015_CVPR_paper.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&cv-foundation.org/opena&/span&&span class=&invisible&&ccess/content_cvpr_2015/papers/Szegedy_Going_Deeper_With_2015_CVPR_paper.pdf&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&), Resnet(&a href=&///?target=https%3A//arxiv.org/pdf/v1.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/pdf/&/span&&span class=&invisible&&5v1.pdf&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&)等CNN网络都是图片分类网络, 都是在imagenet上1.2 million数据训练出来的。由于从这些pretrained网络抽出来的deep feature有良好的generalization的能力，可以应用到其他不同的CV问题，而且比传统的hand-craft feature如SIFT，bag of word要好一大截，所以得到广泛应用。目前大部分的high-level vision相关的问题，都是利用基于CNN的方法了。花点时间去了解这几个核心分类网络的结构和发展，是挺有必要的。&/p&&p&一般来说，某CNN网络在imagenet上面的分类结果越好，其deep feature的generalization能力越强。最近出现蛮多论文，里面在benchmark上面的比较是自己方法的核心网络换成resnet，然后去比别人基于vgg或者alexnet的方法，自然要好不少。所以对于某个CV的问题，选一个优秀的核心网络作为基础，然后fine-tune, 已经是套路，这点从ResNet那篇论文的citation的增长就可以看出来。fine-tune的原因一是训练AlexNet等网络需要imagenet, places等million级别的数据，一般的CV任务都没有这么多数据。二是因为pre-trained model本身的feature已经足够generalizable，可以立刻应用到另外一个CV任务。&/p&&p&至于如何开发出新的CNN分类模型，这就需要积累训练CNN的经验和直觉，以及大量的计算资源来尝试不同的网络结构。一般的研究者和实验室很难负担得起。但如果能搞出个如ResNet一样的牛逼网络，瞬间Best Paper ；）, 这也是Kaiming师兄的厉害之处。这里有个八卦，去年Facebook AI Research里面Ross Girshick和Piotor Dollar等大牛带领几个research engineer&intern猛搞COCO challenge, 用上了DeepMask，MultiPath Network等黑科技，可惜最后还是败北于Kaiming领队的MSRA。原因是他们的核心网络还是基于VGG，而Kaiming放出大招ResNet。Resnet比起VGG单在imagenet上的分类结果就要好大概50%，这自然是没法比，甭管怎么个调参和前端如何好的object proposal，输得真是心服口服。这里值得一提的是，Kaiming能提出ResNet,不仅在于他对问题本身深入思考和灵敏的直觉（那篇Dark Channel paper真是直觉的直接体现），也在于他调CNN长期的积累，从spatial pyramid pooling, 到leaky relu, 再到resnet, 中间的确有三年多时间的投入。这里的后话是Kaiming加入FAIR, 跟Piotr Dollar坐到了一块。几个做high-level vision最牛逼的人都在FAIR里面了，很期待他们接下来强强联合会做出如何的研究工作。&/p&&p&最后我再梳理下这些网络之间的关系。我个人觉得这几个网络是这样演变而来的.&/p&&p&&b&AlexNet - & VGG&/b&: VGG可以看成是加深版本的AlexNet. 都是conv layer + FC layer.
&b&Network in Network -& GoogLeNet: &/b&NIN本身大家可能不太熟悉，但是我个人觉得是蛮不错的工作，Lin Min挺厉害。GoogLeNet这篇论文里面也对NIN大为赞赏。NIN利用Global average pooling去掉了FC layer, 大大减少了模型大小，本身的网络套网络的结构，也激发了后来的GoogLeNet里面的各种sub-network和inception结构的设计.
