
> 装了这么久的 ML/AI 爱好者，我发现我对 PyTorch 中的自动微分还是一知半解，停留在知道计算图和反向传播的概念，以及能看懂和小改别人写好的代码的水平。所以自觉还得再补补课。
> 
> ~~真实动机是前女友找到了国内的研发工作，马上要回国赚大钱了，我破防了~~
> 
> 之所以存在这样的认知断层，是因为介绍自动微分的时候一般是手动计算张量，然后给读者画个计算图；而真正干活的时候一般是写一个神经网络的类，这个类继承自 `torch.nn.Module`。
> 
> 这样一包装，承载微分的张量很少被点名取用；而计算过程被一刀两段，绝大多数计算包装在了这个类的 `forward()` 方法中，但是最后一步计算模型预测和训练目标的差异 (loss)，往往留在了训练的控制流中，让人以为两者之间有什么本质区别。
> 
> 其实不然——自动微分只针对 PyTorch 张量，`torch.nn.Module` 的实例是一个包含若干参数的函数，其参数要么是 `torch.nn.Parameter`，要么是其他含参的 `torch.nn.Module` 实例的参数，（用 `.parameters()` 方法取得，常见于 optimizer 的首个参数）。每次把训练输入张量带入这个函数，中间的数学计算就会被自动微分机制记录。对于自动微分来说，这些计算和最后对 loss 的计算没什么不同。
> 
> 这个道理其实在做《[**一个 PyTorch 机器学习项目长什么样**](what-a-PyTorch-project-looks-like)》这篇笔记的时候就应该理解，而实际上没有理解，说明——
> 
> - 一来信息和知识不是同一层面的概念，相同的信息嵌入在不同元信息中，可以给出不同深度的知识；
> - 再者费曼学习法虽然像实验记录一样有让人快速恢复学习进度的好处，但也有让人沉溺于流量，忘记学习本心的危险，戒之在躁。

一个机器学习项目的过程包括：准备数据、定义模型、训练、评估效果。先来个简单例子：

```python
import torch
from torch import data,nn,optim
# Data Preparation
dataset = data.Dataset(...)
trainloader = data.DataLoader(dataset,...)
# Model Definition
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        # ...
    def forward(self, x):
        # forward calculation ...
        return x
net = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
# Training
for epoch in range(2):
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # get the inputs
        inputs, labels = data
        # zero the parameter gradients
        optimizer.zero_grad()
        # forward + backward + optimize
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        # print statistics
        # ...
print('Finished Training')
# Validation
correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
```

## [张量——自动微分的对象](https://pytorch.org/tutorials/beginner/introyt/tensors_deeper_tutorial.html)

对于基本数据结构——张量，~~不应该~~ 也可以用大写的 `torch.Tensor(data)` 来创建；官方推荐的方法是小写的 `torch.tensor(data)`，产生的张量是 `data` 的拷贝，对一方的改动不反映到另一方。

如果数据已经是 `numpy.ndarray` 了，可以用 `x_tensor = torch.from_numpy(x_array)` 和 `x_array = x_tensor.numpy()` 互相转化，他们使用同一片内存，对一方的改动会反映到另一方。

更推荐的方法是用各种工厂函数，比如 

- `torch.empty()`
- `torch.zeros()`, `torch.zeros_like()`
- `torch.ones()`, `torch.ones_like()`
- `torch.eye()`
- `torch.rand()`, `torch.rand_like()`

其中在声明随机张量之前使用 `torch.manual_seed(seed)`，可以让距离该函数相同执行距离的随机数代码总是产生相同的数值：

> [https://pytorch.org/docs/stable/notes/randomness.html](https://pytorch.org/docs/stable/notes/randomness.html)
> 

### 尺寸相关

张量的尺寸是一个它本身的一个性质 `x.shape`, 属于 `torch.Size` 类。

张量之间的计算，在尺寸不同时，遵循类似 NumPy 的 broadcasting 规则。

`x.item()` 从一个单元素张量（不一定是标量）里取出它的值，返回值的数据类型不再是 PyTorch 自己的类型，而是 python 原生类型。

`x.unsqueeze(dim)` 在第 dim 个维度增加一个长度为 1 的维度。

更一般的改变形状需要 `x.reshape(*new_shape)` 和 `torch.reshape(x,new_shape)`

### 物理设备相关

一般数学函数也有 `out` 参数，可以原位写入已存在的张量，不改变原张量的 id。

原位计算是在一般数学函数名字后面加一下划线，如 `torch.sin_(x)`, `x1.add_(x2)`

张量的赋值是传递指针，而不是传递数值。数值拷贝需要 `x2 = x1.clone()`. 克隆产物会保持和之前一样的 `requires_grad` 参数值。如果原张量在计算图里，新张量不需要的话应该 `c = a.detach().clone()`

参与运算的两个张量需要在同一设备 (CPU/GPU). 创建张量的时候可以用 `device` 参数声明设备，已经创建的张量可以用 `x.to(device)` 改变设备。

### 自动微分和神经网络相关

PyTorch 中的张量都有 `requires_grad` 参数，默认为 False。

对于带有 `requires_grad=True` 参数的张量，都受到自动微分机制 autograd 的控制。

前面每个每个创建张量的函数都接受这个参数，也自动传染给对自动微分的张量进行数学计算的结果。

神经网络，也就是继承自 `torch.nn.Module` 的对象（假设实例化为 `net`），内部有两个方法`net.parameters()` 和 `net.buffers()`，它们取到的是张量的 iterator，其中前者里面的张量（绝大多数）受 autograd 控制，后者不然。

要想取得某个神经网络的单个参数，需要知道 `__init__()` 方法中的变量名，以及官网文档中的参数名（一般在 Variables 小节，比如[这个例子](https://pytorch.org/docs/stable/generated/torch.nn.Linear.html)）

```python
class MyNetwork(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.param1 = torch.nn.Parameter(torch.zeros((5,)),requires_grad=True)
        self.linear = torch.nn.Linear(in_features=5,out_features=1,bias=True)
    def forward(self,x):
        return self.linear(x * self.param1)
net = MyNetwork()
with torch.no_grad():
    print(net.param1)
    print(net.linear.weight)
    print(net.linear.bias)
```

## [自动微分](https://pytorch.org/tutorials/beginner/introyt/autogradyt_tutorial.html)

autograd 自动根据代码动态构建计算图：

```python
a = torch.linspace(0., 2. * math.pi, steps=25, requires_grad=True)
b = torch.sin(a)
c = 2 * b
d = c + 1
out = d.sum()
```

![上述代码构成的计算图](/photos/2024-11-10-computation-graph.png)

对于数学函数 `b = f(a,*args)` 计算出来的张量 `b` ——

### `.grad_fn` 是一个函数

- 输入只有一个，尺寸需要和 `a` 的尺寸对齐 ~~（我感觉很奇怪）~~
- 输出的数量等于计算出这个张量的函数的输入的数量。
- ~~直接运行这个函数 ，基本就是把输入张量重复输出~~。从[这个问答](https://stackoverflow.com/questions/66402331/in-pytorch-what-exactly-does-the-grad-fn-attribute-store-and-how-is-it-used)来看，直接运行这个函数几乎没有意义，因为自动微分是用其他编程语言实现的，`SinBackward0` 并不是 Python 对象。
- `t.grad_fn.next_functions` 是一个 tuple，成员是 `x1` 等参数的 `.grad_fn`, 可以继续递推到工厂函数创建的张量，也就是这个计算图的叶节点。叶节点的 `.grad_fn` 为 `None`

```python
print(a.grad_fn)   # None
print(b.grad_fn)   # <SinBackward0 object at 0x000001C8E240F400>
print(c.grad_fn)   # <MulBackward0 object at 0x000001C8E240EB30>
print(d.grad_fn)   # <AddBackward0 object at 0x000001C8E240F400>
print(out.grad_fn) # <SumBackward0 object at 0x000001C8E240F190>
```

### `.backward()`

- 默认状态下，计算图的最终节点 `out` 是一个标量，也就是 0 阶张量。
    - 要想让计算图的最终节点是一个高阶张量，需要指定 `out.backward(gradient)` 参数。`gradient`和 `out` 尺寸相同，两者对应元素相乘后求和，从而成为一个标量。
    - 这种设定可以让一个张量的梯度 `.grad` 的尺寸只和自身的尺寸相等；如果允许计算从 `out` 到自身的 Jacobian 矩阵，会导致计算规模按多项式（一般是平方）增长。
- 默认状态下，一个计算图只能有一个`.backward()`，且只能执行一次。多次执行会报 `RuntimeError`: “Trying to backward through the graph a second time”。
    - 要想对完全相同的计算图做多次 `.backward()`, 需指定 `out.backward(retain_graph-True)` 参数。

### `t.grad`

- 偏导数张量 $$\partial\mathrm {out}/\partial \mathrm t$$，在最终节点运行 `.backward()` 之后，计算图中各节点的 `.grad` 会自动被 autograd 赋值
- 默认情况下，只有计算图的叶节点可以访问其 `.grad`
- 要取得中间节点的 `.grad`，需要在 `.backward()` 之前对相应张量执行 `.retain_grad()`

```python
b.retain_grad()
out.backward()

print(a.grad)   # tensor([...],...), 约等于 2 * torch.cos(a)
print(b.grad)   # tensor([2.,2.,2.,...2.],...)
print(c.grad)   # None，不是计算图的叶节点，也没有 .retain_grad()
print(d.grad)   # None，不是计算图的叶节点，也没有 .retain_grad()
print(out.grad) # None，不是计算图的叶节点，也没有 .retain_grad()
```

以上各个操作基本上符合数学的习惯。

## 张量及其微分的更新

以下设定更多的是为了工程上方便：

`.grad` 是一个张量的性质，不是最终节点和该张量两者之间的性质，也不是计算图整体的性质。

不论是 `.backward(retain_graph=True)`，还是另外构建了新的计算图并运行 `.backward()`（比如训练时加载了训练集的新一轮 batch），当一个已有 `.grad` 的张量被新的 `.backward()` 波及时，`.grad` 的新值会是旧值和本轮偏导数的相加。

如果不想要这种累加，需要主动提前将张量 `.grad` 改成 0 或者 None。

除了梯度张量的置 0，

### 手动

正常情况下，`requires_grad=True` 的张量，对其做的所有操作都会被 autograd 记录，包括赋值操作，这就导致正常情况下，不论是清空梯度，还是根据梯度更新模型的参数，会导致 auto grad 的混乱。

所以需要特殊操作，通知 autograd 某些对受控张量的改动，不需要成为计算图的一部分。

所谓的特殊操作就是 `torch.no_grad()`

```python
a = torch.arange(5.,requires_grad=True)
b = torch.sin(a)
b.backward(gradient=torch.ones_like(b))
with torch.no_grad():
    a[1] = 10
    a.grad.zero_()  # a.grad = 0
print(a)  # tensor([0,10,2,3,4], requires_grad=True)
```

在完全不涉及训练，只需要推理的环境，`with torch.inference():` 比 `with torch.no_grad():` 更节省计算资源。

### 自动

PyTorch 提供了上述操作的接口。

神经网络的参数的更新有一整个 `torch.optim` [模块](https://pytorch.org/docs/stable/optim.html#algorithms) 提供的更新参数的方式（`Optimizer` 的子类）。里面的优化器都实现了两个方法：`.step()` 和 `.zero_grad()`，前者修改参数本身的值，后者将各参数的梯度归零。

```python
class MyModel(torch.nn.Module):
    def __init__():
        # ...
    def forward(x):
        # ...
        return x
net = MyModel()
opt = torch.optim.SGD(net.parameters(),lr=0.01)
for e in range(epoch):
    # ...
    opt.step()
    opt.zero_grad()
```

如果只需要将梯度归零的话，nn.Module 也有一个 `.zero_grad()` 方法。

### `tensor` vs. `tensor.data`

看 SGD 优化器的源码的时候，看到更新权重的时候不是 `with torch.no_grad():`，而是用到了张量的 `a.data` 和 `a.grad.data`

`a` vs. `a.data`, `b.grad` vs. `b.grad.data` 的区别今天不需要知道，不应该知道。这是旧的 Variable 对象的残留，新的接口将 Variable 合并进了 Tensor，`.data` 只是为了兼容旧代码而存在的，不再推荐这种用法。


.ai | PyTorch 中的自动微分 autograd


## 一些名词

### 调试和测试

调试一般是由代码的作者进行，用于自行检查程序运行过程，是否存在思路和实现不匹配的错误，调试的代码一般和程序主体写在一起，主要包括错误处理和日志记录。简单的可以用 print 和 assert，复杂的程序可以用 logging。

测试一般由第三方进行，测试代码和程序代码分离，写测试的人甚至不需要理解程序的具体工作原理，只关注给定的输入能否得到程序宣称的输出。

### 单元测试

对一个模块、一个函数或者一个类来进行正确性检验的测试工作。

检验的方法是写一堆测试用例，把测试员拍脑袋想的输入交给相应的模块，看模块的输出是否正确；以及不合理的输入是否被程序识别，抛出异常。

单元测试全通过了不代表程序整体一定就没错误，但是单元测试通不过的程序一定有问题。

### 文档测试

文档是对代码的功能介绍，其中不免要举例子，给出实例代码和相应的输出，这个过程很像是单元测试，只不过是纯嘴炮。

文档测试就是自动寻找文档中的示例代码，运行之后，和文档中的结果进行比对。

### 集成测试

集成测试模拟用户的行为，测试各个模块之间的配合，测试结果应该保证程序可以在生产环境中工作。

## Python 中的测试

### 文件结构

上一篇文章里面提到了 src-layout，在 setuptools 的官方文档里提供了[一篇博客文章](https://blog.ionelmc.ro/2014/05/25/python-packaging/#the-structure)，里面提到，这种文件结构的一个优点就是，测试代码的文件夹一般和 `src/` 而不是 package 平级，这就导致运行测试的时候只能先（在虚拟环境里）安装待测试的包，而不会无意中出现测试的代码和用户下载到的内容不同的问题。

```
<project_name>
├── LICENSE
├── pyproject.toml
├── README.md
├── src/
│   └── <package_name>/
│       ├── __init__.py
│       └── example.py
└── tests/
```

### 单元测试·`unittest`

`unittest` 是 Python 自带的单元测试库。

测试脚本的内容基本如下：

```
import unittest

class TestName1(unittest.TestCase):

    def test_sum(self):
        self.assertEqual(sum([1, 2, 3]), 6, "Should be 6")

    def test_sum_tuple(self):
        self.assertEqual(sum((1, 2, 2)), 6, "Should be 6")

class TestName2(unittest.TestCase):

    def test_sum(self):
        self.assertEqual(sum([1, 2, 3]), 6, "Should be 6")

    def test_sum_tuple(self):
        self.assertEqual(sum((1, 2, 2)), 6, "Should be 6")

if __name__ == '__main__':
    unittest.main()
```

- 测试用例包装在一个 class 里面，这个 class 继承自 `unittest.TestCase`
- 所有测试方法名字以 “test” 开头，能测试的性质有限，都是类自带的方法，以 `self.` 开头。支持的方法见下表，感觉 `[assertTrue(x)](https://docs.python.org/3/library/unittest.html#unittest.TestCase.assertTrue)` 和 `assertRaises(Exception)` 包打一切
- 作为 `'__main__'` 运行，运行的是自带的函数 `unittest.main()`。
- 运行时需要 python 指明脚本的文件名。安装了 nose2 这个库的话，可以直接运行 `python -m nose2`, 它会自动寻找所有的测试依次运行。（后面发现 `unittest` 好像也有自动发现功能）

| Method | Checks that | New in |
| --- | --- | --- |
|         [unittest.TestCase.assertEqual](https://docs.python.org/3/library/unittest.html#unittest.TestCase.assertEqual) | a == b |  |
|      [unittest.TestCase.assertNotEqual](https://docs.python.org/3/library/unittest.html#unittest.TestCase.assertNotEqual) | a != b |  |
|          [unittest.TestCase.assertTrue](https://docs.python.org/3/library/unittest.html#unittest.TestCase.assertTrue) | bool(x) is True |  |
|         [unittest.TestCase.assertFalse](https://docs.python.org/3/library/unittest.html#unittest.TestCase.assertFalse) | bool(x) is False |  |
|            [unittest.TestCase.assertIs](https://docs.python.org/3/library/unittest.html#unittest.TestCase.assertIs) | a is b | 3.1 |
|         [unittest.TestCase.assertIsNot](https://docs.python.org/3/library/unittest.html#unittest.TestCase.assertIsNot) | a is not b | 3.1 |
|        [unittest.TestCase.assertIsNone](https://docs.python.org/3/library/unittest.html#unittest.TestCase.assertIsNone) | x is None | 3.1 |
|     [unittest.TestCase.assertIsNotNone](https://docs.python.org/3/library/unittest.html#unittest.TestCase.assertIsNotNone) | x is not None | 3.1 |
|            [unittest.TestCase.assertIn](https://docs.python.org/3/library/unittest.html#unittest.TestCase.assertIn) | a in b | 3.1 |
|         [unittest.TestCase.assertNotIn](https://docs.python.org/3/library/unittest.html#unittest.TestCase.assertNotIn) | a not in b | 3.1 |
|    [unittest.TestCase.assertIsInstance](https://docs.python.org/3/library/unittest.html#unittest.TestCase.assertIsInstance) | isinstance(a, b) | 3.2 |
| [unittest.TestCase.assertNotIsInstance](https://docs.python.org/3/library/unittest.html#unittest.TestCase.assertNotIsInstance) | not isinstance(a, b) | 3.2 |

### 文档测试

[https://www.liaoxuefeng.com/wiki/1016959663602400/1017605739507840](https://www.liaoxuefeng.com/wiki/1016959663602400/1017605739507840)

Python 的文档测试用的是 `doctest` 库，写法如下：

```python
class Dict(dict):
    '''
    Simple dict but also support access as x.y style.

    >>> d1 = Dict()
    >>> d1['x'] = 100
    >>> d1.x
    100
    >>> d1.y = 200
    >>> d1['y']
    200
    >>> d2 = Dict(a=1, b=2, c='3')
    >>> d2.c
    '3'
    >>> d2['empty']
    Traceback (most recent call last):
        ...
    KeyError: 'empty'
    >>> d2.empty
    Traceback (most recent call last):
        ...
    AttributeError: 'Dict' object has no attribute 'empty'
    '''
    def __init__(self, **kw):
        super(Dict, self).__init__(**kw)

    def __getattr__(self, key):
        try:
            return self[key]
        except KeyError:
            raise AttributeError(r"'Dict' object has no attribute '%s'" % key)

    def __setattr__(self, key, value):
        self[key] = value

if __name__=='__main__':
    import doctest
    doctest.testmod()
```

在保持 docstring 缩进的前提下，`>>>`  开头的注释会被当作测试运行，紧随其后的行将作为对比基准。只有当预期报错的时候，可以用 `...` 省略中间的报错信息。

### 集成测试

也可以用 `unittest` 完成。

和单元测试的区别在于，一般来说需要构建测试数据集等等。这需要重写 `unittest.TestCase.setup()`

```python
class TestComplexData(unittest.TestCase):
    def setUp(self):
        # load test data
        self.app = App(database='fixtures/test_complex.json')

    def test_customer_count(self):
        self.assertEqual(len(self.app.customers), 10000)

    def test_existence_of_customer(self):
        customer = self.app.get_customer(id=9999)
        self.assertEqual(customer.name, u"バナナ")
        self.assertEqual(customer.address, "10 Red Road, Akihabara, Tokyo")

if __name__ == '__main__':
    unittest.main()
```


.py | Python 测试笔记


> 这里所说的“别人”，也包括6个月之后，已经不记得当初如何写出这段代码的自己。
> 

很久以前写过一篇《**[import 引用现成的代码](https://mountaye.github.io/blog/articles/python-import-script-module-package)**》讲如何使用别人的代码，最后讲到一个模块的 `setup.py` 文件就没再往下写，这次继续。

- [https://packaging.python.org/en/latest/tutorials/packaging-projects/](https://packaging.python.org/en/latest/tutorials/packaging-projects/)
- [https://setuptools.pypa.io/en/latest/userguide/quickstart.html](https://setuptools.pypa.io/en/latest/userguide/quickstart.html)

## 基本流程

- 写代码，且让代码项目文件的结构符合一定的要求（见下一节）
- 根据项目的文件结构，填写 `pyproject.toml`、`setup.cfg` **或** `setup.py` **文件**
- 安装 build 这个库，然后运行 `python -m build`，产生 `dist/` 文件夹及下面的文件。（可选）将项目上传到 PyPi 或者 Conda

## 项目文件结构

常用的文件结构有两种：src-layout 和 flat-layout，另外一些小项目只有一个 python 文件。

### src-layout

在 src-layout 里，写有 package 源代码的文件夹上层还套了一个文件夹，这个文件夹习惯上命名为 src，当然也可以是别的。`pyproject.toml` 和 `src/` 文件夹同级。

```
<project_name>
├── LICENSE
├── pyproject.toml
├── README.md
├── src/
│   └── <package_name>/
│       ├── __init__.py
│       └── example.py
└── tests/
```

### flat-layout

flat-layout 指的是写有 package 源代码的文件夹直接作为开发项目的第一级子文件夹，和 `pyproject.toml` 处于同一级。

这种结构比较古老，不太推荐

```
<project_name>
├── pyproject.toml  # and/or setup.cfg/setup.py (depending on the configuration method)
├── <package_name>
|   ├── __init__.py
|   └── ... (other Python files)
├── test
|   └── ... (test files)
├── # README.rst or README.md (a nice description of your package)
└── # LICENCE (properly chosen license information, e.g. MIT, BSD-3, GPL-3, MPL-2, etc...)
```

### 单文件项目

可以看作是 flat-layout 的一种特殊情况

```
<project_name>
├── pyproject.toml  # and/or setup.cfg/setup.py (depending on the configuration method)
├── <my_module>.py
├── # README.rst or README.md (a nice description of your package)
└── # LICENCE (properly chosen license information, e.g. MIT, BSD-3, GPL-3, MPL-2, etc...)
```

## 填写 `pyproject.toml`、`setup.cfg` **或** `setup.py` **文件**

要想让构建程序把我们的代码打包成安装包，标题中的三个文件至少有一个要出现在 project 的根目录。

文件中要按照各自拓展名对应的语法，填写项目的有关信息，绝大多数可以顾名思义。

各参数的取值和代码文件结构相关，参数主要包括 `name`, `packages`, `package_dir`。如果文件结构完全满足上一节的结构，那么 `setuptools.find_packages()` 的[自动发现机制](https://setuptools.pypa.io/en/latest/userguide/package_discovery.html#automatic-discovery)就够用了。

### `name`

这是一个必填项。

注意：上一节的文件结构中，有两个名字 `<project_name>` 和 `<package_name>` ——

`<project_name>` 是整个开发项目的名字，如果用了类似 git 的版本控制的话，这个名字就是你的 repository 的名字。

`<package_name>` 比较复杂，它可以是，但不一定是你在其他代码中 `import __` 的名字，import 的名字由 `pyproject.toml` / `setup.cfg` **/** `setup.py` 里面的 `name` 参数指定。不能有连字符，只能用下划线。

如果你的 `name` 参数和 `<package_name>` 不同，还需要填写 `package_dir` 参数，

此外还有第三个名字，就是 `pip install __` 时候的名字，上传到 PyPI 的时候填写，可以带有连字符，比如 scikit-image。

### `packages`

参数是一个 list，但是一般都使用 `setuptools.find_packages()` 的结果。

该函数常用三个参数，都是可选的：

- `where`: 一个路径，相对于 `setup.py`
- `include`: 一个 list，元素是 glob patterns
- `exclude`: 一个 list，元素是 glob patterns

不指明任何参数 = 使用自动发现机制

### `package_dir`

参数是一个 dict，两种用法：

- 标准的 src-layout，直接写 `{"": "src/"}`, 表示所有的代码都在这个文件夹里。
- 当 python 模块的结构和代码的文件结构不同的时候，用这个 dict 指明 模块-文件夹 之间的关系。

文件的路径相对于 `setup.py` 而言

### `py_modules`

参数是一个文件路径的列表，几乎专为单文件结构而存在。

## 打包和上传

安装 build 工具：`python3 -m pip install --upgrade build`

运行 build：`python3 -m build`

如此会生成一个 `dist/` 文件夹，里面包含打包的结果。

要想让自己的程序可以被别人用 `pip install` 的方式安装，需要将打包成果上传到 PyPI，方法在[这里](https://packaging.python.org/en/latest/tutorials/packaging-projects/#uploading-the-distribution-archives)。

## 安装

### 静态安装

已经上传到 PyPI 的包，可以直接用 `pip install <package>` 安装，这种方法叫做静态安装

### 动态安装

还在开发过程中的包，可以在 `setup.py` 所在的位置，运行 `pip install -e .` 这种安装方法叫做动态安装，因为代码的修改可以实时反映在引用的项目中。

## 思考题

上篇文章提到的一个[数据分析项目](https://gist.github.com/ericmjl/27e50331f24db3e8f957d1fe7bbbe510)，其文件结构是这样的（我稍微改动了一下）：

```
/path/to/project/directory/
|-- notebooks/
    |-- 01-first-logical-notebook.ipynb
    |-- 02-second-logical-notebook.ipynb
    |-- prototype-notebook.ipynb
    |-- archive/
	      |-- no-longer-useful.ipynb
|-- src/
    |-- projectname/
	      |-- __init__.py
	      |-- config.py
	      |-- data.py
	      |-- utils.py
    |-- setup.py
|-- README.md
|-- data/
    |-- raw/
    |-- processed/
    |-- cleaned/
|-- scripts/
    |-- script1.py
    |-- script2.py
    |-- archive/
        |-- no-longer-useful.py
|-- environment.yml
```

问：

1. 这是一个 flat-layout 还是 src-layout？
2. setup.py 应该怎么写？执行动态安装时的 `pwd` 结果是什么？


.py | 让自己的代码可以被别人使用


在读 PyTorch 的文档和源码的时候，发现写文档的人也不怎么解释啥是卷积，卷积的各个参数是什么意思，只在文档里扔了个链接就完事了，链接那头是一个 GitHub 上的动图演示仓库，是一篇论文《A guide to convolution arithmetic for deep learning》（链接在文末）的附件。于是这篇文章，基本上就是论文的读书笔记了。

