股票

哈哈，这个意思是期货公司和机构花那么多钱搞调研有个锤子用一样的道理[捂嘴][捂嘴] 回复

我叠个千纸鹤，再叠个千纸鹤 回复

厉害了我的姐[笑哭] 回复

一般的散户包括大户也都没有交割资格，即使盘面偏离现货到期也只有被宰割，分析恁多有啥用？何况听到看到的信息不见得是真实的 回复

马老师你好，工业硅421比553现货一般贵1500，但是交割升水2000，这种现象正常吗？还是说后期用421交割多了。这种现象会修复？ 回复

有一年期末考试前 一只萌萌哒男孩子跟我说 “期末要考好多分才能总分及格哦” （因为总评成绩包含期末成绩和平时成绩） 我点点头说对呀 他一脸惊悚的看着我说 “我是说要考好多分啊！！！！” 我疑惑的重复了一遍 “是啊？！” …… …… …… 一个路过的女生说 “老师他是问你卷面至少要考多少分？” 回复

开学第一天，寝室打扫卫生，室友字正腔圆的跟我说：你墩一下墩布。我蹲下了并开始思索墩布是不是我的新昵称…… 回复

念大学的时候 有一次和外地同学一起吃饭，隔壁桌小姐姐一直打电话说着什么：“我周末不回去了，回去挨艹，我爹整天艹我……” 当时外地同学一脸懵逼 喊我听那小姐姐打电话，我很纳闷为什么要大惊小怪？ 后来反应过来，昆明方言的cao（念“操”）=“嘈” 意思是骂，“嘈”人=骂人，“嘈”我=骂我，被“嘈”了=被骂了 emmm 回复

有个非常尴尬的事情 我是青海人，然后大学在南方 我呢，是牧区长大的，早上喝牛奶是习惯 但是我们这边方言里习惯把牛奶直接叫奶子 可我上大学时，并没有意识到把牛奶叫奶子是青海的方言，毕竟西北五省基本上都是这么个叫法 直到我上大学在学校超市买牛奶 我那天还可开心了，拿了两袋牛奶，走到柜台，小姐姐，两个奶子多少钱（两袋牛奶） 超市小姐姐一脸惊恐的看着我，喧闹的柜台瞬间陷入死一般的寂静，后面的男生还轻轻来了一句卧槽 然而我并没有反应过来，看她一脸懵逼看着我，我还加重语气继续问 小姐姐，这两个奶子多少，五块嘛六块？ 小姐姐直接后退双手抱住自己的胸 我瞬间反应过来，立马举起手里的牛奶，普通话说，哦哦哦哦，不是不是，那个啥，额，这两袋牛奶多少钱 我当时已经羞愧难当了，然而让我更羞愧的是，我背后的女生点了点我的肩膀说 同学，这两袋。。。奶子，6块钱 听得出，她是憋着笑的 但是 敲里嘛！你为什么要在奶子那个字那里停顿啊！ 我款都没付，扔下两袋奶子就跑了 后来校园里流传着有男生看上了超市小姐姐，爱而不得，某天气急，直接上手摸了小姐姐奶子 我踏马直到毕业都没敢在那个小姐姐面前出现过，解释的机会都没有 ——————————分割线———————— 因为奶子还有个záo事儿俩 我宿舍限电嘛就偷偷买了个小功率的煮奶锅，然后那会儿刚大一呗，下午没课宿舍窝哈打游戏摘 猛的想起来我头天买的奶子没喝，然后就把锅拿出来把奶子直接放进去热上了 我打游戏特别忙嘛，就没顾上看，然后和我顶头睡得的哥们儿正好回来，我头也没回就直接给他说 “xx，你摸着看一挂我那个奶子热了没，我这儿忙得顾不上了” 他是本地人撒，然后一听我说话，他直接楞掉了 我听他没反应，我就又说了一遍:“我说，你帮我摸一下那个奶子热了没” 我室友一脸懵逼:“摸。。摸一下吗” 然后对面那个狙就很烦，我就回他:“废话你不摸一下光看着知道热了嘛没热嘛”（这里的口语表达方式也是典型的青普） 这个时候我还没有意识到事情的严重性 就在我已经不耐烦觉得这个室友怎么愣头愣脑的，看一下奶子热了没，半天不球去看，在我还是自己看去的时候 我的右胸，被一只颤抖的、温暖的大手覆盖了上去 我吓了一大跳，直接把那只手一把打掉，我缩着肩膀惊恐的抬头，看到我室友战战兢兢的脸，然后我就骂了:“日尼玛你摸我胸干撒卧槽” 然后我室友支棱着被我打开的手，满眼惊恐，嗫嚅着嘴唇吐出几个字:“奶子，热的” 我踏马 http://picx.zhimg.com/50/v2-07036afab7beb571c515eb030155ab97_720w.jpg?source=1940ef5c 回复

不是我，是我某个武汉室友。武汉方言中“过早”就是吃早饭的意思，我的武汉室友以为“过早”就是个普通话，而我在没有了解武汉方言前，就觉得“过早”是“太早”、“很早”这一类的意思。 某天早上我们本来打算在寝室里用小蒸锅偷偷蒸红薯吃。可是整个寝室都起晚了，上午还有课，再用小蒸锅估计是来不及了，于是那个武汉室友说：起晚了，出去过早吧？ 我们面面相觑，都起晚了，再出去怎么会太早了呢？ 我用我强大的脑补能力歪曲了我武汉室友的本意，我以为她的意思是：现在太晚了，用小蒸锅来不及了，但是直接出去也太早了。 于是我：那就慢慢来，晚点再出去。 别的室友也点点头，对我表示赞同。只有武汉室友一脸懵逼地看着我们。 但是！！！误会没有解开，武汉室友没有意识到我是歪曲了她的意思才说出那种话的，她觉得我就是自己觉得现在出去“过早”实在是“过早”了，才会说晚点出去。 又过了几天，我们寝室又集体起晚了，那天的课还是早八，每个人都急匆匆的。武汉室友边整理书包边说，“太晚了，你们还过早吗？” 我们：？？？ 我用我强大的脑补能力又一次歪曲了我武汉室友的本意，我以为她的意思是：你们觉得时间还很早吗，动作快点啊！ 我：已经尽力快了！ 武汉室友：估计来不及了，别过早了。 我无法再用我强大的脑补能力去歪曲这种话的含义，但是时间紧迫，我们没有对这个问题深究。 误会就这样解开了吗？ 没有。因为我们不约而同地觉得那个时间段再“过早”实在“过晚”了，经过食堂的时候都没打算去“过早”，所以武汉室友觉得我们理解了她“别过早了”这句话的含义。 那天晚上，武汉室友说：今天早点睡，不然明天又不能过早了。 我终于意识到武汉室友的“过早”和我理解的“过早”不是同一个意思了，于是我：你们的“过”是什么意思啊，我一直以为你说“过早”是“太早”、“too early”的意思，所以是什么意思啊？时间刚刚好的意思吗？ （ps.用“too early”是怕武汉室友所理解的“太”和我所理解的也不一样） 武汉室友一脸震惊地看着我，说：过早就是...就是...就是...“have breakfast”的意思啊！ 我现在依旧想感慨，我们两个到大四都没过六级的英语废材当年居然是用英文解开误会的。 后来我觉得那段经历实在太好笑了，也开始用“过早”这个词汇了，回到家里，也经历了同样的尴尬：9点多才起床的我冲出房门，对着爸妈大喊：“过早啦！过早啦！”我妈黑着脸瞪着我，“9点多了，还早呢？！” 回复

现在很多的专家，不知民间疾苦。 节后这段时间，估计很多人都蠢蠢欲动，准备跳槽了。 拿到年终奖的，已经开始在更新简历。 嘴巴囔囔着想走的，如果还没开始更新简历，大概率是他们公司的年终奖延后了。 你看，对于一个想跳槽的人来说，年终奖是决定哪时候走的一个重要因素。 其实这是废话，自己辛辛苦苦做了一年，这笔钱是自己应得的不是？ 那么回到专家所谓的“年轻时不应该为钱换工作”，这个逻辑一样行得通。 明明都是做一样事情，月工资5000和10000，你会怎么选？ 但凡有点脑子的人，都会选后者。 当然，这只是一个很片面的选择题，实际情况还得看公司的福利待遇、规模，长期待在这是否符合自己的职业规划等等。 至于辛不辛苦、喜不喜欢？ 我觉得有朋友说的对，只要你给我更高的工资，再辛苦、再不喜欢的工作，我也能把他变成我喜欢、热爱的工作。 所以你看专家说的那些上价值的话，其实根本不符合现在打工人的心里诉求。 这也难怪网上一直有着“建议专家不要专家”的言辞了。 再这样搞下去，专家这个词都要被误会了，以为是某个搞笑的梗，或者是不好的称呼。 到了未来，估计你称呼别人专家，搞不好还被臭骂一顿，说你阴阳他。 回复

这是什么话呀，一派胡言。 专家们叫你们不要为钱工作，他自己就挖空心思，绞尽脑汁，拼命挣钱，赚得盆满钵满。 回复

当下青年人选工作的时候最应该看重的是--它是否掏空了你的精力和时间，你在做这份工作的同时是否还有余力去经营自己的生活。 工作只是生活的一部分，我们首先得是一个人，其次才是一个员工。既然是人，那就必须有自己真正喜欢做的事，有闲情逸致，有思考的时间和空间，而不是像一个零件、一个工具一样全天候运转，为了某项不属于自己的事业而燃烧。 如果一份工作需要你投入全部心思，活成一个24K纯职员，那么无论是喜欢的工作还是挣钱的工作，都不应该选。 挣钱的工作，以当今世界的贫富参差，能让你成为人上人，跨越阶级、改变人生么？不能。只能让你年轻时候多受点罪，然后一部分钱交给老板，一部分钱交给房地产商和医院，最后一部分用来养家糊口，最后发现自己辛苦、痛苦了一辈子，啥都没享受到。 喜欢的工作，我就实话实说了，既然是工作，那就不可能喜欢，除非你是个人小说家什么的，而且得是那种不在乎挣钱、无所谓成绩的。因为我们工作的绝大部分情况，都不可能让你按照自己的想法、意愿、审美来，你得服从领导上级、考虑客户需求、考虑市场、考虑政策、考虑自己在团队中的位置、考虑风口、考虑环境，如果能够“尽量不为了钱去做违背自己三观的事”都已经算三生有幸了。在工作中做自己喜欢的事，对大部分人来说都是天方夜谭。 但如果我们从事的工作是我们非常厌恶的，那这份工作对我们的损耗就会很大。所以最好是找那种自己不怎么讨厌、也不算多喜欢的工作，拿兴趣爱好当工作的话会毁了你对这份兴趣爱好的热爱。 不累心、不对个人情绪产生过多负面影响、不完全占据个人时间和精力，让你在满足生存需求之后能有余力满足生活需求的，才是真正适合年轻人的好工作。 回复

我昨天在这个新闻相关的问题下也说了，现在的专家出来发表关于年轻人的话题，大多数时候，都是两个下场。 不管是是被断章取义，还是真的“蠢”，最后一定会被各路媒体大肆传播，吃到一波骂专家“何不食肉糜”“建议砖家不要建议”的流量。 要么就是因为专家的建议太过于正确而无用，从而被喷，“如果没话说，可以不说”“媒体没新闻，可以不报道”。 我觉得，现在各路专家对于年轻人未来的建议，之所以会这样，并不全是专家们太蠢，或者脱离群众太久。 而是因为，现在的年轻人，本来就没什么选择，很多时候，你以为你在打牌，有获胜的希望。 但是，你却始终没有注意到，你们打的都是明牌，你能看得到别人的牌，别人也能看到你的牌，你们的牌都一样烂，不可能有王炸，也不能有2和A，大概率连JQK都捞不到几张。 一群人，你一个3，我一个4，他一个5的出着，偶尔有人打出一个对9都能让人羡慕嫉妒恨，咬牙切齿半天。 就在这种局面下，你给我一堆，打牌时应该如何合理分配和使用大小王，A和2的建议。 要么就是跟我说，别总盯着手里的那个对9，多想办法搞到王炸去赢者通吃！ 你猜我会怎么看你？ 但是，对于专家而言，他们也很难给出，你如何才能在都是一手烂牌的情况下成功突围。 你拿什么牌，就只能打什么局，当你想要赢一把高端局的时候，你只能祈祷，这个局，手里有王炸的人没来，或者来了，但打牌的时候故意放你一马。 回复

我前两天看知乎某大v的一个答案被夹，于是想起来我以前的行当，就“有机合成研究员”这个职位。随便找了个找工作网站看了看现价，哦，天津开发区一个月1-1.5w，XXX公司本科就行，XXXX公司本科不要。 然后我想了想我现在的工作强度和危险程度，再想了想当年的工作强度和危险程度，现在大约是过去的三分之一，薪水差不多？受体制内公积金所限到手不好看。 可转头一想，1-1.5w真的多吗？燃烧生命换取立锥之地罢了。 假如我一直在那个行当做下去，10年的工作经验如果能走上管理道路应该可以拿更多的钱，但是身体能在无尽的996中撑住吗？有机合成的危险一个是无知，一个是疲劳。996会严重放大疲劳这一弱点，别的职业过度疲劳要命是自身疾病，这个职业可能就是忘了倒碱性废液缸，人没了。 据我所听过的故事，XXX公司草创期的工作时间，是很bt的早8晚8一周无缝切换晚8早8再一周，现在公司大到几千人规模却很多还是996，离职率高到不行。 可是， 这样的工作能感知青春吗？不能，每天累的要死。 这样的工作算是为钱选择工作吗？不是，做多了会怀疑为什么18岁的那个夏天会写下化学二字。 这样的工作快乐吗？不会，push随处可见，压力山大。 这样的工作能满足理想吗？别做梦了，工作单位还是郊区和农村，城市谁让你进啊？ 所以转行的人非常多，而且不巧的是，转行之后发现，钱多了，事少了，空气香甜了。以前做的职业规划，到今天再看就是个笑话。 “年青受贫不叫贫，老来受贫贫死人”？我这行50多岁英年早逝的还少吗？再喜欢，该放弃也得放弃，选择安逸的人生，赚取安心的薪水，这才是世事洞明皆学问，人情练达即文章啊。 回复

其实米尼汉不是第一个发表中美要爆发战争的美国高官，在此之前，已经有许多美官员、军人和智库发表这方面的言论，这哥们只不过是更加露骨而已，然后美政府再假惺惺地出面否认。 以后也难免继续出现美国这种唱双簧的把戏，习惯就好。 当然，中国也不会被任何人带了节奏，但也绝不会因为一句简单的澄清而轻信美国人的善意。 http://pic1.zhimg.com/v2-d9fb1fc02e7c7c77f1a3c938e387fe03_r.jpg?source=1940ef5c 近几年来，美国人的行为暴露了他们对中国的敌意，他们的目标很明确，就是打败中国，无论是冷战还是热战，其他不同的表态只不过是暂时需要而已。 所以，中美关系比中国男zu还差，对此抱有幻想是十分危险的。 去年12月16日，由国务卿布林肯主持设立中国事务协调办公室（中国组）。同一天，美国参众两院两位议员联手提出新法案《保护台w与国家韧性法》，反制大陆攻台。 目前反华已经成了美国政坛的政治正确，是民主党和共和党之间难得达成高度共识的地方，甚至两方都担心被对方指责自己对华软弱，因此反华力度越大越受欢迎。 1月10日，最难产美国众议院议长麦卡锡就任后，两党罕见达成共识，同意在参议院成立美中战略竞争特别委员会，应对所谓的中国对美国的威胁问题。如果是在过去，两党肯定要干一仗，这就是所谓的修昔底德陷阱。 http://pica.zhimg.com/v2-1848a412e506a7b63b6b7a4852d08eec_r.jpg?source=1940ef5c 在军事上，特别是民主党失去众议院的控制权，如何在党争中保持高额军费预算已经成为美国军方高层的工作重点。中美在台海、半岛、南海等发向上产生军事摩擦而爆发战争的危险系数进一步增加。 但目前两个国家都具有把对方毁灭的能力，常规战美国在西太平洋也已经没有胜算，军事上较为谨慎，不过并不代表不会发生。所以现在的中美关系，除了没直接兵戎相见之外，其他领域早已经大打出手了。特别是美国，在包括经济等各方面早已经不择手段。 美方称之为竞争。 但中美间的这种竞争实质上是体系之争，是对产业控制力之争，也是人类未来大蛋糕分配权的竞争。 http://picx.zhimg.com/v2-0332bfea8aafdf37161f8f88ca1f39f0_r.jpg?source=1940ef5c （图文无关、纯碎凑数，爽一把就好） 所以中美之间的对抗是战略性的，矛盾无法调和的，只会升级不会缓和。如果有缓和一定战术性的中场休息，为了下一轮更激烈的对抗。 除非美国放弃霸权主义，或者我们自愿放弃伟大的复兴，很显然这两条无法实现。因此坚决剔除不切实际的幻想，尽快发展壮大、提前做好应对准备为上策。 回复