&b&ResNet：&/b&这个网络跟前面几个网络都不同。我清楚记得这篇论文是在去年年底我去开NIPS的时候release到arxiv上的。当时我开会间歇中看着论文里面在cifar上面的一千层的resnet都目瞪狗呆了。。。然后再看到ResNet刷出了imagenet和COCO各个比赛的冠军，当时就觉得如果这论文是投CVPR, 那是绝对没有争议的Best paper, 果不其然。好像resnet后来又有些争议，说resnet跟highway network很像啥的，或者跟RNN结构类似，但都不可动摇ResNet对Computer Vision的里程碑贡献。当然，训练这些网络，还有些非常重要的trick, 如dropout, batch normalization等也功不可没。等我有时间了可以再写写这些tricks。&/p&&p&再最后，这里潜在的一个问题是这些CNN网络都是在ImageNet上面1.2million数据训练出来的，很难分析是否数据源本身会对CNN造成影响。我和MIT的同事建立了一个10 million级别的场景分类数据库Places Database (&a href=&///?target=http%3A//places2.csail.mit.edu/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Places2: A Large-Scale Database for Scene Understanding&i class=&icon-external&&&/i&&/a&)。Places是除了imagenet另外一个可以train CNN from scratch的图片数据库，我们把Places数据和不同pre-trained Places-CNNs都提供下载了。这里我们还做了些有意思的实验，比如说合并imagenet和places的数据，训练hybrid net，其feature也有不同的performance和generalization, 具体见&a href=&///?target=https%3A///metalbubble/places365& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&GitHub - metalbubble/places365: The Places365-CNNs&i class=&icon-external&&&/i&&/a&和我们的arxiv论文（&a href=&///?target=http%3A//places.csail.mit.edu/places2_arxiv.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&places.csail.mit.edu/pl&/span&&span class=&invisible&&aces2_arxiv.pdf&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&）。我做了些CNN网络visualization的工作，看这些网络结构里面到底学到了什么东西，以及在物体为核心的Imagenet上和场景为核心的Places数据库上分别训练出来的结果是否不同，大家可以看看我之前的一篇ICLR'15 paper（&a href=&///?target=https%3A//arxiv.org/pdf/.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/pdf/&/span&&span class=&invisible&&.pdf&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&）。随着object centric task的饱和，我期待在scene understanding方向会有更好的模型和方法出现。&/p&
更新：如果你觉得这篇回答有意思，也许你对我最近的CVPR'17上发表的比较不同网络可解释性的工作也感兴趣（）。--------------------------------这是个挺好的问题。AlexNet(
如果天总也不亮，那就摸黑过生活; &br&如果发出声音是危险的，那就保持沉默; &br&如果自觉无力发光，那就别去照亮别人。 &br&但是，&br&不要习惯了黑暗就为黑暗辩护; &br&不要为自己的苟且而得意洋洋;&br&不要嘲讽那些比自己更勇敢、更有热量的人们。&br&可以卑微如尘土，不可扭曲如蛆虫。&br& ——季业&br&&br&人家十几岁的高三学生还知道质疑权威、维护自身权益，我看可比有些三十好几还在知乎上当情感kol拿自个儿那点价值观当普世真理的人有前途的多。&br&&br&真不知道白活的是谁。&br&&br&给题主：&br&将教师短信截图匿名投递给你校在线校长信箱（如果有的话）询问是否合理并暗示要进一步投诉至物价局和上级教育部门并联系媒体（建议以家长口吻）。&br&如无回应则直接原件转发这些相关部门。&br&费不了多少时间，也未必会有回应，但至少你会获得一个答案。“曾抗争过”这件事本身也依然会成为你一生受用的经历，它的价值早就超越了40块钱。&br&&br&当然，高三学生的时间确实很宝贵，所以我把投诉信帮你拟好了以供参考，祝好。