## 数学的卷积：连续 vs. 离散

### 定义

连续的情况，两个单变量函数 $$f(\cdot)$$ 和 $$g(\cdot)$$ 的卷积，定义为：

$$
\left(f*g\right)(x):=\int_{-\infty}^{\infty}f(\tau)g(x-\tau)d\tau
$$

离散的情况，两个向量（也就是一阶张量） $$\vec f$$ 和 $$\vec g$$ 的卷积，定义为：

$$
\left(\vec f * \vec g\right)_i := \sum_{j=-\infty}^{\infty} f_j g_{i-j}
$$

多变量函数/高阶张量的情况，只需要多加几重积分/求和号就可以类推了。

看这两个定义——

只看等号左边的话，可以把卷积看作是一种特殊的乘法，也就是一种**运算。**f 和 g 的地位是平等的，卷积甚至还满足交换律，你甚至可以把两者的顺序变一变；

但是看等号右边的话，卷积就应该被看作是一种**变换**。f 和 g 的地位不再平等，f 是被变换的函数/向量，g 是变换的核 (kernel)。函数的情况里，g 把定义在 $$\tau$$ 空间里的函数 f 变换成了 x 空间里的另一个函数；向量的情况里，g 把一个 J (j 所有可能取值的数量) 维向量 f 变换成了一个 I (i 所有可能取值的数量) 维向量。

神经网络中的卷积，**借用**的主要是第二种**理解**。

### 手算一个例子

例如 $$\vec f = (1,2,3,4)$$, $$\vec g = (1,2,3)$$，而且约定下标从 0 开始的话——

&nbsp; $$(\vec f*\vec g)_0 = f_0g_0 = 1$$

&nbsp; $$(\vec f*\vec g)_1 = f_0g_1 + f_1g_0  = 4$$

&nbsp; $$(\vec f*\vec g)_2 = f_0g_2 + f_1g_1 + f_2g_0 = 10$$

&nbsp; $$(\vec f*\vec g)_3 = f_1g_2 + f_2g_1 + f_3g_0 = 16$$

&nbsp; $$(\vec f*\vec g)_4 = f_2g_2 + f_3g_1 = 17$$

&nbsp; $$(\vec f*\vec g)_5 = f_3g_2 = 12$$

不想手算？

```python
import numpy as np
from scipy import signal
signal.convolve(np.array([1,2,3,4]),np.array([1,2,3]))
```

### 形象化表示

上面的计算过程，可以看作是——

1. 把 g 向量的**顺序反过来；**
2. 把 g 的最右一个元素和 f 的最左元素对齐，
3. 上下两行都有数字的列相乘（也就是把没有数字的地方看作 0），然后把所有乘积相加，得到 f*g 的第一项；
4. 把 g 向右移动一格
5. 重复第3、4步
6. 直到 g 的最左项移动到 f 的最右一个元素。

形如下列各表：

| --- | --- | --- | --- | --- | --- | --- |
| f |  |  | 1 | 2 | 3 | 4 |
| g | 3 | 2 | 1 |  |  |  |
| (f*g)(0) = 1 |  |  | 1 |  |  |  |

<hr class="slender">

| --- | --- | --- | --- | --- | --- |
| f |  | 1 | 2 | 3 | 4 |
| g | 3 | 2 | 1 |  |  |
| (f*g)(1) = 4 |  | 2 | 2 |  |  |

<hr class="slender">

| --- | --- | --- | --- | --- |
| f | 1 | 2 | 3 | 4 |
| g | 3 | 2 | 1 |  |
| (f*g)(2) = 10 | 3 | 4 | 3 |  |

<hr class="slender">

| --- | --- | --- | --- | --- |
| f | 1 | 2 | 3 | 4 |
| g |  | 3 | 2 | 1 |
| (f*g)(3) = 16 |  | 6 | 6 | 4 |

<hr class="slender">

| --- | --- | --- | --- | --- | --- |
| f | 1 | 2 | 3 | 4 |  |
| g |  |  | 3 | 2 | 1 |
| (f*g)(4) = 17 |  |  | 9 | 8 |  |

<hr class="slender">

| --- | --- | --- | --- | --- | --- | --- |
| f | 1 | 2 | 3 | 4 |  |  |
| g |  |  |  | 3 | 2 | 1 |
| (f*g)(5) = 12 |  |  |  | 12 |  |  |

## 机器学习的卷积，是卷积吗？

看论文给出的图 Figure 1.1，在卷积核是灰色 3\*3 矩阵的情况下，对蓝色 5\*5 矩阵的卷积就是直接把核对齐到蓝色矩阵上，**并没有把核的元素顺序颠倒过来**。

这玩意能叫卷积吗？

![convolution](/photos/2022-12-29-convolution.png)

有人强行挽尊，说我们画图示的时候已经把核给颠倒过来了，想知道卷积核就把灰色小矩阵再颠倒回去——

但是，不颠倒就对齐相乘的运算也是有名字的，叫 cross correlation。核有没有颠倒，convolution 还是 cross correlation 一组合，可以带来升维打击般的混乱，堪比高中化学的“还原剂被氧化，氧化剂被还原”……所以，对于计算机专业的数学水平，不予置评～


## 卷积`torch.nn.Conv` 及其各个参数

### `in_channels` & `out_channels`

“卷积”的意义在于用一种比较省内存的方式，考虑输入张量中各个元素，和空间上相近的邻居元素之间的关系。所以只需要在真的存在空间关系的维度做卷积，其他维度可以留着不动。

比如一张彩色图片，是一个 (颜色*高度*宽度) 的 3 阶张量，我们只需要对高度和宽度两个维度做卷积，颜色就是不参与“卷积”的 channel。

`in_channel` 就是被“卷积”的张量的 channel 数，`out_channel` 是“卷积”结果的 channel 数。比如我们想从一张 RGB 三色图片中分辨出前景和背景两种不同区域，`in_channel=3`, `out_channel=2`。

而 `in_channel` 如何能够与 `out_channel` 取值不同，原理见 Figure 1.3。我们使用 `out_channel` 个不含 channel 维度的“卷积”核，每一个核都与每一个 in channel 做卷积，得到图中的蓝、紫色小矩阵，然后直接把不同的 in channel 暴力求和，得到的结果分别作为卷积结果的 out channel。（这个暴力求和与我以前想得不一样，我以为是什么每一元素都做了一个`in_channel`*`out_channel` 的全联通层）

![channels](/photos/2022-12-29-channels.png)

 PyTorch 的习惯，对于一个 N 阶“卷积”，参与卷积的是张量的最后 N 阶，`in_channel` 和 `out_channel` 也就是被卷张量和卷积结果的 `Tensor.shape[-(N+1)]`

后面图示的例子都没有考虑 `in_channel` 和 `out_channel` 的数量，也就是都当作 1 了。

### `kernel_size`

就是灰色矩阵“卷积”核，每边有几个数字。如果不同方向的边长不一，该参数就需要用一个 tuple 来表示。Figure 1.1 的灰色卷积核，`kernel_size=(3,3)`

![kernel](/photos/2022-12-29-kernel.png)

### `padding` & `padding_mode`

前面手算例子的时候很鸡贼地把 0 作为向量下标的起点。如果采用日常 1 开头的下标来算，第 1 项结果为零，整个卷积结果的长度会长很多，而且多出来的后面几项也都是零。

而且在这个过程中，我们实际上是把一个有限长度的向量，看作了一个以所有整数 $$\Z$$ 为定义域的函数，除了那有限的几项之外，其余地方都定义函数值为 0。

用计算机计算的话显然没法如此奢侈地谈“无限多个”，例子中实际用到的，在 $$\vec f$$ 左右两边各需要 2 个 0，也就是说 `padding=2`, `padding_mode='zeros'`

Figure 1.2 表示的就是 `padding=(1,1)` 的情况（蓝色是被卷张量，白色是 padding，灰色是卷积核，绿色是卷积结果）：

![padding](/photos/2022-12-29-padding.png)

既然神经网络中的卷积并不是真正的卷积，所以他们索性不装了——

正常卷积的结果往往比被卷张量大一圈（具体大多少取决于  `kernel_size`, `padding`, `stride` 多个参数），但是图像处理的时候经常希望输出图片和输入图片一样大，此时可以用字符串 `“same”` 作为 `padding` 的参数，自动计算 padding 的大小。`“strict”` 则表示 `padding=0`, 这样输出图片尺寸会变小，但是没有 padding，也就没有往图片里掺杂研究者对图片边缘以外信息的臆测。

同时 `padding_mode` 参数表示往被卷张量四周填充的数字也不一定是 0。比如对于图片，0 往往表示纯黑，而绝大多数图片的视野之外，往往是和图片边缘像素值相差不大的值。所以 `padding_mode` 除了 `zeros` 之外，还接受以下取值：

- `reflect`: 以图片边缘为镜面，把边缘附近的像素值对陈反射出去；
- `replicate`: 只取边缘的像素值作为常数，直接向外延拓；
- `circular`: 类似于物理中的周期性边界条件，取对边附近的像素值作为 padding 内容。

### `stride`

前面手算卷积的第4步，把卷积核向右移动了1格，如果每次移动超过1格，就需要这个参数指定移动步长。如果不同方向的步长不同，也是用 tuple 来表示。

Figure 1.4 表示的就是 `stride=(2,2)` 的情况（蓝色是被卷张量，蓝色中的深色块是卷积核，绿色是卷积结果）：

![stride](/photos/2022-12-29-stride.png)

### `dilation`

这个参数把“卷积”核撑开，也就相当于在“卷积”核的相邻元素之间加 0。Figure 1.5 表示的就是 `dilation=(1,1)` 的情况（蓝色是被卷张量，蓝色中的深色块是卷积核，绿色是卷积结果）：

![dilation](/photos/2022-12-29-dilation.png)

比如 `dilation=1` 时，(1,2,3) 的卷积核就相当于 (1,0,2,0,3)

比如 `dilation=2` 时，(1,2,3) 的卷积核就相当于 (1,0,0,2,0,0,3)

这样可以让卷积核在尺寸比较小的情况下，覆盖到更大面积的被卷张量。当然具体实现时，不可能直接补 0 这么浪费内存。

### `groups`

该参数必须是 `in_channel` 和 `out_channel` 的公约数，当其不为 1 时，就相当于同时做 `groups` 个卷积，其中每个卷积的 `in_channel=in_channel/groups`, `out_channel=out_channel/groups`

### `bias`

该参数是一个布尔值，卷积类似于一种高维空间里的乘法，这个参数就决定是否要拟合 `y=kx+b` 中的 `b`

## “卷积”的“逆运算”： `TransposeConv`

卷积的结果比 padding 之后的被卷张量要小。尤其当“卷积”的 `stride` 约等于 `kernel_size` 时，卷积的就变成了某些池化 (pooling)（求最大值不是一种线性算子，所以最大值池化不能用卷积表示，但是平均值池化可以）。

那么在类似 U-net 这样的模型里，右半边的数据升维（下图中的绿箭头），就需要一种“卷积”的“逆运算”。有人把这种运算叫做 deconvolution，有人叫做 transposed convolution，还有人叫做 convolution with fractional strides。

![Unet](/photos/2022-12-29-unet.png)

PyTorch 取的是第二种名字。论文解释了为什么这么取名字，笔记以后有时间再补上把……

因为这个与运算本身就是作为“卷积”的逆运算出现的，所以 PyTorch 的文档里这么说：

> This is set so that when a `Conv2d` and a `ConvTranspose2d` are initialized with same parameters, they are inverses of each other in regard to the input and output shapes.
> 

也就是说，把 `ConvTranspose` 的输入和输出反过来，然后按照 `Conv` 的规则确定各个参数，填入 `ConvTranspose` 的括号里就可以了，除了 `output_padding`

### `output_padding`

`ConvTranspose` 的输出就是对应 `Conv` 的输入。看 Figure 2.7：

![padding_output](/photos/2022-12-29-output-padding.png)

当 $$(input+2*padding)/stride$$ 不能整除的时候，最右的几列最下的几行就被卷积核忽略掉了。那么在逆运算 `TransposeConv` 中，这就意味着同一个输入可能对应着 $$stride-1$$ 种可能的输出。`output_padding`参数就可以消除这种歧义，调整 `TransposeConv` 输出张量的尺寸。

## 参考链接

- 给卷积正名: [https://www.kaggle.com/general/225375](https://www.kaggle.com/general/225375)
- PyTorch Conv2d 源码: [https://pytorch.org/docs/stable/_modules/torch/nn/modules/conv.html#_ConvNd](https://pytorch.org/docs/stable/_modules/torch/nn/modules/conv.html#_ConvNd)
- 论文: [https://arxiv.org/abs/1603.07285](https://arxiv.org/abs/1603.07285)
- 动图演示: [https://github.com/vdumoulin/conv_arithmetic/blob/master/README.md](https://github.com/vdumoulin/conv_arithmetic/blob/master/README.md)
- U-net: [https://lmb.informatik.uni-freiburg.de/people/ronneber/u-net/](https://lmb.informatik.uni-freiburg.de/people/ronneber/u-net/)
- PyTorch TransposeConv 文档: [https://pytorch.org/docs/stable/generated/torch.nn.ConvTranspose2d.html](https://pytorch.org/docs/stable/generated/torch.nn.ConvTranspose2d.html)


.ai | 神经网络中的卷积及其参数


最近参加了一个关于如何在 Python 项目中利用 GPU 提高运算效率的培训，里面提到了 `numba` 这个加速科学计算的库，而 `numba` 发挥作用的主要工具就是各种装饰器。

所谓装饰器，就是读一些网上现成的 python 代码的时候会看到的，函数前一行 `@` 打头的一串字符，一般是一个名字，偶尔会附带有参数：

```python
@decorator
def myfunction():
    # do something...
    return results
```

它的实际作用相当于：

```python
def myfunction():
    # do something...
    return None

myfunction = decorator(myfunction)
```

Python 是一种[函数式编程语言](https://program-think.blogspot.com/2012/02/why-choose-python-4-fp.html)，函数和各种类型的变量一样，在 Python 都是一种对象，所以可以把函数赋值给一个变量，可以在函数里定义另一个函数，可以把函数作为参数传递给另一个函数，可以把函数名作为另一个函数的返回值。

`myfunction = decorator(myfunction)` 就是装饰器的定义，是 Python 的一个[语法糖](https://zh.m.wikipedia.org/zh-hans/%E8%AF%AD%E6%B3%95%E7%B3%96)。也就是说装饰器本身也是一个函数，我们的函数被装饰器装饰之后，函数名称不变，在完整实现函数原有功能的同时，额外执行装饰器中的命令。

### 装饰器是如何做到的

要想自己写一个装饰器的话，需要了解一下装饰器的实现原理。一个最简单的装饰器可以这么写：

```python
def decorator(func):
    def inner():
        # do something
        func()
        # do some more
        return None
    return inner
```

也就是在装饰器内部再定义一个函数，这个内部函数的函数体执行被装饰的函数，然后外层装饰器把内层函数名当作返回值。

### 如果一个函数需要多个装饰器

把前面装饰器的定义套在多个装饰器的情况里：

```python
@decorator1
@decorator2
def myfunction():
    return None

myfunction = decorator1(decorator2(myfunction))
```

### 如果被装饰的函数有传入参数

装饰器不知道自己要装饰的函数长什么样，也就不知道函数接受多少个参数，其中有几个是位置参数，几个是关键词参数。所以需要用单星号打包/解包位置参数，双星号打包/解包关键词参数。`args` 和 `kwargs` 是变量名的代词，可以换成其他自己喜欢的名字。

```python
def decorator(func):
    def inner(*args,**kwargs):
        # do something
        func(*args,**kwargs)
        # something else
        return None
    return inner

@decorator
def myfunction(x,y,mode="normal",strict=True):
    # do something...
    return None
```

### 如果被装饰的函数有返回值

则装饰器的内层函数需要把被装饰的函数的返回值返回出来：

```python
def decorator(func):
    def inner(*args,**kwargs):
        # do something
        func(*args,**kwargs)
        # something else
        return func(*args,**kwargs)
    return inner

@decorator
def myfunction(x,y,mode="normal",strict=True):
    # do something...
    return results
```

### 如果想让装饰器本身接受参数

也就是想达到下面的效果：

```python
@param_decorator(param="neat")
def myfunction(x,y,mode="normal",strict=True):
    # do something...
    return results
```

也就是让 `param_decorator(param="neat")` 返回一个装饰器函数，也就是在之前的装饰器外面再加一层：

```python
def param_decorator(param):
    def decorator(func):
        def inner(*args,**kwargs):
            if param=="neat":
                print("neat")
                # ...
            else:
                print("not neat")
                # ...
            func(*args,**kwargs)
            return func(*args,**kwargs)
        return inner
    return previous_decorator
```

### 如果想让装饰器既可以接受参数，也可以不接受参数～

实在是有点过于高级了，直接说答案：

```python
def flex_decorator(_func=None,*,kw1="val1",kw2="val2"):
    def decorator(func):
        def inner(*args,**kwargs):
            print(kw1,kw2)
            # do something
            func(*args,**kwargs)
            # something else
            return func(*args,**kwargs)
        return inner
    if _func is None:
        return decorator
    else:
        return decorator(_func)
```

根据 [https://peps.python.org/pep-3102/](https://peps.python.org/pep-3102/)，`*`作为一个单独的函数参数，表示后面所有的参数都是关键词参数，用来限定星号前面位置参数的数量。

- 当 `@flex_decorator` 不加参数使用的时候:
    - 根据定义 `myfunction = flex_decorator(myfunction)`
    - `_func=myfunction`
    - 此时 `else` 生效，`myfunction = decorator(myfunction)`
- 当 `@flex_decorator(kw1="val1",kw2="val2")` 加上参数使用的时候:
    - 根据定义 `myfunction = flex_decorator(kw1="val1",kw2="val2")(myfunction)`
    - `_func=None`
    - 此时 `if` 生效，`myfunction = decorator(myfunction)`

——**接受的参数必须是关键词参数**，否则和被装饰的函数名无法区分。

### `@functools.wraps`：刻章、办证

以上各节基本完成了常用场景下装饰器的功能。

但是，Python 作为一种动态语言，一大特征就是可以在运行时进行[类型内省](https://en.wikipedia.org/wiki/Type_introspection)。而按照我们上面的写法，被装饰之后的函数，Python 认为它不再是原来的函数，而是装饰器里面定义的那个内部函数，这样可能会出现意想不到的问题。

解决方法是使用一个专门的装饰器根装饰器定义的内部函数办个假身份：

```python
import functools

def decorator(func):
    @functools.wraps(func)
    def inner(*args,**kwargs):
        # do something
        func(*args,**kwargs)
        # something else
        return func(*args,**kwargs)
    return inner
```


.py | Python decorator 装饰器


## 一般监督学习的数据结构和处理过程

### 训练集、验证集、测试集

所有数据整体构成一个大集合，这个集合的每一个元素都包含一个输入和一个目标，分别记作 x 和 y。

把这个大集合分成互相没有交集的三个子集，分别是训练集 (training set)、验证集 (validation set)、测试集 (test set)。

- 训练集和验证集在训练过程中使用。
    - 训练集的数据带入模型时，模型处于训练模式，模型输出对参数的导数被记录。通过比较把“模型输出”和“训练目标 y”代入**损失函数**的损失，更新模型的参数。同时记录“模型输出”和“训练目标 y”带入验证函数的结果，和验证集比较。
    - 验证集的数据代入模型时，模型处于求值模式，模型只根据输入计算输出，对参数的导数不记录。通过观察“模型输出”和“训练目标 y”带入**验证函数**的结果，观察训练是否陷入“过拟合”。当训练集的验证函数结果不断下降，但是验证集的验证函数结果几乎不变时，可以认为模型过拟合。
- 测试集在训练完成之后使用，代入模型时，模型处于求值模式。用于评价训练结果的好坏。

### epoch vs. batch

如果把所有数据同时进行训练，所需要的空间一般都大于电脑内存。所以一般会将训练集随机分成若干批次 (batch)，一个批次的数据同时塞入模型进行训练，在一个 batch 里每一个模型输出对参数的导数累加在一起，整个 batch 结束后更新模型参数，同时导数清零。因为 batch 这个概念和内存有关，所以数值一般选择为 2 的指数。

将训练集所有的 batches 跑完一次称为而一个 epoch。一次训练一般需要很多 epochs，直到损失函数结果足够低，或验证集显示出现过拟合。

## PyTorch 对上述结构和处理过程的封装

### `Dataset`

前面已经说了，数据集包括输入和目标两部分，`Dateset` 及其子类的作用就是

如果在把数据装入 `Dataset` 之前就已经是规整的两个张量了的话——

```python
import torch
from torch.utils import data

# ...

for x,y in zip(train_x,train_y):
    # do something with x and y

trainset = TensorDataset(train_x,train_y)
for x,y in trainset:
    # do something with x and y
```

——这一步确实没什么意思。

有意思的地方在于可以自己写一个数据集类，继承 `Dataset`，然后重载 `__getitem__()` 和 `__len__()` 方法，这样可以把一些不适合用张量表示的数据塞进 `Dataset` 里面，对图像进行学习的话可以在此处加入图像增强的步骤，并进一步用于 `DataLoader`

### `DataLoader`

`DataLoader` = `Dataset` + `Sampler`，因为一般的教程里只需要讲数据集进行简单随机划分，也就只用到了 `batch_size` 等等参数，用到 Sampler 的地方很少。

最常见的用例就是 `WeightedRandomSampler` 。训练分类器的时候，有时其中一个类别的数据远少于其他，那么训练器就更难判断出这一分类（因为只要无脑排除这个类别就能获得不错的正确率），所以需要平衡不同组别之间的权重。

```python
list(WeightedRandomSampler(weights=[0.1, 0.9, 0.4, 0.7, 3.0, 0.6], num_samples=5, replacement=True))
# [4, 4, 1, 4, 5]
list(WeightedRandomSampler(weights=[0.9, 0.4, 0.5, 0.2, 0.3, 0.1], num_samples=5, replacement=False))
# [0, 1, 4, 3, 2]
```

平衡完之后转化为 batch，搭配 `BatchSampler`：

```python
list(BatchSampler(WeightedRandomSampler(weights=[0.1, 0.9, 0.4, 0.7, 3.0, 0.6], num_samples=5, replacement=True), batch_size=2, drop_last=False))
# [[4, 4], [1, 4], 5]
list(BatchSampler(WeightedRandomSampler(weights=[0.1, 0.9, 0.4, 0.7, 3.0, 0.6], num_samples=5, replacement=True), batch_size=2, drop_last=True))
# [[0, 1], [4, 3]]
```

### 汇总一下

```python
import torch
from torch.utils import data

train_x = torch.rand((100,5))
train_y = torch.rand((100,2))
trainset = data.TensorDataset(train_x,train_y)

# either:
trainloader = data.DataLoader(
    trainset,
    batch_size=2,
    drop_last=True,
    sampler=data.WeightedRandomSampler(
        weights=[0.1, 0.9, 0.4, 0.7, 3.0, 0.6], 
        num_samples=5, 
        replacement=True))
# or:
trainloader = data.DataLoader(
    trainset,
    batch_sampler=data.BatchSampler(
        data.WeightedRandomSampler(
            weights=[0.1, 0.9, 0.4, 0.7, 3.0, 0.6], 
            num_samples=5, 
            replacement=True), 
        batch_size=2, 
        drop_last=True))

for epoch in range(100):
    for x,y in trainloader:
        train(model,x,y,loss_function)
```

需要注意的是，`for x,y in trainset` 的 x 和 y 的维度是单个数据的维度，最简单的情况就是是 P 和 Q 维向量，而此时如果把 batch_size 记作 B，`for x,y in trainloader` 中的 x 和 y 是维度分别为 (B,P) 和 (B,Q) 的矩阵。`train()` 函数里面的计算要考虑到多出的这一个维度。

## 参考链接：

- [https://pytorch.org/tutorials/beginner/basics/data_tutorial.html](https://pytorch.org/tutorials/beginner/basics/data_tutorial.html)
- [https://pytorch.org/tutorials/beginner/nn_tutorial.html](https://pytorch.org/tutorials/beginner/nn_tutorial.html)
- [https://pytorch.org/tutorials/beginner/ptcheat.html](https://pytorch.org/tutorials/beginner/ptcheat.html)
- [https://pytorch.org/docs/stable/data.html?highlight=dataset#torch.utils.data.Dataset](https://pytorch.org/docs/stable/data.html?highlight=dataset#torch.utils.data.Dataset)
- [https://pytorch.org/docs/stable/data.html?highlight=dataloader#torch.utils.data.DataLoader](https://pytorch.org/docs/stable/data.html?highlight=dataloader#torch.utils.data.DataLoader)
- [https://pytorch.org/docs/stable/data.html?highlight=dataloader#torch.utils.data.Sampler](https://pytorch.org/docs/stable/data.html?highlight=dataloader#torch.utils.data.Sampler)
- [https://pytorch.org/docs/stable/_modules/torch/utils/data/dataset.html#Dataset](https://pytorch.org/docs/stable/_modules/torch/utils/data/dataset.html#Dataset)