如果把美国政客的日常口嗨当真，那某东方大国早就被某西方大国为首的资本主义势力给拖垮了，苏联当年怎么跨的，大家心知肚明。 刘某一直秉持一个观点，民众可以在规则允许的范围内【言论自由】，但作为一名成熟的政客，你代表着国家的态度和形象，是要为自己的言负责的。 http://pica.zhimg.com/v2-8ac6d71496192d70803a95a0eab05081_r.jpg?source=1940ef5c 别的国家咱暂且不论，在某东方大国，这个级别的政客要是敢说这种话，那一定程度上表明是真打算干这事了。 从这个方面来看，某西方大国的言论是真“自由”。 不过，虽然刘某认为这个所谓的四星上将实在口嗨，但对于近4年内战争爆发的可能性，本人还是持保留态度，无他，二战后形成的世界秩序已经不足以支撑现如今国际格局了。 撇开这个四星上将的言论不谈，刘某建议大家了解一下另一个人的观点。 http://pica.zhimg.com/v2-eff5854f8d19a8c96b372ec10c487c53_r.jpg?source=1940ef5c 这个人叫雷·达里奥，简单介绍一下这个人： 全球最大对冲基金——桥水基金的创始人； 曾经被《时代》杂志评为“世界上最具影响力100人” 福布斯富豪排行榜前100位。但看这些似乎这人没啥好讨论的，但我们再了解一下他的一些观点： 2007年，他预测到美国即将爆发金融危机，并亲自走访白宫，警告美国会迎来一场可怕的信贷危机。但被当时繁荣景象冲昏头脑的政客并没理他，结果，2008年美国爆发了严重的次贷危机，就在华尔街投资人集体跳楼的时候，达里奥的桥水基金却逆市上扬，创造了9.5%的正收益。 2022年，桥水基金正确预测了美国的高通胀局势，并在美股大幅杀跌的背景下，2022年前7个月录得14%的收益率，大幅跑赢竞争对手。所以，他的预测还是很有借鉴意义的。 好，介绍完这个人，我们再来谈一谈他在去年11月份发表的一篇文章：《不断变化的世界秩序，正在接近第6阶段——战争阶段》。 文章指出，世界秩序的建立、毁灭与重构，可以分为6个阶段： 1.旧的体系和既得利益者被消灭，资源被再分配，带来的是贫富差距和社会冲突的缩小； 2.新的秩序主导者，将建立全新的全球资源分配体系； 3.新的秩序主导者，带领世界进入和平与繁荣的时期； 4.发达资本主义国家将愈加依赖债务支持经济增长和社会发展； 5.发达资本主义国家的债务达到临界点后爆发，产生经融危机，贫富差距迅速扩大，各类矛盾进一步激化； 6.旧秩序的资源分配和秩序无法满足现有格局，各类矛盾不可调和，最终爆发战争，战争结束后轮回到阶段1。 这篇文章光看着干巴巴的，我们结合二战后的世界秩序来聊一聊： 1.二战后，以美、苏为战胜德意日法西斯，重新建立秩序； 2.美苏争霸形成东西冷战局面，随后随着苏联解体，世界进入美国主导建立的秩序和分配体系中； 3.上世纪50-90年代，日本在美国帮助下经济飞速发展；上世纪40年代末开始，战后摧残后的欧洲在美国【马歇尔计划】的帮助下成功复兴； 4.2008年以美国为中心爆发的经融危机、10年欧洲债务危机； 5.2022年美联储加息印钱、美国政府债务上限、全球高通胀； 6.目前看来无法缓和的矛盾问题：俄乌冲突、巴尔干半岛局势，伴随全球通胀、气候危机、新冠疫情..... 唉，山雨欲来风满楼啊。 就目前情况看，俄乌先炸了并且短期内结束不了，下一个估计是巴尔干半岛，中东那一片就没消停过，东亚的朝鲜半岛、台海、克什米尔地区这三个点也愈发不稳定。 风云变幻波谲云诡之际，作为以某西方大国为首的西方资本主义势力的头号臆想敌，某东方大国又岂能置身事外？ 只要机会足够好、利益足够大，该发生的事肯定会发生，或许是这个四星上将说的2024年的美台大选、或是俄乌出结果，谁知道呢？ http://pic1.zhimg.com/v2-615e310e5fdcb4986fb44c983ef48aef_r.jpg?source=1940ef5c 图文无关，纯属自嗨，不要介意。 回复

2023年都还有美军高级将领认为可以在第一岛链战胜中国，你们每一位高华都有责任。 届时要在集中营里好好反思一下。 回复

我不认为中美在2025年就能完成脱钩，但打是迟早要打的，只要美利坚帝国不想慢性死亡，就迟早要和中国打一仗。 回复

日本网民评论：美国上将称中美可能在2025开战，要求部队做好准备 米軍幹部「2025年には中国と戦う可能性がある。それに備えよ」 1 黒トラ(愛知県) 2023/01/28(土) 15:33:05.17ID:98MdimcX0●?PLT(21003) 2025年にも中国と衝突 米軍幹部 米空軍航空機動軍団司令官のマイクミニハン大将は、おそらく台湾をめぐって早ければ2025年にも米国は中国と衝突する可能性があると警告し、年内に最大限の戦闘態勢を整えるよう部下に指示した。27日に内部メモがソーシャルメディアに流出した。 ミニハン氏は「私の直感では、２５年に戦うことになると思う」と指摘。 https://www.afpbb.com/articles/-/3448875美军干部「2025年将会和中国发生冲突」 美国空军航空机动军团司令迈克·米尼汉大将警告说，2025年美国关于台湾问题，有可能与中国发生冲突，部下在年内做好最大限度的战斗准备。27日内部备忘录被发布到到社交媒体上。 米尼汉指出「根据我的直觉，我觉得2025年会开战」。 http://picx.zhimg.com/v2-9be466e3ab6fbb933e109ebb44b41821_r.jpg?source=1940ef5c 2 シンガプーラ(東京都) 2023/01/29(日) 04:00:43.30ID:LJ/Gj6ES0 始まったな开始了啊 3 ギコ(ジパング) 2023/01/29(日) 04:01:04.04ID:TkPDrFvu0 なんで期限つきなの？为什么有期限？ 4 ペルシャ(熊本県) 2023/01/29(日) 04:07:15.88ID:JTtMMV6H0 戦争にならないなら自分とこでぶっぱなすんだろうｗ ロシアのアレもオバマのときからだってな如果没开战的话就会自己搞事吧w 俄罗斯的那些也是从奥巴马就开始的 5 チーター(SB-iPhone) 2023/01/29(日) 04:09:14.36ID:ZwD84H0b0 単独で中国に勝てなくなったアメリカは アジアに戦争を持ち込むな 日本を代理戦争の舞台にするな 日本に頼る弱いアメリカなら即刻同盟破棄だ出て行け それならこれからはアメポチやめて中国に譲歩するわ あと日本人を殺したい壺も消えろ不能单独战胜中国的美国 不要把战争带入亚洲啊 也不要让日本成为代理战争的舞台 如果美国是要依赖日本的很弱的国家的话，应该立即撕毁同盟赶他们出去 之后就不当美国走狗，向中国让步吧 还有想让日本人死的壶(统一教)也全部干掉吧 6 ヤマネコ(ジパング) 2023/01/29(日) 04:09:33.18ID:8XpdvS9M0 遅い、今年やれ太晚了，今年就干吧 11 コラット(SB-Android) 2023/01/29(日) 04:13:33.15ID:FuVHEp9e0?PLT(13001) 台湾はウクライナより悲惨な事になるな、可哀想に台湾会比乌克兰更惨吗，真可怜 12 ボンベイ(ジパング) 2023/01/29(日) 04:13:44.47ID:LwPLe9N00 毎回言ってるな每次都这么说 13 ペルシャ(熊本県) 2023/01/29(日) 04:14:38.58ID:JTtMMV6H0 そういう可能性があるって事だろ？願望も込めてｗ只是有那样的可能性吧？愿望w 14 チーター(東京都) 2023/01/29(日) 04:21:16.98ID:GwrzXVgu0 起こるのではなく起こすんだろ 湾岸でもウクライナでもそうやってきたからな不是可能发生而是要让它发生吧 在海湾和乌克兰都是这样做的 15 マレーヤマネコ(ジパング) 2023/01/29(日) 04:21:32.37ID:JywUqhdM0 来年らしいが可能是明年 16 リビアヤマネコ(岡山県) 2023/01/29(日) 04:23:38.68ID:MCGKO0Cn0 トランプが無茶するんだろw特朗普太乱搞了吧w 17 リビアヤマネコ(茸) 2023/01/29(日) 04:25:31.51ID:TlbiplL+0 ロシアにウクライナを攻めさせたように 台湾を攻めるようにネチネチ嫌がらせと工作すんだろ その作戦が2025年 日本のシーレーン、石油が止まるぞ就像让俄罗斯打乌克兰一样 然后为了让台湾也被打，就故意搞各种动作 2025年开始 日本的航路和石油要被停了哦 19 チーター(SB-iPhone) 2023/01/29(日) 04:28:12.99ID:ZwD84H0b0 >>17 アメカスに勝手にやらせときゃ良いわ 日本は勝った方に従うだけ アメカスが負けるなら負けたアメカスが悪い それだけ>>17 让美国佬自己随便搞 日本跟着胜利的一方就好 如果美国佬输了那就是美国佬的错 仅此而已 18 ツシマヤマネコ(静岡県) []2023/01/29(日) 04:27:00.67ID:442RlmAh0 前もって公表してその通りに中国が動くわけねーだろw中国才不会按你提前公布的这样行动的吧w 20 ヒマラヤン(光) 2023/01/29(日) 04:29:06.18ID:arb0K8fd0 だから日本は米国の型落ち兵器を大量に買えwww所以日本要被要求大量购买美国的过时武器了www 21 ラグドール(東京都) []2023/01/29(日) 04:32:04.37ID:8M02xPfA0 あと3年でこの世の中はいったん終わりか 東京もミサイル攻撃を受けて大勢死んじゃうんだろうな 有名人もごっそりいなくなる 番組も公演もスポーツも全部止まる再过三年这个世界就终结了吗 东京也会受到导弹攻击而大量死亡吧 名人活不下去了 节目、演出、运动全部停止 24 カラカル(光) 2023/01/29(日) 04:38:08.73ID:PiexsrjV0 内政干渉じゃん？不是干涉内政吗？ 25 現場猫(茸) 2023/01/29(日) 04:39:59.78ID:MBp+bSR10 ずいぶんのんびりしたこと言ってるな。2024年の3月17日だよ。日本だと朝のニュースで速報が流れる。说得太随便了吧，是在2024年3月17日哦，日本早上的新闻中播报了 26 チーター(SB-iPhone) 2023/01/29(日) 04:40:19.05ID:ZwD84H0b0 アメカスはこっち見んな 単独で戦え 日本を頼るぐらい弱いならアジアから去れ美国佬不要看我们啊 自己单独战斗吧 如果弱到要依赖日本的话就滚出亚洲 27 キジトラ(茸) 2023/01/29(日) 04:41:56.87ID:8rm2AIb40 もし中国傘下になるなら今の香港が未来の日本如果加入中国的话，现在的香港就是未来的日本 28 チーター(SB-iPhone) 2023/01/29(日) 04:42:44.03ID:ZwD84H0b0 >>27 そら負けるアメカスが悪い ただそれだけ>>27 那是只是美国佬输了的错 仅此而已 29 カラカル(光) 2023/01/29(日) 04:43:59.85ID:PiexsrjV0 アメリカが手を出せばアメリカの進攻だよ？美国出手的话就是「美国的攻击」了吧？ 30 チーター(東京都) 2023/01/29(日) 04:44:43.72ID:GwrzXVgu0 因みにTSMCの熊本工場は今年9月完成、2024年後半に稼働予定だ 全ては計画通りということ顺便说一下，台积电的熊本工厂将于今年9月完成，预计2024年下半年投入使用 也就是一切都在按计划进行 32 縞三毛(東京都) 2023/01/29(日) 04:53:08.22ID:DtCkFW1w0 アメリカ大統領選が２０２４年予定１１月 選挙運動が１年間２０２３年秋口から 民主党の支持率が低かったら戦争もありうる美国总统选举预定2024年11月 选举活动从2023年秋开始 如果美国民主党的支持率低的话是有可能开战啊 57 ピューマ(茸) 2023/01/29(日) 05:36:30.64ID:NKWrtgKi0 >>32 売電は梯子外されたたからもう無理だろ>>32 拜登被过河拆桥了，已经不行了吧 36 スペインオオヤマネコ(光) 2023/01/29(日) 04:56:48.06ID:aM0eFH/B0 今度は勝つ方に着けよ这次一定要变成胜利的那一方 38 チーター(SB-iPhone) 2023/01/29(日) 04:58:17.62ID:ZwD84H0b0 >>36 日本は沖縄使ったら同盟破棄と言っといて 静観だな 勝った方に従うわ>>36 如果要用冲绳的话日本应该宣告撕毁同盟 静观 跟着最后胜利的那一方 39 ウンピョウ(ジパング) 2023/01/29(日) 04:58:34.56ID:qax9O9h20 戦争？ そんなものはとっくに始まってるさ战争？ 已经开始了吧 40 シャルトリュー(東京都) []2023/01/29(日) 04:58:53.99ID:XIXx5UmK0 沖縄を守るために前線に送られるのは自衛隊なのね 米軍は後方からミサイル撃つだけ まぁ米軍アメリカ人の命は大事だから…为了保护冲绳被送到前线的只有自卫队吧 美军只会在后方发射导弹 嘛，因为美军美国人的生命最重要… 42 ぬこ(やわらか銀行) 2023/01/29(日) 05:01:30.58ID:u0lhug3z0 そうなるだろうな 現にロシアは崩壊していない会变成那样吧 现在俄罗斯也还没有崩溃 43 チーター(SB-iPhone) 2023/01/29(日) 05:02:29.80ID:ZwD84H0b0 アメカスは日本も沖縄も自衛隊も 利用するな 迷惑だ 戦いたいなら勝手にやってケリつけろ美国佬不要利用日本、冲绳、自卫队啊 真会惹麻烦 如果想开战就自己去打吧 44 しぃ(東京都) 2023/01/29(日) 05:15:40.59ID:ueO/B7yd0 台湾に侵攻するとして米国はほんとに派兵すんの？台湾被攻击的时候美国真的会派兵吗？ 46 バーマン(大阪府) 2023/01/29(日) 05:19:17.18ID:0c1DCY7x0 >>44 しない>>44 不会 45 カラカル(光) 2023/01/29(日) 05:19:16.46ID:PiexsrjV0 25年までは無いよ バイデンの任期中だから不会到25年吧 会在拜登的任期内 48 猫又(茸) 2023/01/29(日) 05:19:48.66ID:GPfmmeov0 >>1 未来人の予言通りになってきたな>>1 像未来人的预言吗 49 猫又(茸) 2023/01/29(日) 05:20:17.27ID:GPfmmeov0 >>1 戦場はチョン半島でお願いします>>1 拜托战场在棒子半岛 56 トラ(茸) 2023/01/29(日) 05:35:24.78ID:rY95N2z90 また情報工作や小競り合いを企て対立作るのかよ。 ええ加減にしろよ又是在带节奏想引发对立吗 适可而止吧 58 カラカル(光) 2023/01/29(日) 05:55:18.59ID:PiexsrjV0 政権変わるだけのことに台湾人が武力で抵抗するとも思えんのだが只是政权改变而已，不认为台湾人会用武力抵抗 61 縞三毛(東京都) 2023/01/29(日) 06:11:40.38ID:fGIw8T0S0 とばっちりでミサイルが降ってくるのか 核はやめて会落下很多导弹吗 不要用核啊 每日翻译日本等外国网民的有趣&奇葩评论，喜欢就点赞支持并关注一下吧~ 完整译文：点此查看 更多最新有趣翻译请看：唧喳喳翻译网 回复

其实吧，优秀的人都是不需要自己去找朋友的，（别问为什么）他们具有吸引别人的能力，就是有人愿意并且就是想跟他说话，一起玩。 如果你足够强大，足够优秀，你可能不会觉得没有朋友会怎么样，因为毕竟大家都是路人，没有谁可以陪谁走到最后，路是自己的。 其实我个人也是在高中的时候有一段时间了觉得友情特别虚假，别人只不过是需要你的时候就来讨好你，跟你玩，跟你一起吃饭。最后我觉得这些都特别的假，很烦我觉得。之后我就慢慢的不跟他们怎么说话了。就是干什么都会自己一个人，第一个星期的时候就感觉挺不好的，会有忧伤的感觉，也会有时候心不在焉。不过，哪一个星期过去之后我就真的尝到了一个人的快乐。（一个人指的是我并没有再跟哪些很虚假的，斤斤计较的人一起玩的我从小学开始就有一个好朋友，现在我大学了还在联系，还有初中的时候也有一个很聊的来的朋友） 所以，并不是所有人都会跟你成为朋友，一两个足矣，没人说话觉得孤独，无聊的时候，有一些觉得很焦躁的时候，真真的朋友他们可以倾听你的声音，然而虚假的友谊真的不行。 友情这个东西真的随缘，不要强求，也不要觉得自己一味地对别人好，她也就会对你好，不要这么天真无邪。真真的友谊一定是相互理解相互为彼此付出的。 如果交不到好朋友，说明时机未到，你就好好学习就好了，先让自己的成绩变得优秀起来。可以吧想说的话写在纸上，然后丢进垃圾桶里，也是OK的。 [*] 自己去找寻生活的平衡感。你现在可能是有一点社恐。（可能） [*] 可以趁着空闲的时候下楼转转，逛逛商场什么的跟别人交流一下说不定会好一点。 在学校住宿也只是一个休息的地.方，你跟他们可能会成为朋友，但最多的只不过是舍友而已。平常心对待，记住！不要主动的去讨好任何人！ 祝：生活愉快 回复

谢大兔子邀。我有多久没应邀来着？ 其实诉诸某种“纯洁性”的“原教旨主义”广泛存在，不仅限于数学，这是对简洁和谐美的执着，也是一种利用现有工具解决为止问题的攻坚精神。想想尺规作图三大难题是怎么来的——话说毕达哥拉斯看到现在的高中课本怕是要气吐血。 问题是“初等函数”本身也不简单啊。三角函数、指数函数、对数函数本身都是超越函数，他们的定义看起来直觉实际上学问大了。什么是曲线的长度？什么是无理数？怎么证明无理数的各种运算法则？e和ln又是怎么来的，如何证明它们的关系？一步步问下去，没有真正花时间学习，而是听了几个名词就的人就开始崩溃了。 越是学习数学，越是发觉已有知识的能力有限，不断扩张到新的工具，是生产力发展的必然方向，是大势所趋，是历史和人民的选择。而投入实际应用的新函数都是精挑细选过的，并不是任何一个随便定义的函数都能被流传下来，能在手册里见到的那些超越函数，要么是某个问题的一个典型例子，要么是在某一类问题中有广泛的应用。没听说过说明你没学到，没从事相关行业。 比如射表，这当然是强行定义的函数，是复杂物理条件下抛体运动的丑陋近似解。可是你把射表撕了，炮弹给你，你来打？ 话说回来，对数的屁股就那么干净吗？连e都不知道，连微积分都没出现，纳皮尔是怎么有脸推广对数表的？然而它有用，群众喜闻乐见，这就是标准。 这些新的数学工具，意义是拓展人的眼界，帮助人解决更复杂的问题，而非偷懒。况且函数也并不是数学的基石，充其量只能算是一根比较粗的树枝。 话说什么时候千禧七大问题里的ns方程问题被解决了？这是21世纪的人类能做到的？ 最后，用一个历史小故事结束本文： 伽利略(1564—1642)在比萨大学读书时，有一年假期搭乘装有橄榄油木桶的马车回家，他在车上估算了每桶可装橄榄油的数量。但当他把这一估算说给马车夫听时，吃惊的马车夫对他说：“你这是巫术，你那一套我可不愿听，还是留给你自己去受用吧！”伽利略深有感触地喃喃自语道：“人们身上的偏见多么顽固啊！确立新的思想可真不是一件容易的事。” 回复