&br&&br&“尊敬的校长您好：&br&我是贵校一名高三学生的家长，近日收到孩子班主任老师的通知，要集体购买住宿用床褥用品。在此感谢校方对学生生活的关心与爱护，但此前高一时学生们就曾已购买过该款床单，许多孩子反映其做工较为粗糙，影响睡眠。如今孩子升入高三，正值人生关键时刻，因此我们希望能给孩子自行选购床褥用品，保障休息质量。&br&然而，在询问了孩子的年级主任后，对方却表示此次购买行为是集体活动，必须参与！&br&（贴图）&br&这一答复令作为家长的我们难以接受，也显然违反了发改委与教育局联合发布的《关于规范中小学服务性收费和代收费管理有关问题的通知》。&br&因此，在向上级单位反映此事之前，特来向校长询问此事，此次强制购买行为是否属学校官方态度，又是否有合适的规定与理由支持。若确实存在误会，澄清之后我们作为家长一定全力支持学校和老师们的工作。&br&感谢您百忙之中抽空阅读，恳望回复。”&br&&br&&br&最后吐个槽：&br&&img src=&/v2-1fc5c7dade8c22c37e4f_b.jpg& data-rawwidth=&1080& data-rawheight=&200& class=&origin_image zh-lightbox-thumb& width=&1080& data-original=&/v2-1fc5c7dade8c22c37e4f_r.jpg&&真的笑死了，先不说别人是不是给不出这四十块钱，这“说过等于给过”的态度是什么鬼啦。
如果天总也不亮，那就摸黑过生活; 如果发出声音是危险的，那就保持沉默; 如果自觉无力发光，那就别去照亮别人。 但是， 不要习惯了黑暗就为黑暗辩护; 不要为自己的苟且而得意洋洋; 不要嘲讽那些比自己更勇敢、更有热量的人们。 可以卑微如尘土，不可扭曲如…
盖文王拘而演《周易》；
仲尼厄而作《春秋》；
屈原放逐，乃赋《离骚》；
左丘失明，厥有《国语》；
孙子膑脚，《兵法》修列；
不韦迁蜀，世传《吕览》；
韩非囚秦，《说难》《孤愤》；
《诗》三百篇，大抵圣贤发奋之所为作也。 &br&
——司马迁 报任安书
盖文王拘而演《周易》；
仲尼厄而作《春秋》；
屈原放逐，乃赋《离骚》；
左丘失明，厥有《国语》；
孙子膑脚，《兵法》修列；
不韦迁蜀，世传《吕览》；
韩非囚秦，《说难》《孤愤》；
《诗》三百篇，大抵圣贤发奋之所为作也。 ——司马迁 报任安书
&img src=&/50/0dee7274beed25bd4abbcd76cb7d9576_b.jpg& data-rawwidth=&990& data-rawheight=&300& class=&origin_image zh-lightbox-thumb& width=&990& data-original=&/50/0dee7274beed25bd4abbcd76cb7d9576_r.jpg&&&blockquote&哈哈哈！我们也是不谦虚，几个“业余水平”的网友，怎么就“零星”地把这件事给搞完了呢！&b&总之就是非常开心&/b&，废话不多说，进入正题吧！&/blockquote&&h2&CS231n简介&/h2&&p&CS231n的全称是&a href=&/?target=http%3A//vision.stanford.edu/teaching/cs231n/index.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&CS231n: Convolutional Neural Networks for Visual Recognition&i class=&icon-external&&&/i&&/a&，即&b&面向视觉识别的卷积神经网络&/b&。该课程是&a href=&/?target=http%3A//vision.stanford.edu/index.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&斯坦福大学计算机视觉实验室&i class=&icon-external&&&/i&&/a&推出的课程。需要注意的是，目前大家说CS231n，大都指的是2016年冬季学期（一月到三月）的最新版本。&/p&&p&&b&课程描述&/b&：请允许我们引用课程主页上的&b&官方描述&/b&如下。&/p&&blockquote&计算机视觉在社会中已经逐渐普及，并广泛运用于搜索检索、图像理解、手机应用、地图导航、医疗制药、无人机和无人驾驶汽车等领域。而这些应用的核心技术就是图像分类、图像定位和图像探测等视觉识别任务。近期神经网络（也就是“深度学习”）方法上的进展极大地提升了这些代表当前发展水平的视觉识别系统的性能。&br&&br&本课程将深入讲解深度学习框架的细节问题，聚焦面向视觉识别任务（尤其是图像分类任务）的端到端学习模型。在10周的课程中，学生们将会学习如何实现、训练和调试他们自己的神经网络，并建立起对计算机视觉领域的前沿研究方向的细节理解。最终的作业将包括训练一个有几百万参数的卷积神经网络，并将其应用到最大的图像分类数据库（ImageNet）上。我们将会聚焦于教授如何确定图像识别问题，学习算法（比如反向传播算法），对网络的训练和精细调整（fine-tuning）中的工程实践技巧，指导学生动手完成课程作业和最终的课程项目。