.py | PyTorch 数据处理方面的封装


- 电脑设置、python 入门
    - NoMachine, ssh, python, conda, jupyter
    - 文件夹操作 `pathlib`, 图片操作 `skimage`
    - 数据增强 (data augmentation): `imgaug`
    - TensorBoard
- 机器学习简介
    - Linear Classifier
    - `sklearn**.**model_selection**.**train_test_split()`
    - Stochastic gradient descent
    - TensorFlow:
        - `tensorflow_addons as tfa`
        - `tfa.image.rotate()`, `tf.image.random_flip_left_right()`
        - **`from** tensorflow.keras **import** Model`, **`from** tensorflow.keras.models **import** Sequential`, **`from** tensorflow.keras.layers **import** Input, Flatten, Dense, Activation, BatchNormalization, Conv2D, MaxPool2D, Softmax`
        - `tf**.**keras**.**losses**.**CategoricalCrossentropy()`, `tf**.**keras**.**optimizers**.**Adam(lr**=**1e-3, clipnorm**=**0.001)`
        - `linear_classifier **=**``Model(...)`, `linear_classifier.compile()`, `linear_classifier.fit()`, `linear_classifier.predict()`
- 深度学习简介
    - Perceptron
    - Perceptron-based XOR gate
    - **decision boundary** of your model: `np.meshgrid`
- 图像恢复 (image restoration)
    - CARE network
    - Noise2Nosie, Noise2Void
- 图像翻译 (image translation)
    - micro-DL: a tool to generate and train U-net from config files.
- 图像语义分割 (image semantic segmentation): 比较详细，前两节有点水了。
    - **`from** PIL **import** Image`, **`import** imageio`, **`from** torchvision **import** transforms`
    - **`from** torch.utils.data **import** Dataset, DataLoader`, **`import** torch.nn **as** nn`, **`from** torch.nn **import** functional **as** F`,  **`from** torch.utils.tensorboard **import** SummaryWriter`,
    - U-net on PyTorch
- 图像实例分割 (instance segmentation)
    1. Foreground segmentation: 
        - **Receptive Field of View**: The term is borrowed from biology where it describes the "portion of sensory space that can elicit neuronal responses when stimulated" (wikipedia). Each output pixel can look at/depends on an input patch with that diameter centered at its position. Based on this patch, the network has to be able to make a decision about the prediction for the respective pixel.
        - **Early Stopping** to avoid overfitting: define an `EarlyStopping` class
    2. Instance Segmentation:
        - Ideas:
            - Three-class model (foreground, background, boundary),
            - Distance transform (label for each pixel is the distance to the closest boundary),
            - Edge affinity (consider not just the pixel but also its direct neighbors, predicts the probability that there is an edge, this is called affinity.) 听的时候懂了，回来看的时候没太看懂
            - Metric learning (learns to predict an embedding vector for each pixel.)
    3. **Tile and Stitch：**
        - 当需要处理的图片过大时，将图片切分成多个小图，分别预测之后拼接在一起。
        - 文中说图片尺寸不是 某个参数的整数倍的时候拼贴结果会不连续，但是代码注释中说等于这个整数倍的时候会不连续，晕。
        - [https://arxiv.org/pdf/2101.05846.pdf](https://arxiv.org/pdf/2101.05846.pdf)
    4. 一个实例，epithelia cells
- 失败模式：极其之水，就是科普了一下训练参数错误的后果，以及一点对抗学习的内容
- 追踪：比较水，因为机器学习追踪的运算量极大，且主讲人感觉就是来做广告的，所以就直接用 CoLab 体验了一下就完事了。（就这还加州理工呢~）
- 知识提取：
    - 前面的基本上是从像素到像素的映射，这里的知识提取是从图片到标签的映射。
    - CycleGAN
    - **Create a balanced Dataloader**
    

.py | 深度学习暑期学校知识点


自学，或者说一切学习和教学，本质就是在已经掌握的知识和未知的目标知识之间修路。路有两种修法，一是理论或者说是第一性原理路线，从不证自明的公理或者已经掌握的知识出发，通过逻辑推理一步步得到新的知识；另一种是实践或者说工程师路线，拿到一个已经可以工作的产品，划分成各个子系统，通过输入的改变来观察输出的不同，直到子系统简化到自己可以理解的地步，不再是黑箱，借此了解整个系统的功能。

但是当学习的对象复杂到一定程度之后，凭借一个人的自学能力，只用其中一种方法往往难以钻透。又或者两种方法学到的路线并非同一条路。对于机器学习，理论路线就是“让输入数据通过一个带有超多参数的函数，根据函数返回值和输出数据之间的差别修正参数，直到函数能够近似输入数据和输出数据之间的关系”；实践中代码往往会使用很多库作者封装好的函数，只读源码往往一头雾水。

所以，看到 PyTorch 官网的这篇教程 **WHAT IS TORCH.NN *REALLY*?:** [https://pytorch.org/tutorials/beginner/nn_tutorial.html](https://pytorch.org/tutorials/beginner/nn_tutorial.html) 可以说是喜出望外，把两种路线写出的代码都给了出来，对于自学者来说，就像罗塞塔石碑一样可以互相对照。这里我把 CNN 相关的部分抽掉了，毕竟 CNN 只是深度学习的一个子集，深度学习只是机器学习的一个子集，和这篇文章的主题关系不大。

原文先按照第一性原理，尽量用原生 python 写了一遍，然后一步一步重构成接近生产环境的代码。这里我把顺序反过来，先放出重构之后的最终结果：

```python
from pathlib import Path
import requests
import pickle
import gzip
import numpy as np
import torch
import torch.nn.functional as F
from torch import nn
from torch import optim
from torch.utils.data import TensorDataset,DataLoader

# Using GPU

print(torch.cuda.is_available())
dev = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")

# Wrapping DataLoader
# https://pytorch.org/tutorials/beginner/basics/data_tutorial.html?highlight=dataloader
# https://pytorch.org/tutorials/beginner/data_loading_tutorial.html?highlight=dataloader

def preprocess(x, y):
    return x.view(-1, 1, 28, 28).to(dev), y.to(dev)

def get_data(train_ds, valid_ds, bs):
    return (
        DataLoader(train_ds, batch_size=bs, shuffle=True),
        DataLoader(valid_ds, batch_size=bs * 2),
    )

class WrappedDataLoader:
    def __init__(self, dl, func):
        self.dl = dl
        self.func = func

    def __len__(self):
        return len(self.dl)

    def __iter__(self):
        batches = iter(self.dl)
        for b in batches:
            yield (self.func(*b))

# Define the neural network model to be trained

# # If the model is simple:
# model = nn.Sequential(nn.Linear(784, 10))

# generally the model is a class that inherites nn.Module and implements forward()
class Mnist_Logistic(nn.Module):
    def __init__(self):
        super().__init__()
        # self.weights = nn.Parameter(torch.randn(784, 10) / math.sqrt(784))
        # self.bias = nn.Parameter(torch.zeros(10))
        self.lin = nn.Linear(784, 10)

    def forward(self, xb):
        # return xb @ self.weights + self.bias
        return self.lin(xb)

# Define the training pipeline in fit()

def loss_batch(model, loss_func, xb, yb, opt=None):
    loss = loss_func(model(xb), yb)

    if opt is not None:
        loss.backward()
        opt.step()
        opt.zero_grad()

    return loss.item(), len(xb)

def fit(epochs, model, loss_func, opt, train_dl, valid_dl):
    for epoch in range(epochs):
        model.train()
        for xb, yb in train_dl:
            loss_batch(model, loss_func, xb, yb, opt)

        model.eval()
        with torch.no_grad():
            losses, nums = zip(
                *[loss_batch(model, loss_func, xb, yb) for xb, yb in valid_dl]
            )
        val_loss = np.sum(np.multiply(losses, nums)) / np.sum(nums)

        print(epoch, val_loss)
    return None

# __main()__:

# data
DATA_PATH = Path("data")
PATH = DATA_PATH / "mnist"

PATH.mkdir(parents=True, exist_ok=True)

URL = "https://github.com/pytorch/tutorials/raw/master/_static/"
FILENAME = "mnist.pkl.gz"

if not (PATH / FILENAME).exists():
        content = requests.get(URL + FILENAME).content
        (PATH / FILENAME).open("wb").write(content)
with gzip.open((PATH / FILENAME).as_posix(), "rb") as f:
        ((x_train, y_train), (x_valid, y_valid), _) = pickle.load(f, encoding="latin-1")

x_train, y_train, x_valid, y_valid = map(
    torch.tensor, (x_train, y_train, x_valid, y_valid)
)

train_dataset = TensorDataset(x_train, y_train)
valid_dataset = TensorDataset(x_valid, y_valid)
train_dataloader, valid_dataloader = get_data(train_ds, valid_ds, bs)
train_dataloader = WrappedDataLoader(train_dataloader, preprocess)
valid_dataloader = WrappedDataLoader(valid_dataloader, preprocess)

# hyperparameters/model
learning_rate = 0.1
epochs = 2
loss_function = F.cross_entropy # loss function
model = Mnist_CNN()
model.to(dev)
optimizer = optim.SGD(model.parameters(), lr=learning_rate , momentum=0.9)

# training
fit(epochs, model, loss_function, optimizer, train_dataloader, valid_dataloader)
```

可以看到，一个项目主干可以分成4部分：

1. 准备数据
2. 定义模型
3. 描述流程
4. 实际运行

下面把各部分拆分开来，把两种思路的代码进行对比。

## 1. 准备数据

### 重构之前

```python
DATA_PATH = Path("data")
PATH = DATA_PATH / "mnist"

PATH.mkdir(parents=True, exist_ok=True)

URL = "https://github.com/pytorch/tutorials/raw/master/_static/"
FILENAME = "mnist.pkl.gz"

if not (PATH / FILENAME).exists():
        content = requests.get(URL + FILENAME).content
        (PATH / FILENAME).open("wb").write(content)
with gzip.open((PATH / FILENAME).as_posix(), "rb") as f:
        ((x_train, y_train), (x_valid, y_valid), _) = pickle.load(f, encoding="latin-1")

x_train, y_train, x_valid, y_valid = map(
    torch.tensor, (x_train, y_train, x_valid, y_valid)
)
n, c = x_train.shape
```

### 重构以后：

```python
# Wrapping DataLoader
# https://pytorch.org/tutorials/beginner/basics/data_tutorial.html?highlight=dataloader
# https://pytorch.org/tutorials/beginner/data_loading_tutorial.html?highlight=dataloader

def preprocess(x, y):
    return x.view(-1, 1, 28, 28).to(dev), y.to(dev)

def get_data(train_ds, valid_ds, bs):
    return (
        DataLoader(train_ds, batch_size=bs, shuffle=True),
        DataLoader(valid_ds, batch_size=bs * 2),
    )

class WrappedDataLoader:
    def __init__(self, dl, func):
        self.dl = dl
        self.func = func

    def __len__(self):
        return len(self.dl)

    def __iter__(self):
        batches = iter(self.dl)
        for b in batches:
            yield (self.func(*b))
```

## 2. 定义模型

### 重构之前

```python
weights = torch.randn(784, 10) / math.sqrt(784)
weights.requires_grad_()
bias = torch.zeros(10, requires_grad=True)

def log_softmax(x):
    return x - x.exp().sum(-1).log().unsqueeze(-1)

def model(xb):
    return log_softmax(xb @ weights + bias)

def nll(input, target):
    return -input[range(target.shape[0]), target].mean()
loss_func = nll

def accuracy(out, yb):
    preds = torch.argmax(out, dim=1)
    return (preds == yb).float().mean()
```

### 重构以后

```python
# If the model is simple:
model = nn.Sequential(nn.Linear(784, 10))

# generally the model is a class that inherites nn.Module and implements forward()
class Mnist_Logistic(nn.Module):
    def __init__(self):
        super().__init__()
        # self.weights = nn.Parameter(torch.randn(784, 10) / math.sqrt(784))
        # self.bias = nn.Parameter(torch.zeros(10))
        self.lin = nn.Linear(784, 10)

    def forward(self, xb):
        # return xb @ self.weights + self.bias
        return self.lin(xb)

```

## 3. 描述流程

### 重构之前

```python
lr = 0.5  # learning rate
epochs = 2  # how many epochs to train for

for epoch in range(epochs):
    for i in range((n - 1) // bs + 1):
        #         set_trace()
        start_i = i * bs
        end_i = start_i + bs
        xb = x_train[start_i:end_i]
        yb = y_train[start_i:end_i]
        pred = model(xb)
        loss = loss_func(pred, yb)

        loss.backward()
        with torch.no_grad():
            weights -= weights.grad * lr
            bias -= bias.grad * lr
            weights.grad.zero_()
            bias.grad.zero_()
```

### 重构以后

```python

def loss_batch(model, loss_func, xb, yb, opt=None):
    loss = loss_func(model(xb), yb)

    if opt is not None:
        loss.backward()
        opt.step()
        opt.zero_grad()

    return loss.item(), len(xb)

def fit(epochs, model, loss_func, opt, train_dl, valid_dl):
    for epoch in range(epochs):
        model.train()
        for xb, yb in train_dl:
            loss_batch(model, loss_func, xb, yb, opt)

        model.eval()
        with torch.no_grad():
            losses, nums = zip(
                *[loss_batch(model, loss_func, xb, yb) for xb, yb in valid_dl]
            )
        val_loss = np.sum(np.multiply(losses, nums)) / np.sum(nums)

        print(epoch, val_loss)
    return None
```

## 4. 实际运行

### 重构之前

```python
# __main()__:
print(loss_func(model(xb), yb), accuracy(model(xb), yb))
```

### 重构以后

```python
# __main()__:

# data
DATA_PATH = Path("data")
PATH = DATA_PATH / "mnist"

PATH.mkdir(parents=True, exist_ok=True)

URL = "https://github.com/pytorch/tutorials/raw/master/_static/"
FILENAME = "mnist.pkl.gz"

if not (PATH / FILENAME).exists():
        content = requests.get(URL + FILENAME).content
        (PATH / FILENAME).open("wb").write(content)
with gzip.open((PATH / FILENAME).as_posix(), "rb") as f:
        ((x_train, y_train), (x_valid, y_valid), _) = pickle.load(f, encoding="latin-1")

x_train, y_train, x_valid, y_valid = map(
    torch.tensor, (x_train, y_train, x_valid, y_valid)
)

train_dataset = TensorDataset(x_train, y_train)
valid_dataset = TensorDataset(x_valid, y_valid)
train_dataloader, valid_dataloader = get_data(train_ds, valid_ds, bs)
train_dataloader = WrappedDataLoader(train_dataloader, preprocess)
valid_dataloader = WrappedDataLoader(valid_dataloader, preprocess)

# hyperparameters/model
learning_rate = 0.1
epochs = 2
loss_function = F.cross_entropy # loss function
model = Mnist_CNN()
model.to(dev)
optimizer = optim.SGD(model.parameters(), lr=learning_rate , momentum=0.9)

# training
fit(epochs, model, loss_function, optimizer, train_dataloader, valid_dataloader)
```

.py | 一个 PyTorch 机器学习项目长什么样


笔记本的触摸屏被我摔了道裂纹，一开始还不影响使用，但是最近几周情况恶化，有时鼠标光标会突然暴走，不听指挥。所以需要禁用触摸屏作为输入设备。

在 xorg 的桌面环境之下，可以用 `xinput list` 显示出所有输入设备，以及对应的 id 号码。然后把找到的 id 填入 `xinput disable ##` 就可以了。一般来说这个 id 的数值是稳定的，所以我就直接把禁用命令写到 `~/.bashrc` 里面去了。

然而，最近把吃灰很久的树莓派拿出来玩了，所以败家买了个60%布局的小机械键盘，小键盘往笔记本一插，诶，您猜怎么着，新买的键盘输完密码登陆之后就不能用了，着实吓了一跳。

所以需要每次检查一遍输入设备的 id，然后把和触摸屏有关的 id（不止一个）从 `xinput list` 的输出里摘出来赋值给一个变量，然后把变量带入 `xinput disable #` 里面。这一套操作已经超出我的 bash 能力了，所以考虑用 python 完成中间步骤，也就是需要让 python 读 bash 的命令结果，写 bash 的命令语句。

Googles搜索给到了这个结果：[https://stackoverflow.com/questions/4256107/running-bash-commands-in-python](https://stackoverflow.com/questions/4256107/running-bash-commands-in-python)，稍微看了一下 subprocess 的官方文档，写了下面的一段，存到 `~/disable_touchscreen.py`, 然后在 `~/.bashrc` 里加一句 `python ~/disable_touchscreen.py`

```python
import subprocess
check = subprcess.run(["xinput","list"],capture_output=True)
for line in check.stdout.decode("utf-8").split("\n"):
    if "touchscreen" in line:
        device = line.partition("id=")[2].partition("\t")[0]
        disable = subprocess.run(["xinput","disable",str(device)])
        if disable.returncode==0:
            print(f"Successfully disabled touchscreen device {device}")
        else:
            print(f"Failed to disable touchscreen device {device}")
```

- 这段代码的核心是 `subprocess.run()` ，第一个参数就是传给 bash 的命令，这是一个list，其中每个元素就是 bash 语句用空格分割开的每一部分。要想得到命令的执行结果，需要添加参数 `capture_output=True`
- 上面函数的返回值是一个特殊的数据结构，命令顺利执行的话，结果会写在 `.stdout` 里，这是一个二进制串 `b'xxx...'`，所以需要 `.decode("utf-8")` 转化成字符串。

如果只用bash的话，

- 我的 bash 水平可以做到 `xinput list | grep "touchscreen"`, 这里的 `|` 是一个管道，也就是将前一条命令的输出传递给后一条作为输入。要想在 python 里使用管道，可以看这个问答：[https://stackoverflow.com/questions/13332268/how-to-use-subprocess-command-with-pipes](https://stackoverflow.com/questions/13332268/how-to-use-subprocess-command-with-pipes)
- 上面管道的结果还需要裁剪出 id 号，也就是 `line.partition("id=")[2].partition("\t")[0]`，估计需要用到 awk, 虽然难，但可以学，至少知道该学什么；
- 但是把 id 号传递给一个变量，然后把这个变量填进 `xinput disable`, 这一步就连该学什么也不知道了。


.py | python.subprocess执行bash命令


- 官网教程：[https://pytorch.org/tutorials/intermediate/tensorboard_tutorial.html](https://pytorch.org/tutorials/intermediate/tensorboard_tutorial.html)
- 官方文档：[https://pytorch.org/docs/stable/tensorboard.html](https://pytorch.org/docs/stable/tensorboard.html)

TensorBoard 是 TensorFlow 团队开发的一款可视化工具，方便观察和调整机器学习的数据集、模型、超参数和训练结果等等。但是不知道为什么，PyTorch 调用 TensorBoard，要比 TensorFlow 方便简单得多，~~这何尝不是一种 NTR~~……

---

## 用法和效果

一个使用了 TensorBoard 的 torch 项目的主文件一般是这样的（把和 TensorBoard 无关的部分都注释掉了）：

```python
# imports
# import matplotlib.pyplot as plt
# import numpy as np

# import torch
# import torchvision
# import torchvision.transforms as transforms

# import torch.nn as nn
# import torch.nn.functional as F
# import torch.optim as optim

from torch.utils.tensorboard import SummaryWriter

# # transforms
# transform = transforms.Compose(
#     [transforms.ToTensor(),
#     transforms.Normalize((0.5,), (0.5,))])

# # datasets
# trainset = torchvision.datasets.FashionMNIST('./data',
#     download=True,
#     train=True,
#     transform=transform)
# testset = torchvision.datasets.FashionMNIST('./data',
#     download=True,
#     train=False,
#     transform=transform)

# # dataloaders
# trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
#                                         shuffle=True, num_workers=2)
# testloader = torch.utils.data.DataLoader(testset, batch_size=4,
#                                         shuffle=False, num_workers=2)

# # constant for classes
# classes = ('T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
#         'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle Boot')

# class Net(nn.Module):
#     def __init__(self):
#         super(Net, self).__init__()
#         self.conv1 = nn.Conv2d(1, 6, 5)
#         self.pool = nn.MaxPool2d(2, 2)
#         self.conv2 = nn.Conv2d(6, 16, 5)
#         self.fc1 = nn.Linear(16 * 4 * 4, 120)
#         self.fc2 = nn.Linear(120, 84)
#         self.fc3 = nn.Linear(84, 10)
#     def forward(self, x):
#         x = self.pool(F.relu(self.conv1(x)))
#         x = self.pool(F.relu(self.conv2(x)))
#         x = x.view(-1, 16 * 4 * 4)
#         x = F.relu(self.fc1(x))
#         x = F.relu(self.fc2(x))
#         x = self.fc3(x)
#         return x
# net = Net()

# criterion = nn.CrossEntropyLoss()
# optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

# default `log_dir` is "runs" - we'll be more specific here
writer = SummaryWriter('runs/fashion_mnist_experiment_1')

running_loss = 0.0
for epoch in range(1):  # loop over the dataset multiple times
    for i, data in enumerate(trainloader, 0):
        # # get the inputs; data is a list of [inputs, labels]
        # inputs, labels = data

        # # zero the parameter gradients
        # optimizer.zero_grad()

        # # forward + backward + optimize
        # outputs = net(inputs)
        # loss = criterion(outputs, labels)
        # loss.backward()
        # optimizer.step()

        # running_loss += loss.item()
        if i % 1000 == 999:    # every 1000 mini-batches...
            # ...log the running loss
            writer.add_scalar('training loss',
                            running_loss / 1000,
                            epoch * len(trainloader) + i) # 注意这一行！
# print('Finished Training')
```

正常情况下，使用了tensorboard 的项目在训练的过程中，可以用网页浏览器打开网址 `localhost:6006`，应该可以看到和下图类似但不同的画面：

![tensorboard](/photos/2022-04-08-tensorboard.png)

下面来仔细分解。

## 代码分解

[引入](python-import-script-module-package) TensorBoard 需要下面一行代码：

```python
from torch.utils.tensorboard import SummaryWriter
```

从名字就能看出来，`SummaryWriter` 是一个 class。粗略用了一下文档页面的业内搜索，好像整个 `torch.utils.tensorboard` 就只有这一个 class。

新建一个这个类的实例：

```python
writer = SummaryWriter('runs/fashion_mnist_experiment_1')
```

这一步会在当前工作环境下新建一个 `/runs` 文件夹，

要想显示导航栏上的“SCALARS”、“IMAGES”等等选项卡，并且让自己想观察的数据显示在各自类别的选项卡里，需要调用 `SummaryWriter` 下面的各种方法，比如 `add_scalar()`, `add_image()`.

### 各种方法

用法和效果举例如下：

- `add_scalar()`: 在一张图中画出**一个标量**指标随学习迭代的**变化曲线**。
    - `tag`: 图片的标题。
    - `scalar_value`: 指标的值，也就是纵坐标。
    - `global_step`: 全局迭代次数，也就是横坐标。
- `add_scalars()`: 在一张图中同时画出**多个指标**随学习迭代的**变化曲线**。
    - `main_tag`: 图片的标题
    - `tag_scalar_dict`: 一个字典，字典的键是变量的名字，值是各个变量的纵坐标。
    - `global_step`: 全局迭代次数，也就是横坐标。
- `add_custome_scalars()`: 没有用过，也没见到例子，不太明白。根据描述像是把之前 `add_scalar()` 和 `add_scalars()` 的结果重新组合，对 SCALARS 选项卡重新排版。每个 `SummaryWriter` 只能运行一次，可以在训练开始前运行，也可以在之后。
    - `layout`: 只有一个这参数，是一个字典，字典的键像是新图片/章节的名字，值是下一级字典或者是 `add_scalar()` 出现过/将要出现的 `tag` 参数。
- `add_figure()`: 显示 `matplotlib` 画出的**图表**。
    - `tag`: 标题
    - `figure`: 图表，要求类型为 `matplotlib.pyplot.figure`
    - `global_step`:迭代次数，效果如何 没试过。
- `add_histogram()`: 在一张图中画出一个样本的**直方图**，以及这个直方图随迭代变化的规律。这是个三维图片，x 轴是直方图的取值范围，y 轴是迭代次数，z 轴是直方图的频率值。
    - `tag`: 图片标题。
    - `values`: 一个 `torch.Tensor` 或者 `numpy.array` ，用于绘制直方图的样本.
    - `global_step`: 迭代次数，y 轴分量。
    - `bins`: 取样间隔参数，`numpy.histogram()` 中用到的。 ****
- `add_graph()`: 一般用于在训练前画出神经网络的**图状结构**。
    - `model`: 要画的模型，类型是 `torch.nn.Module`
    - `input_to_model=None`: （可选）输入模型的变量。
- `add_mesh()`: **三维点云**。
    - `tag`: 表格标题。
    - `vertices`: 顶点三维坐标的列表。
    - `colors`: 顶点的颜色。
    - `faces`: （可选）没看懂 (Indices of vertices within each triangle.)
    - `config_dict`: 用于画图的 ThreeJS 的参数。
    - `global_step`: 迭代次数。
- `add_embeddding()`: 神经网络的输入一般是高维向量，此工具将高维数据**投影到三维**空间，然后画出图像，方便我们感知训练集内样本之间的关系。
    - `mat`: 一个矩阵，每一行都是一个要处理的向量。
    - `metadata`: 标记文字，一般是列表。
    - `label_img`: 标记图片，显示在每个数据点旁边的
    - `global_step`: 迭代次数，一般没人用。
    - `tag`: 图片标题。
- `add_pr_curve()`: 准确率 (precision) -召回率 (call back) 曲线。准确率=真阳性/(真阳性+假阳性)，召回率=真阳性/(真阳性+假阴性)
    - `tag`: 图片标题。
    - `labels`: Ground truth 数据，每个数据点对应一个布尔值。
    - `predictions`: 模型的输出，每个数据点对应一个 [0,1] 之间的实数。
    - `global_step`: 迭代次数。
    - `num_thresholds`:用于画出 PR 曲线的阈值的数目。
- `add_hparams()`: 比较不同次运行之间的超参数。没太看懂。
    - `hparam_dict`: 超参数的名称和取值
    - `metric_dict`: metric （不知道怎么翻译）的名称和取值
    - `hparam_domain_discrete`: （可选）字典，超参数的名称和有限个可能的取值。
    - `run_name`: 运行的名称，将会成为 `logdir` 的一部分。
- `add_image()`: 在 IMAGES 选项卡中显示**一张图片**。
    - `tag`: 图片名称。
    - `img_tensor`: 一个 `torch.Tensor` 或者 `numpy.array`，被显示的图片。对应于下面的 `dataformats` 参数。
    - `global_step`: 迭代次数，没见有人在显示图片的时候用过。
    - `dataformats=’CHW’`: 图片各维度的顺序。默认是“颜色-高度-宽度”。
- `add_images()`: 并列显示**多张图片**。
    - `tag`: 图片组的标题。
    - `img_tensor`: 一个 `torch.Tensor` 或者 `numpy.array`，被显示的图片。图片个维度的含义由 `datadormats` 给出。
    - `global_step`: 迭代次数，没见有人在显示图片的时候用过。
    - `datadormats=’NCHW’`: 图片各维度的顺序。默认为“图片序号-颜色-高度-宽度”。
- `add_video()`: 略
- `add_audio()`: 略
- `add_text()`: 略

.py | TensorBoard 笔记（PyTorch 版）


以官网给出的文件结构为例来说明：

```

sound/                          Top-level package
      __init__.py               Initialize the sound package
      formats/                  Subpackage for file format conversions
              __init__.py
              wavread.py
              wavwrite.py
              aiffread.py
              aiffwrite.py
              auread.py
              auwrite.py
              ...
      effects/                  Subpackage for sound effects
              __init__.py
              echo.py
              surround.py
              reverse.py
              ...
      filters/                  Subpackage for filters
              __init__.py
              equalizer.py
              vocoder.py
              karaoke.py
              ...
```