这个东西2021年时华为和海信就已经在跟广电谈了，去年上线的。 价格上小米只要159元，比山东广电给海信电视提供的iptv便宜，山东广电给海信提供的宽带电视一年要199元。这玩意要分省份去谈，小米电视在北京也还没这个服务。 http://picx.zhimg.com/v2-5e98cfb77fcf694f747bdb53a5599ebc_r.jpg?source=1940ef5c "电视只需要供电线即可实现"这个是不行的，你家里还得有宽带网，有些地方的移动、联通宽带套餐够高的话会直接送IPTV，那就没必要在电视系统里开了。 http://pica.zhimg.com/v2-c8727706d74385c919aed9ef20ba100f_r.jpg?source=1940ef5c 在电视上开宽带电视的弊端也有： 1、原来的IPTV和广电机顶盒都是走的专线，不占用家庭带宽，在电视里开宽带电视可就要占家庭带宽。 2、缺台，比如很多老人依然喜欢看乡土气息比较足的地方台。比如我家的机顶盒不管广电还是联通IPTV，都能看到宾州本地电视台。但电视上开通有线电视会员就只有央视和省级大台。 我提出个解决思路是：联通、移动、电信甚至广电，也根本没必要非得搭自己的iptv机顶盒了，现在家庭带宽高了，是不是走专线已经意义不大了。直接把你们的IPTV做成个安卓TV应用，放在电视的应用商店里，用户想用哪家直接下载安装就是了。 你看处于灰色地带的电视家app都敢卖会员了，你们不眼馋吗？ 回复

这种合作模式，之后会越来越多，口子越开越大。照此发展下去iptv机顶盒有可能穷途末路。 部分智能电视在部分地区提供官方直播软件，这个功能其实已经上线快一年了，并不是全部省市都可见，也并不是免费观看，需要付费观看，相当于把办带宽捆绑的iptv机顶盒专网专线才有的直播变成通过软件认证播放。 先不论付费与否，付费多少，对于用户来说这是一个好事，不必再买了智能电视再去办理IPTV机顶盒，最起码给一些愿意付费的用户提供了一个稳定点的观看电视直播官方渠道。 以前我以为它会很难推动下去，毕竟这个东西动到了三大运营商以及各个城市运营商的蛋糕，但目前来看已经有不少城市加入进来，或许他们的商业模式分成谈的不错。 http://pic1.zhimg.com/v2-75a6e869d4d8ca2b18ba8b66784c47b3_r.jpg?source=1940ef5c 目前海信小米电视已经上线，其中海信电视有线宝月卡25元 在6月份，就有粉丝反馈，小米和海信已经在开始和各地的电视台和当地运营商沟通，做了个电视app，只需要交月费就能像看视频app一个的看央视，卫视，地方台直播了！！！简直了，以后是否有这个功能，又成了电视一大卖点，又可以卷起来了！ http://picx.zhimg.com/v2-0104531bc6bd6b9117928aed7533a792_r.jpg?source=1940ef5c http://picx.zhimg.com/v2-d00e8fbe6628770e44a55a00d92a1ea9_r.jpg?source=1940ef5c http://picx.zhimg.com/v2-445d36464aa7d1df7cd353466ab143f9_r.jpg?source=1940ef5c 海信电视“有线宝” 比如极米投影 在9月发布的极米UI5.0，也支持部分地区安装正版付费直播软件。支持的地区已有：四川，河南，江苏，安徽，广西，河北，安徽，山东，山西，贵州，甘肃，内蒙等。 观看方法，在首页菜单栏tab“有线电视"板块观看，如果无此栏目要么系统不满足要不你所在地区还未开通。 http://pic1.zhimg.com/v2-d419e4138d57c9e0cf857db7c4ec3ff1_r.jpg?source=1940ef5c http://pica.zhimg.com/v2-7431b8b7f35263972982d9da51796001_r.jpg?source=1940ef5c 比如腾讯极光机顶盒，在7月份也已开通正版直播 如果你在一些地区，且非小米海信电视也想安装正版软件，就可通过加装腾讯极光机顶盒实现！ 广电官方授权应用【有线电视】终于来了！ 含央卫视和地方台 频道丰富 直播源稳定高清 没有广告 PS：目前限【河北、河南、安徽、广西、四川、江苏】用户使用 之前推荐过的品牌，腾讯和创维盒子可以优先体验！#机顶盒##高清电视##有线电视##电视直播##秒懂投屏# http://pic1.zhimg.com/v2-d8b7bb1839825c64bc46b283b4dc6c09_r.jpg?source=1940ef5c 相关测评：极光3Pro和当贝B1；极光4Pro和当贝B3Pro；腾讯极光5S测评；极光5pro 怪物; 腾讯极光5Pro怎么样，最强拆解！性能过剩的“怪物”~对于电视家这种第三方直播软件影响 这种新型合作模式的上线，除了冲击IPTV业务之外，对电视家这些第三方私人直播软件肯定也有冲击，愿意付费的人群可能就10%，假设他们的智能电视有更加稳定和便捷官方直播渠道，那为何还要买电视家的会员？？ http://pic1.zhimg.com/v2-9706e1bb33fd385380925b08ad1e1a23_r.jpg?source=1940ef5c 第三方电视直播软件 http://picx.zhimg.com/v2-ab58ee5f8b8febb9d57ab7c33450c549_r.jpg?source=1940ef5c 第三方电视直播软件 各种电视直播软件可能能做到的优势就剩： 免费观看，不同省市大大小小1000+个地方台，无广告，更干净等优点了，关于电视直播软件点播软件的介绍和推荐，可查看我下方回答，免费获取。 最强电视直播软件每日分享—已追更52个APK 有哪些宝藏电视APP推荐？—最强合集更多知识宝藏，没时间看就先收藏！不懂选购和使用找我！ 投屏问题与高级玩法 判断电视投屏；判断投影投屏；IPTV投屏；手机投屏；投屏玩法； 弹幕投屏；倍速投屏；miracast常见问题；投屏搜索不到；同屏很卡； Switch连笔记本；三星电视投屏；浏览器投屏；老电视投屏；抖音投屏；索尼电视投屏 手机投电脑；手机投Mac；电脑投电视；Mac投电视；竖屏倒立投屏；电脑投平板 机顶盒，投屏器选购知识 如何挑选投屏器；如何挑选机顶盒；IPTV和网络盒子；高配机顶盒；当贝Max1实测 当贝H1盒子解码 ；小米盒子解码 ；腾讯极光4pro；创维盒子；泰捷盒子；天猫和小米； 极光3Pro和当贝B1；极光4Pro和当贝B3Pro；腾讯极光5S测评；极光5pro 怪物; Apple TV/盒子/功放机；视频通话的盒子；给长辈买；为投屏买盒子；机顶盒CEC功能； 扩展坞，手机电脑外设 iPad扩展坞；Mac扩展坞；雷电3扩展坞；雷电4扩展坞；不同品牌扩展坞；直播采集卡；手机投显示器；电脑外接显示器；双显示器；华为电脑拓展坞；联想电脑；300左右扩展坞 电视，投影选购知识 3000内55寸电视；5千内55寸电视；4千65寸投屏电视；4-5千 75寸电视；6千65寸投屏电视；7千75寸电视；98寸电视入户安装；视频通话电视；带miracast的电视；支持airplay的电视；LG电视无法投屏；装软件方便的电视；雷鸟65寸准高端；三星电视安卓C系 投影回音壁布线；如何搭建杜比全景声；投影仪投屏；坚果投影；腾讯极光投影；大眼橙NEW 7D；大眼橙H3便携；超短焦投影慧示。明基投影；极米投影大全；视频会议投影；爱普生5700TX系列。爱普生4K长焦；爱普生4K激光电视；当贝X3实测 电视软件推荐 电视常用软件；电视直播软件；门店电视软件；百度网盘TV版；电视屏幕检测；哔哩哔哩弹幕版。 关于我 求关注订阅，知乎粉丝太难涨啦！电视行业6年从业者，原在专业级投屏公司，现投屏自媒体～ 电视软件下载推荐；在线解任何投屏问题；解电视/投影/盒子选购及维修问题。 看了这么多回答自己摸索那么费时间，如还不会使用可直接沟通，为你节省时间。 仅仅是一对一沟通就累计帮助超1万+人解决各类问题，付费咨询超1100次，求关注求涨粉～ 回复

这个又不是只有小米才有，TCL，创维等等电视都有宽带电视。只要电线肯定是假的，既然是宽带电视，最起码也要一个宽带吧。 我觉得广电能松这个口子还是不错的，顺着这个趋势，以后移动电信的iptv完全也可以app化直接定制到电视里面，然后开通移动电信的宽带可以免费使用，这样可以省掉一个移动机顶盒，那真的会是一件不错的事情。 小米这次也是和广电合作的，也就是所谓的IPTV服务，其实原理很简单： 广电提供节目流媒体直播源，然后通过互联网来给认证过的小米电视来进行播放。 http://picx.zhimg.com/v2-720bdc521e451302e2b3f89940663f99_r.jpg?source=1940ef5c 当然，这种流媒体的直播肯定不如广电网自家的清晰，但是一般来说码率肯定也是过的去的，所以不会太差。像这种iptv问题一直都是延迟问题，这是人为控制的，没啥办法。 像直播的话走rtmp协议或者m3u8的格式就可以了。其实这种看直播方式国内还是很多的，比如某学习app，比如盗源的APP电视家。 http://picx.zhimg.com/v2-29b013d79452118b9d7a3733c64b5772_r.jpg?source=1940ef5c 直播源一般都是这种格式的。 http://picx.zhimg.com/v2-0db70aeb99326686a69638d43197dd46_r.jpg?source=1940ef5c 你自己如果想试试可以这么操作。 下一个potplayer： http://picx.zhimg.com/v2-fb44865519abbd027055acc81fc9a821_r.jpg?source=1940ef5c 打开一个直播源，比如我这边给个CCTV1的 http://39.134.115.163:8080/PLTV/88888910/224/3221225642/index.m3u8然后就可以看电视节目了。 所以也不是啥新技术，像移动电信都早就已经和广电推出了专属的IPTV，办宽带就送，因为是走内部专线，所以不占用普通带宽，换台基本能够做到秒切。 像电信在2007年就提供了ITV电视服务了。 http://picx.zhimg.com/v2-b9ad27ee4735d9b266449704f51f0de3_r.jpg?source=1940ef5c 移动这边的IPTV也是统统不要钱... http://pic1.zhimg.com/v2-f9db8951ed28d094d30a81346da527b1_r.jpg?source=1940ef5c 像小米的这种宽带电视因为是走的公网，所以只要家里有人下载，卡顿估计是肯定的，换台估计也做不到秒切，加上感人的价格，159一年还是有点贵的，所以对运营商的IPTV肯定是造不成什么竞争压力的。 目前这个服务因为受到181号文的限制，所以电视厂商必须和广电合作才行，必须一个省一个省的谈，不能自己一口气开办这个业务，只能说覆盖面也是极为有限了。 回复

我试看了，没什么本地台。 如果不看本地台的话，这个服务不错，很清晰，也不卡顿。 我家宽带本身就送互动电视，我一般不连，因为iptv的信号跟arc的冲突，先开盒子就会导致音响连不上，挺麻烦的，我就直接把盒子摘了。 本来想着春晚的时候看直播要开，结果各视频网站直接网络直播，还是没用。 我要是看直播，其实也是想看本地的一些地方频道，小米的线上宽带电视服务满足不了我，所以我试看点开就马上关了。 回复

没啥稀奇的啊，国内很多智能电视品牌都有这个业务，资源从IPTV获取的，可以看央视卫视地方台。 而且除了小米电视以外，还有像哈趣投影（千元头部品牌）、当贝投影、极米、坚果等也有此项业务。可以看电视直播，高清流畅，似乎好像还是免费的呀。 http://pic1.zhimg.com/v2-bf81786b3feac61c084196e6e7c87003_r.jpg?source=1940ef5c 哈趣投影宽带电视频道 http://picx.zhimg.com/v2-7637b7bca173bc4bcfbb3bff86f93fec_r.jpg?source=1940ef5c 极米投影仪 回复