本课程的大部分背景知识和素材都来源于&a href=&/?target=http%3A//image-net.org/challenges/LSVRC/2014/index& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&ImageNet Challenge&i class=&icon-external&&&/i&&/a&竞赛。&/blockquote&&p&&b&课程内容&/b&：官方课程安排及资源获取请点击&a href=&/?target=http%3A//vision.stanford.edu/teaching/cs231n/syllabus.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&这里&i class=&icon-external&&&/i&&/a&，课程视频请在Youtube上查看&a href=&/?target=https%3A///channel/UCPk8m_r6fkUSYmvgCBwq-sw& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Andrej Karpathy&i class=&icon-external&&&/i&&/a&创建的&a href=&/?target=https%3A///playlist%3Flist%3DPLkt2uSq6rBVctENoVBg1TpCC7OQi31AlC& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&播放列表&i class=&icon-external&&&/i&&/a&，也可私信我们获取云盘视频资源。通过查看官方课程表，我们可以看到：CS231n课程资源主要由&b&授课视频与PPT&/b&，&b&授课知识详解笔记&/b&和&b&课程作业&/b&三部分组成。其中：&/p&&ul&&li&&b&授课视频15课&/b&。每节课时约1小时左右，每节课一份PPT。&br&&/li&&li&&b&授课知识详解笔记共9份&/b&。光看课程视频是不够的，深入理解课程笔记才能比较扎实地学习到知识。&/li&&li&&b&课程作业3次&/b&。其中每次作业中又包含多个小作业，完成作业能确保对于课程关键知识的深入理解和实现。&/li&&li&&b&课程项目1个&/b&。这个更多是面向斯坦福的学生，组队实现课程项目。&/li&&li&&b&拓展阅读若干&/b&。课程推荐的拓展阅读大多是领域内的经典著作节选或论文，推荐想要深入学习的同学阅读。&/li&&/ul&&p&&b&课程评价&/b&：我们觉得赞！很多人都觉得赞！当然也有人觉得不好。具体如何，大家搜搜CS231n在网络，在知乎上的评价不就好了嘛！&b&个人认为&/b&：入门深度学习的&b&一门良心课&/b&。&b&适合绝大多数&/b&想要学习深度学习知识的人。&/p&&p&&b&课程不足&/b&：课程后期从RCNN开始就没有课程笔记。&/p&&br&&h2&课程学习方法&/h2&&p&三句话总结：&/p&&ul&&li&&b&看授课视频形成概念，发现个人感兴趣方向。&/b&&/li&&li&&b&读课程笔记理解细节，夯实工程实现的基础。&br&&/b&&/li&&li&&b&码课程作业实现算法，积累实验技巧与经验。&/b&&/li&&/ul&&p&引用一下学习金字塔的图，意思大家都懂的：&/p&&img src=&/e6c4d40df274b92602d83f_b.png& data-rawwidth=&519& data-rawheight=&423& class=&origin_image zh-lightbox-thumb& width=&519& data-original=&/e6c4d40df274b92602d83f_r.png&&&h2&我们的工作&/h2&&ul&&li&&b&完成了CS231n全部9篇课程知识详解笔记的翻译&/b&：&br&&/li&&/ul&&br&&p&原文：&a href=&/?target=http%3A//cs231n.github.io/python-numpy-tutorial& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&[python/numpy tutorial]&i class=&icon-external&&&/i&&/a&。&/p&&p&翻译：&a href=&/p/?refer=intelligentunit& class=&internal&&Python Numpy教程&/a&。&/p&&blockquote&&p&我们将使用Python编程语言来完成本课程的所有作业。Python是一门伟大的通用编程语言，在一些常用库（numpy, scipy, matplotlib）的帮助下，它又会变成一个强大的科学计算环境。我们期望你们中大多数人对于Python语言和Numpy库比较熟悉，而对于没有Python经验的同学，这篇教程可以帮助你们快速了解Python编程环境和如何使用Python作为科学计算工具。&/p&&/blockquote&&br&&p&原文：&a href=&/?target=http%3A//cs231n.github.io/classification& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&[image classification notes]&i class=&icon-external&&&/i&&/a&。