## 使用现成的 python 代码

正常的编程语言教程，教人配置完开发环境之后就应该进入正题，开始讲语法了。但是咱不正常，所以先来谈谈怎么用别人已经写好的代码。其中最简单的，就是可以直接通过包管理程序安装的：

```bash

pip install sound
```

然后想要使用某个文件中的函数，比如假装 `wavwrite.py` 中有个函数叫 `write()`，以下写法都是可以的，注意不同 import 方法对应不同的函数调用写法：

```python

import sound
sound.formats.wavwrite.write()

from sound import formats
formats.wavwrite.write() 

from sound.formats import wavwrite
wavwrite.write()

from sound.formats.wavwrite import write
write()
```

但是，不是所有的 python 代码都可以直接安装，比如一篇论文的研究成果发表之后，处理数据的代码也往往开源，但是这些作者基本上就只是把自己写代码的文件夹公开出来而已，我们把文件夹下载下来，然后直接 `import sound`, 会报错，提示找不到名为 sound 的库。

## python 如何读取代码文件

仔细想想，找不到才是正常的，之前轻轻松松的一句 `import sound`就解决问题，这才不简单——不同的库往往位于文件系统的不同位置，但我们只要写出他们的名字就行了，不需要指定文件路径。电脑硬盘那么大，找到库却几乎是瞬间完成的。

这是因为 python 并没有搜索整个硬盘。有一个变量，一般名为 `PYTHONPATH`，其变量值是一个列表，表中成员是含有 python 库文件夹的路径。当我们在命令行输入命令的时候，电脑会：

- 搜索当前所在的文件夹，也就是在命令行输入 `python` 时终端所在的文件夹。
- 遍历 `PYTHONPATH` 中的文件夹。
- python 包管理程序默认的位置，一般是 `<path to python>/site-package`。

看看有没有我们要引用的库，找到了就引入，找不到就报错。

上一节的错误中，如果我们恰好位于 sound 所在的文件夹，然后运行 python，此时第一条生效， `import sound` 不会报错，但在其他位置就不行了。

## 名词解释：interactive, script, module, package

可执行的 python 命令可以出现在以下四个地方，第一种是接受键盘输入的程序，后三种都是文件：

1. interactive: python **交互式界面**，也叫做 calculator mode，也就是在命令行输入 `python`之后出现的界面。每次输入一句，结果在命令行上显示出来。当 python 退出之后，输入过的命令就消失了。
2. script: python **脚本**文件，也就是在命令行输入 `python somefile.py`里面的那个`somefile.py`。
    1. 毕竟 python 是一种很轻量化的语言，在一定程度上可以起到 shell 的作用，有些命令我们并不想要用完就扔，而是保存起来以便以后重复执行，另外很多命令的组合组合成函数也可以极大地简化工作。在这种语境之下, interactive 和 script 的关系，就好像 Linux 命令行和 bash script 的关系一样。
    2. 但同时 python 又是一种功能很全面的语言，完全可以胜任复杂的面向对象编程。在这种语境之下，script 也可以用来指代 main module，也就是程序执行的主文件和入口，和下面的一般的 module 相区分。
3. module: python **模块**文件，也就是在命令行输入 `python -m another` 里面的那个 `another`（注意这里不写拓展名 `.py`）。按照官方文档的说法，所有 `.py` 文件都是 module。但是实际上这句话很有误导性，上一节的 main module 和一般的 module 非常不同，下一节会详细展开讲。一般提到 module，都是在强调这个文件定义的变量和函数可以被其他的 python 文件引用。
4. package: python **包**，互相关联的 modules 构成的更高一级的可供引用的结构，简单理解就是含有 `__init__.py` 的文件夹，但是 python 并不是根据文件夹和文件之间的从属关系来确定 package 和 module 之间的关系的，下一节会详细展开讲。

## script vs. module

python 同时兼具脚本语言的灵活性，和各种重型语言的功能全面性。因为前者，所以它并不要求程序作者一定要在一个叫做 `main.py` 的文件里写一个名叫 `Main` 的类, 然后在里面实现一个 `main()` 方法。但是因为后者，没写不代表 python 不需要知道一个复杂程序执行的起点。

这个起点就是不带有 `-m` 参数的 `python` 命令后面跟着的 `.py` 文件，这就使得这个文件变得比其他 `.py` 文件特殊。底层表现就是 python 会不管这个文件的名字叫什么，都将它的 `__name__` 属性赋值为 `"__main__"`。这样，即便这个文件可能是一个大型库中间的一个模块，运行的时候 python 连它的真名都不知道，就更找不到它同级和上下级的其他模块了。

各种普通模块被 python 用到的方法就是通过在主模块 main module（或者说 script）中 import。经过“python 如何读取代码文件”一节中的搜索过程之后找到了所需模块或包，模块的名字、模块之间的关系、模块里定义了哪些属性和函数，就被 python 了解了，从而当主模块召唤他们的时候就知道去哪里找相应的代码。除了在被 import 的时候，`python -m` 命令的宾语也可以告诉 python 被运行的模块和包的相对关系：`python -m sound.formats.wavwrite` ，此时 python 执行了 `wavwrite.py` 中的所有可执行的命令，同时知道从 `sound/` 到 `wavwrite.py` 的各个包之间的关系。

## absolute import vs. relative import

开头使用已经安装过的包使用的语法全都是绝对引用 (absolute import)，表现就是 import 语句里面没有以 `.` 作为开头的。

另外一种 import 方法叫相对引用 (relative import)，`.` 表示模块所在的文件夹，`..` 表示模块的上一级文件夹。主要用在各种明确知道自己是工具代码，而且是一个更高层次结构的组成部分，几乎永远不需要被作为主模块运行的代码。

回到开头例子里的文件结构，假如 sound/effects/surround.py 中想要使用 sound/formats/wavwrite.py 和 sound/effects/echo.py 中的函数，可以写成：

```python

# in sound/effects/surround.py
from ..formats import wavwrite
from . import echo
```

## 如何组织代码，以便自己重用

研究终于推进到了准备写论文的阶段了（学渣本质暴露了），写草稿之余，之前几年时间里做过的处理和分析，接下来的一两个月里需要把工作流程规范化之后迅速重做一遍确认。

随手写散落各处的分析代码需要整理到一起，之前试图统一到一个项目之下，结果总是在某个模块引用其他模块的时候遇到报错。于是才有了这篇文章。

以下是 [这篇文章](https://gist.github.com/ericmjl/27e50331f24db3e8f957d1fe7bbbe510) 给出的一个推荐的项目文件结构：

```

|- notebooks/
   |- 01-first-logical-notebook.ipynb
   |- 02-second-logical-notebook.ipynb
   |- prototype-notebook.ipynb
   |- archive/
	  |- no-longer-useful.ipynb
|- projectname/
   |- projectname/
	  |- __init__.py
	  |- config.py
	  |- data.py
	  |- utils.py
   |- setup.py
|- README.md
|- data/
   |- raw/
   |- processed/
   |- cleaned/
|- scripts/
   |- script1.py
   |- script2.py
   |- archive/
      |- no-longer-useful.py
|- environment.yml
```

学过这篇笔记包含的内容，我才理解作者这样的安排。既然主文件 ~~很难~~ 没办法通过相对引用来找到工具代码，索性就把工具代码写成一个完整可安装的库，然后就像 `numpy`, `pandas` 一样在独立的 notebook 和 scripts 中引用。

实际使用的时候，需要安装 `projectname` 下的代码：

```bash
cd projectname
pip install -e .
```

要知道为什么这样做，需要理解 `setup.py` 这个文件。这篇文章已经够长了，所以这个话题还是下次再说吧。

## 参考链接

- [What's the difference between a Python module and a Python package?](https://stackoverflow.com/questions/7948494/whats-the-difference-between-a-python-module-and-a-python-package). all python files re modules, while package is a specific kind of modules. It is a subsection of module in the python documentation.
- Official explanation of python module: [https://docs.python.org/3/tutorial/modules.html](https://docs.python.org/3/tutorial/modules.html)
- [This stackoverflow  answer: "run as module" is different from "run as script".](https://stackoverflow.com/questions/14132789/relative-imports-for-the-billionth-time) run as module sets the "name" to the module's name, while running as script sets it to `__main__` . Here we use "name" instead of `__name__` because it also contains `__path__` in newer versions.
- A tutorial for project organization: [https://realpython.com/python-application-layouts/](https://realpython.com/python-application-layouts/)
- Official about packaging: [https://packaging.python.org/en/latest/tutorials/packaging-projects/](https://packaging.python.org/en/latest/tutorials/packaging-projects/)
- Gist: How to organize data science project: [https://gist.github.com/ericmjl/27e50331f24db3e8f957d1fe7bbbe510](https://gist.github.com/ericmjl/27e50331f24db3e8f957d1fe7bbbe510)
- From the gist there is a link: [http://drivendata.github.io/cookiecutter-data-science](http://drivendata.github.io/cookiecutter-data-science)

.py | import 引用现成的代码


马上要参加一个暑期学校，关于深度学习在显微图像处理当中的应用。

深度学习是机器学习的一个分支，机器学习中的绝大多数数据都可以抽象为向量（一阶张量），绝大多数的算法都可以分解为向量之间的运算，或者对向量的变换，表示为矩阵（二阶张量）。这就对张量计算相关算法的库函数产生了很大的需求。PyTorch 和 TensorFlow，还有其他的一些库，比如 Keras，Caffe 等等等等，都是为此而生。早期版本的 pytorch 和 tensorflow 有很大的区别，但是随着版本的迭代，两者逐渐兼并和挤掉了其他的竞争者，两者的相似之处也越来越多，“变成了自己曾经最讨厌的样子”。lol

不知道课上究竟要使用哪种机器学习的框架，所以决定把 PyTorch 和 TensorFlow 全都安装了（摊手）。正好可以接着上一篇的 [python 教程](python-interpreter-editor-virtualenv) 往下写。

先说一下自己的软硬件环境：Intel 家的 CPU 和集成显卡（玩不了《文明6》）。虽然不在官方支持 Linux 的名单上，但是自己安装了 Fedora，内核更新了几次之后已经没有了兼容性问题。python 版本 3.9.6，包管理器是 pip，编辑器是 vscode。

## 建立虚拟环境

为什么要建立虚拟环境的问题本系列的前一篇已经回答过了，这次直接开干。我给两个虚拟环境分别取名为 `torch` 和`tf` 。关于命令行部分的代码，为了表示各个虚拟环境，特别加上了命令提示符`(env)[me@mycomputer]$`，抄代码的时候注意去掉。

```bash

[me@mycomputer]$ mkvirtualenv torch
(torch)[me@mycomputer]$
```

## 安装

在 PyTorch 官网，找到自己的硬件配制对应的安装命令：[https://pytorch.org/get-started/locally/](https://pytorch.org/get-started/locally/)。比如我的就是 `Stable`>`Linux`>`Pip`>`Python`>`CPU`。把生成的命令复制到命令行：

```bash

(torch)[me@mycomputer]$ pip3 install torch==1.9.1+cpu torchvision==0.10.1+cpu torchaudio==0.9.1 -f https://download.pytorch.org/whl/torch_stable.html
```

等待各种提示信息显示安装完成。

## 验证和退出

按照 [官网给出的方法](https://pytorch.org/get-started/locally/#linux-verification)，验证安装是否成功：

```python

import torch
x = torch.rand(5, 3)
print(x)

# tensor([[0.3799, 0.4494, 0.4296],
#       [0.5800, 0.0180, 0.3110],
#       [0.9847, 0.0125, 0.2648],
#       [0.0296, 0.3142, 0.9266],
#       [0.3192, 0.9645, 0.5545]])
```

为了下一步安装 tensorflow，先要退出到默认的虚拟环境：

```bash

(torch)[me@mycomputer]$ deactivate
[me@mycomputer]$
```

## 说好的 TensorFlow 呢

本来这篇文章是打算把  pytorch 和 tensorflow 一起写了，结果 tensorflow 实在是不给力。

- 直接安装

在 [TensorFlow 的官网](https://www.tensorflow.org/install)上方导航栏找到 install 按钮，然后在页面左侧找到 package/pip，[安装命令](https://www.tensorflow.org/install/pip#3.-install-the-tensorflow-pip-package)也是只有一句话

```python

pip install --upgrade tensorflow
```

然而不行，虽然安装过程中没有报错，但是验证安装的时候报出一堆错误。

报错信息里有一句 `Could not load dynamic library 'libcudart.so.11.0'`，怀疑上面命令安装的是 GPU 版本。

- 安装 CPU 版本

在网页正文的“Package Location”一节找到了 CPU 版本的安装文件：`https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow_cpu-2.6.0-cp39-cp39-manylinux2010_x86_64.whl`，于是删除虚拟环境、重建虚拟环境、重新安装。

```bash

(tf)[me@mycomputer]$ deactivate
[me@mycomputer]$ rmvirtualenv tf
[me@mycomputer]$ mkvirtualenv tf
(tf)[me@mycomputer]$ pip install --upgrade pip
(tf)[me@mycomputer]$ pip install https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow_cpu-2.6.0-cp39-cp39-manylinux2010_x86_64.whl
```

运行官方提供的测试之后依然会有警告信息：

```bash

(tf) [shixing@yoga-laptop ~]$ python -c "import tensorflow as tf;print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
20XX-XX-XX XX:XX:XX.XXXXXX: I tensorflow/core/platform/cpu_feature_guard.cc:142] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in performance-critical operations:  AVX2 AVX512F FMA
To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags.
tf.Tensor(-1338.4773, shape=(), dtype=float32)
```

[stackoverflow 的这个回答](https://stackoverflow.com/questions/47068709/your-cpu-supports-instructions-that-this-tensorflow-binary-was-not-compiled-to-u) 说，需要从源码编译 tensorflow，具体的方法在[官网也有](https://www.tensorflow.org/install/source#linux)，但是实在是太麻烦了，~~（还是鸽了）~~ 下次单独写成一篇吧。

.py | Fedora 上安装 CPU 版 pytorch


上一篇 《[在 Windows 10 上配置 python 开发环境](python-installation-and-configuration)》 很惭愧，只做了一点微小的工作，大概三件事：
- 一个，安装了 python 的解释器；
- 第二个，把 vscode 安装进了电脑；
- 第三个，就是我们知道的 virtualenv 虚拟环境。

如果说还有一点什么要讲的，就是在 how 之外，讲一点 what。为了让文章更通顺一点，我打算调整一下顺序，先讲编辑器，再讲解释器，最后再说虚拟环境。虽然文章是立足于 python 来谈，但是这些知识适用于几乎所有通用编程语言。因为我也不是计算机专业出身，这篇文章只是我的学习笔记，如果有不对的地方欢迎大家指出。

## 编辑器

首先我们来做一个实验，把上次教程里创建的 python 文件 `hello.py` 重命名，把拓展名 `.py` 改成 `.txt`, 然后双击鼠标打开文件，会发生什么？在 Windows 系统里，会弹出最最普通的记事本窗口，窗口里是白底黑字的 python 语句，不像 vscode 里面不同语句有不同颜色，但是内容完全一样。

甚至更进一步，你可以在命令行里直接让 python 编译器执行 `.txt` 文件的内容，（`py -m hello.txt`）效果和 `.py` 也是一样的。

`.py` 这个拓展名什么也没有做，和 `.txt` 文件一样，内容就是一串我们人类能够读懂的字符，这样的文件叫做[文本文件](https://zh.wikipedia.org/wiki/%E6%96%87%E6%9C%AC%E6%96%87%E4%BB%B6)。处理文本文件的程序，就叫做[编辑器](https://zh.wikipedia.org/wiki/%E6%96%87%E6%9C%AC%E7%BC%96%E8%BE%91%E5%99%A8)。记事本就是一种编辑器，vscode 也是。

既然记事本就可以编写 python 代码，那我还费劲安装 vscode 干嘛？确实有人真的只用记事本或其他操作系统自带的编辑器写 python 代码，（油管上还有一个视频是用 Microsoft Word 写代码；）然后用命令行调试程序，但是 vscode 毕竟是专为程序员而开发，提供了很多默认编辑器不具备的功能，比如前面提到将函数、变量、保留词显示成不同的颜色的语法高亮功能。

## 编译器 / 解释器

除了文本文件，这篇文章里涉及的第二种文件是[二进制文件](https://en.wikipedia.org/wiki/Binary_file)。

电脑并不能直接看懂人类认识的字符，在一切的最底层，经典计算机认识的是以不同方式表示的 0 和 1。虽然说所有文件在底层都是二进制的文件，但是“二进制文件”这个名词一般专门用来表示除了文本文件之外的文件，又因为图片文件、视频文件啥的都有自己的名字，所以这个词用来指代的文件，基本上都和软件程序，可以让计算机执行的文件有关。

人类只认识字符，计算机只认识 0 和 1，那么最直觉的思路就是把文本文件翻译成二进制文件。这个翻译过程叫做[编译](https://en.wikipedia.org/wiki/Compiler)，能够完成这一过程的软件就叫做编译器。编译器编译完成之后就退出了，要想执行程序，电脑直接执行编译之后的可执行文件就可以了。

但是编译存在一个问题，就是整个软件需要在所有的源代码文本文件都写好的情况下才能被编译成软件，编译耗费的资源和时间随着软件规模的增长而扩大；一旦修改某处，整个项目又要重新编译。很多时候我们只想快速地知道某个大型项目中的某一句命令的效果是什么，编译这种方法就不适合这种场景了。

于是就出现了[解释器](https://en.wikipedia.org/wiki/Interpreter_(computing))，这种程序比编译器复杂的多，在我们执行这种编程语言命令的时候始终运行，允许我们一句一句地输入命令，记得代码的上下文，还记得我们之前命令的结果，代价就是对于大型项目也需要一句一句地分析解释，计算资源的开销和速度都不如编译。

python 就是一种（官方实现）使用解释器的编程语言，我们在官网下载的那个 `python-***.exe` 文件就是 python 的解释器。这也导致了 python 程序的性能往往不如同水平的 C/C++ 程序员写出来的程序，但是由于单句执行适合试错，所以在 ~~经常犯错的~~ 科研领域还挺流行的。

当然了，python 的特点远不仅仅是解释型语言这么简单，它还是一种：
- [脚本语言](https://program-think.blogspot.com/2009/08/why-choose-python-1-script.html)
- [动态语言](https://program-think.blogspot.com/2009/08/why-choose-python-2-dynamic.html)
- [面向对象语言](https://program-think.blogspot.com/2010/08/why-choose-python-3-oop.html)
- [函数式编程语言](https://program-think.blogspot.com/2010/08/why-choose-python-3-oop.html)
- [……](https://program-think.blogspot.com/2010/08/why-choose-python-3-oop.html)

## 虚拟环境

有一次我问我女朋友，她写 python 用什么 IDE，她很自豪地回答，她的 Macbook 自带 python，直接在命令行就可以运行……答非所问还不是最大的问题（仔细想想好像也不是答非所问，不过只回答了问题的一部分），而是直接在命令行运行系统自带的 python，或者其他编程语言的解释器或者编译器，本身就是编程初学者常干的一种危险行为。

Windows 还好，毕竟这是一个面向广大家用消费者的操作系统，防呆设计还是挺多的，没有原装的 python。更加极客向的操作系统，比如 Linux 和 BSD 家族可就不一样了，这些操作系统（的发行版）往往预装了 python。这个 python 可不是给用户拿来开发自己的程序用的，而是用来让很多 python 语言写成的操作系统工具调用的。既然如此，这个 python 的版本一般由发行版的安装包管理者来控制，往往落后最新的 python 版本一段时间，为了避免新版本 python 有什么 bug，也为了让操作系统工具的开发者有时间更新自己的代码。所以如果直接用这个版本的 python 做开发，而且不小心自己升级了 python 的版本，很有可能导致系统的某些功能失常。

虚拟环境就是 python 对这个问题的解决方案。我们可以安装不同于原装 python 的版本，但是并不将这个解释器加入系统路径，操作系统也就不知道这个版本 python 的存在。创建虚拟环境的时候，我们指定使用这一特定版本的 python，这样在虚拟环境激活之后就是我们开发需要的 python，退出虚拟环境就是系统工具使用的 python。

另外，即便两个项目适用于同一个 python 版本，而且都是系统自带的这个版本，虚拟环境也有用武之地。绝大多数程序都需要依赖别人写好的工具代码，这些代码叫做库 (library)，不同的项目可能依赖不同的库代码，或者同一个库的不同版本。这个时候，可以创建不同的虚拟环境，并在其中安装各个项目对应的库，项目之间可以互不影响。

## 编辑器 + 解释器 / 编译器 + 虚拟环境管理 + …… = IDE

为了开发 python 程序要安装这么多不同的程序，太麻烦了，就不能一键安装全搞定吗？当然可以了，这种集成了开发过程中用到的各种工具的程序，就叫做[集成开发环境 (IDE)](https://zh.wikipedia.org/zh-cn/%E9%9B%86%E6%88%90%E5%BC%80%E5%8F%91%E7%8E%AF%E5%A2%83)。对于 python，最有名的 IDE 当属 [Anaconda](https://www.anaconda.com/) 了。

那我为什么不用呢？当然用过，但是听说了 vscode 的大名，而且尝鲜之后，就再也回不去了。写 python 需要编辑 `.py` 文件，写博客需要编辑 `.md` 文件，博客的一些功能需要 JavaScript 实现，这些事情本质上都是编辑文本文件这一件事，在 vscode 这样的编辑器里全搞定就再自然不过了，那么 Anaconda 里的 Spyder 和 Jupyter Lab 就显得多余了。

“把一件事做好”，这也是 [Unix 哲学](https://zh.wikipedia.org/wiki/Unix%E5%93%B2%E5%AD%A6)的一部分。但是问题在于，不同的人对于“一件事”的定义是不同的，有些人觉得做早饭是一件事，有些人觉得是热牛奶煎鸡蛋烤面包等等好几件事，谁是对的？

也许都对，但是 编辑器 + 解释器 + …… 比起 IDE 就是处在鄙视链的上游。这一点可以不同意，但是应该要知道，不然别人抖包袱的时候你没捧上哏，挺尴尬的。


.py | 笔记：python 编辑器、解释器、虚拟环境


我的 python 版本之前一直停留在 3.7，目前最新已经到了 3.9。最近研究上要用一段别人写的 python 的代码，原作要求 3.6 版本的 python，所以卸载了 3.7 版本，重新安装了 3.9 和 3.6 两个版本的 python。

煽动爸妈学编程很久了，欠他们一篇教程。不论是打算不断精进者的第一门编程语言，还是浅尝辄止者打算学的唯一一门语言，python 都是一个很不错的选择。所以即便爸妈对编程可以说是毫无兴趣，我也还是把这篇教程写完了，希望能帮到其他人。因为是面向纯新手的，所以基于 Windows 10 操作系统。因为这套设置我自己也要用，出于个人偏好，所以没有直接使用 `conda`。

## ~~别看你今天闹得欢~~ 先拉个清单
- python
    - 在官网下载 `python` 解释器
    - 安装 `python` 解释器
- 虚拟环境
    - 设置环境变量
    - 用 `pip` 安装 `virtualenv` 
    - 用 `pip` 安装 `virtualenvwrapper`
    - 创建一个虚拟环境，安装 `jupyter`
- 编辑器
    - 在官网下载 `vscode`
    - 安装 `vscode` 和相关插件
    - 测试一下效果

## 教程本体

### 在官网下载 `python` 解释器

在 python 的官网上 ([https://www.python.org/downloads/](https://www.python.org/downloads/)) 下载

![](/photos/2021-03-07-python-official-website.png)

### 安装 `python` 解释器

执行下载的文件，可以看到如下图所示的界面，点击红框中的选项，因为我想更改安装路径。此处似乎也可以勾选最下面的 "Add Python 3.9 to PATH"，我安装的时候没有选，后面才发现还要手动完成这一工作。

![](/photos/2021-03-07-python-install.png)

接下来的界面里每个选项都勾选，next。

![](/photos/2021-03-07-python-next.png)

在接下来出现的界面中，选择 "Install for all users"，然后选择一个自己喜欢的安装路径。我之所以选择 `C:\Python39` 这个位置，是因为:
1. C 盘是系统盘，而且是固态硬盘，比较快；
2. 默认路径在个人文件夹里，非常难找
3. `C:\Program Files` 需要管理员权限，用 `pip` 做软件包管理不方便。

![](/photos/2021-03-07-python-install-path.png)

安装完成后进入命令提示符，输入 `py`，应该可以看到一串 python 版本信息，然后命令提示符变成 `>>>` 字样，此时就已经进入了 python 环境，可以按行运行 python 命令。输入 `exit()` 就可以退出 python。

### 设置环境变量

在 windows 的搜索框里输入 "environment variables"，没等你输完，应该就可以看到下图中的联想结果：

![](/photos/2021-03-07-environment-variable-search.png)

再按照下图，依次点击按钮，一共要做两件事:
1. 给 `Path` 变量添加 `C:\Python39` 和 `C:\Python39\Scripts` 两个新值。
2. 新建一个文件夹，用于存放 python 的虚拟环境（比如 `C:\PythonEnvs`）。创建一个名为 `WORKON_HOME` 的新变量，并将其值设为 `C:\PythonEnvs`.