如果知友是想了解卷积神经网络里涉及的 transposed convolution，请参见其他答主的优秀答案。本答案针对的是 deconvolution，即卷积的逆操作，比如：如何使运动模糊的图像通过 deconvolution 变得清晰。 卷积（convolution）的英文释义还有纠缠、绕在一起的意思。一般用二元符号 https://www.zhihu.com/equation?tex=%2A 表示，有时也会看到 https://www.zhihu.com/equation?tex=%5Ccircledast 甚至 https://www.zhihu.com/equation?tex=%5Cotimes ，主要是为了区别于不同语境中的其他符号。给定函数 https://www.zhihu.com/equation?tex=x%28t%29 和 https://www.zhihu.com/equation?tex=h%28t%29，令 https://www.zhihu.com/equation?tex=y%28t%29%3Dx%28t%29%2Ah%28t%29+%5Ctag+1+ https://www.zhihu.com/equation?tex=y%28t%29 就是 https://www.zhihu.com/equation?tex=x%28t%29 和 https://www.zhihu.com/equation?tex=h%28t%29“纠缠”在一起的结果，是一个新函数。在后文中，https://www.zhihu.com/equation?tex=%28t%29 就偷懒不写了，但心里一定要做到有数：信号是关于时间的一个函数，可连续可离散；如果放到图像处理，那么每幅图片都是关于空间位置的一个函数，函数值就是亮暗或颜色。 一般来说，在信号处理的语境下，我们把 https://www.zhihu.com/equation?tex=x 看作原信号，把 https://www.zhihu.com/equation?tex=h 看作卷积核（或称冲激响应）， https://www.zhihu.com/equation?tex=y 则称为响应；反卷积就是根据响应和冲激响应，反推回原信号。在图像处理中，https://www.zhihu.com/equation?tex=x 可以是原图片，通过用一个高斯核 https://www.zhihu.com/equation?tex=h 卷积得一个糊化图像 https://www.zhihu.com/equation?tex=y；同理，也可以根据糊化图像和所用的卷积核，逆推回原先的清晰图像。需要注意的是：如果仅从数学定义出发，卷积操作是对称的，即 https://www.zhihu.com/equation?tex=x+%2A+h+%3D+h+%2Ax，我们并不能说谁被谁“卷”了。至于谁是原信号，谁是卷积核，原则上并不重要。 反卷积操作就是在已知 https://www.zhihu.com/equation?tex=y 和 https://www.zhihu.com/equation?tex=h（或 https://www.zhihu.com/equation?tex=x）的情况下，反推出 https://www.zhihu.com/equation?tex=x（或 https://www.zhihu.com/equation?tex=h）。写下来就是： https://www.zhihu.com/equation?tex=x+%3D+y+%5Coslash+h+%5Ctag+2 我们姑且把 https://www.zhihu.com/equation?tex=%5Coslash 这个符号称为“卷除”，即卷积操作的逆操作。反卷积无非就是如何具体运算 https://www.zhihu.com/equation?tex=%5Coslash 了。这里大致列出三种思路，理解难度从易到难。 [*]长除法（long division）。谢谢 @章小林 提醒，MATLAB 中 deconv() 函数运用的便是长除法。理解长除法为什么可行并不难，可以设定一个简单例子：如 https://www.zhihu.com/equation?tex=x+%3D+%5C%7B%5Cdots%2C+0%2C+%5Cmathbf%7B1%2C+2%2C+1%2C+3%7D%2C+0%2C+%5Cdots%5C%7D%2C+h+%3D+%5C%7B%5Cdots%2C+0%2C+%5Cmathbf%7B1%2C+0%2C+1%2C+0%7D%2C+0%2C+%5Cdots%5C%7D , 卷积求 https://www.zhihu.com/equation?tex=y ，再用 https://www.zhihu.com/equation?tex=h 对 https://www.zhihu.com/equation?tex=y 做长除法。能来关注这个问题的知友，九九成便可以在手算过程中完全理解了。长除法的优点还包括计算快，经优化后的复杂度应该是 https://www.zhihu.com/equation?tex=O%28L%5Clog+L%29 级别的，其中 https://www.zhihu.com/equation?tex=L+%3D+%5Cmax%5C%7BL_y%2CL_h%5C%7D ，且 https://www.zhihu.com/equation?tex=L_y%2CL_h 分别代表 https://www.zhihu.com/equation?tex=y 和 https://www.zhihu.com/equation?tex=h 的（有效）序列长度。长除法的缺点也很明显，如果信号是定义在实数这样的连续统上的话，长除法就无施展余地了，因为它蕴涵了信号必须“可数”的假设。好在计算机本身也只能处理序列，不光可数，还有限！MATLAB 用长除法计算反卷积是绝对没有问题的。 [*]傅里叶变换（Fourier transform)。对于熟悉 FT 的知友，理解如何用 FT 来实现反卷积，甚至比长除法还简单。本质思路是：把 https://www.zhihu.com/equation?tex=%28S%2C+%2A%29 通过 https://www.zhihu.com/equation?tex=%5Cmathcal%7BF%7D 同态映射到 https://www.zhihu.com/equation?tex=%28%5Cmathcal%7BF%7D%28S%29%2C+%5Cmathcal+F%28%2A%29%29 上，这里 https://www.zhihu.com/equation?tex=S 代表所有信号的集合（i.e. https://www.zhihu.com/equation?tex=x%2C+h%2C+y+%5Cin+S），https://www.zhihu.com/equation?tex=%5Cmathcal%7BF%7D 代表 FT。其中，最巧妙的就是 https://www.zhihu.com/equation?tex=+%5Cmathcal+F%28%2A%29 ，它直接对应了乘法，真真正正的乘法，不再是卷积。如此一来，它的逆也就是真真正正的除法。这一对应关系有一个响亮的名字唤作“卷积定理”，具体内容已在原回答中展开。 假设我们用上快速傅里叶变换算法，其算法复杂度也应当在 https://www.zhihu.com/equation?tex=O%28L%5Clog+L%29 。与长除法相比，优劣只能靠实践得知了。本人更倾向于长除法，因为 FT 必须对两条序列各做一次，况且计算中引入了复数，而复数运算的开销显然要更多。 [*]线性算子。我们总是说卷积是线性操作，如果正真理解了这一点，很多烧脑的数学概念将一目了然。我们可以把 https://www.zhihu.com/equation?tex=y%3Dx%2Ah 看作 https://www.zhihu.com/equation?tex=y+%3D+Hx+%5Ctag+3 https://www.zhihu.com/equation?tex=H 是 https://www.zhihu.com/equation?tex=h 对应的线性算子。如此一来： https://www.zhihu.com/equation?tex=x+%3D+H%5E%7B-1%7Dy+%5Ctag+4 我们仅需知道该线性算子的逆就可以了。在离散情况下，https://www.zhihu.com/equation?tex=H%2CH%5E%7B-1%7D 就是一个矩阵和其对应的逆矩阵，https://www.zhihu.com/equation?tex=H%5E%7B-1%7Dy 即是 https://www.zhihu.com/equation?tex=H%5E%7B-1%7D 和 https://www.zhihu.com/equation?tex=y 的矩阵乘法。 再拓展一点，傅立叶变换 FT 本身也对应一个线性算子 https://www.zhihu.com/equation?tex=F，上面提到的卷积定理本质上就是说： https://www.zhihu.com/equation?tex=Fh+%5Ccdot+Fx+%3D+FHx+%5Ctag+5 常见的线性算子还有积分 https://www.zhihu.com/equation?tex=%5Cint，微分 https://www.zhihu.com/equation?tex=d%2Fd%3F，多元微分 https://www.zhihu.com/equation?tex=%5Cnabla，散度 https://www.zhihu.com/equation?tex=%5Cnabla%5Ccdot ，拉普拉斯 https://www.zhihu.com/equation?tex=%5Cnabla%5E2 等等。更多内容可以在学习泛函时涉及到。 以下为原答案： 如果题主有傅里叶变换的知识背景，反卷积是一个“很显然”（万恶的显然二字 XD）的操作。怎样通俗易懂地解释卷积？ 这个知乎问题的高票答主们很喜欢挨老板揍，那我也来举这样的例子。。。 以一百天为限，已知小明分别在第10，第50和第55天挨了屁股。。。就是下图，我们可以把这个叫做源信号或者信号系统的输入，也就是三个冲击。 http://picx.zhimg.com/v2-a83e18b2be7ac142d8a6b1f265ef04f1_r.jpg?source=1940ef5c 图一，啥时候挨屁股（系统输入 x） 另知，每次挨打后，迅速肿起一公分高度，然后慢慢消肿，如下图。。。信号处理中又作冲击响应。 http://picx.zhimg.com/v2-839cbf748cb606c7bdbd796536703c1d_r.jpg?source=1940ef5c 图二，挨单次屁股以后，消肿的过程（冲激响应 h） 从图中看，消肿是挺慢的。。。现在，两个序列做卷积，得到这个，叫做信号系统的输出 http://picx.zhimg.com/v2-b094e719f480cebceb8d039512c5668d_r.jpg?source=1940ef5c 图三，序列一与序列二的卷积，100天里屁股的状况（系统输出 y） 注意，两个100位序列卷积的长度应该是 100+100-1 = 199，我只是把后面99位擦了，反正也接近零，无所谓。上图 x 轴是时间，以天为单位；y 轴是肿的高度，以厘米为单位。可以看到在第55天肿最高，都过1.2公分了，因为在第50天打的还没完全消。。。 关键来了，已知图一、图二，卷积得图三。那么，只知道图二、图三，怎么反过来得图一？也就是知道系统输出和冲击响应，怎么得到系统输入？ 我举的这个例子，明眼人一下就能看出来系统输入原来的样子，不就是挨三次屁股嘛。但如果冲击响应复杂一点，就可能没有那么显然了。 假设题主不清楚啥是傅里叶变换，没关系，现在我给你一个黑盒儿叫 DFT，用就是了。功能如下 [*]把一个长度为 https://www.zhihu.com/equation?tex=N 的序列，记 https://www.zhihu.com/equation?tex=x%5Bn%5D%2Cn%3D1%2C2%2C%5Cdots%2CN ，丢进 DFT 黑盒，得到另一个等长序列，记 https://www.zhihu.com/equation?tex=X%5Bn%5D%2Cn%3D1%2C2%2C%5Ccdots%2CN （注：懂傅里叶的朋友求别拍，我知道频域序列的下标不该继续使用时域下标） 表达式： https://www.zhihu.com/equation?tex=%5Ctext%7BDFT%7D%5Cbig%5C%7Bx%5Bn%5D%5Cbig%5C%7D+%3D+X%5Bn%5D ，同理， https://www.zhihu.com/equation?tex=%5Ctext%7BDFT%7D%5Cbig%5C%7Bh%5Bn%5D%5Cbig%5C%7D+%3D+H%5Bn%5D%2C%5Ctext%7BDFT%7D%5Cbig%5C%7By%5Bn%5D%5Cbig%5C%7D+%3D+Y%5Bn%5D [*]很关键。https://www.zhihu.com/equation?tex=%5Ctext%7BDFT%7D%5Cbig%5C%7Bx%5Bn%5D%2Ah%5Bn%5D%5Cbig%5C%7D%3D%5Ctext%7BDFT%7D%5Cbig%5C%7Bx%5Bn%5D%5Cbig%5C%7D+%5Ctimes%5Ctext%7BDFT%7D%5Cbig%5C%7Bh%5Bn%5D%5Cbig%5C%7D+%3D+X%5Bn%5D%5Ctimes+H%5Bn%5D （https://www.zhihu.com/equation?tex=%2A 号代表卷积， https://www.zhihu.com/equation?tex=%5Ctimes 就是正常的按位乘法）。这就是所谓的，时域卷积对应频域乘积。 再你个黑盒叫 IDFT，I 代表 inverse，意思就是 DFT 黑盒的反操作。作用呢就是 [*]https://www.zhihu.com/equation?tex=%5Ctext%7BIDFT%7D%5Cbig%5C%7B+X%5Bn%5D+%5Cbig%5C%7D+%3D+x%5Bn%5D 。或者说， https://www.zhihu.com/equation?tex=%5Ctext%7BIDFT%7D%5Cbig%5C%7B+%5Ctext%7BDFT%7D%5Cbig%5C%7Bx%5Bn%5D+%5Cbig%5C%7D+%5Cbig%5C%7D+%3D+x%5Bn%5D ，一去一回，啥都没变。同理， https://www.zhihu.com/equation?tex=%5Ctext%7BIDFT%7D%5Cbig%5C%7B+H%5Bn%5D+%5Cbig%5C%7D+%3D+h%5Bn%5D 有了上面两个黑盒，我们就能通过图二、图三序列求对应的图一序列了。 既然， https://www.zhihu.com/equation?tex=x%5Bn%5D%2Ah%5Bn%5D+%3D+y%5Bn%5D 那么， https://www.zhihu.com/equation?tex=%5Ctext%7BDFT%7D%5Cbig%5C%7Bx%5Bn%5D%2Ah%5Bn%5D%5Cbig%5C%7D+%3D+%5Ctext%7BDFT%7D%5Cbig%5C%7By%5Bn%5D%5Cbig%5C%7D+%5Cquad+%5CLongrightarrow+%5Cquad+X%5Bn%5D%5Ctimes+H%5Bn%5D+%3D+Y%5Bn%5D 做一个小小的代数操作就有 https://www.zhihu.com/equation?tex=X%5Bn%5D+%3D+Y%5Bn%5D+%5Cmathbin%7B%2F%7D+H%5Bn%5D IDFT 黑盒登场就有 https://www.zhihu.com/equation?tex=x%5Bn%5D+%3D+%5Ctext%7BIDFT%7D%5Cbig%5C%7B+X%5Bn%5D+%5Cbig%5C%7D+%3D+%5Ctext%7BIDFT%7D%5Cbig%5C%7B+Y%5Bn%5D+%5Cmathbin%7B%2F%7D+H%5Bn%5D+%5Cbig%5C%7D+ 即， https://www.zhihu.com/equation?tex=x%5Bn%5D+%3D+%5Ctext%7BIDFT%7D%5CBig%5C%7B+%5Ctext%7BDFT%7D%5Cbig%5C%7By%5Bn%5D+%5Cbig%5C%7D+%5Cmathbin%7B%2F%7D+%5Ctext%7BDFT%7D%5Cbig%5C%7Bh%5Bn%5D+%5Cbig%5C%7D+%5CBig%5C%7D+ 好了，根据图二冲激响应 https://www.zhihu.com/equation?tex=h%5Bn%5D 和图三系统输出 https://www.zhihu.com/equation?tex=y%5Bn%5D ，用两次 DFT 黑盒，一次除法，一次 IDFT 黑盒，我们就得到了所需要知道的图一系统输入 https://www.zhihu.com/equation?tex=x%5Bn%5D 。因为这相当于把两个卷积在一起的序列再次分开，所以命名反卷积 XD。 如果用 Matlab 的话，对应的代码也只需要一行。 x = ifft(fft(y)./fft(h)); 回复