&/p&&p&翻译：&a href=&/p/?refer=intelligentunit& class=&internal&&图像分类笔记（上）&/a&&a href=&/p/?refer=intelligentunit& class=&internal&&（下）&/a&。&/p&&blockquote&该笔记是一篇介绍性教程，面向非计算机视觉领域的同学。教程将向同学们介绍图像分类问题和数据驱动方法，内容列表：&br&&ul&&li&图像分类、数据驱动方法和流程&br&&/li&&li&Nearest Neighbor分类器&/li&&ul&&li&k-Nearest Neighbor &i&译者注：上篇翻译截止处&/i&&br&&/li&&/ul&&li&验证集、交叉验证集和超参数调参&br&&/li&&li&Nearest Neighbor的优劣&br&&/li&&li&小结&br&&/li&&li&小结：应用kNN实践&br&&/li&&li&拓展阅读&/li&&/ul&&/blockquote&&br&&p&原文：&a href=&/?target=http%3A//cs231n.github.io/linear-classify& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&[linear classification notes]&i class=&icon-external&&&/i&&/a&。&br&&/p&&p&翻译：线性分类笔记&a href=&/p/?refer=intelligentunit& class=&internal&&（上）&/a&&a href=&/p/?refer=intelligentunit& class=&internal&&（中）&/a&&a href=&/p/?refer=intelligentunit& class=&internal&&（下）&/a&。&/p&&blockquote&我们将要实现一种更强大的方法来解决图像分类问题，该方法可以自然地延伸到神经网络和卷积神经网络上。这种方法主要有两部分组成：一个是&b&评分函数（score function）&/b&，它是原始图像数据到类别分值的映射。另一个是&b&损失函数（loss function）&/b&，它是用来量化预测分类标签的得分与真实标签之间一致性的。该方法可转化为一个最优化问题，在最优化过程中，将通过更新评分函数的参数来最小化损失函数值。内容列表：&br&&ul&&li&线性分类器简介&/li&&li&线性评分函数&/li&&li&阐明线性分类器 &i&译者注：上篇翻译截止处&/i&&/li&&li&损失函数&/li&&ul&&li&多类SVM&/li&&li&Softmax分类器&/li&&li&SVM和Softmax的比较&/li&&/ul&&li&基于Web的可交互线性分类器原型&/li&&li&小结&/li&&/ul&&/blockquote&&br&&p&原文：&a href=&/?target=http%3A//cs231n.github.io/optimization-1& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&[optimization notes]&i class=&icon-external&&&/i&&/a&。&br&&/p&&p&翻译：最优化笔记&a href=&/p/?refer=intelligentunit& class=&internal&&（上）&/a&&a href=&/p/?refer=intelligentunit& class=&internal&&（下）&/a&。&/p&&blockquote&该笔记介绍了图像分类任务的第三个关键部分：最优化。内容列表如下：&br&&ul&&li&简介&br&&/li&&li&损失函数可视化&/li&&li&最优化&/li&&ul&&li&策略#1：随机搜索&/li&&li&策略#2：随机局部搜索&/li&&li&策略#3：跟随梯度 &i&译者注：上篇截止处&/i&&/li&&/ul&&li&梯度计算&/li&&ul&&li&使用有限差值进行数值计算&/li&&li&微分计算梯度&/li&&/ul&&li&梯度下降&/li&&li&小结&/li&&/ul&&/blockquote&&br&&p&原文：&a href=&/?target=http%3A//cs231n.github.io/optimization-2& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&[backprop notes]&i class=&icon-external&&&/i&&/a&。&/p&&br&&p&翻译：&a href=&/p/?refer=intelligentunit& class=&internal&&反向传播笔记&/a&。&/p&&blockquote&该笔记本将帮助读者&b&对反向传播形成直观而专业的理解&/b&。反向传播是利用链式法则递归计算表达式的梯度的方法。理解反向传播过程及其精妙之处，对于理解、实现、设计和调试神经网络非常关键。