![](/photos/2021-03-07-environment-variable-box.png)

### 用 `pip` 安装 `virtualenv` 和 `virtualenvwrapper`

按照刚才的步骤，此时 `pip` 应该已经安装，此时在命令行输入途中的命令，应该可以看到类似的返回信息：

![](/photos/2021-03-07-pip-check.png)

如果命令行说没找到 `pip`，可能需要按照[这个链接](https://pip.pypa.io/en/stable/installing/#installing-with-get-pip-py)里的方法重新安装。

在命令行中输入 `py -m pip install virtualenv`， 安装虚拟环境管理器：

![](/photos/2021-03-07-virtualenv-install.png)

显示安装成功之后，在命令行输入 `py -m pip install virtualenvwrapper-win`，结果应该和上图差不多，忘了截图。

### 创建一个虚拟环境，安装 `jupyter`

`virtualenv` 和 `virtualenvwrapper` 安装完成之后，在命令行中输入 `mkvirtualenv base`，新建一个名为 base 的虚拟环境。

然后输入 `workon base`，此时命令提示符的行首应该会多出一个 `(base)` 字样，这说明我们已经工作在了 base 这个虚拟环境里。此时 `pip --version` 的结果说明我们的 python 的地址已经和之前不同了。

![](/photos/2021-03-07-virtualenvwrapper-check.png)

在这个环境之下，安装 jupyter，输入命令 `pip install jupyter`，安装 jupyter。这一步不是必须的，但是这样我们将来安装 vscode 之后，可以获得和 conda 自带的 spyder 类似的体验，菜鸟逐行调试的时候非常方便。

### 下载和安装 `vscode`

从 vscode 的官网下载安装包（[链接在此](https://code.visualstudio.com/)），可以看到大大的下载按钮：

![](/photos/2021-03-07-vscode-download.png)

下在之后的安装过程就和一般的程序安装一样（安装很久了，没有截图）。

安装完成之后打开程序，点击左侧工具栏红框中的那个图标，搜索 python 的相关 vscode 插件。python 开发一般都需要 `python`, `pylance`, `jupyter` 这三个：

![](/photos/2021-03-07-vscode-plugin.png)

以后要运行 vscode 的时候，在你想开始写代码的文件夹里，鼠标右键单击，选择 "Open with Code":

![](/photos/2021-03-07-vscode-folder-open.png)

然后在 vscode 的界面，在文件树上单击红框中的按钮，新建一个文件，命名为 `*.py`，这里随便写了个 "hello".

![](/photos/2021-03-07-vscode-new-file.png)

在随后打开的文档编辑区输入 `print("Hello World")`，将光标停留在这一行，按 `Shift`+`Enter` 执行这一行：

![](/photos/2021-03-07-vscode-run.png)

因为是第一次执行，又因为安装了 `jupyter`，这时候 vscode 的右下角应该会出现一个提示框，询问是否用 jupyter interactive window 执行代码。然后关掉下方的这个 terminal (下半区右上角的叉号)。重新按 `Shift`+`Enter` 执行，此时的结果应该如下图，点击红圈中的变量浏览器，这就几乎和 spyder 的体验一样了。

![](/photos/2021-03-07-vscode-interactive.png)


.py | 在 Windows 10 上配置 python 开发环境


“图”这个字在英语中可以对应好几个词，picture, image, figure, plot... 其中的 plot，意思是展示两组或两组以上的数据之间关系的图像。用时髦一点的话说，就是数据可视化的产物。  

所谓`matplotlib`，顾名思义，~~`mat` 表示山寨 MATLAB~~，`plot` 的含义如上所述，`lib` 表示这是 python 的[一个第三方库 (library)，而不是某种领域专用的编程语言 (domain specific languange, DSL)](http://www.yinwang.org/blog-cn/2017/05/25/dsl)。

所谓 API，全称是 application programming interface, 应用程序接口，约等于在你有了自己的数据，想调用 matplotlib 来画图的时候，那些需要写在你自己代码里的语句的语法规则。

因为是代码库，所以在一切开始之前，需要在你的 python 代码开头声明引入

```python
import matplotlib.pyplot as plt
```

`plt` 可以换成你喜欢并且不和其他代码冲突的名字，但是这三个字母是大家的约定俗成的，网上的绝大多数示例代码都这么写，~~照抄就完事了。~~

## `matplotlib` 的两种 API

`matplotlib` 有两种 API，（其实还有第 3 种 `pylab`，但它没能经得起时间的检验，已经处于官方极不推荐的状态），分别是：

- 基于状态的 (state-based)
- 面向对象的 (object-oriented)

两种风格混用的话大概率没法玩得转，会产生各种出人意料的输出结果，新手 debug 的能力又比较差，所以最好先选边站队，有时间再学剩下的一个。

对于有 MATLAB 基础的朋友，基于状态的 API 语法和 MATLAB 几乎一模一样，几乎可以直接上手，当年 python 算是后起之秀，这一招当初就是为了从 MATLAB 那里吸引用户， ~~相当歹毒。~~ 这套接口本身也比较简单，适合在调试程序的时候快速看一下结果，检查错误。

对于一般的初学者，matplotlib 的代码本身就是用面向对象的编程范式写成的，学习这套 API 可以更好的理解代码，知道自己究竟在干什么，顺便还可以熟悉一下面向对象的编程范式。现在学 python 之前就会 MATLAB 的人越来越少，网上 ~~可供复制粘贴~~ 的示例代码越来越多地使用面向对象的语法，学习面向对象的接口也更加实用。

## 两种 API 的相同任务

![](/photos/2020-10-04_figure-and-axes.png)

上图来自网上随便找的一篇论文，可以看到，一般我们会把信息相关的几幅小图放在一起，在文章排版的时候，这张组合在一起的图片算作一个单位。在 matplotlib 里面，这样一个基本单位叫做 `figure`，而每一幅小图叫做 `axis` （变量名常简写作 `ax`）。平时的单图可以看作只有一个 `axis` 的 `figure`，多图的时候往往用一个 tuple `axes` 的 `__getitem__()` 方法来控制每个子图。

![](/photos/2020-10-04_anatomy-of-figure.png)

上图[来自官网](https://matplotlib.org/gallery/showcase/anatomy.html#anatomy-of-a-figure)，图中的蓝字就是 matplotlib 认为的一张只有一个 axis 的 figure 所包含的元素。

两种 API 要做的事情，就是建立 `figure` 和 `axis`，然后提供函数/方法来生成或者改变各个元素。

## 基于状态 (state-based)

所谓基于状态的 API，不太好解释，前面已经说过，在每个函数前面加上 plt，剩下的就和写 MATLAB 几乎完全一样。

看[官网给出的教程](https://matplotlib.org/tutorials/introductory/pyplot.html#sphx-glr-tutorials-introductory-pyplot-py)，可以观察到两个有趣的现象：

- 几乎没有赋值运算符 `=`
- 几乎所有的 `.` 前面都是 `plt`

也就是说，与 matplotlib 相关的命令都是函数，而且不需要将返回值赋给任何变量。`figure` 和 `axis` 的概念被隐藏起来了，`plt.figure()` 建立一个 figure；`plt.subplot()`建立多个 axes，并且将程序的注意力放到函数参数指定的子图上；紧跟着的设定各种元素的函数都会作用到之前最新一个 `plt.subplot()` 所指定的子图上。

没有赋值说明函数的返回值并不重要，这些函数都会作用在后台维护的 figure 和 axis 的状态机上面，也就是说这些函数都有副作用，不是纯函数。

## 面向对象 (object-oriented)

[作为对比](https://matplotlib.org/gallery/showcase/anatomy.html#anatomy-of-a-figure)：

- 头几句会有赋值运算符 `=`，被赋值的变量名一般就是 `fig` 和 `ax`。
- `.` 前面都是 `fig` 和 `ax`，其中 `ax` 居多。

`fig` 和 `ax` 分别是 `matplotlib.figure.Figure` 和 `matplotlib.axes.Axes` 两种对象的实例，画图和调整都是在调用两种对象的方法，主要是 `ax` 的方法。

## 不同之处 Cheat Sheet

绝大多数命令，在两种 API 之下的名字都一样，差别就在于开头究竟是 `plt.` 还是 `ax.`，但是少数命令不同，下面做了一个表格，进行一个不完全的列举：

| State-Based | 任务 | Object-Oriented |
|---|---|---|
|`plt.figure(**args)`|__新建 figure__|`fig = plt.figure(**args)`|
|`plt.subplot(**args)`|__新建 axis__|`ax = fig.add_subplot(**args)`|
|好像没有|__同时新建 figure 和复数 axes__|`fig,axes = plt.subplots(**args)`|
|`plt.title(**args)`|__设置 figrue 标题__|`ax.set_title(**args)`|
|`plt.xlabel(**args)`|__设置 x 轴名称__|`ax.set_xlabel(**args)`|
|`plt.ylabel(**args)`|__设置 y 轴名称__|`ax.set_ylabel(**args)`|
|`plt.xlim(**args)`|__设置 x 轴范围__|`ax.set_xlim(**args)`|
|`plt.ylim(**args)`|__设置 y 轴范围__|`ax.set_ylim(**args)`|

其他不同的命令，以后用到的时候会随手更新。


.py | matplotlib笔记：两种API


当初博客开张的时候，原计划在编程语言方面聊聊 C++、Java 和 Python。谁曾想半年多过去了，尚未写过 Python 的帖子。实在是说不过去啊！所以今天赶紧写一篇来凑数。

其实俺接触 Python 的时间，也不算太早（大概是2003年那会儿）。当时看到 Eric Raymond 关于几大编程语言的评价（原文在“这里”，翻译在“这里”），之后又看了他写的《Why Python?》。感觉这位大牛蛮器重 Python 滴，于是俺也就跟风学习了一番。从此一发不可收拾——现在 Python 已然成为俺最常使用的脚本语言了。

接下来，俺就从几个不同的角度来鼓吹一下 Python。假如你从来没有听说过或者从来没用过此语言，听了俺的忽悠之后，或许会有所心动 :-) 假如你觉得俺只不过是 Python 阵营的枪手，发发广告帖，那你就不用再浪费宝贵的时间去看后续的帖子了。

按照俺先前的习惯，会把接下来的内容拆成几个帖子来写......

为了方便阅读，把本系列帖子的目录整理如下（需翻墙）：

1. [作为脚本语言的 Python](RP-why-choose-python-1-script)
2. [作为动态语言的 Python](RP-why-choose-python-2-dynamic)
3. [作为面向对象语言的 Python](RP-why-choose-python-3-oop)
4. [作为函数式编程语言的 Python](RP-why-choose-python-4-fp)
5. [作为瑞士军刀的 Python](RP-why-choose-python-5-tool)
6. （未完待续）


> **版权声明**
>
> 本博客（编程随想的博客）所有的原创文章，作者皆保留版权。转载必须包含本声明，保持本文完整，并以超链接形式注明作者编程随想和本文原始地址：<br>
>
> <a href="https://program-think.blogspot.com/2009/08/why-choose-python-0-overview.html">https://program-think.blogspot.com/2009/08/why-choose-python-0-overview.html</a>

.py | 转载：为什么俺推荐 Python[0]·概述


### 文章目录

* [脚本语言好在哪？](#pros)
* [脚本语言有啥缺点？](#cons)
* [Python 和其它脚本语言的比较](#compare)
* [总结](#summary)

俺窃以为，Python 的所有特征中，作为脚本语言（“脚本语言”的定义参见“[这里](https://en.wikipedia.org/wiki/Scripting_language)”）是它的首要特征。因此，在本系列帖子中，俺首先来忽悠一下 Python 作为脚本语言，有些啥好处？

# 脚本语言好在哪？<a name="pros"></a>

要聊 Python 作为脚本语言的好处，首先得说说脚本语言自身有哪些优点。一般来说，当我们提及“脚本语言”，都是强调其解释执行的特性（虽然有些脚本语言也支持编译）。所以，后面陈述的这些优点，大都是拿编译型语言来进行对比。

## 更高层次的抽象和封装

大部分脚本语言都提供了（内置了）比较高层次的抽象和封装。像很多脚本语言都内置了字符串处理能力以及正则表达式（典型代表就是 Perl）。还有很多脚本语言都内置了高级的数据结构。比如 Python 在语言层面支持了链表（Python 的术语叫 List）、映射（Python 的术语叫 Dict）、元组（Python 的术语叫 Tuple）。

有了这些高层次的封装，你写起代码来，就特别滴简单、特别滴爽。比如，在 Python 中要把一个 List 翻倍，只需这么写：

```python

[1,2,3] * 2

```

就得到

```python

[1,2,3,1,2,3]

```

## 更少的代码量

得益于高层次的封装，在完成相同功能的前提下，脚本语言的代码量会比编译型语言少很多。

比如说，要打印出某个文本文件的内容，如果用 Java 实现，正常的写法大概要七、八行代码（把所有代码硬挤到一行的，不予讨论）；用 Python 也就三、五行。

再比如说，抓取某个网址对应的 web 网页，用 Python 自带的标准库实现，大概3到5行代码；但如果用 C++ 实现，代码量会增加许多（具体要写多少代码，取决于你用了哪个 http 的库）。

代码量少了之后，至少你看代码的时候（无论是看自个儿滴还是看别人滴），能少敲很多次翻页键，大大延长了键盘的寿命，顺便降低了手指头的劳损。

## 更好的可读性

当然啦，延长键盘寿命还不是关键，关键在于——代码量少了之后，（通常情况下）会有助于提高可读性。而可读性恰恰是 Python 的强项之一。

比方说：Python 在【语法层面】强制约定了作用域缩进（这是俺很喜欢 Python 的地方之一）。如此一来，即便是新手程序猿写出的 Python 代码，缩进风格也很统一。反观 C/C++/Java 的新手，写出的代码就没有这么整齐了。

## 更平缓的学习曲线

通常，脚本语言的语法都比较简单、傻瓜化。因此，入门也就容易很多。稍微有一些编程基础的人，就能够在短时间内上手。

比如俺手下的 C++、Java 程序员，以及某些测试人员，都可以在一周内（程序员用不着一周，一般就1、2天）掌握 Python 的语法并用来写一些辅助的小工具。大大节约了俺培训的口水。

## 支持“交互式”

很多脚本语言的 IDE 支持【交互式写代码】。也就是说，你每写完一行代码，解释器就执行一把。这样能很快发现输入错误，而且还可以立即看到执行结果。

# 脚本语言有啥缺点？<a name="cons"></a>

前面说了那么多优点，那脚本语言有啥缺点捏？

主要的缺点就是【性能差】。这是他们为上述优点所付出的沉重代价。所幸当今的计算机硬件突飞猛进，性能差的缺点已经越来越不明显了。

# Python 和其它脚本语言的比较<a name="compare"></a>

有同学可能要问了，脚本语言有很多，为啥俺独独青睐 Python 捏？

为了回答这个问题，下面俺拿 Python 和一些常见的脚本语言作一些【肤浅的】比较。

鉴于后面的内容极易引发语言的口水战，俺特此声明：虽然接下来会提及某些语言相对于 python 的缺点，但俺绝无贬低这些语言的企图，也无意证明 python 比这些语言优秀！俺只是陈述一下：当年是如何在几种脚本语言中进行取舍的？

除了 Python 之外，常见的脚本语言还有很多，比如：PHP、JavaScript（以下简称 JS）、Perl、VBScript（以下简称 VBS）、Ruby、Bash、Lua、Tcl（可别误以为是某家电厂商）......Python 是如何从这些脚本语言中脱颖而出的捏？俺挑选的时候，主要考虑了如下几点：

## 通用性（跨领域）

因为俺懒得学太多编程语言。所以，俺希望熟悉一门脚本语言之后，能够尽量多帮俺搞定不同领域的事儿。从这点来看，俺就不会选择 PHP（太偏重于 Web 服务端）、JS（太偏重于 Web 客户端）、诸如 Bash 之类的 Shell 脚本（太偏重于系统管理）。

而 Python 则属于通用的脚本语言，覆盖范围很广。比如 Web 开发、桌面 GUI 应用、系统管理、网络应用、科学计算等许多领域，Python 都可以轻易搞定。

## 人气够旺

关于“人气”的重要性，俺在《如何选择开源项目》一文中，有介绍过。人气越高、越流行，就意味着更多的资源（包括文档、相关软件），当你碰到问题需要解决，也有更多的人可以咨询。

关于编程语言的流行程度，可以大致参考 TIOBE 的排名（虽然 TIOBE 不能全面反映流行程度，但至少可作为某种参考）。

像 Tcl、PowerShell、Groovy、JavaFX 等都排在３０名之外（截至写本文的2009年8月），感觉用的人太少了，俺暂时不予考虑。而 Python 最近几年的排名则一路上升（请看“这里”），截止到2009年8月，已经高踞排行榜第６位。Perl 虽然也身居高位，但是最近几年的排名一路下滑（请看“[这里](http://www.tiobe.com/content/paperinfo/tpci/Perl.html)”）。俺个人认为，其人气不容乐观。

## 功能够强、库够丰富

另一个俺很看重的地方是功能是否够强大。在这点上，Python 和 Perl 都算是比较强悍的。关于 Python 如何强悍，俺会在本系列的第5篇帖子《作为瑞士军刀的 Python》中加以介绍。

反观 JS、Ruby、Tcl 等语言，则稍显不足（当然，也有可能俺孤陋寡闻）。

## 跨平台

由于俺平时会使用不同的操作系统，再加上俺负责的产品也是跨平台的。所以，俺对脚本语言有跨平台的要求。说到跨平台，诸如VBS、Bash之流就不予考虑了。

其实，很多脚本语言都支持跨平台。而 Python 在这方面，更为出众。不光支持主流的操作系统，还支持一些冷门的（比如古老的 DOS），还支持手持设备（比如智能手机和平板）。

## 和其它语言的整合、交互

最后这一点，估计大多数同学不会太关心。俺因为要在公司的产品中引入脚本技术，所以俺还得考虑该脚本语言和其它语言的整合能力。整合能力强的脚本语言，可以作为复杂系统中的胶水，用来把不同模块粘合在一起（关于 Glue Language，可以参见“[这里](https://en.wikipedia.org/wiki/Glue_language)”）。

在这方面，Python 和 Ruby 的表现都不错：

它们和 Java 的整合有Jython、JRuby；

和 dotNet 平台的整合有IronPython、IronRuby。

至于俺常用的 C++，Python 整合得比 Ruby 好。比如 C++ 社区大名鼎鼎的 Boost 库里面，就内置了一个 Boost.Python 的子库（参见“这里”）。

关于 Python 如何用作胶水，俺会在后续的帖子“作为胶合语言的 Python”中会详细介绍。

# 总结<a name="summary"></a>

基于上述几个方面的考虑，俺最终选择了 Python 作为日常使用的脚本工具，并把它引入到公司的产品中，作为模块之间的胶合剂。

啰嗦完Python作为脚本语言的方方面面，下一个帖子，咱来聊一下它作为动态语言的那些事儿。


[回到本系列的目录](RP-why-choose-python-0-overview)

> *版权声明*<br>
> 本博客（编程随想的博客）所有的原创文章，作者皆保留版权。转载必须包含本声明，保持本文完整，并以超链接形式注明作者编程随想和本文原始地址：<br>
> <a href="https://program-think.blogspot.com/2009/08/why-choose-python-1-script.html">https://program-think.blogspot.com/2009/08/why-choose-python-1-script.html</a>

.py | 转载：为什么俺推荐 Python[1]·作为脚本语言的 Python


### 文章目录

* [动态语言扫盲](#overview)
* [为啥要学习动态语言？](#whyDynamic)
* [为什么是 Python？](#whyPython)
* [总结](#summary)

上一篇帖子介绍了脚本语言的优缺点，然后又拿 Python 和其它脚本语言PK了一下。今天主要是忽悠一下动态语言，捎带忽悠一下 Python。如果你看完本贴，觉得动态语言不错，那俺建议你从 Python 开始入手。

# 动态语言扫盲<a name="overview"></a>

考虑到还有很多同学对动态语言了解不深入，有必要先来普及一下它的基本常识。已经了解的同学，请略过本节。

通俗地说：能够在运行时修改自身程序结构的语言，就属于动态语言。那怎样才算是“运行时修改自身程序结构”捏？比如下面这几个例子都 算：在【运行时】给某个类增加成员函数及成员变量；在【运行时】改变某个类的父类；在【运行时】创建出某个函数......

从这些例子，你应该对动态语言有一个初步的感觉了吧？毕竟传统的静态语言（比如C、C++、Java），是很难达到这些效果滴。

另外，有个误区需要澄清一下。很多同学以为脚本语言也就是动态语言。其实两者是不等价滴——虽然两者有很大的交集。比如 C# 在4.0之后，就可以算是动态语言了，但它不能算是脚本语言；另外，有很多 Shell 脚本语言（比如 DOS & Windows 下的 bat），不能算是动态语言。

关于动态语言更深入的介绍，大伙儿可以看“这里”。

# 为啥要学习动态语言？<a name="whyDynamic"></a>

扫盲之后，就该来说一下，学习动态语言的动机了。搞明白动机，学起来才有干劲嘛 :-)

## 顺应大趋势

假如你经常关注 TIOBE 的排名，那你应该能察觉出来，动态语言近两年的发展势头比较迅猛（在 Top10 里面，至少占了半壁江山）。这能从某个侧面反映出动态语言的影响力在扩大。

假使你不相信 TIOBE 的排名，俺再举一个例子。两大开发阵营（Java 和 dotNet）最近几年也加大了对动态语言的支持力度。比如，dotNet 的 CLR 加入了对IronPython 和 IronRuby 的支持；Sun 当然也不甘示弱，JVM 也开始支持 Groovy，JRuby 等语言。

俺费了这许多口水，列位看官应该明白动态语言是大势所趋吧。在这动态语言大行其道的日子里，你如果连一门动态语言都没搞懂，那出门都不好意思跟人打招呼。

不过，话又说回来，静态语言也是不会消亡滴。毕竟，静态语言有自己的优势（比如严谨、性能）。长期来说，必定是动态语言和静态语言并存。各自弥补对方的缺点。

## 了解新思维、新理念

学习一门动态语言还有一个好处：有很多时候，多学习一门语言，并不一定是为了在工作中用它，而是为了学习新的思维方式、体会新的理念。比如俺就曾经花时间去看 Prolog，但是俺在工作中，从来不需要用到它。（以后有空的话，俺会介绍一下这玩意儿）

由于动态语言可以在运行时修改自身结构，因此就会产生很多静态语言所没有编程范式和手法（比如 eval、Mixin）。如果你以前只使用静态语言，那你在学习了动态语言之后，多半会从它身上领略到很多新的思想和理念。

（关于 eval 的招数，俺后来写了一篇《再举几个动态语言 eval 手法的例子》）

## 能够化繁为简

可能有些同学觉得，前面说的都有些务虚，那咱再来说点具体实在的。大牛 Edsger Dijkstra（图灵奖得主）曾经说过：编程的艺术就是处理复杂性的艺术。咱们来看看，动态语言是如何处理复杂问题滴。

假设要你实现一个函数，用来完成两个数的“某种运算”，具体的运算类型作为函数的参数传入，然后该函数返回运算结果。比如：

```python

Foo("+", 2, 4)  # 返回 6
Foo("*", 3, 5)  # 返回 15

```

对于上述需求，你会如何实现捏？

请先暗自盘算一柱香的功夫，然后再往下看。

．．．．．．

Ｔｈｉｎｋｉｎｇ

．．．．．．

如果你用静态语言（比如 C、C++、Java）来实现，你可能会在函数内使用一个 switch，根据不同的运算符，进行计算，然后返回计算结果。

对于某些比较 ＯＯ 的语言（例如 C++、Java），你或许还会抽象出一个运算的接口类（纯虚类），然后分别派生出若干个不同的计算类（比如加法类、乘法类），看起来似乎比 switch 要优雅一些。

当然，用静态语言还有其它一些玩法，但是代码量都不会少。具体详情可以看很早以前的一个老故事：《4个程序员的一天》。（其实俺这个例子的灵感就是从那个老故事剽窃滴）

现在，咱们来看看 Python 是如何【优雅地】实现该需求滴。用 Python 只需要【两行代码】即可。请看：

```python

def Foo(op, n1, n2) :
    return eval( "%d %s %d" % (n1, op, n2) )

```

不懂 Python 的同学可能要问了，这两行代码是啥子意思呀？

其实，第一行代码只不过是定义了一个函数头，第2行代码才是精华。这里面利用了动态语言常见的 eval 手法（具体参见“这里”）。在 python 里面，内置的 eval 函数可以把某个字符串当成一个表达式，并对其求值。而语句 "%d %s %d" % (n1, op, n2) 只不过格式化出一个表达式的字符串。

顺便再插一句，Python 还有一个 exec 的内置函数，可以把一段 Python 源代码作为字符串参数传递给它，让该函数去执行。两个函数结合起来，就能玩出很多花样。具体的花样可以参见“这篇博文”。

# 为什么是 Python？<a name="whyPython"></a>

说了动态语言的种种好话，有同学会问了，动态语言有很多种，为啥非要学习 Python 捏？

首先，俺在本系列的第1篇帖子，已经对比过 Python 和另外几种脚本语言。那几种“脚本语言”碰巧也是知名的“动态语言”。Python 相对于他们的优势，此处就不再重复啰嗦了。

其次，单就语法本身而言，Python 的语法对动态性的支持是很优雅、很简洁滴。通过刚才那个 eval 小例子，大伙应该已经看出来了。为了更形象一点，咱拿前面提到的 Mixin 来 Show 一下 Python 的语法是如何的简洁。

通俗地说，Mixin 手法需要在【运行时】给某个类增加基类（也就是父类）。对于 Python 而言，每一个类都有一个内置属性 __bases__，里面包含这个类【当前】的所有基类。假如要在【运行时】增加基类，只需操作 __bases__ 这个属性即可。

比如有一个类 A 和类 B。如果要在运行时把 B 加为 A 的父类，可以用如下语句：
A.__bases__ += (B,)

是不是也很简洁，而且可读性也不差？相比而言，有些动态语言（比如 JavaScript），要实现类似的效果，代码就相对复杂了。

由于 Mixin 不是今天的重点，就不再深入展开了。


# 总结<a name="summary"></a>


最后，来个总结发言：如果你之前没有接触过动态语言，建议去学习一下；如果你已经打定主意要学，Python 是比较好的候选者。

好了，今天就聊到这里。下一个帖子，咱们来讲讲 Python 作为一个纯粹的面向对象语言，有些啥特色。

[回到本系列的目录](RP-why-choose-python-0-overview)

> **版权声明**<br>
> 本博客（编程随想的博客）所有的原创文章，作者皆保留版权。转载必须包含本声明，保持本文完整，并以超链接形式注明作者编程随想和本文原始地址：<br>
> [ https://program-think.blogspot.com/2009/08/why-choose-python-2-dynamic.html ](https://program-think.blogspot.com/2009/08/why-choose-python-2-dynamic.html)

.py | 转载：为什么俺推荐 Python[2]·作为动态语言的 Python


### 文章目录

* [抽象（Abstraction）](#abstract)
* [封装（Encapsulation）](#encap)
* [继承（Inheritance）](#inherit)
* [多态（Polymorphism）](#poly)
* [结尾](#summary)

本系列已经中断了很长时间 :( 直到最近一个读者来信问俺，为啥不继续写，俺才突然想起这个被遗忘的系列，实在是抱歉！前一个帖子介绍了作为动态语言的 Python，今天来聊一聊 Python 在面向对象编程（OOP）方面的特色。

本文主要针对那些熟悉 OOP，但还不熟悉 Python 的同学。为了让大伙儿有一个直观的认识，俺会拿 C++/Java 来进行语法上的对比。（这俩语言的名气够大，且号称支持 OO，也算有些可比性）

强调一下：本文虽然拿了某些语言来作对比，但丝毫没有贬低这些语言的意思，请这些语言的粉丝们，不要对号入座 :)

# 抽象（Abstraction）<a name="abstract"></a>

但凡介绍 OOP，自然会提到抽象。因为抽象，是 OO 的第一要素，也是其它要素的基础。而提到抽象，又不免提到对象（Object）。所以，俺首先来聊一下，Python 语言是如何体现“对象”这个思想的。

## Python的对象

如果要问俺，什么是 Python 中的对象，还真不好下一个严密又通俗易懂的定义。为了敷衍大伙儿，俺只好用一句话来概括，那就是 Python 语言中，【一切皆对象】。这句话该如何理解捏？简单来说，就是你在 Python 语言中涉及到的各种东东，都是“对象”。比如，函数是对象、各种数值（比如整数值、浮点数值、布尔值）是对象、模块（类似于 Java 的 package）是对象、None（类似于 Java 的空引用 null、C++ 的空指针 NULL）也是对象、甚至连类（class）也是对象......