阅读本文的基础，是默认已经理解了图像处理中正向卷积的过程(卷积特征提取 - UFLDL)。 什么是反卷积？ [*]上采样(Upsample) 在应用在计算机视觉的深度学习领域，由于输入图像通过卷积神经网络(CNN)提取特征后，输出的尺寸往往会变小，而有时我们需要将图像恢复到原来的尺寸以便进行进一步的计算(e.g.:图像的语义分割)，这个采用扩大图像尺寸，实现图像由小分辨率到大分辨率的映射的操作，叫做上采样(Upsample)。 [*]反卷积(Transposed Convolution) 上采样有3种常见的方法：双线性插值(bilinear)，反卷积(Transposed Convolution)，反池化(Unpooling)，我们这里只讨论反卷积。这里指的反卷积，也叫转置卷积，它并不是正向卷积的完全逆过程，用一句话来解释： 反卷积是一种特殊的正向卷积，先按照一定的比例通过补 https://www.zhihu.com/equation?tex=0 来扩大输入图像的尺寸，接着旋转卷积核，再进行正向卷积。 反卷积的数学推导 [*]正向卷积的实现过程 假设输入图像 https://www.zhihu.com/equation?tex=input 尺寸为 https://www.zhihu.com/equation?tex=4+%5Ctimes+4 ，元素矩阵为： https://www.zhihu.com/equation?tex=%5Cbegin%7Balign%2A%7D+input+%3D+++%5Cleft%5B%5Cbegin%7Barray%7D%7Bcccccc%7D+++++x_1+%26+x_2+%26+x_3+%26+x_4+%5C%5C+x_5+%26+x_6+%26+x_7+%26+x_8+%5C%5C+x_9+%26+x_%7B10%7D+%26+x_%7B11%7D+%26+x_%7B12%7D+%5C%5C+x_%7B13%7D+%26+x_%7B14%7D+%26+x_%7B15%7D+%26+x_%7B16%7D+++%5Cend%7Barray%7D%5Cright%5D+%5Cend%7Balign%2A%7D 卷积核 https://www.zhihu.com/equation?tex=kernel 尺寸为 https://www.zhihu.com/equation?tex=3+%5Ctimes+3 ，元素矩阵为： https://www.zhihu.com/equation?tex=%5Cbegin%7Balign%2A%7D+input+%3D+++%5Cleft%5B%5Cbegin%7Barray%7D%7Bcccccc%7D+++++w_%7B0%2C0%7D+%26+w_%7B0%2C1%7D+%26+w_%7B0%2C2%7D%5C%5C+w_%7B1%2C0%7D+%26+w_%7B1%2C1%7D+%26+w_%7B1%2C2%7D%5C%5C+w_%7B2%2C0%7D+%26+w_%7B2%2C1%7D+%26+w_%7B2%2C2%7D+++%5Cend%7Barray%7D%5Cright%5D+%5Cend%7Balign%2A%7D 步长 https://www.zhihu.com/equation?tex=strides%3D1，填充 https://www.zhihu.com/equation?tex=padding%3D0 ，即 https://www.zhihu.com/equation?tex=i%3D4%2Ck%3D3%2Cs%3D1%2Cp%3D0 ， 则按照卷积计算公式 https://www.zhihu.com/equation?tex=o%3D%5Cfrac%7Bi%2B2p-k%7D%7Bs%7D%2B1 ，输出图像 https://www.zhihu.com/equation?tex=output 的尺寸为 https://www.zhihu.com/equation?tex=2+%5Ctimes+2。 [*]用矩阵乘法描述卷积 把 https://www.zhihu.com/equation?tex=input 的元素矩阵展开成一个列向量 https://www.zhihu.com/equation?tex=X： https://www.zhihu.com/equation?tex=%5Cbegin%7Balign%2A%7D+input+%3D+++%5Cleft%5B%5Cbegin%7Barray%7D%7Bcccccc%7D+++++x_1+%26+x_2+%26+x_3+%26+x_4+%26+x_5+%26+x_6+%26+x_7+%26+x_8+%26+x_9+%26+x_%7B10%7D+%26+x_%7B11%7D+%26+x_%7B12%7D+%26+x_%7B13%7D+%26+x_%7B14%7D+%26+x_%7B15%7D+%26+x_%7B16%7D+++%5Cend%7Barray%7D%5Cright%5D%5ET+%5Cend%7Balign%2A%7D 把输出图像 https://www.zhihu.com/equation?tex=output 的元素矩阵展开成一个列向量 https://www.zhihu.com/equation?tex=Y： https://www.zhihu.com/equation?tex=%5Cbegin%7Balign%2A%7D+input+%3D+++%5Cleft%5B%5Cbegin%7Barray%7D%7Bcccccc%7D+++++y_1+%26+y_2+%26+y_3+%26+y_4%5Cend%7Barray%7D%5Cright%5D%5ET+%5Cend%7Balign%2A%7D 对于输入的元素矩阵 https://www.zhihu.com/equation?tex=X 和 输出的元素矩阵 https://www.zhihu.com/equation?tex=Y ，用矩阵运算描述这个过程： https://www.zhihu.com/equation?tex=%5Cbegin%7Balign%2A%7D+++Y%3DCX%5C%5C+%5Cend%7Balign%2A%7D 通过推导，我们可以得到稀疏矩阵 https://www.zhihu.com/equation?tex=C ： https://www.zhihu.com/equation?tex=C%3D%5Cbegin%7Balign%2A%7D++%5Cleft%5B%5Cbegin%7Barray%7D%7Bcccccc%7D+++++w_%7B0%2C0%7D+%26+w_%7B0%2C1%7D+%26+w_%7B0%2C2%7D+%26+0+%26+w_%7B1%2C0%7D+%26+w_%7B1%2C1%7D+%26+w_%7B1%2C2%7D%26+0%26w_%7B2%2C0%7D+%26+w_%7B2%2C1%7D+%26+w_%7B2%2C2%7D+%26+0+%26+0+%26+0+%26+0+%26+0%5C%5C+0+%26w_%7B0%2C0%7D+%26+w_%7B0%2C1%7D+%26+w_%7B0%2C2%7D+%26+0+%26+w_%7B1%2C0%7D+%26+w_%7B1%2C1%7D+%26+w_%7B1%2C2%7D%26+0%26w_%7B2%2C0%7D+%26+w_%7B2%2C1%7D+%26+w_%7B2%2C2%7D+%26+0+%26+0+%26+0+%26+0%5C%5C+0+%26+0+%26+0+%26+0+%26+w_%7B0%2C0%7D+%26+w_%7B0%2C1%7D+%26+w_%7B0%2C2%7D+%26+0+%26+w_%7B1%2C0%7D+%26+w_%7B1%2C1%7D+%26+w_%7B1%2C2%7D%26+0%26w_%7B2%2C0%7D+%26+w_%7B2%2C1%7D+%26+w_%7B2%2C2%7D%26+0%5C%5C+0+%26+0+%26+0+%26+0+%26+0+%26+w_%7B0%2C0%7D+%26+w_%7B0%2C1%7D+%26+w_%7B0%2C2%7D+%26+0+%26+w_%7B1%2C0%7D+%26+w_%7B1%2C1%7D+%26+w_%7B1%2C2%7D%26+0%26w_%7B2%2C0%7D+%26+w_%7B2%2C1%7D+%26+w_%7B2%2C2%7D++++++%5Cend%7Barray%7D%5Cright%5D+%5Cend%7Balign%2A%7D 反卷积的操作就是要对这个矩阵运算过程进行逆运算，即通过 https://www.zhihu.com/equation?tex=C 和 https://www.zhihu.com/equation?tex=Y 得到 https://www.zhihu.com/equation?tex=X ，根据各个矩阵的尺寸大小，我们能很轻易的得到计算的过程，即为反卷积的操作： https://www.zhihu.com/equation?tex=%5Cbegin%7Balign%2A%7D+++X%3DC%5E%7BT%7DY+%5Cend%7Balign%2A%7D 但是，如果你代入数字计算会发现，反卷积的操作只是恢复了矩阵 https://www.zhihu.com/equation?tex=X 的尺寸大小，并不能恢复 https://www.zhihu.com/equation?tex=X 的每个元素值，本文最后会在 tensorflow 平台进行这个实验。 在此之前，我们先给出反卷积图像尺寸变化的公式。 [*]反卷积的输入输出尺寸关系 在进行反卷积时，简单来说，大体上可分为以下两种情况： https://www.zhihu.com/equation?tex=%5Cbegin%7Balign%2A%7D+o%26%3Dsize%5C+of%5C+output%5C%5C+i%26%3Dsize%5C+of%5C+input%5C%5C+p%26%3Dpadding%5C%5C+s%26%3Dstrides+%5Cend%7Balign%2A%7D Relationship 1：https://www.zhihu.com/equation?tex=%28o%2B2p-k%29+%5C%25+s%3D0 此时反卷积的输入输出尺寸关系为： https://www.zhihu.com/equation?tex=o%3Ds%28i-1%29-2p%2Bk http://picx.zhimg.com/v2-78be59f3fee31730d49372bca2cec843_r.jpg?source=1940ef5c 如上图所示，我们选择一个输入 https://www.zhihu.com/equation?tex=input 尺寸为 https://www.zhihu.com/equation?tex=3+%5Ctimes+3 ，卷积核 https://www.zhihu.com/equation?tex=kernel 尺寸为 https://www.zhihu.com/equation?tex=3%5Ctimes+3 ，步长 https://www.zhihu.com/equation?tex=strides%3D2+，填充 https://www.zhihu.com/equation?tex=padding%3D1，即 https://www.zhihu.com/equation?tex=i%3D3%2Ck%3D3%2Cs%3D2%2Cp%3D1 ，则输出 https://www.zhihu.com/equation?tex=output 的尺寸为 https://www.zhihu.com/equation?tex=o%3D2%5Ctimes%283-1%29%2B3%3D5 。 Relationship 2： https://www.zhihu.com/equation?tex=%28o%2B2p-k%29%5C%25s%5Cneq0 此时反卷积的输入输出尺寸关系为： https://www.zhihu.com/equation?tex=o%3Ds%28i-1%29-2p%2Bk%2B%28o%2B2p-k%29%5C%25s http://pic1.zhimg.com/v2-300529091680abb9f674745eeac0391a_r.jpg?source=1940ef5c 如上图所示，我们选择一个输入 https://www.zhihu.com/equation?tex=input 的尺寸为 https://www.zhihu.com/equation?tex=3+%5Ctimes+3 ，卷积核 https://www.zhihu.com/equation?tex=kernel 的尺寸为 https://www.zhihu.com/equation?tex=3%5Ctimes+3 ，步长 https://www.zhihu.com/equation?tex=strides%3D2，填充 https://www.zhihu.com/equation?tex=padding%3D1 ，即 https://www.zhihu.com/equation?tex=i%3D3%2Ck%3D3%2Cs%3D2%2Cp%3D1 ，则输出 https://www.zhihu.com/equation?tex=output 的尺寸为https://www.zhihu.com/equation?tex=o%3D2%5Ctimes%283-1%29%2B3-2%5Ctimes+1%2B1%3D6 。 [*]反卷积在 FCN 中的应用 在图像语义分割网络 FCN-32s 中，上采样反卷积操作的输入每张图像的尺寸是 https://www.zhihu.com/equation?tex=7%5Ctimes+7，我们希望进行一次上采样后能恢复成原始图像的尺寸 https://www.zhihu.com/equation?tex=224%5Ctimes+224 ，代入公式： https://www.zhihu.com/equation?tex=%5Cbegin%7Balign%2A%7D+++++o%26%3Ds%28i-1%29%2Bk-2p%5C%5C+++++o%26%3D224%2Ci%3D7+%5Cend%7Balign%2A%7D 根据上式，我们可以得到一个关于 https://www.zhihu.com/equation?tex=s%2Ck%2Cp 三者之间关系的等式： https://www.zhihu.com/equation?tex=%5Cbegin%7Balign%2A%7D+++6s%2Bk-2p%3D224+%5Cend%7Balign%2A%7D 通过实验，最终找出了最合适的一组数据： https://www.zhihu.com/equation?tex=%5Cbegin%7Balign%2A%7D+s%3D16%2Ck%3D64%2Cp%3D32+%5Cend%7Balign%2A%7D在 tensorflow 中实现反卷积 [*]反卷积的具体计算步骤 下面我们用一组实验更直观的解释一下在 tensorflow 中反卷积的过程： 我们令输入图像为： https://www.zhihu.com/equation?tex=%5Cbegin%7Balign%2A%7D+input+%3D+++%5Cleft%5B%5Cbegin%7Barray%7D%7Bccc%7D+++++1+%26+2+%26+3+%5C%5C+++++4+%26+5+%26+6+%5C%5C+++++7+%26+8+%26+9+%5C%5C+++%5Cend%7Barray%7D%5Cright%5D+%5Cend%7Balign%2A%7D 卷积核为： https://www.zhihu.com/equation?tex=%5Cbegin%7Balign%2A%7D+kernel+%3D+++%5Cleft%5B%5Cbegin%7Barray%7D%7Bccc%7D+++++1+%26+0+%26+0+%5C%5C+++++0+%26+1+%26+0+%5C%5C+++++0+%26+0+%26+1+%5C%5C+++%5Cend%7Barray%7D%5Cright%5D+%5Cend%7Balign%2A%7D case 1 如果要使输出的尺寸是 https://www.zhihu.com/equation?tex=5%5Ctimes+5 ，步数 https://www.zhihu.com/equation?tex=stride%3D2 ，tensorflow 中的命令为： transpose_conv = tf.nn.conv2d_transpose(value=input, filter=kernel, output_shape=[1,5,5,1], strides=2, padding='SAME') 当执行 transpose_conv 命令时，tensorflow 会先计算卷积类型、输入尺寸、步数和输出尺寸之间的关系是否成立，如果不成立，会直接提示错误，如果成立，执行如下操作： 1. 现根据步数 https://www.zhihu.com/equation?tex=strides 对输入的内部进行填充，这里 https://www.zhihu.com/equation?tex=strides 可以理解成输入放大的倍数，即在 https://www.zhihu.com/equation?tex=input 的每个元素之间填充 https://www.zhihu.com/equation?tex=0 ，https://www.zhihu.com/equation?tex=0 的个数 https://www.zhihu.com/equation?tex=n 与 https://www.zhihu.com/equation?tex=strides 的关系为： https://www.zhihu.com/equation?tex=n%3Dstrides-1 例如这里举例的 https://www.zhihu.com/equation?tex=strides%3D2，即在 https://www.zhihu.com/equation?tex=input 的每个元素之间填 https://www.zhihu.com/equation?tex=1 个 https://www.zhihu.com/equation?tex=0 ： https://www.zhihu.com/equation?tex=%5Cbegin%7Balign%2A%7D+input_%7Bpad%7D+%3D+++%5Cleft%5B%5Cbegin%7Barray%7D%7Bccccc%7D+++++1+%26+0+%26+2+%26+0+%26+3+%5C%5C+++++0+%26+0+%26+0+%26+0+%26+0+%5C%5C+++++4+%26+0+%26+5+%26+0+%26+6+%5C%5C+++++0+%26+0+%26+0+%26+0+%26+0+%5C%5C+++++7+%26+0+%26+8+%26+0+%26+9+%5C%5C+++%5Cend%7Barray%7D%5Cright%5D+%5Cend%7Balign%2A%7D 因为卷积类型为 same，所以此时， https://www.zhihu.com/equation?tex=i%3D5%2Ck%3D3%2Cs%3D1%2Cp%3D1 。 2. 接下来，用卷积核 https://www.zhihu.com/equation?tex=kernel 对填充后的输入 https://www.zhihu.com/equation?tex=input_%7Bpad%7D 进行步长 https://www.zhihu.com/equation?tex=stride%3D1 的正向卷积，根据正向卷积输出尺寸公式： https://www.zhihu.com/equation?tex=o%3D%5Cfrac%7Bi-k%2B2p%7D%7Bs%7D%2B1%3D%5Cfrac%7B5-3%2B2%5Ctimes1%7D%7B1%7D%2B1%3D5 得到输出尺寸是 https://www.zhihu.com/equation?tex=5%5Ctimes+5 ，反卷积公式中我们给出的输出尺寸参数 https://www.zhihu.com/equation?tex=output%5C_shape 也是为 https://www.zhihu.com/equation?tex=5，两者相同，所以可以进行计算，结果为： https://www.zhihu.com/equation?tex=%5Cbegin%7Balign%2A%7D+output+%3D+++%5Cleft%5B%5Cbegin%7Barray%7D%7Bccccc%7D+++++1+%26+0+%26+2+%26+0+%26+3+%5C%5C+++++0+%26+6+%26+0+%26+8+%26+0+%5C%5C+++++4+%26+0+%26+5+%26+0+%26+6+%5C%5C+++++0+%26+12+%26+0+%26+14+%26+0+%5C%5C+++++7+%26+0+%26+8+%26+0+%26+9+%5C%5C+++%5Cend%7Barray%7D%5Cright%5D+%5Cend%7Balign%2A%7D 与 tensorflow 的运行结果相同。 case 2 我们将 case 1 中的输出尺寸 https://www.zhihu.com/equation?tex=output%5C_shape 改成 https://www.zhihu.com/equation?tex=6 ，其他参数均不变，tensorflow 中的命令为： transpose_conv = tf.nn.conv2d_transpose(value=input, filter=kernel, output_shape=[1,6,6,1], strides=2, padding='SAME') 卷积类型是 same，我们首先在外围填充一圈 https://www.zhihu.com/equation?tex=0 ： https://www.zhihu.com/equation?tex=%5Cbegin%7Balign%2A%7D+input+%3D+++%5Cleft%5B%5Cbegin%7Barray%7D%7Bcccccccc%7D++++++++++0+%26+0+%26+0+%26+0+%26+0+%26+0+%26+0+%5C%5C++++++0+%26+1+%26+0+%26+2+%26+0+%26+3+%26+0+%5C%5C++++++0+%26+0+%26+0+%26+0+%26+0+%26+0+%26+0+%5C%5C++++++0+%26+4+%26+0+%26+5+%26+0+%26+6+%26+0+%5C%5C++++++0+%26+0+%26+0+%26+0+%26+0+%26+0+%26+0+%5C%5C++++++0+%26+7+%26+0+%26+8+%26+0+%26+9+%26+0+%5C%5C++++++0+%26+0+%26+0+%26+0+%26+0+%26+0+%26+0+%5C%5C+++%5Cend%7Barray%7D%5Cright%5D+%5Cend%7Balign%2A%7D 这时发现，填充后的输入尺寸与 https://www.zhihu.com/equation?tex=3%5Ctimes3 的卷积核卷积后的输出尺寸是 https://www.zhihu.com/equation?tex=5%5Ctimes+5 ，没有达到 https://www.zhihu.com/equation?tex=output%5C_shape 的 https://www.zhihu.com/equation?tex=6%5Ctimes+6 ，这就需要继续填充 https://www.zhihu.com/equation?tex=0，tensorflow 的计算规则是优先在左侧和上侧填充一排 https://www.zhihu.com/equation?tex=0 ，填充后的输入变为： https://www.zhihu.com/equation?tex=%5Cbegin%7Balign%2A%7D+input+%3D+++%5Cleft%5B%5Cbegin%7Barray%7D%7Bcccccccc%7D+++++0+%26+0+%26+0+%26+0+%26+0+%26+0+%26+0+%26+0+%5C%5C+++++0+%26+0+%26+0+%26+0+%26+0+%26+0+%26+0+%26+0+%5C%5C+++++0+%26+0+%26+1+%26+0+%26+2+%26+0+%26+3+%26+0+%5C%5C+++++0+%26+0+%26+0+%26+0+%26+0+%26+0+%26+0+%26+0+%5C%5C+++++0+%26+0+%26+4+%26+0+%26+5+%26+0+%26+6+%26+0+%5C%5C+++++0+%26+0+%26+0+%26+0+%26+0+%26+0+%26+0+%26+0+%5C%5C+++++0+%26+0+%26+7+%26+0+%26+8+%26+0+%26+9+%26+0+%5C%5C+++++0+%26+0+%26+0+%26+0+%26+0+%26+0+%26+0+%26+0+%5C%5C+++%5Cend%7Barray%7D%5Cright%5D+%5Cend%7Balign%2A%7D 接下来，再对这个填充后的输入与 https://www.zhihu.com/equation?tex=3%5Ctimes3 的卷积核卷积，结果为： https://www.zhihu.com/equation?tex=%5Cbegin%7Balign%2A%7D+input+%3D+++%5Cleft%5B%5Cbegin%7Barray%7D%7Bcccccc%7D+++++1+%26+0+%26+2+%26+0+%26+3+%26+0+%5C%5C+++++0+%26+1+%26+0+%26+2+%26+0+%26+3+%5C%5C+++++4+%26+0+%26+6+%26+0+%26+8+%26+0+%5C%5C+++++0+%26+4+%26+0+%26+5+%26+0+%26+6+%5C%5C+++++7+%26+0+%26+12+%26+0+%26+14+%26+0+%5C%5C+++++0+%26+7+%26+0+%26+8+%26+0+%26+9+%5C%5C+++%5Cend%7Barray%7D%5Cright%5D+%5Cend%7Balign%2A%7D 与 tensorflow 的运行结果相同。 [*]反卷积只能恢复尺寸，不能恢复数值 最后，我们要验证一下前文中提到的“如果你代入数字计算会发现，反卷积的操作只是恢复了矩阵 https://www.zhihu.com/equation?tex=X 的尺寸大小，并不能恢复 https://www.zhihu.com/equation?tex=X 的每个元素值”。 1. 正向卷积： value = tf.reshape(tf.constant([[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]]), [1, 5, 5, 1]) filter = tf.reshape(tf.constant([[1., 0.], [0., 1.]]), [2, 2, 1, 1]) output = tf.nn.conv2d(value, filter, [1, 2, 2, 1], 'SAME') 卷积的结果是： https://www.zhihu.com/equation?tex=%5Cbegin%7Balign%2A%7D+output+%3D+++%5Cleft%5B%5Cbegin%7Barray%7D%7Bccc%7D+++++6+%26+8+%26+3++%5C%5C+++++12+%26+14+%26+6+%5C%5C+++++7+%26+8+%26+9+%5C%5C+++%5Cend%7Barray%7D%5Cright%5D+%5Cend%7Balign%2A%7D 2. 我们用和正向卷积完全相同的参数对这个结果进行反卷积： input = tf.reshape(tf.constant([[6., 8., 3.], [12., 14., 6.], [7., 8., 9.]]), [1, 3, 3, 1]) kernel = tf.reshape(tf.constant([[1., 0.], [0., 1.]]), [2, 2, 1, 1]) output = tf.nn.conv2d_transpose(value=input, filter=kernel, output_shape=[1, 3, 3, 1], strides=[1, 2, 2, 1], padding='SAME') 卷积的结果是： https://www.zhihu.com/equation?tex=%5Cbegin%7Balign%2A%7D+output+%3D+++%5Cleft%5B%5Cbegin%7Barray%7D%7Bccc%7D+++++6+%26+8+%26+3++%5C%5C+++++12+%26+14+%26+6+%5C%5C+++++7+%26+8+%26+9+%5C%5C+++%5Cend%7Barray%7D%5Cright%5D+%5Cend%7Balign%2A%7D 可见，反卷积不能恢复数值，而且，在当 https://www.zhihu.com/equation?tex=stride%5Cgeq2 时，即便使用完全相同的参数进行转置卷积，输入的尺寸也不能恢复。 回复

我就尝试从工程实现的角度去解释反卷积，其实如果去读下深度学习框架的源码就可以看到，反卷积前向和后向传播的实现，恰好就是对应卷积的后向和前向传播，这里简单看下caffe反卷积层的前向实现的源码： deconv_layer.cpp http://picx.zhimg.com/v2-37f7de11a473f56c5426cccd2e9aa9d5_r.jpg?source=1940ef5c 可以看到核心计算部分其实是调用了继承自卷积层的反向传播函数：base_conv_layer.cpp http://picx.zhimg.com/v2-454daee380aeb977e7946b6b7ae15378_r.jpg?source=1940ef5c 可以看到卷积的反向传播实现就是一个gemm+col2im，所以只要理解了卷积的反向传播的计算过程，那么反卷积的前向计算过程也就懂了。 下面结合卷积运算过程的示例图解释下其前向和反向传播的计算流程： http://picx.zhimg.com/v2-26d22de9b97d18b4b285ad02d2b747a8_r.jpg?source=1940ef5c 首先看到卷积的FP计算流程，假设给定卷积输入大小是 Cin * Hin * Win， 假设卷积输出通道数为Cout，卷积核空间大小 K * K，则权值大小是 Cout * Cin * K * K，然后我们知道卷积运算的一个加速方法是转换成矩阵乘法，就是把输入通过 im2col 操作转成 (Cin * K * K ) x （Hout * Wout）大小的矩阵，然后和同样把每个输出通道对应的权值拉成向量，就可以做矩阵乘法了，可以看到乘法结果就是卷积输出结果 关于im2col的解释可参考博客： caffe im2col 详解然后看下卷积的反向传播，现在是给定输出梯度，反求输入梯度，我们知道输出梯度大小和卷积输出feature map一致，输入梯度大小和输入feature map一致，如果是3x3且步长为2的卷积且pad 为1，那么输出feature map就是大小相当于是输入的一半，那么反向传播看起来就像是把输出梯度变大到输入梯度大小的过程，是不是就和反卷积所做的事情一样了:)。 Ok，那现在来看下，卷积的反向传播怎么做的，转换成矩阵乘法之后，其求导结果和全连接层求导结果类似： SIGAI：反向传播算法推导-全连接神经网络相当于是把权值转置一下然后和输出梯度做乘法，得到输入梯度的中间结果，看图中卷积BP部分的中间结果大小是 (Cin * K * K ) x （Hout * Wout），那怎么变成 Cin * Hin * Win 呢？还记得卷积前向是首先有个im2col操作吗，那现在就是反过来，用其逆操作col2im，把中间结果的每一列 Cin * K * K 大小的向量，reshape成 （Cin, K，K）的 tensor，然后往输入梯度对应通道的对应位置上回填累加，这里首先会把输入梯度每个位置初始化为0，回填的时候是根据步长滑动回填窗口，就和卷积前向的时候，根据步长滑动卷积窗口一样。然后就完成了把输出梯度变大到输入梯度大小的过程了。 然后理解了卷积的前向和后向计算之后，再来看反卷积就很清晰了，看到下图最下面一行反卷积的前向过程和卷积的反向过程对照来看： http://picx.zhimg.com/v2-e74af6bc6cfa76837b9bf267788f0aed_r.jpg?source=1940ef5c 这里再简单画个计算流程图展示下卷积的反向传播和反卷积的前向传播过程，假设卷积和反卷积核大小都是3x3，步长为2，卷积输入大小是4x4，现在假设需要卷积输出或反卷积输入大小是2x2，则根据卷积输出大小计算公式(（ input + 2 * pad - kernel ）/ stride + 1 )则需要pad 1，则现在看下如何从2x2大小的输入反推输出4x4，为了方便理解，假设权值都是1，卷积输出梯度或者反卷积输入值都是1，输入和输出通道都是1： http://pic1.zhimg.com/v2-36287d9ef3eca2bfda7bb6a2211afd9c_r.jpg?source=1940ef5c 中间结果矩阵大小为9x4，然后把每一列reshape成 3x3 大小然后往6x6输出上累加，最后再crop出中间部分，就得到结果了。下面用mxnet简单验证下结果： import mxnet as mx data_shape = (1, 1, 2, 2) data = mx.nd.ones(data_shape) deconv_weight_shape = (1, 1, 3, 3) deconv_weight = mx.nd.ones(deconv_weight_shape) # deconvolution forward data_deconv = mx.nd.Deconvolution(data=data, weight=deconv_weight, kernel=(3, 3), pad=(1, 1), stride=(2, 2), adj=(1, 1), num_filter=1) print(data_deconv) # convolution backward data_sym = mx.sym.Variable('data') conv_sym = mx.sym.Convolution(data=data_sym, kernel=(3, 3), stride=(2, 2), pad=(1, 1), num_filter=1, no_bias=True, name='conv') executor = conv_sym.simple_bind(data=(1, 1, 4, 4), ctx=mx.cpu()) mx.nd.ones((1, 1, 3, 3)).copyto(executor.arg_dict['conv_weight']) executor.backward(mx.nd.ones((1, 1, 2, 2))) print(executor.grad_dict['data'])从下图结果可以看到打印出的反卷积前向结果和卷积的反向结果与上面计算流程图中的结果一致： http://picx.zhimg.com/50/v2-04230d188cb3a019e81a475d76cda719_720w.jpg?source=1940ef5c 相关资料： 反卷积和上采样+卷积的区别？ 回复