内容里列表如下：&br&&ul&&li&简介&/li&&li&简单表达式和理解梯度&/li&&li&复合表达式，链式法则，反向传播&/li&&li&直观理解反向传播&/li&&li&模块：Sigmoid例子&/li&&li&反向传播实践：分段计算&/li&&li&回传流中的模式&/li&&li&用户向量化操作的梯度&/li&&li&小结&/li&&/ul&&/blockquote&&br&&p&原文：&a href=&/?target=http%3A//cs231n.github.io/neural-networks-1/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Neural Nets notes 1&i class=&icon-external&&&/i&&/a&。&/p&&p&翻译：神经网络笔记1&a href=&/p/?refer=intelligentunit& class=&internal&&（上）&/a&&a href=&/p/?refer=intelligentunit& class=&internal&&（下）&/a&。&/p&&blockquote&该笔记介绍了神经网络的建模与结构，内容列表如下：&br&&ul&&li&不用大脑做类比的快速简介&/li&&li&单个神经元建模&ul&&li&生物动机和连接&/li&&li&作为线性分类器的单个神经元&/li&&li&常用的激活函数 &/li&&/ul&&/li&&li&神经网络结构&ul&&li&层组织&/li&&li&前向传播计算例子&/li&&li&表达能力&/li&&li&设置层的数量和尺寸&/li&&/ul&&/li&&li&小节&/li&&li&参考文献&/li&&/ul&&/blockquote&&br&&p&原文：&a href=&/?target=http%3A//cs231n.github.io/neural-networks-2/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Neural Nets notes 2&i class=&icon-external&&&/i&&/a&。&/p&&p&翻译：&a href=&/p/?refer=intelligentunit& class=&internal&&神经网络笔记2&/a&。&/p&&blockquote&该笔记介绍了数据的预处理，正则化和损失函数，内容列表如下：&br&&ul&&li&设置数据和模型&ul&&li&数据预处理&/li&&li&权重初始化&/li&&li&批量归一化（Batch Normalization）&/li&&li&正则化（L2/L1/Maxnorm/Dropout）&/li&&/ul&&/li&&li&损失函数&/li&&li&小结&/li&&/ul&&/blockquote&&br&&p&原文：&a href=&/?target=http%3A//cs231n.github.io/neural-networks-3/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Neural Nets notes 3&i class=&icon-external&&&/i&&/a&。&/p&&p&翻译：神经网络笔记3&a href=&/p/?refer=intelligentunit& class=&internal&&（上）&/a&&a href=&/p/?refer=intelligentunit& class=&internal&&（下）&/a&。&/p&&blockquote&&p&该笔记讲解了神经网络的动态部分，即神经网络学习参数和搜索最优超参数的过程。内容列表如下：&br&&/p&&li&梯度检查&/li&&li&合理性（Sanity）检查&/li&&li&检查学习过程&ul&&li&损失函数&/li&&li&训练集与验证集准确率&/li&&li&权重：更新比例&/li&&li&每层的激活数据与梯度分布&/li&&li&可视化 &i&译者注：上篇翻译截止处&/i&&/li&&/ul&&/li&&li&参数更新&ul&&li&一阶（随机梯度下降）方法，动量方法，Nesterov动量方法&/li&&li&学习率退火&/li&&li&二阶方法&/li&&li&逐参数适应学习率方法（Adagrad，RMSProp）&/li&&/ul&&/li&&li&超参数调优&/li&&li&评价&ul&&li&模型集成&/li&&/ul&&/li&&li&总结&/li&&li&拓展引用&/li&&/blockquote&&br&&br&&p&原文：&a href=&/?target=http%3A//cs231n.github.io/convolutional-networks/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&ConvNet notes&i class=&icon-external&&&/i&&/a&。&/p&&p&翻译：&a href=&/p/?refer=intelligentunit& class=&internal&&卷积神经网络笔记&/a&。