对比一下 C++ 和 Java 的语法：只有【类的实例】才能算得上是对象。这2个语言的基本类型（比如“int、char、float”等）不是对象，至于函数，就更算不上了。

既然是一切皆对象，俺有必要稍微总结一下，Python 对象的共性，否则初学 Python 的同学还是会一头雾水。

## 对象的属性

首先，所有的 Python 的对象，都具有若干个属性。你可以通过内置的 dir() 函数进行反射，从而了解到某个对象分别都包含哪些属性。熟悉 Java 的同学，应该明白啥是“反射”。光懂 C/C++ 的同学，如果理解上有困难，可以先参考“维基百科的解释”。

另外，Python 还提供了若干内置的函数，用于在【运行时】操作指定对象的属性。具体如下：

```python

hasattr(obj, name)  #判断obj对象是否具有名为name的属性
setattr(obj, name, value)  #设置obj对象的名为name的属性值为value
getattr(obj, name)  #获取obj对象的名为name的属性值
delattr(obj, name)  #删除obj对象的名为name的属性

```

## 对象的类型

所有的 Python 对象，都可以通过内置的 type() 函数获取该对象的类型。这实际上就是 Python 的 RTTI 机制的体现。懂 C++ 的同学，可以回忆一下 C++ 的 typeid 关键字；懂 Java 的同学，可以想一想 Java 的 instanceof 关键字。

## 对象的标示

所有的 Python 对象，都可以通过内置的 id() 函数获取该对象的【唯一】标示。而且当一个对象创建之后，这个唯一标示就会始终保持不变。对于学过 C/C++ 的同学，不妨把这个“唯一标示”想象成该对象在内存的地址。这或许有助于你的理解 :)

Python 对象还有其它一些共性，考虑到本文的扫盲性质，就不再费口水了。有兴趣的同学，可以自己找些入门书研读一番。

## 【一切皆对象】的好处？

可能有同学会问，“一切皆对象”有啥好处捏？俺窃以为：当一切皆为对象，就可以把很多概念、操作、惯用手法统一起来，在语法层面体现出美感。

下面俺举几个例子，并拿 Java 来对比一下。

在 Java 里面，由于基本类型不是继承自 Object 类，引出不少麻烦。当初 Java 它爹刚开始设计容器类（比如 Vector、ArrayList ...）的时候，颇费了一番功夫。因为容器里面放置的东东必须是 Object，为了让容器能适应基本类型，只好给每一种基本类型分别对应一个派生自 Object 的包装类（Integer 类对应 int、Float 类对应 float ...）；后来又平添了自动装箱/拆箱的概念；搞来稿去，产生了 N 多复杂性。

而 Python 就没有这方面的困扰。

再拿刚才提及的“反射”来说事儿。虽然 Java 语言支持对象的反射，但是 Java 的 package 不是 Object，所以也就无法对 package 进行反射。反观 Python，任何一个 module（相当于 Java 的 package）import 之后，都可以直接通过前面提到的 dir() 函数进行反射，得知该 module 包含了哪些东东。仅仅需要2行代码：

```python

import xxx
dir(xxx)

```

# 封装（Encapsulation）<a name="encap"></a>

为了避免歧义，首先要明确一下：什么是“封装”？为了叙述方便，俺把【OOP 的封装】，分为“狭义”和“广义”两种。（关于“封装”的深入讨论，可以参见“另一篇博文”）

## 广义封装

OOP 很强调以数据为中心。所以 OOP 的广义封装，就是把数据和操作数据的行为，打包到一起。比如 C++/Java 里的 class，可以同时包含数据成员和函数成员，就算是满足“广义的封装”了。对于 Python 而言，其 class 关键字类似于 C++ 和 Java，也已经具有“广义的封装性”了。

## 狭义封装

而 OOP 的狭义封装，则更进一步，增加了信息隐藏（Information Hiding）。比如 C++ 和 Java 的“public、protected、private”等关键字，就是通过访问控制来达到信息隐藏的效果。Python 虽然没有针对访问控制的关键字来修饰类成员，但是 Python 采用了另外一套机制——根据命名来约定。在 Python 的对象中，如果某个属性以双下划线开头来命名（比如 __name），就能起到类似于 C++/Java 的 private 关键字的效果。

## 对访问控制的偏见

俺曾经在某技术论坛看到有人质疑 Python 的访问控制机制，说 Python 的私有属性，可以通过反射机制绕过，因此形同虚设。在此，俺想举 C++ 和 Java 来进行反驳。

在 Java 中，同样可以通过反射机制，来访问类的私有成员。至于 C++，得益于指针的强大，只要能访问某个对象（的 this 指针），通过计算该对象成员变量在内存中的偏移，一样可轻易对私有成员变量进行读写。虽然这么干挺变态滴，但技术上是可行滴。

# 继承（Inheritance）<a name="inherit"></a>

紧接着，咱再来说一下继承的话题。

## Python 的继承

Python 没有像 Java 那样，区分出“类继承”（OO 的术语中也叫“实现继承”）和“接口继承”；也没有像 C++ 那样，区分出“公有继承、私有继承、保护继承”这么花哨的玩意儿。Python 就只有一种继承方式。

## 继承的语法

Python 的继承语法，相比 C++/Java 而言，更加简洁。比如子类 Child 需要继承父类 Parent，代码只需如下：

```python

class Child(Parent) :
    # xxxx

```

如果是多继承，代码大同小异：

```python

class Child(Parent1, Parent2, Parent3) :
    # xxxx

```

假如你想知道某个类有哪些父类（基类），只需要通过 Child.__bases__ 便可知晓。

## 继承的动态性

其实上一个帖子已经介绍了动态改变继承关系的例子。但是考虑到上一个帖子年代久远（距本文将近1年），想必很多同学没看过或者看过又忘了。俺不妨再啰嗦一下：作为一种动态语言，Python 可以在【运行时】修改类的继承关系。这个特性比较酷，是 C++/Java 所望尘莫及滴。请看下面的例子：

```python

class Parent1 :
    def dump(self) :
        print("parent1")

class Parent2 :
    def dump(self) :
        print("parent2")

class Child :
    def dump(self) :
        print("child")

print(Child.__bases__)
Child.__bases__ += (Parent1, Parent2)  # 动态追加了2个父类
print(Child.__bases__)  # 此处打印出的父类信息中，已经包含 Parent1、Parent2

```

# 多态（Polymorphism）<a name="poly"></a>

至于 Python 的多态，和传统的 OO 语言差不多，似乎没有太多值得说道的地方。俺简单举个代码作例子。为了省打字，直接复用上述的3个类，并增加一个 test() 函数如下：

```python

def test(obj) :
    obj.dump()

```

然后对 test() 函数分别传入不同的类型的对象，输出结果俺就无需多说了吧？

```python

c = Child()
test(c)  # 打印出 child
p1 = Parent1()
test(p1)  # 打印出 parent1

```

# 结尾<a name="summary"></a>

今天的话题，主要是让不熟悉 Python 的网友，对 Python 在面向对象方面的特性，有一个粗浅、感性的认识。聊完了 OOP，下一个帖子会聊一下关于 FP（函数式编程）的话题。

[回到本系列的目录](RP-why-choose-python-0-overview)

> **版权声明** <br>
> 本博客（编程随想的博客）所有的原创文章，原作者皆保留版权。转载必须包含本声明，保持本文完整，并以超链接形式注明作者编程随想和本文原始地址: <br>
> [https://program-think.blogspot.com/2010/08/why-choose-python-3-oop.html](https://program-think.blogspot.com/2010/08/why-choose-python-3-oop.html)


.py | 转载：为什么俺推荐 Python[3]·作为面向对象语言的 Python


### 文章目录

* 什么是函数式编程
* FP 的特点
* FP 的优点
* Python 的函数语法
* 和 FP 相关的内置函数
* 消除控制流
* List Comprehension
* 闭包
* 结尾

春节前看到热心读者留言，提醒俺：Python 系列好久没更新了（不知不觉又过了一年多）。俺当时回复说：春节假期补上后一篇。昨天听到鞭炮声才发觉元宵已经到了，赶忙写出本文。

前一个帖子介绍了 Python 作为“面向对象编程”（以下简称 OOP）语言的特点，今天来聊一聊 Python 作为“函数式编程”（以下简称 FP）语言的特点。考虑到本系列面向的是 Python 的门外汉或刚入门的新手，故本文仅介绍若干浅显的 FP 特性。

# 什么是函数式编程

说实话，“函数式编程语言”是一个很大的话题。由于篇幅有限，本文不可能对这个话题做全面介绍。俺干脆偷一下懒，只简单说说。

从字面上看，所谓的函数式编程，就是以“函数”为中心的“编程范式”。估计有同学又会问了，啥是“编程范式”捏？哎呦，这又是一个很大的话题。通俗来讲，“编程范式”就是指编程的套路。比方说大家很熟悉的 OOP，就是一种“编程范式”。FP 跟 OOP 一样，都是一种编程的套路。做个简单类比：OOP 以“对象/类”作为程序设计的核心，而 FP 以“函数”作为程序设计的核心。

# FP的特点

既然说到 FP，自然要稍微说一下 FP 的特色。

## 函数很牛X

刚才说了，FP 是以函数为中心。既然如此，在支持 FP 的语言中，函数的功能自然十分牛X。通俗地说，OOP 语言中，类/对象能干的事情，FP 语言中的函数也能干。下面做一些对比，以加深大伙儿的印象。

OOP 中，对象可以互相赋值；FP 中，函数可以互相赋值。

OOP 中，对象可以作为函数的参数/返回值，FP 中，函数可以作为函数的参数/返回值。

某些 OOP 中，类可以嵌套定义；FP 中，函数可以嵌套定义。

某些 OOP 中，可以有匿名类；FP 中，可以有匿名函数。

## 避免副作用

在 FP 中，特别强调函数不要有“副作用”（洋文叫“side effect”）。没有副作用的函数，又称之为纯函数（pure function）。其输出完全依赖于输入。换句话说，只要输入一样，输出就一样。

要成为纯函数，函数内部不能读写函数外部变量、不能有设备 I/O（比如读写文件）......

无副作用是 FP 的重要特性。FP的很多优点来自于此特性。

## 避免控制流

在 FP 中，尽量避免用控制流语句（循环语句、判断语句）。对于控制流语句，FP 有另外的替代方式。比如：常用递归或高阶函数来替代循环。如此一来，FP 的代码会显得更简洁，更可读。

## 多态

大部分支持 FP 的语言，也都支持多态。函数参数支持多态化，便可实现非常灵活的功能。

说了这么多，不知道大伙儿明白了没？还是没整明白的同学，请看维基百科的英文词条（中文词条太简单，看不明白滴）。

洋文实在看不下去吗？那不妨看看 IT 大牛 Joel 写的《你的编程语言能这样做吗？》（中文版在“这里”）。此文以 JavaScript 来阐述 FP 的妙处。

# FP 的优点

再稍微说一下 FP 的好处，以强化大伙儿学习的动力。

## 模块化

在 FP 的思想中，函数最好是“纯”的，而且最好只完成“单一”的任务。在这种指导思想下，函数的模块化程度自然就高。

## 可复用性

模块化程度高，直接的好处就是可复用性好。

## 可读性

刚才说了，FP 的思想强调函数又纯又小。这样的函数，代码的可读性自然好，修改起来也方便。

## 易于调试

前面提到了纯函数。如果你的程序中大部分函数都是纯函数，则调试 Bug 会容易很多。像 OOP 中，类的多个成员函数都可以修改类的成员变量，有时候会导致调试极其困难。而纯函数没有此问题。

另外，多线程是调试的一大噩梦。当年俺还专门写过帖子，介绍 C++ 多线程的注意事项（在“这里”）。而纯函数由于没有副作用，不必担心各种“互斥”、“死锁”等问题。

## 易于测试

除了易于调试，纯函数的输出仅仅依赖于输入，这一特点注定了它很容易进行单元测试。

## 适合并行

在 FP 中，由于纯函数无副作用，很适合编写并行处理的代码。最典型并且在工业界获得巨大成功的例子就是 Erlang。

## 其它

当然啦，FP 的好处远不止上述这些（比如还有：利于形式化证明）。限于篇幅，俺就不展开了。

# Python 的函数语法

Python 中，常见的函数定义和函数调用，想必各位都晓得了。下面说几种不太常见的，且跟 FP 有关的语法。

## 函数赋值

Python 可以把函数直接赋值给一个变量。举例如下：

```python

def square(n) :  # 这是一个计算平方的小函数，后面会反复用它举例
    return n ** 2

f = square  # 此处赋值给变量 f
f(10)  # 此处返回100。注意：对该变量使用小括号，等同于调用函数

```

## 匿名定义

Python 可以用 lambda 关键字定义【单行】的匿名函数。套用刚才的例子

```python

square = lambda x : x**2  # 定义一个单参数的匿名函数，并把该函数赋值给变量
square(10)  # 此处返回 100

```

## 嵌套定义

Python 支持函数的嵌套定义（请看如下例子）。这种语法，在“闭包”中经常出现（后面会具体介绍“闭包”）。

```python

def outer() :  # 外层函数
    s = "hello"
    def inner() :  # 内层函数
        print(s)  # 此处引用的是外层作用域的变量

    inner()  # 输出 hello
    s = "world"
    inner()  # 输出 world

```

# 和 FP 相关的内置函数

Python 内置了一大坨用于 FP 的函数，以方便程序猿写出简洁的代码。在接下去聊之前，俺有必要先介绍其中的2个。

## map(func, iter)

为了省事，俺只介绍2参数的 map（正宗的 map 支持 N 参数）。

参数 func 是个函数，参数 iter 是个迭代器（也可以理解为集合）

map() 会把 iter 的每个元素传给 func，并把每次调用的结果保存到一个 list 中，然后返回此 list。

举例：

挨个计算整数 list 的平方：

```python

map(square, [1, 2, 3])  # 返回 [1, 4, 9]

```

## filter(func, iter)

参数含义同 map

filter() 会把 iter 的每个元素传给 func，如果 func 返回结果为 True，就把元素保存在一个 list 中，最后返回此 list。

举例：

要过滤出所有奇数，代码如下：

```python

def odd(n) :
    return (n%2) == 1

filter(odd, [1, 2, 3])  # 返回[1, 3]

```

此处可以用上 lambda，把代码简化为一行：

```python
filter(lambda n: (n%2)==1, lst)
```

# 消除控制流

为了让大伙儿更深刻体会 FP 风格同传统风格的差别，俺把刚才两个例子组合一下——要求返回整数list 中所有奇数的平方。

传统的写法（有控制流）：

```python

def func1(old_lst) :
    new_lst = []
    for n in old_lst :
        if odd(n) :
            new_lst.append(square(n))
    return new_lst

```

FP 的写法（无控制流）：

```python

def func2(lst) :
    return map(square, filter(odd, lst))

```

怎么样？是不是更简洁？连 for / if 这两个关键字都不需要了。

# List Comprehension

这个洋文比较难翻译。有人叫做“列表推导”，也有人称为“列表展开”或“列表解析”。（俺比较喜欢头一个翻译——不禁让人联想到“推倒”:）

在 Python 中，这是一个很好吃的语法糖——可以让你写出很简洁、很优雅的代码。

举例1：

还拿刚才过滤奇数的例子。

```python

filter(lambda n: (n%2)==1, lst)

```

上述写法可以等价替换为列表推导：

```python

[n for n in lst if (n%2)==1]

```

举例2：
　　
再来一个稍微复杂的例子。假设有两个整数 list，分别存储矩形的宽度和高度。现在想把所有的宽度和高度进行两两组合，把大于 10 的面积打印出来。
　　
传统的写法（2层循环，4行代码）

```python

for w in width :
    for h in height :
        if w*h > 10 :
            print(w*h)

```

FP 的写法（无循环，1行代码，多精致啊）

```python

print( [w*h for w in width for h in height if w*h > 10] )

```

除了列表推导，Python 中还有字典推导、集合推导等等。为了省点口水，暂且打住。

# 闭包

闭包，洋文叫“closure”，解释在“这里”。它是 FP 的常见手法。那闭包到底有啥用捏？俺举一个微积分中，函数求导的例子。（不懂微积分或者对高数有心理阴影的同学，别担心，请把注意力集中在代码上）

```python

def d(f) :
    def calc(x) :
        dx = 0.000001  # 表示无穷小的Δx
        return (f(x+dx) - f(x)) / dx  # 计算斜率。注意，此处引用了外层作用域的变量 f
    return calc  # 此处用函数作为返回值（也就是函数 f 的导数）

```

现在，假设要计算二次函数 f(x) = x2 + x + 1 的导数，只需如下代码：

```python

f = lambda x : x**2 + x + 1  # 先把二次函数用代码表达出来
f1 = d(f)  # 这个f1 就是 f 的一阶导数啦。注意，导数依然是个函数

```

有了一阶导数，就可以很容易地计算该函数在某点的斜率

比如要计算 x=3 的斜率，只需：

```python

f1(3)

```

如果要想得到二阶导数（导数的导数），只需依样画葫芦（瞧这代码写得多优雅）

```python

f2 = d(f1)

```

看到这里，大伙儿不妨设想一下：如果不用 FP，改用 OOP，上述需求该如何实现？俺觉得吧，用 OOP 来求导，这代码写起来多半是又丑又臭。

# 结尾

今天聊了不少 FP 的语法特性，可惜还是没聊完。由于俺比较懒，而且怕写得太长没人看，所以一些高级话题（比如：迭代器、生成器、等），今天就不介绍了。假如列位看官对那些玩意儿感兴趣，再抽空单独写一帖。

[回到本系列的目录](RP-why-choose-python-0-overview)

> **版权声明**<br>
> 本博客（编程随想的博客）所有的原创文章，作者皆保留版权。转载必须包含本声明，保持本文完整，并以超链接形式注明作者编程随想和本文原始地址：<br>
> <a href="https://program-think.blogspot.com/2012/02/why-choose-python-4-fp.html">https://program-think.blogspot.com/2012/02/why-choose-python-4-fp.html</a>


.py | 转载：为什么俺推荐 Python[4]·作为函数式编程语言的 Python


> **文章目录**
>
> * 短小精悍
> * 功能强大之1——跟非常多的语言整合
> * 功能强大之2——既可以跨平台，又可以跟操作系统深度整合
> * 功能强大之3——具有很丰富的第三方模块


本系列几乎变成年度系列了——上一篇帖子是去年元宵节发的。这几天正值春节假期，赶紧抽空补上本系列新的一篇，免得大伙儿以为本系列“烂尾”了。

“瑞士军刀”，大伙儿应该很熟悉，俺就不解释了。拿“瑞士军刀”来比喻 Python 就是想说明：Python 不但短小精悍，而且功能强大。今天就来介绍一下 Python 的这两个特点（尤其是后者）。

# 短小精悍

## 轻量级的的代码

要吹嘘 Python 的轻量级，首先要吹嘘的，自然是它简洁的代码。为了让大伙儿有个初步的印象，举几个例子。

举例1

要得到100-200之间所有奇数的3次方，只需如下一行

```python

[x**3 for x in range(100, 200) if (x%2)==1]

```

举例2

如果要把上述结果拼成一个逗号分隔的字符串，还是只要一行

```python

','.join([str(x**3) for x in range(100, 200) if (x%2)==1])

```

举例3

可能有人觉得上面2个例子是小儿科，再来举一个稍微复杂点的。只需一行代码，即可实现网络扫描（用的是第三方的 Scapy 工具）。

```python

# 传统的 ping 扫描，基于 ICMP 协议
ans,unans = sr(IP(dst="192.168.1.1-254")/ICMP())
# 局域网扫描，基于 ARP 协议
ans,unans = srp(Ether(dst="ff:ff:ff:ff:ff:ff")/ARP(pdst="192.168.1.0/24"), timeout=2)

```

## 轻量级的安装环境

比如 Python 的安装包只有十几兆，而 Java 的 JDK 安装包动辄接近100兆。

## 轻量级的运行环境

同样是运行一个“Hello World”，用 Python 写的进程，占用的内存会更小（相比大多数其它编程语言）。而且 Python 的运行环境（Python 虚拟机）可以很方便地嵌入到 C/C++ 程序中，只需额外带一个动态库即可。

# 功能强大之1——跟非常多的语言整合

很多程序员喜欢“在一棵树上吊死”——始终只用一种编程语言。俺非常反对这种倾向。要想成为一个优秀的程序员，有必要掌握【不同风格/不同范式】的编程语言。编程语言多样化的好处在于，你可以利用不同语言的特色，以取长补短。

而 Python 在跨语言整合方面，堪称佼佼者——你很难找到哪个语言，能像 Python 这样，跟如此多的语言进行整合。

下面简单举几个例子：

## 跟 C/C++ 整合

咱们常用的 Python 运行环境也称为 CPython，是用 C 语言写的。所以 Python 天生就具有跟 C/C++ 整合的能力。而且这种整合是双向的——也就是说，既可以在 Python 模块调用 C/C++ 模块，也可以在 C/C++ 模块调用 Python 模块。

Python 跟 C/C++ 整合，可以有如下三个优点：

1. 丰富的第三方资源

因为 C/C++ 具有非常丰富的第三方模块（包括开源和闭源），其丰富程度超过 Java。所以 Python 可以利用这种整合能力，直接调用各种 C/C++ 的模块，来丰富自己的功能。

举个例子

比如 cURL 是一个C语言编写的应用层网络工具，功能非常强。而 Python 可以通过整合 cURL 直接获得 cURL 的强大功能。

2. 性能的提升

除了第三方模块丰富，C/C++ 开发的模块还有一个优点——性能好。所以，Python 整合了 C/C++ 模块之后，还能趁机获得性能提升。

举个例子

比方说你要写一个 3D 游戏，其中的 3D 渲染引擎是性能瓶颈。那么你可以用 Python 整合一个 C/C++ 的 3D 渲染引擎。而 Python 只用来实现跟游戏高层应用逻辑相关的部分。这样可以一举两得：性能不差，代码不多。

顺便说一下：如今有不少游戏都走这个开发思路——底层引擎用【重型的】C 或 C++ 实现，以确保高性能；而高层的业务逻辑则用【轻型的】脚本语言来开发。

3. 跟操作系统整合

地球上的操作系统，只要是有点名气的，内核都是 C 语言写的；除了操作系统内核，大部分操作系统的运行库也都是 C/C++ 编写的。所以，Python 跟 C/C++ 整合，可以带来第三个好处——跟操作系统的整合。关于这点，待会儿俺还会专门聊。

## 跟 JVM（Java） 整合

通过 Jython 这个开源项目，Python 可以无缝整合到 JVM 环境中。如此一来，Python 能直接调用所有 JVM 标准库（比如 JDBC）和第三方库（比如 Lucene），还可以跟各种 JVM 语言（比如“Java、Scale、Groovy”等）进行互操作。

## 跟 dotNet 整合

通过 IronPython 这个开源项目，Python 可以无缝整合到 dotNet 环境中。如此一来，Python 能直接调用所有 dotNet 的标准库（比如 ADO.NET）和第三方库，还可以跟各种 dotNet 语言（比如“C#、F#”等）进行互操作。

顺便说一下：Jython 跟 IronPython 貌似同一个作者，牛人啊！

# 功能强大之2——既可以跨平台，又可以跟操作系统深度整合

## Python 语言如何体现“跨平台性”？

说到跨平台这个话题，俺给编程语言分一下类：

1. 可以跨平台，但无法跟操作系统深度耦合（比如 JavaScript、PHP）

2. 可以跟操作系统深度耦合，但无法跨平台（比如 VB、VBScript）

3. 既可以跨平台，又可以跟操作系统深度耦合（比如 C C++ Python）

为啥第三类语言能做到两者兼得？因为这类语言把选择权留给了程序猿——

一方面，如果程序猿遵循跨平台的开发规范，那么写出来的代码就是跨平台的；

另一方面，程序猿也可以写出跟系统耦合很紧密的代码——这样的代码虽然不能跨平台，但可以发挥特定平台的强项。

显然俺喜欢第三类编程语言，因为这类语言给了程序猿自由。

## Python 语言如何“与操作系统深度整合”？

Python 的跨平台特性，懂 Python 的同学估计都晓得了。所以俺单独说一下 Python 如何跟操作系统深度整合。为了照顾到大多数人，俺拿 Windows 来说事儿。

在 Python 社区有一个很有名气的库，叫做 PyWin32。通过这个库，可以让 Python 代码很容易地调用 Windows 的 API 以及 COM 组件。

比方说，可以用 Python 代码直接操作 Windows 注册表

比方说，可以用 Python 代码直接读写 Windows 的系统日志

比方说，可以用 Python 代码直接操作某个窗口句柄

比方说，可以利用 COM 组件，直接调用 Word 来处理 doc 格式的文档

......