转置卷积定义 对于很多生成模型（如GAN中的生成器、自动编码器（Autoencoder）、语义分割等模型）。我们通常希望进行与正常卷积相反的转换，即我们希望执行上采样，比如自动编码器或者语义分割。（对于语义分割，首先用编码器提取特征图，然后用解码器回复原始图像大小，这样来分类原始图像的每个像素。） 实现上采样的传统方法是应用插值方案或人工创建规则。而神经网络等现代架构则倾向于让网络自己自动学习合适的变换，无需人类干预。为了做到这一点，我们可以使用转置卷积。 转置卷积在文献中也被称为去卷积（Deconvolution）或微步幅卷积（Fractionally strided convolution）。但是，需要指出去卷积这个名称并不是很合适，因为转置卷积并非信号/图像处理领域定义的那种真正的去卷积。从技术上讲，信号处理中的去卷积是卷积运算的逆运算。但这里却不是这种运算。后面我们会介绍为什么将这种运算称为转置卷积更自然且更合适。 我们可以使用常见卷积实现转置卷积。这里我们用一个简单的例子来说明，输入层为https://www.zhihu.com/equation?tex=2%2A2，先进行填充值Padding为https://www.zhihu.com/equation?tex=2%2A2单位步长的零填充，再使用步长Stride为1的https://www.zhihu.com/equation?tex=3%2A3卷积核进行卷积操作则实现了上采样，上采样输出的大小为https://www.zhihu.com/equation?tex=4%2A4。 http://pic1.zhimg.com/50/v2-3c7bf3111ec2ceb56adaa0af48114ed9_720w.gif?source=1940ef5c 值得一提的是，可以通过各种填充和步长，我们可以将同样的https://www.zhihu.com/equation?tex=2%2A2输入映射到不同的图像尺寸。下图，转置卷积被应用在同一张https://www.zhihu.com/equation?tex=2%2A2的输入上（输入之间插入了一个零，并且周围加了https://www.zhihu.com/equation?tex=2%2A2的单位步长的零填充）上应用https://www.zhihu.com/equation?tex=3%2A3的卷积核，得到的结果（即上采样结果）大小为https://www.zhihu.com/equation?tex=5%2A5。 http://pic1.zhimg.com/50/v2-3dfa76886b5febb44bfd57c0fbe0c8e9_720w.gif?source=1940ef5c 通过观察上述例子中的转置卷积能够帮助我们构建起一些直观的认识。但为了进一步应用转置卷积，我们还需要了解计算机的矩阵乘法是如何实现的。从实现过程的角度我们可以理解为何转置卷积才是最合适的名称。 在卷积中，我们这样定义：用https://www.zhihu.com/equation?tex=C代表卷积核，https://www.zhihu.com/equation?tex=input为输入图像，https://www.zhihu.com/equation?tex=output为输出图像。经过卷积（矩阵乘法）后，我们将https://www.zhihu.com/equation?tex=input从大图像下采样为小图像https://www.zhihu.com/equation?tex=output。这种矩阵乘法实现遵循https://www.zhihu.com/equation?tex=C%2Ainput%3Doutput。 下面的例子展示了这种运算在计算机内的工作方式。它将输入平展（https://www.zhihu.com/equation?tex=16%2A1）矩阵，并将卷积核转换为一个稀疏矩阵（https://www.zhihu.com/equation?tex=4%2A16）。然后，在稀疏矩阵和平展的输入之间使用矩阵乘法。之后，再将所得到的矩阵（https://www.zhihu.com/equation?tex=4%2A1)转为https://www.zhihu.com/equation?tex=2%2A2输出。 http://picx.zhimg.com/v2-cc98906f5dbe6129b019b66679938adc_r.jpg?source=1940ef5c 此时，若用卷积核对应稀疏矩阵的转置https://www.zhihu.com/equation?tex=C%5ET（https://www.zhihu.com/equation?tex=16%2A4）乘以输出的平展（https://www.zhihu.com/equation?tex=4%2A1）所得到的结果（https://www.zhihu.com/equation?tex=16%2A1）的形状和输入的形状（https://www.zhihu.com/equation?tex=16%2A1）相同。 http://picx.zhimg.com/v2-556e4849c9bf764fdbfb5ce84f0a204d_r.jpg?source=1940ef5c 但值得注意的是，上述两次操作并不是可逆关系，对于同一个卷积核（因非其稀疏矩阵不是正交矩阵），结果转置操作之后并不能恢复到原始的数值，而仅仅保留原始的形状，所以转置卷积的名字由此而来。并回答了上面提到的疑问，相比于“逆卷积”而言转置卷积更加准确。 转置矩阵的算术解释可参考：https://arxiv.org/abs/1603.07285 1. 棋盘效应（Checkboard artifacts） 在使用转置卷积时观察到一个棘手的现象（尤其是深色部分常出现）就是"棋盘格子状伪影"，被命名为棋盘效应（Checkboard artifacts）。下图直观地展示了棋盘效应（来源：https://distill.pub/2016/deconv-checkerboard/） http://picx.zhimg.com/v2-16146c7dc176fb6dee5a37c95ad93221_r.jpg?source=1940ef5c 本文仅做简要介绍，详细部分请参考论文:Deconvolution and Checkerboard Artifacts 棋盘效应是由于转置卷积的“不均匀重叠”（Uneven overlap）的结果。使图像中某个部位的颜色比其他部位更深。尤其是当卷积核（Kernel）的大小不能被步长（Stride）整除时，反卷积就会不均匀重叠。虽然原则上网络可以通过训练调整权重来避免这种情况，但在实践中神经网络很难完全避免这种不均匀重叠。 下面通过一个详细的例子，更为直观展示棋盘效应。下图的顶部部分是输入层，底部部分为转置卷积输出结果。结果转置卷积操作，小尺寸的输入映射到较大尺寸的输出（体现在长和宽维度）。 在（a）中，步长为1，卷积核为https://www.zhihu.com/equation?tex=2%2A2。如红色部分所展示，输入第一个像素映射到输出上第一个和第二个像素。而正如绿色部分，输入的第二个像素映射到输出上的第二个和第三个像素。则输出上的第二个像素从输入上的第一个和第二个像素接收信息。总而言之，输出中间部分的像素从输入中接收的信息存在重叠区域。在示例（b）中的卷积核大小增加到3时，输出所接收到的大多数信息的中心部分将收缩。但这并不是最大的问题，因为重叠仍然是均匀的。 http://pica.zhimg.com/v2-9a93cbac03830084b90574f017b6038b_r.jpg?source=1940ef5c 如果将步幅改为2，在卷积核大小为2的示例中，输出上的所有像素从输入中接收相同数量的信息。由下图（a）可见，此时描以转置卷积的重叠。若将卷积核大小改为4（下图（b）），则均匀重叠区域将收缩，与此同时因为重叠是均匀的，故仍然为有效输出。但如果将卷积核大小改为3，步长为2（下图（c）），以及将卷积核大小改为5，步长为2（下图（d）），问题就出现了，对于这两种情况输出上的每个像素接收的信息量与相邻像素不同。在输出上找不到连续且均匀重叠区域。 http://picx.zhimg.com/v2-6288d1734ad00c718fc814e4c7bbc985_r.jpg?source=1940ef5c 在二维情况下棋盘效应更为严重，下图直观地展示了在二维空间内的棋盘效应。 http://pica.zhimg.com/v2-de1bb8f86193666e3b0a1539d273ab32_r.jpg?source=1940ef5c 1.1 如何避免棋盘效应 [*]采取可以被步长整除的卷积核长度 该方法较好地应对了棋盘效应问题，但仍然不够圆满，因为一旦我们的卷积核学习不均匀，依旧会产生棋盘效应（如下图所示） http://picx.zhimg.com/v2-7ff8bc4321df9a9e454964fc5d0a0070_r.jpg?source=1940ef5c [*]插值 可以直接进行插值Resize操作，然后再进行卷积操作。该方式在超分辨率的相关论文中比较常见。例如我们可以用常见的图形学中常用的双线性插值和近邻插值以及样条插值来进行上采样。 http://pic1.zhimg.com/v2-8c050c97a06222cb6b2d438073191ea5_r.jpg?source=1940ef5c 2. 转置卷积的计算 输入层：https://www.zhihu.com/equation?tex=W_%7Bin%7D%2AH_%7Bin%7D%2AD_%7Bin%7D 超参数： [*]过滤器个数：https://www.zhihu.com/equation?tex=k [*]过滤器中卷积核维度：https://www.zhihu.com/equation?tex=w%2Ah [*]滑动步长（Stride）：https://www.zhihu.com/equation?tex=s [*]填充值（Padding）：https://www.zhihu.com/equation?tex=p 输出层：https://www.zhihu.com/equation?tex=W_%7Bout%7D%2AH_%7Bout%7D%2AD_%7Bout%7D （为简化计算，设https://www.zhihu.com/equation?tex=W_%7Bin%7D%3DH_%7Bin%7D%3Din，则记https://www.zhihu.com/equation?tex=W_%7Bout%7D%3DH_%7Bout%7D%3Dout） 其中输出层和输入层之间的参数关系分为两种情况： 情况一：https://www.zhihu.com/equation?tex=%28in-1%29%2As-2p%2Bk%3Dout https://www.zhihu.com/equation?tex=%5Cbegin%7Bcases%7D+out%3Ds%2A%28in-1%29-2p%2Bk%2C+%5C%5C+D_%7Bout%7D+%3D+k+%5Cend%7Bcases%7D 情况二：https://www.zhihu.com/equation?tex=%28in-1%29%2As-2p%2Bk%5Cnot%3Dout https://www.zhihu.com/equation?tex=%5Cbegin%7Bcases%7D+out%3Ds%28in-1%29-2p%2Bk%2B%28out%2B2p-k%29%5C%25s%2C+%5C%5C+D_%7Bout%7D+%3D+k+%5Cend%7Bcases%7D 参考资料 [*]A Comprehensive Introduction to Different Types of Convolutions in Deep Learning | by Kunlun Bai | Towards Data Science 回复

反卷积的理解 为了理解反卷积，我们先从1D的步长为2的简单卷积的例子开始： 长度为8的一维信号 https://www.zhihu.com/equation?tex=x ，通过长度为4的一维滤波器 https://www.zhihu.com/equation?tex=f 进行一维卷积填充得到长度为5的一维信号 https://www.zhihu.com/equation?tex=y 。 https://www.zhihu.com/equation?tex=x 中的区域表示用0填充， https://www.zhihu.com/equation?tex=f 中的灰色区域表示乘以0。 http://picx.zhimg.com/v2-c351cca61b6e270b3f18633bf8635445_r.jpg?source=1940ef5c 长度为8的一维信号x，通过长度为4的一维滤波器f进行一维卷积填充得到长度为5的一维信号y。x中的区域表示用0填充，f中的灰色区域表示乘以0。 https://www.zhihu.com/equation?tex=x 的灰色区域对 https://www.zhihu.com/equation?tex=y 值并没有贡献。图1可以看出，步幅为2的卷积是一个下采样操作。 为了理解卷积与反卷积的关系，我们查看步幅为2的裁剪转置卷积： http://picx.zhimg.com/v2-716b3a6704fc78cb258033c627fe5341_r.jpg?source=1940ef5c 图中长度为5的一维信号x_1通过长度为4的一维滤波器f_1进行裁剪卷积得到长度为8的一维信号y_1。y_1中的灰色区域表示裁剪。 图2说明了1维的裁剪转置卷积过程，这是一个上采样的操作。图中长度为5的一维信号 https://www.zhihu.com/equation?tex=x_1 通过长度为4的一维滤波器 https://www.zhihu.com/equation?tex=f_1 进行裁剪卷积得到长度为8的一维信号 https://www.zhihu.com/equation?tex=y_1 。 https://www.zhihu.com/equation?tex=y_1 中的灰色区域表示裁剪。 注意到图2的 https://www.zhihu.com/equation?tex=f_1 是图一的 https://www.zhihu.com/equation?tex=f 的转置; 由于转置矩阵，填充卷积变成了裁剪卷积。图二的整个过程相当于图一过程的反向传播，所以转置卷积又叫做反卷积。而在神经网络中，卷积层和反卷积层的梯度就由此求出：内核w定义了前向传递的矩阵 https://www.zhihu.com/equation?tex=C 和后向转置的矩阵 https://www.zhihu.com/equation?tex=C%5ET , 误差是通过将损失与转置权重矩阵相乘来反向传播的。 注意图2的计算过程， https://www.zhihu.com/equation?tex=x_1 与 https://www.zhihu.com/equation?tex=f_1 计算两次才滑动一次，步幅应该算1/2，因此反卷积又叫做分数步幅卷积。 通过以上的分析可以知道，反卷积其实就是一种特殊的卷积，完全可以用直接卷积来替代反卷积。 反卷积的推导 刚刚举了一个较为简单的例子，现在进行简单地推导。把图像展开成一维向量之后，情况就和上一节提到的一样。 假设输入图像input为4×4的矩阵： http://picx.zhimg.com/50/v2-b74ea5852afb88c470c4897d49fdf04f_720w.jpg?source=1940ef5c 卷积核kernel为3×3的矩阵： http://pic1.zhimg.com/50/v2-e8c59c168dd5c6b68d43c0c9203bfd23_720w.jpg?source=1940ef5c 在步长strides=1，填充padding=0的情况下，按卷积公式计算得输出图像尺寸为2×2。 即： http://pica.zhimg.com/50/v2-6cd8aa28f520ce561f3ccbb5dbacfc65_720w.jpg?source=1940ef5c 现在把input展开成列向量 https://www.zhihu.com/equation?tex=x ，output展开成列向量 https://www.zhihu.com/equation?tex=y ，则： http://pic1.zhimg.com/v2-82794ad8c2b9247533a3023d4aea15cd_r.jpg?source=1940ef5c 那么卷积操作就可以用矩阵乘法来描述： http://picx.zhimg.com/50/v2-f369afaff4dbca2188273707e2634282_720w.jpg?source=1940ef5c 这个权重矩阵 https://www.zhihu.com/equation?tex=C ，我们可以推导出来，是一个稀疏矩阵： http://picx.zhimg.com/v2-ccea1620e1972da8d021c5acdd582b36_r.jpg?source=1940ef5c 而反卷积操作就是要通过 https://www.zhihu.com/equation?tex=C 和 https://www.zhihu.com/equation?tex=y 得到 https://www.zhihu.com/equation?tex=x ，则反卷积操作可以写成： http://pic1.zhimg.com/50/v2-fbe266d6deb0e11008208ba67f59ec85_720w.jpg?source=1940ef5c 反卷积图像尺寸变化的公式： http://picx.zhimg.com/v2-ae7b05814e493ee80e2a2e277ed060bb_r.jpg?source=1940ef5c 其中， http://pica.zhimg.com/50/v2-0a60d8ab8f68932e4ddf8fe6f8038cf7_720w.jpg?source=1940ef5c 反卷积的等效性 为了加深对反卷积的理解，给出以下几种情况以更加直观地感受反卷积，感受卷积与反卷积的等小型。 [*]无填充、单位步幅的卷积对应的反卷积 正向卷积，考虑一个3×3的核在4×4输入上的卷积，具有单位步长和无填充(如i=4,k=3,s=1和p=0)。这时会产生2×2的输出： http://picx.zhimg.com/v2-8f0261dd9a9c69f6846b24e0fc341f09_r.jpg?source=1940ef5c 一个3×3的核在4×4输入上的卷积，具有单位步长和无填充(如i=4,k=3,s=1和p=0) 反向这个卷积，输入2×2时会有4×4的输出。 反向卷积可以通过使用单位步幅在2×2输入上卷积3×3的核得到2×2的输出，该输入填充有2×2零边界(如i’=2,k’=3,s’=1和p’=2)： http://pic1.zhimg.com/v2-80519929eb3fc22cb02d16f06e6a502b_r.jpg?source=1940ef5c 使用单位步幅在2×2输入上卷积3×3的核得到2×2的输出，该输入填充有2×2零边界(如i’=2,k’=3,s’=1和p’=2) 可以看到，内核和步幅的大小保持不变，但反卷积的输入现在是零填充的，这时反卷积相当于填0后得到一个更大尺寸的输入，然后再正向卷积。 [*]半填充，单位步幅的卷积对应的反卷积 假设半填充卷积的输出大小与其输入大小相同，可以合理预期半填充卷积的转置的等效卷积本身就是半填充卷积。 使用半填充和单位步长（即，i=5，k=3，s=1和p=1）在5x5输入上卷积3x3内核的反向传递等效于使用半填充和单位步长（即i'=5,k'=k,s'=1和p'=1）在5x5输入上卷积3x3内核。 http://picx.zhimg.com/v2-5d9f3b600192dde0b958768593d12dc4_r.jpg?source=1940ef5c 使用半填充和单位步长（即，i=5，k=3，s=1和p=1）在5x5输入上卷积3x3内核的转置。它等效于使用半填充和单位步长（即i'=5,k'=k,s'=1和p'=1）在5x5输入上卷积3x3内核。 [*]全填充，单位步幅的卷积对应的反卷积 知道无填充的转置等效卷积涉及全填充操作（情况1），那么也很容易推出：完全填充卷积的转置等效是非填充卷积。 使用全填充和单位步幅（即i=5,k=3,s=1和p=2）对5x5输入卷积3x3内核： http://pica.zhimg.com/v2-923354210d59080736db08a3379d7aa1_r.jpg?source=1940ef5c 使用全填充和单位步幅（即i=5,k=3,s=1和p=2）对5x5输入卷积3x3内核： 上述操作的反向传递等效于使用单位步幅（即i'=7,k’=k,s'=1和p'=0）在7x7输入上卷积3x3内核： http://pica.zhimg.com/v2-6891c69ad0c6db8f0d83b013c70e5c50_r.jpg?source=1940ef5c 使用单位步幅（即i'=7,k’=k,s'=1和p'=0）在7x7输入上卷积3x3内核 [*]无零填充、非单位步幅的卷积对应的反卷积 使用2×2步长（即i=5，k=3，s=2和p=0）在5×5输入上卷积3x3内核： http://pic1.zhimg.com/v2-e0777fc0ac4798d628d3e32fcd67f7f3_r.jpg?source=1940ef5c 使用2×2步长（即i=5，k=3，s=2和p=0）在5×5输入上卷积3x3内核： 它的反向传递等效于在2x2输入（在输入之间插入1个零）上卷积3x3内核，使用单位步长填充2x2零边界（即，i'=2,i''=3,k'=k,s'=1且p'=2)。 http://picx.zhimg.com/v2-13947e32c7c5803e9c50d4f684b58636_r.jpg?source=1940ef5c 在2x2输入（在输入之间插入1个零）上卷积3x3内核，使用单位步长填充2x2零边界（即，i'=2,i''=3,k'=k,s'=1且p'=2) 可以看出，通过在输入矩阵的元素间插入0使核以比单位步幅更慢的速度移动。所以反卷积又叫分数步幅卷积。 使用2x2步长（即i=5，k=3，s=2和p=1）对5x5输入填充1x1零边界的3×3内核： http://picx.zhimg.com/v2-b39c61081e39ddc506566e89d7e8abc1_r.jpg?source=1940ef5c 使用2x2步长（即i=5，k=3，s=2和p=1）对5x5输入填充1x1零边界的3×3内核 它的反向传递相当于使用单位步幅（即，i'=3,i''=5，k'=k）在3x3输入（在输入之间插入零）上卷积3x3内核，并填充有1x1的零边界,s'=1且p'=1)： http://picx.zhimg.com/v2-5160e090b22df3407a385266e53a6d15_r.jpg?source=1940ef5c 使用单位步幅（即，i'=3,i''=5，k'=k）在3x3输入（在输入之间插入零）上卷积3x3内核，并填充有1x1的零边界,s'=1且p'=1) 使用2x2步长（即，i=6，k=3，s=2和p=1）在填充有1x1零边界的6x6输入上卷积3x3的核： http://picx.zhimg.com/v2-bbe1c7f7ae2f2f22e05952af97951cfb_r.jpg?source=1940ef5c 使用2x2步长（即，i=6，k=3，s=2和p=1）在填充有1x1零边界的6x6输入上卷积3x3的核 它的反向传递相当于：使用单位步幅在2x2输入（在输入之间插入1个零）上卷积3x3内核，该输入填充有1x1零边界（我在底部和右侧边缘添加了一个大小的额外边界）（即，i'=3,2'=5,a=1，k'=k,s'=1且p'=1） http://pic1.zhimg.com/v2-06f18247a23277e0d9fa1571709c6a99_r.jpg?source=1940ef5c 使用单位步幅在2x2输入（在输入之间插入1个零）上卷积3x3内核，该输入填充有1x1零边界 反卷积与棋盘伪影 棋盘伪影为什么会产生？ 当内核大小（输出窗口大小）不能被步幅（顶部点之间的间距）整除时，反卷积具有不均匀的重叠。 http://pica.zhimg.com/v2-e06d6fe5585f0ac8a54f69a9dcc97ca9_r.jpg?source=1940ef5c 重叠图案也以二维形式形成。两个轴上的不均匀重叠相乘在一起，形成了不同大小的典型棋盘状图案： http://picx.zhimg.com/v2-a778078622660afde1c20d69137a94fe_r.jpg?source=1940ef5c 从上图可以看出，不均匀的重叠在两个维度上往往会更加极端，因为这两个图案相乘，所以不均匀度会平方。例如，在一维中，步幅为2，大小为3的反卷积的某些输出的输入数量是其他的两倍，但在二维中，这变成了四倍。 现在，神经网络在创建图像时通常使用多层反卷积，从一系列较低分辨率的描述中迭代构建更大的图像。虽然这些堆叠的反卷积可以消除伪影，但它们通常会复合，在各种尺度上产生伪影： http://pic1.zhimg.com/v2-5c3eee1b9108b68a9876a293aa95dc5d_r.jpg?source=1940ef5c 如何抑制棋盘伪影？ 一种方法是确保使用除以步幅的内核大小，避免重叠问题。这相当于“亚像素卷积”。然而，虽然这种方法有帮助，但反卷积仍然很容易陷入创建伪影。 另一种方法是将上采样到更高分辨率从卷积中分离出来以计算特征。例如，可以调整图像大小（使用最近邻插值或双线性插值），然后进行卷积层。 http://pic1.zhimg.com/v2-1ca92cdb7cd57c9c5139f5aa608612b4_r.jpg?source=1940ef5c 参考 https://arxiv.org/abs/1609.07009 https://arxiv.org/abs/1603.07285 https://zhuanlan.zhihu.com/p/48501100 https://distill.pub/2016/deconv-checkerboard/ https://blog.csdn.net/rotk2015/article/details/102500371 回复