&/p&&blockquote&&p&内容列表：&/p&&ul&&li&&b&结构概述&/b&&/li&&li&&b&用来构建卷积神经网络的各种层&/b&&br&&ul&&li&卷积层&/li&&li&汇聚层&/li&&li&归一化层&/li&&li&全连接层&/li&&li&将全连接层转化成卷积层&/li&&/ul&&/li&&li&&b&卷积神经网络的结构&/b&&ul&&li&层的排列规律&/li&&li&层的尺寸设置规律&/li&&li&案例学习（LeNet / AlexNet / ZFNet / GoogLeNet / VGGNet）&/li&&li&计算上的考量&/li&&/ul&&/li&&li&&b&拓展资源&/b&&/li&&/ul&&/blockquote&&br&&ul&&li&&b&完成了3个课程作业页面的翻译&/b&：&br&&/li&&/ul&&p&原文：&a href=&/?target=http%3A//cs231n.github.io/assignments2016/assignment1/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&[Assignment #1]&i class=&icon-external&&&/i&&/a&。&br&&/p&&p&翻译：&a href=&/p/?refer=intelligentunit& class=&internal&&CS231n课程作业#1简介&/a&。&/p&&blockquote&作业内容：实现k-NN，SVM分类器，Softmax分类器和两层神经网络，实践一个简单的图像分类流程。&/blockquote&&br&&p&原文：&a href=&/?target=http%3A//cs231n.github.io/assignments2016/assignment2/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&[Assignment #2]&i class=&icon-external&&&/i&&/a&。&br&&/p&&p&翻译：&a href=&/p/?refer=intelligentunit& class=&internal&&CS231n课程作业#2简介&/a&。&/p&&blockquote&作业内容：练习编写反向传播代码，训练神经网络和卷积神经网络。&/blockquote&&br&&p&原文：&a href=&/?target=http%3A//cs231n.github.io/assignments2016/assignment3/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&[Assignment #3]&i class=&icon-external&&&/i&&/a&。&br&&/p&&p&翻译：&a href=&/p/?refer=intelligentunit& class=&internal&&CS231n课程作业#3简介&/a&。&/p&&blockquote&作业内容：实现循环网络，并将其应用于在微软的COCO数据库上进行图像标注。实现DeepDream等有趣应用。&/blockquote&&br&&ul&&li&&b&帮助知友&a href=&/people/60900fcb4f6a75c9f6b6& data-hash=&60900fcb4f6a75c9f6b6& class=&member_mention& data-title=&@智靖远& data-editable=&true& data-hovercard=&p$b$60900fcb4f6a75c9f6b6&&@智靖远&/a&发起了在Youtube上合力翻译课程字幕的倡议&/b&：&/li&&/ul&&p&原文：&a href=&/p/?refer=intelligentunit& class=&internal&&知友智靖远关于CS231n课程字幕翻译的倡议&/a&。当时，&a href=&/people/60900fcb4f6a75c9f6b6& data-hash=&60900fcb4f6a75c9f6b6& class=&member_mention& data-title=&@智靖远& data-editable=&true& data-hovercard=&p$b$60900fcb4f6a75c9f6b6&&@智靖远&/a&已经贡献了他对第一课字幕的翻译，目前这个翻译项目仍在进行中，欢迎各位知友积极参与。具体操作方式在倡议原文中有，请大家点击查看。&/p&&p&有很多知友私信我们，询问为何不做字幕。现在统一答复：&b&请大家积极参加&a href=&/people/60900fcb4f6a75c9f6b6& data-hash=&60900fcb4f6a75c9f6b6& class=&member_mention& data-title=&@智靖远& data-editable=&true& data-hovercard=&p$b$60900fcb4f6a75c9f6b6&&@智靖远&/a&的字幕翻译项目。&/b&他先进行的字幕贡献与翻译，我们&b&不能夺人之美&/b&。&b&后续，我们也会向该翻译项目进行贡献&/b&。&/p&&h2&翻译团队&/h2&&p&CS231n课程笔记的翻译，始于&a href=&/people/928affb05b0b70a2c12e109d63b6bae5& data-hash=&928affb05b0b70a