# 功能强大之3——具有很丰富的第三方模块

最后一个方面，也是最重要的一个方面，就是 Python 社区具有非常非常丰富的资源（第三方库），而且几乎都是开源的。形形色色的编程领域几乎都可以看到 Python 的身影。

为了让众多程序员读者领略 Python 的丰富资源，俺特地整理了一个 wiki 页面（请用鼠标猛击“这里”），放上 Python 在各个编程领域的常用模块。为了显示出 Python 代码的简洁，某些模块还放上示例代码。

最后感叹一下：

写这篇博文只花了不到一小时，而整理这个 wiki 页面累计超过10个小时。不过这时间没白花——整理的时候顺便对某些领域有了更多的了解。这也就是写博客的好处，既可以帮助别人，又可以帮助自己。

大伙儿如果觉得俺整理的清单有遗漏，欢迎到本页面留言补充。

[回到本系列的目录](RP-why-choose-python-0-overview)

> **版权声明**
>
> 本博客（编程随想的博客）所有的原创文章，作者皆保留版权。转载必须包含本声明，保持本文完整，并以超链接形式注明作者编程随想和本文原始地址：<br>
>
> <a href="https://program-think.blogspot.com/2013/02/why-choose-python-5-tools.html">https://program-think.blogspot.com/2013/02/why-choose-python-5-tools.html</a>

.py | 转载：为什么俺推荐 Python[5]·作为瑞士军刀的 Python


2024 年 9 月 30 日起，本站网址
- 从 `https://mountaye.github.io/blog/` 
- 变更为 `https://blog.mountaye.com`.

因为网站仍然架设在 GitHub Pages 上，所以旧网址可以自动跳转到新网址。

但是下一步计划把网站迁移到 Cloudflare Pages 上，因为 Next.js 项目不同构建之间文件差异过多，不适合作为 git 仓库的内容进行托管。

所以无法保证将来旧网址依然可以自动跳转。请使用浏览器收藏功能的读者更新收藏夹，使用 RSS 订阅功能的读者更新 RSS 源。

根据初步计划，过渡期将持续到 2024 年 12 月 31 日。


通知：本站网址変更


## 技术选型

### 不再选择静态网站生成工具

我的博客本来是用 Jekyll 生成的静态网站，因为网站架在 GitHub Pages 上，而 Jekyll 是 GitHub Pages 默认的构建工具。但是 Jekyll 的核心开发者年事已高，有的甚至已经去世，所以我感觉这个项目未来的活力堪忧。

Jekyll 是用 Ruby on Rails 写成的，其他编程语言，和 Jekyll 功能类似的工具有：

- Python 的 Pelican
- JavaScript 的 Hexo

但是我还想做些更复杂的事情，预计需要靠服务端来实现。所以与其花时间移植到一个和 Jekyll 功能类似的工具，不如直接一步到位，学习一个全栈框架。

### Next.js

虽然不同的编程语言也都有自己的全栈框架，比如 Python 有 Django，但是既然浏览器主要支持 JavaScript，所以索性前后端都用 JS 比较方便，而且这样想的人很多，社区规模使得遇到问题更容易找到答案（这个优势在生成式语言模型的时代似乎没那么重要了）。

JavaScript 语言之下，也存在至少 React 和 Vue 两大阵营。之所以选择 Next.js 这样一个基于 React.js 的框架，主要是路径依赖，很久很久以前学过[赫尔辛基大学的全栈公开课](https://fullstackopen.com/zh/)，那里教的就是 React。

对于 Next.js 本身，Youtube@Fireship 有一个很简洁的介绍：[https://www.youtube.com/watch?v=Sklc_fQBmcs](https://www.youtube.com/watch?v=Sklc_fQBmcs)

官网提供的教程在这里：[https://nextjs.org/learn](https://nextjs.org/learn)，和我学习的时候已经不一样了，那时候只有 page router，没有 app router。开发这一框架的 Vercel 公司也提供 Next.js 的云服务。但是鉴于其有过把用户引诱到 app router 架构然后给自家服务提价的黑历史，所以短期内不打算学和用 app router.

### TailwindCSS

[https://tailwindcss.com/](https://tailwindcss.com/)

早就学过了，但是一直没有机会用。这次本来也可以不用的，直到决定使用 Shadcn.ui 组件库，因为 TailwindCSS 是它的一个依赖项。既然已经安装了，那不用白不用。

### Shadcn.UI 而非 HeadlessUI

https://ui.shadcn.com/

一套组件库，也就是网页中经常出现的功能单元。这个库相对于竞品的最大优势，是允许直接复制粘贴代码而不用安装，用多少抄多少～

TailwindCSS 自家也有一个组件库 [HeadlessUI](https://headlessui.com/)，但是主要是 `<form/>` 表单及其成员，侧重于向后端传数据的 HTML 元素的封装。而 Shacn 有很多炫酷的交互方面的组件，突出一个现成且好看。

### 没用 Figma

有用的功能都收钱，免费的功能不如直接 `next dev` 实时预览。

## ~~踩过的坑~~ 学到的经验

### 组件化作为一种思路

正常的网页，HTML 负责内容，CSS 负责装饰，JavaScript 负责交互。这种分工，专业上叫做解耦。

工程实践表明，这种解耦方式非常反人类。用户看到和使用的网页，是以功能上的相似、空间上的相邻为组织的，而要对其修改时，则需要到不同源代码的不同位置去；反之，某处代码的改动，无意中可能对远处的另一部分视觉效果和功能造成破坏。

于是较新的全栈框架，其解耦的方式都是以组件为单位的，内容、样式、交互逻辑都写在一起。

### JavaScript/JSX 语法中的 `{}`

JSX 是对 JavaScript 语法的扩展，添加了类似于 HTML 标记的写法 `<MyComponent></MyComponent>`，用来表示 react 组件。

在 jsx 语言的内部写 Javascript 时，需要将 JS 外面包裹一层 `{}`

JavaScript 里类似 Python f-string 的结构写作``${}``，名叫 template literal: ``this is var: ${var}``

——以上规则结合起来，会产生让初学者迷惑的现象：

- `<MyComponent className=’dark’/>`: 一个正常的类名，直接用引号
- `<MyComponent className={dark}/>:` 类名是一个 JS 字符串变量
- 类名的一部分根据一个变量取值:
  ```javascript
  <MyComponent className={`bg-${dark}`}/>
  ```

### JavaScript 箭头函数中的 `{}` 和 `()`

JavaScript 的箭头函数类似于 python 的 lambda 纯函数，但是有不同。

`(var) => (expression(var))` 相当于 Python 中的 `lambda x: expression(x)` 

但是箭头函数的右侧可以是 `{}` 包裹的若干表达式，此时需要显式 return：

```jsx
(var) => {
    expression1(var);
    expression2(var);
    return expression3(var);
}
```

Python 的 lambda 必须是单一表达式的纯函数，不允许上面第二种写法。

### 对象解包中的 `{}`

当有一个包含若干键值对的对象时

```jsx
obj = {
		k1: "value1",
		k2: "value2",
		k3: "value3",
		...
}
```

可以用 `const { k2 } = obj;` 的方式拿到 `obj[’k2’]` 的值，赋给 `k2`。

结合上一节，

- `(k1,k2)=>(k1+k2);` 是一个两个自变量的函数；
- `({k1,k2})=>(k1+k2);` 是以一个 Object 为自变量的函数，这个 Object 的名字无所谓，也不确定一共有多少个属性，但属性中至少包含 `k1` 和 `k2`.

### TailwindCSS 的 arbitrary value、JavaScript 的模板字符串、Shadcn 中的 `cn()` 函数

TailwindCSS 的很多属性都允许在方括号中使用任意值，比如背景色 `bg-[#a4b4c4]`

本以为可以直接在 `className` 里面用 template literal `<div className={`bg-[${myColor}]`}>`，但是并不总是生效。

这个“并不总是”是个大坑，一开始在开发模式用得好好的，结果某次刷新页面之后就挂了，简直莫名其妙。

好在 Shadcn 提供了一个 [`cn()` 函数](https://github.com/shadcn-ui/ui/blob/main/apps/www/lib/utils.ts)，接受一个或多个 TailwindCSS 类名字符串作为输入，就可以正常使用 template literal 了，例如 `<div className={cn("block","border-0",`bg-[${myColor}]`)}></div>`

### HTML + CSS 布局

两类套路：

1. 传统的 `display`, `position`, `float` 属性；
2. Flex 和 Grid 布局，看阮一峰先生的博客里的教程就挺方便：[Flex](https://www.ruanyifeng.com/blog/2015/07/flex-grammar.html), [Grid](https://www.ruanyifeng.com/blog/2019/03/grid-layout-tutorial.html).

理论上后者新一些，消耗的脑力也更少一些，应该是更好的选择。

但是前者也有一些优势场景。比如现在整个博客页面的上边栏和剩下的部分就是一个上下结构的 flex 布局，这导致屏幕最右侧的滚动条其实是页面一部分的，而不是整个页面的的滚动条。在 iOS 的 Safari 浏览器下，会导致网址栏不能自动隐藏，浪费很大一片屏幕空间。之后可能会换回传统功夫。

而像是目录，文章跳转开头和评论区的按钮等等，需要在页面滚动时相对屏幕静止的元素，就不得不用 position，而且为了锚定在正文上，还需要嵌套好几层。

按照传统功夫——

- `display`可选的取值有 4 个: block | inline | inline-block | none
    - block: 竖排，哪怕同一行内仍有空间容纳 html 中的下一个元素。
    - inline: 横排，像文字内容一样，没有盒模型
    - inline-block: 横排，但是有盒模型
    - none: 不显示，和 `visibility:hidden` 的区别是，后者依然占有显示时的空间。
- `position`可选的取值有 5 个: static | relative | fixed | absolute | sticky
    - static: 默认值，按照 html 文件的顺序排列。
    - relative: 相对于 static 默认值进行偏移，偏移量由 `top`, `right`, `bottom`, `left` 四个性质决定。所谓 `left: 50px` 的意思是左侧 margin 外多出 50 像素的空间，实际是向右偏移的效果。
    - fixed: 相对于**视窗**的位置固定，位置由 `top`, `right`, `bottom`, `left` 四个性质决定。`left: 50px` 的意思是该元素的左侧 border **外沿**距离窗口左边 50 像素。
    - absolute: 相对于最近一层父元素的位置固定，位置由 `top`, `right`, `bottom`, `left` 四个性质决定。`left: 50px` 的意思是该元素的左侧 border **外沿**距离父元素左侧**内沿** 50 像素。设计的时候需要考虑 border 宽度。
    - sticky: 网页加载时按照 html 文件的顺序排列，直到网页滑动到某一位置，之后该元素固定在视窗，就像 fixed 一样，行为改变的位置由 `top`, `right`, `bottom`, `left` 四个性质决定。
- `float`:  none | left | right | inherit
    - none: 默认值，按照 html 文件的顺序排列。
    - left: 保持在父元素左侧，其他元素环绕之。
    - right: 保持在父元素右侧，其他元素环绕之。
    - inherit: 和父元素的 float 的取值一致。

### Unified.js 将 Markdown 文档转换为基于 JSX 的 HTML

Jekyll 等静态网站生成器的核心功能，就是把 markdown 文档翻译成 html 网页文档。在 Next.js 框架下，这一工作由以 unified.js 为基础的一群第三方库来完成。

最早看到这个框架是在 DIYGOD 的博文《[如何优雅编译一个 Markdown 文档](https://diygod.cc/unified-markdown)》里，但是直接抄他在 xlog 里面的代码的话，在 next.js 之下好像会报错。所以又去官网仔细读了一下文档，现在可以说是略懂。

这个话题本身值得专门写一篇文章，所以不在这里展开了。

### Giscus 评论区切换黑夜模式

自己写的组件的亮暗切换，是通过在 `<html/>` 元素添加和删除 `dark` 类，然后搭配 TailwindCSS 的 `dark:` 来实现的。

Giscus 官方支持切换黑夜模式：[https://github.com/giscus/giscus/blob/main/ADVANCED-USAGE.md#parent-to-giscus-message-events](https://github.com/giscus/giscus/blob/main/ADVANCED-USAGE.md#parent-to-giscus-message-events)。这套方法的关键，在于服务端返回的 iframe 有一个名为 `giscus-frame` ****的类。

Giscus 为 react 提供了一套组件可以直接使用，但是在这套组件里面并没有这个类。

所以只能弃用官方的组件，自己用 `useEffect` 模拟官网的 `<script/>`

```jsx
export function MyGiscus() {
  useEffect(
    () => {
      const onPageLoad = () => {
        console.log("<MyGiscus/>: activated on page load.")
        // START real business
        const script = document.createElement('script');
        script.src = "https://giscus.app/client.js";
        script.setAttribute('data-repo',              '');
        script.setAttribute('data-repo-id',           '');
        script.setAttribute('data-category',          '');
        script.setAttribute('data-category-id',       '');
        script.setAttribute('data-mapping',           '');
        script.setAttribute('data-strict',            '');
        script.setAttribute('data-reactions-enabled', '');
        script.setAttribute('data-emit-metadata',     '');
        script.setAttribute('data-input-position',    '');
        script.setAttribute('data-theme',             '');
        script.setAttribute('data-lang',              '');
        script.crossOrigin = 'anonymous';
        script.async = true;
        document.getElementById("comments").appendChild(script);
        // END real business
      };
      // Check if the page is already loaded
      if (document.readyState==='complete') {
        onPageLoad();
      } else {
        // Add event listener for page load
        window.addEventListener('load',onPageLoad);
        // Cleanup the event listener on component unmount
        return () => { window.removeEventListener('load',onPageLoad); }
      };
    },
    []
  );
  return (<div id='comments'></div>);
}
```

### Next.js 的构建参数部分

要让 next.js 构建静态网站，需要在 next.config.js 中写：

```jsx
module.exports = {
  basePath: '/blog',
  output: 'export',
  generateBuildId: async () => "buildID",
  // i18n: {
  //   locales: ['zh-CN', 'en'],
  //   defaultLocale: 'zh-CN',
  //   localeDetection: false,
  // },
}
```

`basePath` 是因为博客的 GitHub 仓库 blog 不是默认的个人网站仓库；需要注意的是，next.js 自己的 Link 组件的 `href` 参数不需要包含这个值，但是图片等等的 `src` 参数需要。

`generateBuildId` 函数的返回值是随便写的，不设定的话会导致输出里的 `_next/` 文件夹里有很多哈希值为名的文件夹，在 git 下会被当成不同的 blob 一直留在项目里。

`i18n` 参数被注释掉了，因为静态生成的 next.js 项目不支持自动 i18n.

### RSS 源和 sitemap

RSS 由 feed 这个 npm 包来构建；

sitemap 则是在 ChatGPT 的帮助下手写字符串。

写好的字符串，通过在主页或者历史归档页面的 `getStaticProps()` 函数，写入 next.js 项目的 `public/` 文件夹。

## 还没解决的问题

### 手机端搜索框的汉字输入问题

页面顶端的搜索框在手机触摸屏上，用汉字输入法输入关键词之后，直接按回车键，会导致已经输入的汉字被当成拼音，传递给搜索引擎。

暂时的办法是在输入汉字之后，按回车键之前按一下空格。

### Shadcn.Drawer 组件的上游代码报错；Google Ads

新博客把谷歌广告撤了。赚不到多少钱不说，它还会往网页里动态添加元素，破坏原来的排版。

话虽如此，每篇文章的右下角还是有个[要饭的图标](https://lucide.dev/icons/hand-heart)，计划用 shadcn 的 Drawer，放赞赏二维码，或者交换来的友站链接。

但是目前 Drawer 的上游代码会报错，看起来作者已经在修复了，等更新。

### Google Analytics

next.js 提供了 Google analytics: [https://nextjs.org/docs/pages/building-your-application/optimizing/third-party-libraries](https://nextjs.org/docs/pages/building-your-application/optimizing/third-party-libraries)

但是加入之后没有反应，google 后台看不到，数据一落千丈。

据说把相应的代码放到 `pages/_app.js` 可以解决问题，还没试。

.js | 博客改用 Next.js + TailwindCSS + Shadcn.UI


> 一直听说“全栈项目 = Next.js + TailwindCSS + HeadlessUI”
但是 TailwindCSS 到底是啥，之前一直妹整明白
> 

## 思路：utility-first

> [https://tailwindcss.com/docs/utility-first](https://tailwindcss.com/docs/utility-first)
> 

传统设计需要根据 html 中的结构，在 CSS 中给相应的元素/class/id 定义所需要的所有样式 style。

问题很明显：

- 最低效的情况下，每个 `<div/>` 都要定义一个 class。
- 每个定义里包含若干不同的性质，背景颜色、字体、边框样式等等都挤在一个大括号里，耦合过强。

TailwindCSS 的思路名叫 utility-first, 预先定义一批“性质-取值”的组合，每个组合给出一个有规律命名的类。使用时，一个 `<div/>` 后面声明几个甚至几十个不同的 class。缺点就是不灵活了，每个性质只搭配有限几种取值，且类的数量很多。好处是——

- 不用绞尽脑汁给类取名字
- CSS 不会再变大了（也可以说已经大得不能再大了）
- 修改视觉效果时更换一个类，而不是修改类的定义，也就不用担心对类的修改在自己不记得的地方生效。

与之相对的另一种思路，是直接用 html 元素的 style 属性，或者用 module.css 让样式只对某一 component 生效。TailwindCSS 派对这种方法的批评是：

- 每个取值都是设计者拍脑袋想出来的，一个项目要拍太多次脑袋，容易风格不统一。
- 难以做 responsive design （真的吗？很怀疑）
- 难以处理鼠标悬浮、聚焦等等状态（这玩意应该由 CSS 处理吗？）

utility-first 在维护性方面收到批评的一点是，很多地方要不断重用相同的组合，少了一点封装和抽象。TailwindCSS 对此的辩护是，可以抽象出 components 和 partials（见下节），或者使用编辑器的多光标功能。（绷……）

## 技术细节

- 样式重用
- 状态，比如鼠标悬浮、聚焦
- Responsive design
- 夜间模式
- 添加自定义样式
- 函数和 directives

### 状态，比如鼠标悬浮、聚焦

在正常的类名字之前添加 `<状态>:` 标记，用来指明在相应状态时的样式。这些状态可以叠加，之间用 `:` 分隔。比如 `<button class="hover:bg-sky-700">`

可以标记的状态：[https://tailwindcss.com/docs/hover-focus-and-other-states#appendix](https://tailwindcss.com/docs/hover-focus-and-other-states#appendix)

- Pseudo-classes
    - 举例： [https://tailwindcss.com/docs/hover-focus-and-other-states#pseudo-class-reference](https://tailwindcss.com/docs/hover-focus-and-other-states#pseudo-class-reference)
        - `hover:`, `focus:`, `active:`
        - `first:`, `last:`, `odd:`, `even:`
        - `required:`, `invalid:`, `disabled:`: 主要用在 `<form>` 中
    - 需要父元素的状态信息时，
        - 如果因为嵌套，存在多个 group 时，可以给每一个父元素的类命名 `group/<name>`, 子元素的类名需要写在伪类的后面，有点反直觉 `group-hover/<name>:`
        - 给父元素添加 `group` 的 class，然后给需要变化的子元素添加 `group-<pseudo-class>:` 前缀。如 `group-hover:`
        - 当需要更细致的选择时，可以在子元素的 group 后面添加自定义内容，如 `group-[.is-published]:`, `group-[:nth-of-type(3)_&]:`
    - 需要姊妹元素的状态信息时：
        - 给被跟踪的姊妹元素添加 `peer` class, 被跟踪的元素只能在跟踪元素的前面。
        - 其余特性类比 group
- [Pseudo-elements](https://tailwindcss.com/docs/hover-focus-and-other-states#pseudo-elements), like `::before`, `::after`, `::placeholder`, and `::selection`
    - 写作 `before:` 等等，默认相当于 `before:content-['*']`
    - 当想要调整 content 以外的性质时，需要指明 `before:block`, `before:absolute`, `before:-inset-1` 等等
    - `placeholder:` 用于调整表格中代填内容的样式
    - `file:` 上传文件按钮的样式
    - `list:` 列表开头的
    - `selection:` （鼠标）选中文字之后的样式
    - `first-line:`, `first-letter:` 杂志常用的首行、首字母的特殊样式
- [Media and feature queries](https://tailwindcss.com/docs/hover-focus-and-other-states#media-and-feature-queries), like responsive breakpoints, dark mode, and `prefers-reduced-motion`
    - 结合响应式设计 responsive design 一节，使用 `md:`, `lg:` 等前缀
    - `dark:` 黑夜模式
    - `motion-reduce:` 用户选择屏蔽动画效果时的样式，`motion-safe:` 只有不屏蔽动画才会生效的样式
    - `portrait`,`landscape` 屏幕朝向
    - `print:` 打印时的样式
    - `supports-[...]` 当浏览器支持某种特性时启动。也可在 `tailwind.config.js` 文件中设置 `theme.supports` 变量
- [Attribute selectors](https://tailwindcss.com/docs/hover-focus-and-other-states#attribute-selectors), like `[dir="rtl"]` and `[open]`
    - `aria-*` modifier to conditionally style things based on [ARIA attributes](https://developer.mozilla.org/en-US/docs/Web/Accessibility/ARIA/Attributes).
    - `data-[key=value]` data 参数的值
    - `ltr:` & `rtl:` 从右往左书写的文字
    - `open:` & `close:` 用于可以展开的元素
    - 自定义选择符：用中括号包围，`&` 开头选择元素，下划线表示空格，如 `[&:nth-child(3)]:`, `[&_p]:mt-4`, `[@supports(display:grid)]:grid`

### Responsive design

| Breakpoint prefix | Minimum width | CSS |
| --- | --- | --- |
| sm | 640px | @media (min-width: 640px) { ... } |
| md | 768px | @media (min-width: 768px) { ... } |
| lg | 1024px | @media (min-width: 1024px) { ... } |
| xl | 1280px | @media (min-width: 1280px) { ... } |
| 2xl | 1536px | @media (min-width: 1536px) { ... } |

移动端优先的思路，所有尺寸限定的都是大于该宽度时的样式。

要限定上限，要用 `max-<size>:` 比如 `md:max-xl:flex`

要想自定义 breakpoints，可以看 [customizing breakpoints documentation](https://tailwindcss.com/docs/breakpoints).

也可以单独设定 `min-[320px]:`, `max-[600px]:` 等等

### 夜间模式

默认使用操作系统的设定。

要想手动设定，须在 tailwind.config.js 中加入

```jsx
/** @type {import('tailwindcss').Config} */
module.exports = {
  darkMode: 'class',
  // ...
}
```

然后含有 `class=’dark’` 的元素的子元素都时夜间模式的效果

这个[链接](https://tailwindcss.com/docs/dark-mode#supporting-system-preference-and-manual-selection)包含了同时兼容系统设置和手动设置的做法

### 样式重用

- 编辑器的多光标功能：[https://code.visualstudio.com/docs/editor/codebasics#_multiple-selections-multicursor](https://code.visualstudio.com/docs/editor/codebasics#_multiple-selections-multicursor)
- 标记语言的循环语法
- react 等框架的 component 概念
- `@apply` and `@layer` in the [Functions & Directives](https://tailwindcss.com/docs/functions-and-directives#layer) documentation.
- 避免提前过度抽象

### 添加自定义样式

- 编辑 `tailwind.config.js`, 文档在此：[https://tailwindcss.com/docs/theme](https://tailwindcss.com/docs/theme)
- [Arbitrary properties](https://tailwindcss.com/docs/adding-custom-styles#arbitrary-properties) 和 [arbitrary variants](https://tailwindcss.com/docs/adding-custom-styles#arbitrary-variants)
- [Using CSS and @layer](https://tailwindcss.com/docs/adding-custom-styles#using-css-and-layer), 使用多个 CSS 文件时，需在 postcss.config.js 文件中添加 `plugins: {’postcss-import’:  {},}` 字段
- [Writing plugins](https://tailwindcss.com/docs/adding-custom-styles#writing-plugins)

### 函数和 directives

directives 是 CSS 文件中的 `@` 开头的语句

`@layer` 用来把一些需要打包的样式绑在一起，后面三个取值：base, components, utilities

`@apply` 后面接 TailwindCSS 已经定义的类，表示把类的定义移植于此处。

**[`@config`](https://tailwindcss.com/docs/functions-and-directives#config)** 指定所在 CSS 文件需要使用的 TailwindCSS 配置文件，放在 @import 语句后面

```css
@tailwind base;
@tailwind components;
@tailwind utilities;

@layer base {
  h1 {
    @apply text-2xl;
  }
  h2 {
    @apply text-xl;
  }
}

@layer components {
  .btn-blue {
    @apply bg-blue-500 hover:bg-blue-700 text-white font-bold py-2 px-4 rounded;
  }
}

@layer utilities {
  .filter-none {
    filter: none;
  }
  .filter-grayscale {
    filter: grayscale(100%);
  }
}
```

TailwindCSS 还自定义了一些 CSS 函数：

- `theme()`: 返回 config 文件中的参数，比如
    
    ```css
    .content-area {
      height: calc(100vh - theme(spacing.12));
    }
    ```
    
- [`screen()`](https://tailwindcss.com/docs/functions-and-directives#screen): 以预定义的 breakpoint 为参数，避免代码中间出现硬编码的数值
    
    ```css
    @media screen(sm) { /* ... */ }
    ```
    

## 在 Next.js 项目中安装 TailwindCSS

> [https://nextjs.org/docs/pages/building-your-application/styling/tailwind-css](https://nextjs.org/docs/pages/building-your-application/styling/tailwind-css)
> 

在命令行

```bash
npm install -D tailwindcss postcss autoprefixer
npx tailwindcss init -p
```

如此会在项目的根目录新建 `tailwind.config.js` & `postcss.config.js` 文件

然后编辑 `tailwind.config.js` 文件，添加需要用到 TailwaindCSS 的路径

```jsx
/** @type {import('tailwindcss').Config} */
module.exports = {
  content: [
    './app/**/*.{js,ts,jsx,tsx,mdx}', // Note the addition of the `app` directory.
    './pages/**/*.{js,ts,jsx,tsx,mdx}',
    './components/**/*.{js,ts,jsx,tsx,mdx}',
 
    // Or if using `src` directory:
    './src/**/*.{js,ts,jsx,tsx,mdx}',
  ],
  theme: {
    extend: {},
  },
  plugins: [],
}
```

在全局样式表 `styles/globals.css` 中引入 TailwaindCSS

```css
@tailwind base;
@tailwind components;
@tailwind utilities;
```

在 `pages/_app.js` 中引入全局样式表。`@` 的含义不明

```jsx
// These styles apply to every route in the application
import '@/styles/globals.css'
import type { AppProps } from 'next/app'
 
export default function App({ Component, pageProps }: AppProps) {
  return <Component {...pageProps} />
}
```