专家已经逐渐脱离底层人民的生活了； 都说世人慌慌张张，不过碎银几两，偏偏这碎银几两，能解世间万种慌张； 如果可以不为了钱发愁，那谁不愿意选择一个自己喜欢的工作呢？ 根据脉脉最近的一份报告数据显示，即使是年轻化、高知化的Z时代，薪酬福利仍然是求职者考虑的第一因素，占比高达66.9%； http://pica.zhimg.com/v2-d2509d7b0eb1b061490548cffaf3a8a2_r.jpg?source=1940ef5c 现实一点来说，我们所住的房子、开的车子、吃的饭、买的菜、穿的衣服、水电燃哪一样不需要用钱解决？ 再往精神层面上讲一讲，我们所读的书、上的学、汲取到的知识，哪一个又不需要钱来解决呢？ 虽然说钱不是万能的，但是没有钱是万万不能的； 没有钱就意味着可能过上吃不饱穿不暖的生活，没有钱就意味着连生病都可能吃不起药，没有钱就意味你…… 的确，钱确实很重要，但是老话说到“君子爱财，取之有道”，赚钱也需要凭借着自身的努力付出而获取； 作为普通人可能赚不到大钱，但是还赚不到小钱吗？在现在这个社会，只要你肯付出就一定会有收获，无论是去工地搬砖、送外卖、送快递、还是当保洁人员，你都可以获取一份不错的收入； 但是对于当代年轻人来说，小编还是更建议从技能出发，从长远出发，获取一份能够产生复利且持续性的收入； 特别是随着远程办公模式在我国的兴起，大家想要找到一份远程岗位也并不难，这里小编耗时1天整理出了七大类适合长期发展的工作，并附有工作机会的平台，希望能帮助到大家； 全文内容5700+，建议点赞+收藏，防走丢！！！ 在分享工作前先为大家分享一个综合类的远程工作平台——甜薪工场-灵活用工-自由职业平台-岗位兼职外包 综合类工作平台的好处在于上面有各种远程工作机会，无论是文案写作、视频剪辑、策划设计、市场运营还是web前端、Java工程师等IT程序员都可以在这里找到远程工作机会； 作为一个聚合工作需求方与自由职业者的远程工作服务平台，凭借从业人力资源10余载的丰富经验，吸引了20w+的远程工作人员。 http://pica.zhimg.com/v2-26d1ddf0a936929f6e4bcb40389cd8cc_r.jpg?source=1940ef5c 重要的是平台免费注册，不收取任何押金、会费等； 对远程办公人员、自由职业者及远程工作者都很友好，全日/半日工作时间灵活选择，在平台注册成为工作者之后，上传简历并在【热招职位】选择自己青睐的岗位投递即可， 通过筛选后会有专人电联为你服务，引导后续的工作安排，另外平台的资金托管服务也让平台的远程工作者们更有保障；大大降低了公司跑路的情况，避免出现“被白嫖” 只要你有相关经验，可接受远程工作的均可入驻成为工作者，选择适合自己的工作↓↓↓ 甜薪工场-灵活用工-自由职业平台-岗位兼职外包好了，接下来我们进入正题： 一、写作类 通过文字来赚钱是一种非常常见的方式，而且写作是一种随着经验提升、年纪增长而文字单价也越来越高的方向，像新闻专业、中文专业等都非常适合；这里总体分为几大类； 1、入驻自由职业者平台 这种综合类自由职业者平台上有很多靠谱的远程工作，上面的文案写作需求也非常的多，只需要入驻后选择适合自己的即可； 这类平台有甜薪工场-灵活用工-自由职业平台-岗位兼职外包、upwork、Fiverr、freelancer、小蜜蜂、圆领等，大家可以自行了解，选择出最适合自己的，当然也可以多平台入驻，获取更多机会； 2、投稿平台 在写作行业中，有一批专门为征稿投稿而生的网站，这里有着丰富的长高需求，你可以通过报名征稿信息来获取收入，也可以发布原创稿件，通过售卖稿件的方式来赚取收入； 这里有小马稿件、易稿、稿稿、中国撰稿人基地、中国写手之家…… 3、公众号投稿 除了上面说的头发搞平台外，其实还有很多公众号也有这投稿需求，另外还有一些公众号专门分享投稿需求； 这里有写手圈、有书、十点读书、约稿投稿平台、投稿小能手、投稿正文驿站、约稿投稿小助手等…… 4、小说类网站 小说也是典型的靠写作赚钱的方式之一，如果你擅长写小说还可以去专门的小说网站通过签约或连载小说来赚取收入； 这里也简单分享几个小说平台：晋江文学城、起点中文网、番茄小说网、书旗小说、书旗小说、创世、纵横…… 二、设计类 设计包含了海报设计、logo设计、室内设计、店铺设计、UI设计等多种设计，最常见的还是平面设计啦； 1、平面设计 懂平面设计的朋友可以尝试这类工作，设计也是一个非常适合远程工作或发展为自由职业的方向，初期可以通过帮人作图的方式练练手，收入也还可以。 有下面这些适合设计的渠道仅供参考： 1、甜薪工场-灵活用工-自由职业平台-岗位兼职外包：综合类平台，包含海报设计、室内设计、UI设计等多种远程工作机会； 2、站酷：深耕设计领域十五年,聚集了1400万设计师、摄影师、插画师、艺术家、创意人，可接单 3、千图网：包含矢量图素材、背景图片素材、矢量图库、psd素材、字体模板、设计素材、PPT模板、视频素材、插画绘画、平面设计模板、Excel模板素材等多种需求，入驻成为设计师即可，有人下载或接单均可 4、UI中国：有专门的招聘专栏，也有设计大赛可以赚钱 5、视觉中国：坐拥1300万用户，可入驻成为设计师 6、站酷海洛：入驻成为设计师可以通过作品赚钱 7、站酷：聚集了1400万设计师、摄影师、插画师、艺术家、创意人,有专门的职位区域 8、FOTOR懒设计：有海报,PPT,邀请函,banner,名片,logo等多种类型的需求 2、自由插画师 对会画画的朋友非常友好；如果你不会但对绘画感兴趣也可以，现在网上免费教程那么多，学点技巧，自己设计些头像、小表情完全不在话下。 主要工作包括替书籍、杂志、报纸、说明书、小说、教科书等刊物绘制插画、封面，也从事绘画贺卡、广告、喷画等，分为电子插画和纯手绘。 在自媒体平台，小红书、抖音、B站，加上标签吸引流量，发布多了就会有人来找你约稿的。 3、PPT设计 PPT制作不难，很多非设计出身的朋友在做这个，有固定的客户，每个月两、三千不成问题，大部分创作者都能获得几百上千的收益。 这里也有三个平台推荐：稻壳儿网、演界网、变色龙 三、新媒体运营 这里包含了新媒体运营和自媒体运营两种方式，都是可以通过自己运营账号来涨粉引流获取收入，但是前期可能会比较难，更适合有想法、有耐心、能够持续输出内容的人来做，这里也按照平台分享几类： ① 小红书平台： 以种草分享为主的社区，你可以分享自己感兴趣的知识、好物等内容来引流涨粉，达到一定的粉丝基础就能够通过接广告来赚钱； ② 抖音平台 通过视频内容创作来引流涨粉，达到一定的粉丝基础后就可以接广告变现，也可以通过直播打赏的方式来获取收益； 但前提是你真的有良好的内容创作内容，能够吸引到优质的粉丝群体；像很多做壁纸的、做头像的、分享日常有趣生活的、恶搞的、技术流的都还不错； ③ 知乎 没错，就是你在看的知乎哦，知乎中也有不少靠写作赚钱的方式，比如说好物推荐、盐选专栏、视频收益、回答红包问题…… ④ 百家号 是百度为创作者打造的集创作、发布、变现于一体的内容创作平台，根据内容的阅读量进行分成奖励，平时还会有一些活动，适合有专业知识和创作能力的朋友； ⑤ 头条号 字节跳动旗下的自媒体平台，有视频和文字两种方式，同样是根据阅读数据来获取创作收益，不过头条是通过智能推荐引擎对这些优质内容进行精准分发，使其获得更多曝光； ⑥ 搜狐号 搜狐号也是典型的自媒体平台之一，同样是根据内容创作获取收益的，搜狐号中包含了创作激励收益、传播奖收益、活动收益、视频收益、短内容收益、打赏收益等多种形式，有了一定的粉丝 ⑦ 公众号 公众号现在其实并不太适合个人去做了，因为微信的闭环性，微信公众号的内容很难传播出去，所以做一个新号涨粉到能够接广告的地步还是很难的，需要结合各个自媒体平台来做； 前面也说了，这类平台在前期是比较困难的，可能会遇到付出和收获不成正比的情况，如果你认为前期坚持不了、或者不想自己做账号，但是有一些运营经验的话，那么也可以选择为企业做运营的方式来变现； 甜薪工场-灵活用工-自由职业平台-岗位兼职外包四、IT程序员 “秃头”的代名词，每天沉浸在敲代码的世界； 市场中对于程序员类的岗位需求其实一直都是比较稳定的，毕竟越来越多的人有了打造私域的意识。但是IT程序员对于技能的要求非常高，比较适合有一定基础的朋友们； 没有基础如果感兴趣也可以多在市面上找找相关资源，比如B站、基数论坛等都有很多免费的学习资源，学起来吧！ 1、Java后端程序员 后端程序员主要实现业务逻辑并提供前端使用的接口，Java是最常用的，但是还有其他相对小众的语言，例如Python，Ruby on Rails，PHP等，以及小型网站经常使用的PHP。 无论使用哪种语言，都不难学习，该区域的需求相对较大。 2、WEB前端程序员 主要是JavaScript，CSS，jQuery等，近年来，我们在浏览器方面一直关注用户体验，浏览器方面变得越来越耀眼，因此也非常受欢迎。 3、测试工程师 从技术上讲，这不是必需的，但它需要测试知识、设计测试用例、准备测试数据和执行测试的能力。 4、PHP开发 一种开发语言，常用于网站开发使用，是在服务器端执行的脚本语言，尤其适用于Web开发并可嵌入HTML中。 五、后期剪辑类 短视频的崛起让视频后期剪辑也成为了一大热门岗位，很多视频剪辑师都抓住红利成为了一名自由职业，没抓住的也不要放弃，现在的视频后期岗位的需求也非常的大， 各行各业都能够看到视频剪辑需求，技术熟练了，掌握范围更广了，变现也很快。如果你不仅会后期剪辑、还会拍摄、会运营，那么你的身价也会水涨船高的； 甚至可以运营自己的账号；运营的好的话，可以实现商业变现，轻松获得睡后收入。 1、影视工业网：泛影视垂直社群，为影视从业者提供行业最新资讯、设备购买、影视教育、电影人扶持、资源对接、影视招聘等服务。 2、红动中国：专业设计素材服务平台，能够入驻出售自己的视频模板 3、新CG儿：为广大影视后期设计师打造相互交流、分享作品与经验的互动平台；同时还提供了免费AE模板素材下载和国内外佳作供学习与参考。可以在这里展示自己的作品，吸引甲方爸爸们 4、牛片网：一个短视频交易平台，上面有各种需求 5、淘宝\咸鱼：搜索剪辑就能找到很多店铺需求，可以私聊客服合作 6、豆瓣贴吧：有很多视频剪辑或AE/PR等小组，有很多人会发布需求，选择靠谱合适的合作即可 六、摄影投稿 适合平时喜欢拍照的朋友，将自己拍好的照片上传至摄影网站进行售卖，可以自学一些摄影技巧，因为有一定摄影方面的专业技术，可以提高照片在网站的审核通过率。 这里分为手机端和电脑端分享了几个平台： 手机端：500px、图虫 电脑端：美好景象、壹图网、锐景创意 七、PPT制作 PPT设计不难，我有很多非设计出身的朋友在做这个，有固定的客户，每个月两、三千不成问题，大部分创作者都能获得几百上千的收益。 而且设计的PPT不需要多高端复杂，商业类简约的PPT设计需求会偏多一些，设计好之后上传至平台，设置下载单价，有人使用就可以获得收益。 这里也有三个平台推荐： 1、稻壳儿网：这个大家应该都不陌生吧，很多人甚至还用过，有各种各样Word、PPT、图片等制作需求 2、演界网：入驻成为设计师，提供模板，有人下载就会有收益，另外平台还有一些定制服务； 3、变色龙PPT：入驻成为设计师，同样可以通过模板下载和定制服务获取 除了上面的平台，这里了小编也分享一些甜薪工场正在热招的职位，如果有你适合的那就赶紧到甜薪工场注册投递吧，没有也没关系，后面甜薪工场还会持续更新岗位信息，建议持续关注哦； 岗位一：编导剪辑 岗位职责： 1、主题策划：直播、线上线下会 2、短视频剪辑呈现配合 3、传播策划及执行 4、配合嘉宾完善发言稿脚本、客户反馈访谈及案例提炼 5、知识付费类产品市场调研配合、产品优化配合 6、对企业管理咨询及培训行业有兴趣 岗位要求： 1、学习能力强 2、中文或新闻、商科类专业优先 3、文案能力、沟通能力、需求解构能力 4、1年以上相关工作经验 岗位二：短视频脚本 岗位职责： 剧情号和一些口播号的短视频脚本，大致分为： 1、姐弟恋，风格主打40岁姐姐和奶狗弟弟的一日恋爱，街上认识个人然后上去搭讪，最后谈恋爱这样的恋综 2、主要要打造独立、会赚钱、年轻、美丽、抗衰成功的40岁姐姐形象 3、口播短视频脚本，对标账号：虞美人于文红； 任职要求： 能力优秀者薪资可以谈，工作量根据产出速度自己把控，可协商。 岗位三：装修平台文案 岗位职责： 配合客户设计一个平台，平台主要是对接装修工人和业主，提供文案支持 任职要求： 全职岗位，需要时间充裕，有装修文案经验，多年文案经验，发简历和作品集面试 辛苦整理了很久，都是压箱底的干货，如果对你有用的话，记得帮我点个赞，给我一点鼓励。 在这里也想提醒一下大家，任何一上来就让交钱的工作都是骗子！ 希望大家都能找到适合自己的工作，持之以恒，收获满满。 最后，欢迎每一位优秀的工作者加入！↓↓↓ 甜薪工场-灵活用工-自由职业平台-岗位兼职外包 回复

断章取义博人眼球的话，不仅可以引起人们的反感和口诛笔伐。 还可以让真诚求解，想知道答案的人很困惑。 其实，你有在这困惑的功夫，去把完整的视频看完，就不会困惑了。 人家说的很清楚，如果你没有经济压力，没有迫切要挣到钱的压力的话，在 一份明显很有前途，而且你也很热爱，但钱相对少一些的工作，和 钱多但没啥前途你也不喜欢的工作 之间，应该选前者。 这话有什么问题吗？ 会让你困惑吗？ 当然不会！ 但，这句话的最大问题就是，太TM正确了，以至于毫无用处。 这句话，具体到某个应用场景下就是，一家著名的上市公司，愿意给你开五千块的起薪，让你去做基础的运营工作，有完整的培养计划和晋升空间，你在公司里肉眼看得到，比你工作年限长，职级高，工作做得好的各个级别的人，收入都非常不错。 同时本地的一家创业三年的小公司，人员规模只有二十多人，人员离职率非常高，基本上一年多时间，公司的员工除了老板，其余都能置换一遍，也没啥主营业务，老板拿到啥订单就做什么。这家公司给你开了一万块钱，并且给你安了一个总经理助理的职位，让你来打杂，说白了就是啥活儿都干。 你会选择哪个？ 相信，是个理性人，都会选择前者，而且就算他非常缺钱，急需用钱，也会宁愿先找人借钱，然后选择去前者。 问题就在于，给出建议的人，设置了如此理想的抉择情况，以至于是个人都知道怎么选。 但现实往往是，在一堆工资也不高，看起来也没啥前途，工作环境一泡污，工作内容极度无聊的工作里，挑来挑去。 而那些能拿到好工作的人，根本不需要别人给他建议，他一开始就知道选哪个。 http://picx.zhimg.com/v2-abaa6520a5ac33e1e9438438c3db2814_r.jpg?source=1940ef5c 回复

目前的情况而言，或许尽早开始赚钱对于多数人是一个较为明智的选择。 如果是在一个增量市场，未来的增量会大得多，并且有很多新的行业都还处于朝阳阶段。那么年轻人可以暂时选择不要求特别高的工资，选择去这些行业奋斗，等到行业发展到一定程度，开始吃行业红利。 比如对于50/60/70后的房地产，60/70/80后的互联网，80/90后的短视频/自媒体等等。如果在早期抓住了机会，就算在行业内部或许不算什么，但是和其他行业比起来，那还是一个天上一个地上。 反之，对于存量市场而言，蛋糕的大小基本确定，虽然各行业之间还是存在一定的薪水差距和稳定性差距，但是工资的增长更多趋于稳定。甚至还会面临就业难度加大，裁员风险加大等危机。并且目前的态势发展下去，可能面临竞争越来越内卷结果。这些年以来每年都是最严峻的毕业季，就是如此。 回复

找工作就跟买手机一样。 买手机你考虑什么？性能、配置、质量、价格、性价比、耐用程度、外观、品牌口碑……很少有人为了价格便宜就买杂牌手机甚至老人机。 找工作，月工资、劳动时长、劳动强度、小时工资、离家远近、社会地位、单位形象、稳定程度…… 前几年这边曾经有过女大学生应聘环卫局挑粪工。为什么呢？事业编。 山会上乞讨者几天就能要到上万元，正常人有几个会干？ 工资是重要因素，但不是唯一。 回复

年轻人如果你没有什么压力，家里不愁吃穿，总一句话就是你自己照顾好你自己就可以的，为了理想，兴趣选择工作，实在不行就搞个编制到老 如果你家里都依靠你养家糊口的，这个读书这个身体不好的，那就没办法了只能为了钱……不过奉劝，绝境中，还是选择一个有未来的职业奋斗 回复

题主想问的可能是「没有文凭就一定没前途吗」，毕竟读书能和前途直接挂钩的，也就只有那一纸文凭了。 文凭对学历的影响可小可大，没有高学历未必是硬伤，但没有学历真的是硬伤，出了社会很难找到一份正经工作，何谈前途。 人才市场里人挤人，想要被人一眼看到，至少要有一个突出亮点，或者是在大厂实习或工作过，或者是有良好的学历教育背景。 普本及以上＞大专＞高中及以下，普本和985、211的差距还好说，但专科以下真的太难了。一般在职场里根本看不到专科以下的学历，站在企业的角度，如果我有选择第一的实力，为什么要选择第二？ 说句难听的话，读书不是为了真正的读书，而是寻找出路。当真的有了出路之后，读书才会变得更加纯粹。读书无用的高谈阔论，也是在找到出路之后才能如此云淡风轻。 对于大多数而言，读书一定是有用的，因为读书几乎是唯一的出路。 回复

为什么读不了书？是因为觉得书的内容太难，自身智力无法理解记忆的问题还是不相信读书有用，不专心不重视的学习态度问题？ 如果是因为读书太难无法理解的话，可以提前去学习一门技艺，毕竟三十六行，只要你肯吃苦坚持，总有一门行业能够适合你，让你养家糊口。但是没有理论的支持，想赚大钱有大前途的话，几率还是微乎其微，毕竟时代不同了。 如果是因为学习态度的问题，我觉得有前途的可能不大，因为每一行都要吃得哭苦、不三心二意、耐得住。 回复

有门路的读书就是浪费时间 回复

不是有这么一个地狱笑话吗？ “你看人家比你聪明，比你有钱，比你漂亮，tmd还比你努力” 有些事情是努力了也没回报，但是你不努力那是一定别想有回报 回复

肯定不一定啊 这个世界没有什么是一定的，一定的就是变化本身 但读书大概率有前途，不读书大概率没前途，要这么说 回复

这是美国的传统文化传承值得美国继续发扬！把国家当自己的就是资本主义的本质！ 回复

小米在印度的市场地位还是很顶的，常年排名第一，Manu确实功不可没，也算是功成身退了 回复

你看看去年有好多企业都减少甚至都退出印度市场了，可见这个市场烂透了[我想静静][我想静静] 回复

转发了 回复

这个倒是不用太担心，爱沙尼亚的美军距离圣彼得堡就一百多公里，可以试试看的。 因为这种事情从来没有发生过，所以就看俄罗斯敢不敢真的玩一次。简单来说就是用你的命来一场游戏，很刺激，好爽的！ 核武器使用的基本逻辑，美国不会等到核弹打到乌克兰英国法国再做反应。先手很重要，你俄罗斯开始点火，美国也会同时点火，你俄罗斯发射，美国也会同时发射，谁知道你会打谁？ 俄罗斯的萨尔玛特在做实验之前也是通知美国的，但是朝鲜这家伙经常不通知，但是他手里那点东西，还真不用太担心。 这个同时点火可以试试，让俄罗斯示范一次看看，没有具体表现，只能说是猜测！ 核弹会以导弹做载体，在现在的卫星监控的下，只要核导弹升空了，谁都不知道会飞往哪里。俄的核导弹升空了，全世界包括中国的核打击都会瞬间丢到莫斯科。这时候就看东风快递是不是名副其实了？ 还有这个不能确定，所以最好俄罗斯可以亲自给大家示范一下，看看他会不会被炸！ 这个很刺激的哦，可以玩一下这个游戏哦，就是赌，赌美国中国英国法国印度巴基斯坦等国有没有反应，就是各核武国突然收到了俄罗斯核武器发射的消息，接下来大家会不会也发射？ 实际上这就是一个心理博弈，美国已经跟上了，我们要不要动手。实际上，俄罗斯发射的消息最多一两分钟，就会传到各国的首脑耳中，这时候一定很有趣的！ 这个真的是现实中的俄罗斯轮盘，用自己的命来玩，很刺激的哦！还有一颗小型的战术性核武器是毁灭不了基辅伦敦巴黎这种大城市的，俄罗斯现役最大当量的弹头为R-36M2上的8F021B核战斗部，75万吨当量。白杨、亚尔斯的战斗部当量为55万吨，这些最大当量的多来十个应该够了。（不要想着什么大伊万，这个东西早就已经用掉了，要现在造，成功至少要一年以后了，而且这个必须用重型轰炸机才能带的动） 还有绍伊古的女儿和女儿的男朋友最近在迪拜（还住在凯撒宫，真有钱啊），梅德韦杰夫的儿子称被美国驱逐出境，普京的老婆孩子在瑞士。就这几个人，我是不相信他们敢玩命。如果是斯大林和赫鲁晓夫的话，我会相信，因为他们两个儿子真的都在前线。你就算是女儿不能去前线，好歹可以不出门啊，现在还出去旅游啊。 如果这群人都玩俄罗斯轮盘的话，我怀疑对面也会接上，你要赌命，我就陪你。 但是说实话，我看扁这三个人不敢使用核武器，在战争阶段，还能让自己的子女大肆享受的这种权贵，哪比得上赫鲁晓夫和斯大林啊？只不过普京的爷爷的确是斯大林的厨师，赫鲁晓夫也应该吃过他烧的饭。普京也可以考虑当个厨师。就在这几天莫斯科有一个游行示威，要求核弹轰炸华盛顿，然后就被当地警方给驱散了！我总感觉不会用，但是希望来个意外惊喜。 只要乌克兰军队不进攻俄罗斯国土，这批人是不会使用核武器的。 假设俄罗斯权贵中出现了一个人提出要使用核武器，我估计普京第一个冲过去把他打死。我还要享受荣华富贵，你敢这样，我就打死你。 如果俄罗斯真的使用核武器的话，我就会想到底是谁杀死了普京和绍伊古，抢夺了核武器的发射箱？ 所以我们还是静静的等待吧，等到什么时候普京被打死了，俄罗斯就可能会使用核武器了！ 只不过说一千道一万，如果俄罗斯真的使用核武器，这时候就看剩下的核武大国怎么反应了，到底是这件事就这么过去了，还是打死他。 1995年1月25日早晨7时24分，美国和挪威的科学家在挪威西北海岸的安多亚航天中心发射了一枚[黑色勃朗特]型四级探空火箭。火箭上载有各种科学仪器，用来采集欧洲大陆最北端的斯瓦尔巴群岛上空北极光的相关数据。为了避免引起误会，两国分别通知了包括俄罗斯在内的30多个国家，将这次发射的时间和目的都做了说明。但不知道是什么原因，俄罗斯政府未把这次火箭发射试验的消息传递到俄罗斯军方一线雷达预警部队。导致一线战备值班官兵对科考火箭发射一无所知。 火箭发射后，急速攀升到1450公里的高度。这时，位于摩尔曼斯克的俄军雷达捕捉到了火箭的轨迹，雷达操作员根据速度和飞行轨迹，辨识为美军部署在巴伦支海的战略核潜艇上发射三叉戟导弹。 俄国高层如临大敌，叶利钦第一次激活了他的核按钮手提箱，在俄国乃至前苏联历史上，这是第一次，也是唯一的一次。俄国核武装力量全面进入警戒，准备随时向美国进行核反击。 当时俄高层判断美国不会没有征兆的向俄罗斯发动核打击。所以选择继续观察。20多分钟后，科考火箭落海，俄罗斯解除了核反击警戒。随后叶利钦向全世界宣布，他任上第一次使用了核按钮手提箱。 回复

核冬天能让美国亡国，但能让俄罗斯灭种。 两个核大国谁更靠北这还用说吗？ 什么？不会有核冬天？那谁敢保证啊？哪个专家？ 回复

一个非常简单的道理 如果俄罗斯发射核弹打击乌克兰而其他四常无动于衷，那么现在这套建立在核威慑上的世界秩序会被瞬间打破。 所有比邻拥核大国和五常有争端的小国都会吸取乌克兰的教训，不惜一切代价搞核武器。 原因也很简单，是个人都会害怕遭受核打击，如果你的领居准备用核武器打击你，那么最好的反击方式一定是核武。 所以，即使俄罗斯敢扔核弹，英美法也绝对不会无动于衷，毕竟他们是现行国际规则的受益者，捍卫自身利益是应当的。 回复

凉拌呗。 全世界看看北约军的战斗力到底怎么样，也见识见识俄罗斯核武器库的可靠性。 回复

好吧，按鹅友yy的全球废土无限制烤肉大赛。 以下哪个会倒大霉？ 民间持枪3.9亿支的美国 民间持枪0.8亿的欧盟 民间持枪0.3亿的俄罗斯 民间持枪0.7亿的印度 民间持枪0.0亿的缅甸 回复

550A是人，550W是神。 由于量子计算机的特性，每代量子计算机的算力都至少是前一代的单个“指数”倍，例如： 假设550A是2^2^1(4)算力，550B是2^2^2(16)算力，550C是2^2^3(256)算力，550D是2^2^4(65536)算力，以此类推 那么550W的算力至少能到达: 2^2^23！（该数值不具备实际意义） 我举个例子来说明这个算力的恐怖程度： 基于《银河系漫游指南》中的一个背景故事 一种具有高度智慧的生物种族为了找出能够回答宇宙终极奥秘的概要答案，制造了一台名叫“深思”超级电脑来计算，而深思花费了750万年来计算和验证，最后给出的答案是42。我们假设这台“深思”的算力与550C相当，由550系列量子计算机得出这名为“42”的答案需要花多少时间？ 550D 约等于 41年； 550E 约等于 7.1小时； 550F 约等于 2.66分； 550G 约等于 12.6秒； 550H 约等于 3.5秒； …… 550W可以实现跟宇宙终极奥秘的实时通讯（或者说它就是这个宇宙本身）。 回复

电影里550W（离线版）面试刘培强的时候介绍自己“量子体积8196”，我自己的理解就是这台“计算机”的处理器能处理2^8196种状态...... 这个数字有多离谱呢？随手拿计算器算一下： http://picx.zhimg.com/50/v2-301c041b6a6c073bd4f4d0dbe3e57991_720w.jpg?source=1940ef5c 一个十进制下快2500位的数。这个数量级有多离谱呢？ http://picx.zhimg.com/v2-32ec75406d313d63ac7d6aa17719a5f9_r.jpg?source=1940ef5c 随手谷歌了一下“how many sand grains are there on earth?”——就是世界上有多少沙子。得到上面这个回答，还很贴心地解释75后面跟了17个0——一个19位数...... 不太够看，查了下“how many galaxies are there in the universe”（宇宙中有多少个星系），找到这么一篇文章： How many galaxies are in the Universe? 里面有这么一段： http://pic1.zhimg.com/v2-be79c28a8ef1bf08df4f68e8556113e8_r.jpg?source=1940ef5c 意思是用当下最好的技术手段观察再直接预测，大约是1700亿个——一个12位数。 一个星系里面有多少恒星我还是知道数量级的，银河系里面预计有4000亿个恒星。两个数字乘一下，整个宇宙大约有680万亿亿颗恒星——23位数。 所以我是很难找到一个足够直观又简练的形容来描述一个2500位数。我知道数学领域比2^8196这个数字大得多的数字多了去，但是对于我这种水平的人来说一个2500位数大得真的太离谱了。 当然我也不是学量子计算的，这个设备性能到底什么水平还是等专业人士来科普吧...... 我就随便贴一个百度回答： 量子体积_百度百科 http://picx.zhimg.com/v2-ec59c88691c6706d8911ead9101cbffd_r.jpg?source=1940ef5c IBM是什么样的一个存在不要再让我科普了吧？（提联想的，这个回答不适合你） 回复

《流浪地球》可谓是打开了中国科幻电影的大门，而《流浪地球2》的上映也得了观众们的一致好评，让我们终于有一部可以堪比国外好莱坞大片的科幻电影了。在这部电影里出现了很多高科技设备，我不知道以现在的科技水平是不是真的可以制造出这些设备，但是看着真的好有感觉。 http://pica.zhimg.com/v2-eb10ebbe86a64249989ba1a0167fea7e_r.jpg?source=1940ef5c 550系列量子计算机，这个应该是电影中科技含量最高的设备了，它和现在的计算机已经不在一个层次了，已经算是人工智能了，全自动化控制系统，可以装载数字生命，也可以进行自动化设备的建设，简直是件神器！不妨先来看看《流浪地球2》中贯穿全剧的灵魂——智能量子计算机550W有多强大： 实现全球复杂计算资源的融合与调度（满足数万台发动机协同运作）：既可以辅助行星发动机的工程建设，还可以进行组网协调运转，根据第一部里“春节12响”的设定，它还有编程功能。显然， “流浪地球”设定里的量子计算机已经属于通用智能量子计算机。 http://pic1.zhimg.com/v2-21d9e20b4f0b9dfb23d71c25de6a02cb_r.jpg?source=1940ef5c 支撑“数字生命计划”所需的巨量算力。500w可以实现人类的意识上传，从而拥有与某个具体的人相似的知识和思维，实现真正意义上的人机融合（图宇恒选择将他女儿的意识上传到量子计算机中，最后预测到了百年间发生的危机，父女二人最终留在moss体内，影响moss的运算）。 拥有了自主意识和价值观（最要命的一点）。影片最后透露，有了自主意识的550W坚信人类在做无效抵抗，只有毁灭人类才是解决问题的最佳选项。以上三个能力，只要实现其中的任何一个，在人类社会的进步史上，都是史诗级的科技革命和技术颠覆。 回过头来看，今天的量子计算是个非常热门且前沿的研究课题。量子计算是计算机科学、信息科学与量子物理相结合而产生的新兴交叉学科，被认为是未来物理学和信息学发展的重大方向之一。量子计算机利用量子物理不同于经典物理的特性为计算机科学、信息科学提供了新的研究方向，如超越经典算法的量子算法。 http://pic1.zhimg.com/v2-8d0eae2f1e00df7d08d43911de5ca322_r.jpg?source=1940ef5c 但比起550w，现阶段的量子计算机的发展，还处在非常非常非常初级的发展阶段，离550w不是一般的远。 这是因为量子计算存在着相当大的复杂性：多变的指令实现、无处不在的纠缠（会影响到后面量子比特的具体实现）、复杂模拟波形序列处理（失真矫正、串扰矫正等），同时它还必须要快（操作要快，处理复杂逻辑要快，但由此又不得不产生高延时。） http://picx.zhimg.com/v2-b08ead4aa110ba97365790075bd959d6_r.jpg?source=1940ef5c 再深入一点，从底层逻辑来看，量子计算难在那里呢？难在它自身属性中存在的一个“悖论”，即量子计算存在着一个根本性的矛盾：可扩展性（比特与比特之间需要有相互作用） 和 隔离性（和外界不发生作用）之间的矛盾。电影《流浪地球2》中的量子计算机550W，在2058年已经进化出完全智能与自我意识了，现实中的量子计算机到2058年能破解那些核武器密码吗？估计还够呛。 http://pica.zhimg.com/v2-db125e3f411dc5ed7c2d5af630aab2c1_r.jpg?source=1940ef5c 550W的“量子体积”只有八千多，这太低了，目前已经实现了，只需要13个量子比特就够了。要实现电影中那么厉害的量子计算机，其量子体积对2取对数至少要超过八千，或者说得有八千个以上完美的逻辑量子比特。 《流浪地球2》电影中的量子计算机550W，它体积小，一个人就可以搬动，能在常温常压，乃至在月球，在水下等恶劣环境中工作。我们今天的量子计算机技术路径中哪一条往下发展下去可以实现呢？考虑到电影中环境的恶劣与复杂，那么目前正在研发的超导量子计算，量子点量子计算，离子阱量子计算，冷原子量子计算，需要高真空和超低温，应该都很难发展成550W。 有些希望的路径是光量子计算机，它是常温常压下工作的。我前不久见到过一台光量子计算原型机，就是一个方盒子，常温常压下工作 可编程控制，尺寸与550W差不多，估计两个成年男性可以搬动。 科幻电影的视觉呈现和桥段，其实是未来的某种潜在需求。需求定义科研方向。量子计算机未来，得能在常温常压下工作，能到外太空和水下工作。为了满足这些需求，我猜量子计算机实用化的技术路径可能会有很多条，不同的路径满足不同的环境需求。 回复

非专业人士不懂这个，但是可以给一个参考 霍尼韦尔再创纪录，发布首台商用512量子体积量子计算机_科学湃_澎湃新闻-The Paper 回复

严查老马和三体人的关系。 回复