在项目的 components 中使用 TailwindCSS 的类：

```tsx
export default function Page() {
  return <h1 className="text-3xl font-bold underline">Hello, Next.js!</h1>
}
```

.css | TailwindCSS 笔记


## 生成式语言模型

### 模型

- OpenAI/GPT
- Claude
- `bloomchat`, 可以商用 [[GitHub](https://github.com/sambanova/bloomchat)]
- `falcon40B`
    - apache 2.0 许可证，可商用[[huggingface](http://huggingface.co/tiiuae)]
    - gpt3 的性能，更少的运算资源，其中Falcon 7B可以跑在苹果Mac上 [[推特](https://twitter.com/rickawsb/status/1666148546285043714)]
- `TigerBot`: 一款国产自研的多语言任务大模型，70亿参数和1800亿参数两个版本 [[GitHub](https://github.com/TigerResearch/TigerBot)]
- `QLoRA`: 单个GPU，ChatGPT 99%的能力，消费级GPU微调12个小时就可以达到97%的ChatGPT水平，4B就可以保持16B精度的效果 [[论文](https://www.notion.so/Endocytic-trafficking-promotes-vacuolar-enlargements-for-fast-cell-expansion-rates-in-plants-6b8f0a313c184ccba9fb5a035bb04a0e?pvs=21)] [[GitHub](https://www.notion.so/pdf-14a94950d61c42d3b03bb132f7655589?pvs=21)]
- `MBT 30B`: 开源商用模型为数不多的选择里出现了一个比Falcon 40B更好的模型 [[Twitter](https://twitter.com/fi56622380/status/1672137540281974784)]
- `GLM-6B` & `GLM2-6B`: 智谱AI发布，对学术研究完全开放，并且在完成企业登记获得授权后，允许免费商业使用。[[Twitter](https://twitter.com/GanymedeNil/status/1679892021807550465)][[微信公众号@GLM大模型](https://mp.weixin.qq.com/s?__biz=MzkxNjMzMjM3NA==&mid=2247484214&idx=1&sn=e42153f987a74d1ffc7882f7cc09670d)]
- `Llama 2`: Meta开源大语言模型Llama 2，可免费商用. [[微信](https://mp.weixin.qq.com/s/9pcmrCEyp2AQsL3MbPYx-Q?utm_source=pocket_saves)介绍]
    - Jim Fan 评论 [[推特，翻译](https://twitter.com/dotey/status/1681553916373135362?utm_source=pocket_saves)]
    - 很多团队几乎都达成共识， RLHF 不重要，SFT 就够了。现在 Llama2 的论文说 RLHF 非常非常重要。[[推特](https://twitter.com/oran_ge/status/1681793774685659136?utm_source=pocket_saves)]
    - `LLaMA-2-7B-32K`, context为32K的模型 [[推特](https://twitter.com/JefferyTatsuya/status/1685423475979325440)][[Twitter](https://twitter.com/togethercompute/status/1685048832168714240)]

### 基于模型，直接可用的产品

- OpenAI/GPT
    - ChatGPT
        - 2023年6月13日，GPT提供了函数调用，让ChatGPT来自己调用函数。[[Twitter](https://twitter.com/cryptonerdcn/status/1668733300070924288)][[OpenAI](https://openai.com/blog/function-calling-and-other-api-updates)][[用法 Twitter@宝玉](https://twitter.com/dotey/status/1668728109376450566)]
    - ChatGPT - Code Interpreter
        - 介绍 [[推特](https://twitter.com/fuyufjh/status/1684191835210809344)][[YouTube](https://www.youtube.com/watch?v=4wGlRrir_u4)]
        - 《ChatGPT 探索：Code Interpreter 高级指南》[[微信@浮之静](https://mp.weixin.qq.com/s/K_csi1oWDv5tEaeeKSlvwA?utm_source=pocket_saves)]
        - 源码可能被套出。[[Twitter](https://twitter.com/fuergaosi/status/1679457847237820416)]
        - 对 code interpreter 的逆向工程 [[Twitter](https://twitter.com/Yampeleg/status/1678045605527003136)][[Mem](https://mem.ai/p/xyy8ULiAce1BecTxnU0M)]
    - OpenAI API
        - 2023年8月23日，OpenAI 开放了 GPT-3.5 的微调的API [[推特](https://twitter.com/dotey/status/1694207797351616703)]
    - OpenAI on Azure 内置了一个内容过滤器 [[推特1](https://twitter.com/jw1dev/status/1666613728106938368)][[推特2](https://twitter.com/jw1dev/status/1666622878962548740)]
    - `forefront`: 完全免费 GPT-4 的工具 [[登录](https://accounts.forefront.ai/)]，大概基于 `gptfree-ts` [[GitHub](https://github.com/xiangsx/gpt4free-ts)]
    - `BratGPT`: ChatGPT的激进版本。[[官网](https://bratgpt.com/)]
    - `SmartStudy`: 提供文本文档，创建10个问题的小测验。[[官网](https://smartstudy.streamlit.app/)]
    - `XrayGPT`: 通过给定的 X 光片来促进围绕胸部 X 光片的自动化分析的研究。[[GitHub](https://twitter.com/CarsonYangk8s/status/1661588037892198401)]
    - `FinGPT`: 类似BloomBerg的开源方案，RLHF 和 Lora 的低秩技术 [[Twitter](https://twitter.com/JefferyTatsuya/status/1668433680887615488)]
- 微软
    - BingAI
        - 本地部署方案 [[推特](https://twitter.com/geekbb/status/1665692703055552513)][[GitHub](https://github.com/adams549659584/go-proxy-bingai)]
    - VsCode Copilot
    - Office 365 Copilot: 每月每名用户30美元. [[verge](https://www.theverge.com/2023/7/18/23798627/microsoft-365-copilot-price-commercial-enterprise)][[微信](https://mp.weixin.qq.com/s/9pcmrCEyp2AQsL3MbPYx-Q?utm_source=pocket_saves)]
- Claude+
    - 例子：阅读多份行业报告 [[推特](https://twitter.com/iamshaynez/status/1684398211958730753)]
- `Llama`
    - llama2.ai: 一个基于 llama 2 的聊天机器人，非官方。[[网站](https://llama2.ai/)]
    - WizardCoder 34B based on Code Llama 写代码 [[推特](https://twitter.com/dotey/status/1696202647269785875)]
- WebGLM: 清华开源的带网络搜索功能的 GLM 实现 [[GitHub](https://www.notion.so/pdf-14a94950d61c42d3b03bb132f7655589?pvs=21)]
- mendable: 根据开发文档进行问答 [[官网](https://www.mendable.ai/usecases/documentation)]
- 阅读 PDF 文档
    - Humata.ai
    - explainpaper
    - ChatPDF
    - [[对比](https://twitter.com/oran_ge/status/1683432444169711616?utm_source=pocket_saves)] Claude2支持超长上下文，摘要信息量更大，更适合长文提炼。ChatDOC 具有页码溯源、表格解析、原文定位功能，数据找得准，也方便二次验证，能够限制大语言的幻觉问题。
- Obsidian-copliot: 快速获取文字的核心观点
- 视频内容梗概
    - Glarity: 浏览器插件，基于ChatGPT和字幕生成Youtube摘要，20秒看完梗概 [[Twitter](https://twitter.com/starzqeth/status/1640867876109422595)]
    - summarize-tech: 5分钟了解长视频的要点. [[Twitter](https://twitter.com/starzqeth/status/1640867876109422595)]
- webpilot: 可联网可读网页链接的插件 Webpilot 推出的 Chrome 版插件 [[chrome](https://chrome.google.com/webstore/detail/webpilot-copilot-for-all/biaggnjibplcfekllonekbonhfgchopo?utm_source=link)]

### 模型教程、评论、二次开发

- 一般性原理
    - 《Prompt 编写模式》[[phodal](https://prompt-patterns.phodal.com)]
    - 《LLM+Embedding构建问答系统的局限性及优化方案》[[知乎](https://zhuanlan.zhihu.com/p/641132245)]
    - 基于检索的 LM，外挂一个数据库用来检索。[[推特](https://twitter.com/cosmtrek/status/1678077835418955781)][[GitHub.io](https://acl2023-retrieval-lm.github.io/)]
    - 一篇泼冷水的论文 [[ACL Anthology](https://aclanthology.org/2023.findings-acl.426/)]
    - 即刻出的Prompt调试工具。[[Twitter](https://twitter.com/vista8/status/1678784460786135040)][[官网](https://promptknit.com/)]
- GPT
    - GPT best practice [[OpenAI](https://platform.openai.com/docs/guides/gpt-best-practices?utm_source=pocket_saves)]
    - Andrew Ng 吴恩达 & Isa Fulford from OpenAI 《Build system with [#ChatGPT](https://twitter.com/hashtag/ChatGPT?src=hashtag_click) API》[推特@**[金田達也](https://twitter.com/JefferyTatsuya)**]
        - 借助 CoT 的思路，翻译字幕，返回正确的 JSON 格式 [[推特](https://twitter.com/dotey/status/1665476562219573249)]
        - 同样的加入了CoT（Chain of Though）的Prompt，如果让GPT打印出来步骤，效果非常好，但是如果不让GPT打印（省点token，以及更容易解析），那么GPT就会偷懒 [[Twitter](https://twitter.com/dotey/status/1668736426286915590)1][[Twitter2](https://twitter.com/dotey/status/1664335473500626946)]
    - 熊猫吃短信是 Twitter@威力狈 开发的垃圾短信过滤工具。将其与 GPT 结合的一些讨论
        - [Twitter@威力狈](https://twitter.com/waylybaye/status/1664253928970788864)：尝试了下用 ChatGPT 自动标注数据，效果太差了。
        - [Twitter@宝玉](https://twitter.com/dotey/status/1669028955842650139)：通常如果我写的话，会做一些小调整
        - [Twitter@IIInoki](https://twitter.com/IIInoki)：是的，感觉八爷用 API 用得有点糙……就只是很简单的 prompt 达到的效果都还不错
    - 《ChatGPT 越过山丘之后，再来谈谈 LLM 应用方向》[[橘子汽水铺](https://quail.ink/orange/p/chatgpt-cross-over-the-hills-and-discuss-llm-application-directions)]
- `LangChain`:
    - 官方教程 [[推特](https://twitter.com/LangChainAI/status/1665009694627250176)][[streamlit](https://blog.streamlit.io/langchain-tutorial-1-build-an-llm-powered-app-in-18-lines-of-code/)]
    - 一个使用 LangChain 和 GPT Index 的教程 [[leanpub, 收费](https://leanpub.com/langchain)][[Pocket](https://getpocket.com/read/3839490971)]
    - LangChain for LLM Application Development 基于LangChain的大语言模型应用开发 [[YouTube](https://t.co/JXV1SBI2OA)]
        - 基于Embedding的文档问答。stuff, map reduce, refine, map rerank [[Twitter@宝玉](https://twitter.com/dotey/status/1667790801420558342)]
    - Chanin Nantasenamat: LangChain tutorial #1: Build an LLM-powered app in 18 lines of code [[streamlit](https://blog.streamlit.io/langchain-tutorial-1-build-an-llm-powered-app-in-18-lines-of-code/?utm_source=pocket_saves)]
    - 把一篇很长的 PDF 内容喂给 ChatGPT，然后向他提问
        - 纯 JS 开源工具推荐 [[推特](https://twitter.com/Barret_China/status/1638119945749037056)]
        - 用 `LangChain` 六七行代码就可以搞定了 [[LangChain](https://js.langchain.com/docs/get_started/introduction)]
- `AutoChain`
    - 介绍 [[推特](https://twitter.com/zhangjintao9020/status/1683996172980199429)][[GitHub](https://github.com/Forethought-Technologies/AutoChain)]
    - 《我为什么放弃了 LangChain》[[推特](https://twitter.com/Barret_China/status/1683135367862718465)][[微信](https://mp.weixin.qq.com/s/jIbz9JYc8-_ua-QLENX__A)] 推友提出的 AutoChain 替代方案 [[推特](https://twitter.com/Barret_China/status/1684211570186887170?utm_source=pocket_saves)]
- `OpenDAN`: 为各类 AI 模块提供运行环境，并提供它们之间的互操作性协议。可创建诸如律师、医生、教师，甚至男女朋友等角色 [[GitHub](https://twitter.com/Barret_China/status/1666455683758161920)]
- “视频语音↔文字”任务相关
    - 指定视频URL，识别文字，翻译 [[GitHub](https://github.com/lewangdev/autotranslate)]
    - `WhisperX`: 按照单词对齐时间戳，生成的字幕都是完整的句子 [[GitHub](https://github.com/m-bain/whisperX)]。[[Twitter@宝玉](https://twitter.com/dotey/status/1667394662628204546)] 写了一个可以根据 YouTube Url 识别 YouTube 字幕的 [Jupyter Notebook](https://github.com/JimLiu/whisper-subtitles/blob/main/whisperx_youtube_subtitle.ipynb)
    - `audiocraft`: audio processing and generation with deep learning. [[GitHub](https://github.com/facebookresearch/audiocraft)]
    - [[推特]](https://twitter.com/Barret_China/status/1684218981639413760) 小作文
    - `yt-dlp` 一行命令下载视频字幕的工具，不需 puppeteer 无头浏览器 [[推特](https://twitter.com/Barret_China/status/1684228477644570624)][[GitHub](https://github.com/yt-dlp/yt-dlp)]
- ChatGPT + AI agent + ScholarAI + Noteable 写的小综述 [[链接失效](https://t.co/eqVc2LIfSz)]
- `MusicGen`: 将文本和旋律转化为完整乐曲 [[Twitter](https://twitter.com/Fenng/status/1668141100610248705)][[ReadHub](https://www.notion.so/3753e42dc4204a99ab83a725b655a632?pvs=21)]
- `MMS`: 一个声音模型 [[HuggingFace](https://huggingface.co/docs/transformers/main/en/model_doc/mms)]
- `FRVR Forge`: AI-Powered End-to-End Game Creation [[Twitter](https://twitter.com/FRVRGames/status/1669758477789540365)][[官网](https://www.notion.so/ai-University-Cloud-8078b4682e454a5fba982f67e4530498?pvs=21)]

### 开发平台

Runpod: 租用 GPU 跑模型并创建 Serverless API 一站式服务，最低只要0.2刀/hr。[[官网](http://runpod.io)]

### 杂项

- 2023年5月27日、28日，OpenAI 使用 Sentry 审计工具封禁来自中国的用户，解决方案：
    - 路由器 Clash 规则 [[推特](https://twitter.com/wey_gu/status/1663003950214438912?utm_source=pocket_saves)]
    - 改用 Azure OpenAI service [[推特](https://twitter.com/zhangjintao9020/status/1662865819041402880)]
    - Cloudflare WARP [[左耳朵](https://haoel.github.io/)]

## 生成式图像模型

2023年5月31日，Adobe 添加人工智能相关功能 generative fill。[[推特](https://twitter.com/CodeByPoonam/status/1663824055164887040)]

- 配置要求极低，连Win掌机都能跑，但是不能断网。[[推特](https://twitter.com/OfflineHelper/status/1666042746866663424)]
- 填充将横屏的视频转换为竖屏。[[推特](https://twitter.com/Alex_Cerrato/status/1681677307843432449)]

`MidJourney`

- 在提示词中添加相机镜头信息。[[推特](https://twitter.com/4rtofficial/status/1663310457854099458)]
- zoom [[Twitter](https://twitter.com/jesselaunz/status/1674210886695923712)]

`StableDiffusion`

- Eric Fu: 训练指南. [[Coding Husky](https://ericfu.me/stable-diffusion-finetune-guide/?utm_source=pocket_reader)]
- 文字或者符号融合生成图片 [[Twitter](https://twitter.com/op7418/status/1680223090138316800)][[微信](https://mp.weixin.qq.com/s/rvpU4XhToldoec_bABeXJw)]

`StyleDrop`: Google 基于 MUSE 的样式迁移 transformer [[推特](https://twitter.com/recatm/status/1665056017107886080)][[GitHub.io](https://styledrop.github.io/)]

`Redream`: 从视频到二次元动画 [[推特](https://twitter.com/heyBarsee/status/1665034805384290307)][[GitHub](https://github.com/Fictiverse/Redream)]

`Runway` Gen-2: 文本生成视频和图片生成视频, 4 秒钟 [[推特](https://twitter.com/op7418/status/1666461595818504192)][[需注册](https://app.runwayml.com/login)]

一个 AI 视频解决方案，来自南洋理工，代码尚未开源 [[Twitter](https://twitter.com/op7418/status/1669026494885285888)] [[GitHub.io](https://anonymous-31415926.github.io/)][[Twitter2](https://twitter.com/rickawsb/status/1672310994390126593)][[arxiv](https://arxiv.org/abs/2306.07954)]

`AWPortrait1.1`: 图像生成 [[Twitter](https://twitter.com/dynamicwangs/status/1673730591462928385)][[LibLibai](https://www.liblibai.com/modelinfo/721fa2d298b262d7c08f0337ebfe58f8)] 

`Anything AI`: 可以取代照片中的任何物体。免费，不需要注册. [[官网](https://www.anything-ai.com/)]

`PixelLab`: 草图创建2D图像. [[官网](https://www.pixellab.ai/)]


·如是我闻 | 生成式人工智能


## 0

这是一篇酬和之作。

徵文标题说的是：

> **機器會製造「內涵」嗎？**
> 

但是正文提出的问题是：

> AI透過程式組合出回答你問題的文字組合，有「涵義」嗎？
> 

可是，「內涵」和「涵義」两个词的——内涵/涵义——就不完全一样啊……

“内涵”(connotation) 通常指词语或表达方式所隐含的情感、态度、暗示或附加的意义。它涉及到词语或表达方式所引起的情感、联想或隐含的观点。也就是弦外之音。

而“涵义”(meaning) 一般指词语、表达方式或行为所传达的字面意义或字面上的定义。它强调的是直接的、明确的意义。

看热闹不嫌事大，那我们再把问题搞复杂一点——在逻辑学里也有一个“内涵”(intension)，和“外延”(extension) 相对应。用**面向对象编程**的说法来理解，一个类里面定义的所有状态量和内部方法的集合，就构成这个类的“**内涵**”；所有（已经和将来能够）从这个类实例化出来的对象的集合，就构成这个类的“**外延**”。

所以看起来，征文者想问的是日常“内涵”也就是言外之意，但是怕杠精（比如我）用有严格定义的逻辑“内涵”解构掉，所以换了“涵义”一词。

这个问题很显然是因应最近大语言模型掀起的这一波 AI 浪潮。这个问题往前再问一句，就是“大语言模型是智能体/有智能吗？”

- 前两年 DeepMind 的 AlphaGo/AlphaZero 系列 AI 在围棋中击败人类棋手时，人们也在问这个问题。
- 上世纪四五十年代专家系统 (expert system) 刚刚开发的时候，人们也在问这个问题。
- 从电子计算机往前追溯到机械计算机，甚至是巴比奇的差分机的时候，人们就已经开始问这样的问题了。

这些问题求并集，然后在问题数量趋近于无穷下的极限，就是“什么是智能”。

这样的问题每每得不到回答，是因为它的逆问题“智能是什么”没有答案。我们并没有智能的准确定义，只能一事一论。而之前的智能和非智能体的区别太明显，以至于作出判断也不能对智能的定义有所启发。

## 1

而对“智能是什么”的探究，哲学、逻辑学、计算机科学、生物学、管理学，不同领域的研究者有着不同的思路。

### 古哲学·洞穴之壁与理念世界

古希腊哲学家柏拉图在《理想国》里提到了“洞穴之壁”的寓言故事。

有一群被囚禁在一个深洞的囚徒，从出生开始就被束缚在这个洞穴里，脖子和腿都被铁链锁住，没办法转身或离开。囚徒身后的洞穴入口处有一道火焰，火焰后有人持物体走过，物体的投射在洞穴内的墙壁上形成了影子。囚徒们就以为这些影子就是唯一的存在。

这里的囚徒代表着人类，洞穴代表着世界，影子则代表着我们对于现象世界的感知和观念。人们的知识和信念往往受限于自己的经验和感知，就像囚徒们只看到了洞穴墙壁上的影子，而在影子之外还存在一个理想的理性世界。柏拉图用这个寓言故事表达了他对于人类认识和智慧的理解。所谓智慧，就是从洞穴的影子反过去推测火把前物体的能力。

当然，这种思想被 Marx 主义定性为一种客观唯心主义、唯理论，是受其批判的。

### 逻辑学·从命题到希尔伯特算符

柏拉图的学生亚里士多德，今天在低年级的物理教科书里基本是个反面典型，但他对逻辑学进行了系统化和全面的研究，提出了许多逻辑学的基本概念和原理。这些成果后来成为了欧洲哲学和逻辑学的基石，对西方哲学和科学的发展产生了深远影响。

所谓逻辑，就是研究命题的对错，以及如何判断命题对错的学问。而命题，就是能被判断对错的句子。但是句子显然可以再分成不同成分，于是就发明/发现了主体、客体、谓词、谓词的量词……等等概念，以及用这些概念构造命题的方法。

但是要注意，虽然逻辑主要由语言来表达，但是逻辑还是和语言不同，主体、客体也不等于句子的主语、宾语。这两者的区别，基本可以类比于之前洞穴之壁寓言里的实体和影子。

这种努力到目前为止的巅峰，基本上要数希尔伯特形式化逻辑系统了。感兴趣的朋友可以自行查阅戈得门特《代数学教程》的第一章，这玩意相当于思想界的引体向上，反正我是一个也拉不上去……

### 计算机·从半导体到抽象语法树

希尔伯特是德国的数学家，《代数学教程》也是数学而不是哲学教材。显而易见，逻辑虽然由哲学家奠基，但是主导权很快落到数学家，至少是哲学家兼数学家手里了。

命题的“真”与“非真”同构于 {1, 0}，各种逻辑运算都可以分解成“或”与“非”两种基本逻辑运算的组合，这就是以数学家乔治·布尔 (George Boole) 命名的布尔代数。因为 {1, 0} 又可以同构于半导体电路的高低电位，和各种类似继电器的门电路组合，所以很容易用计算机在物理世界表示出这些逻辑运算。

我们的电脑由上亿个这样的电位和逻辑门组成，一般的科普文章应该会去介绍芯片啊光刻机之类的东西，本文关注的是另一个方面：虽然生产电脑配件的厂商很多，不同的型号的元器件设计不同，组装出的成品应该千差万别，但是他们可以运行同样的程序，理想条件下（虽然实际工程中常常不理想）我们也可以期望他们跑出同样的结果。

这说明所谓计算机科学，并不等同于研究计算机元件的电子科学和工程，这里电科和电子工程相当于洞穴岩壁上的影子，而计算机科学就相当于火光前的物体。这种超越物理的计算本质，一般用一种叫做“抽象语法树”的数据结构来表示。

### 生物学·从神经元到神经网络

人们发明计算机的时候，基本上还是把它当作工具，就没期望它有什么主体性和智慧。

而随着生物学逐渐发现了神经系统及其作用，也随着物理学在二十世纪初的大发展之后的相对平静，很多物理学家开始插手其他学科。既然生命和非生命体的背后都服从同一套物理规律，既然物理学的众多成功经验说明，搞清楚构成系统的所有微观组成就可以理解宏观的系统，那么搞清楚人类的智力器官的基本单元以及相互作用，按理说也就能够理解什么是智慧。

![a cartoon illustrating a neuron](/photos/2023-06-17-neuron.png)

上图是一个神经细胞的结构示意图。从其他神经细胞释放出来的名为神经递质的化学物质，到达神经元左侧短且密集的树突之后，激活细胞膜表面的离子泵，主动运输离子跨过细胞膜，从而产生电信号。电信号沿细胞膜传导到右侧的树突，刺激凸触释放神经递质给下一个细胞。

![a handdrawing style illustration of perceptron](/photos/2023-06-17-perceptron.png)

上图就是根据神经元的工作原理抽象出的数学模型，名为 perceptron。一个 perceptron 就是一个函数，接受多个输入的自变量，加权求和之后套一个非线性的激活函数，得到一个输出。很多个这样的 perceptron 并连和串联，就构成下图，计算机算法中的神经网络。

![a handdrawing style illustration of a neural network](/photos/2023-06-17-neural-network.png)

而从实验方向研究神经系统，我们隔壁系就有，经常来我们系招人。基本上就是在小鼠的天灵盖上锯开一个天窗，然后给它带上个头盔，头盔上有能从天窗伸进去的电极，采集脑神经的电信号。以前头盔有网线伸到实验室天花板，实时传到数据中心的超算。现在好像进步了，改用 Wi-Fi 了。

这实验怎么通过的伦理审查，咱也不知道，咱也不敢问……

### 管理学·DIKW “数据-信息-知识-智慧”模型

![a pyramid of DIKW model](/photos/2023-06-17-DIKW.png)

DIKW 四个字母分别代表 data, information, knowledge, wisdom，即数据、信息、知识、智慧，是一种知识管理中的心智模型。

四个层次，前一层都是后一层的基础，后一层都是对前一层的理解。

如果是书面文字，数据就是笔画和字母；如果是语言，数据就是人声的响度、频率和音色。由笔画/字母/声音组成的有含义的字词就是信息。表示信息之间的关系的，可以判断对错的命题就是知识。包含和统摄各条知识的思想体系，就是智慧。

反过来说，虽然智慧高于思想，但它仍需要通过把各条知识的表达汇总起来，才能被人感知。对知识的命题的理解依赖于构成名字的各个概念的涵义，属于信息水平的内容。而每个字都有不考虑其涵义的笔画字母构成。

这层与层之间**看似**并没有插入额外的内容，智慧可以直接由笔画构成。但是我们一层层理解的深入，其实是不自觉地借用了我们当前社会约定俗成的解读方式。

比如下面这个图片里的符号，对于现代人就只是数据，无法解读成信息。但是对于苏美尔人，这是用楔形文字表示的数字，是等腰直角三角形的腰和直角边的比值，也就是 $$\sqrt{2}$$ 的近似值。

![sumerian numerical approximation to square root of two](/photos/2023-06-17-ancient-root-2.png)

约定俗成的数据解读方式，也就是关于**数据的数据**，根据西方的构词法，可以叫做“**元**数据”(meta-data)。

数据和元数据一起构成信息，信息和元信息一起构成知识，知识和元知识一起构成智慧。俺坚持写博客的动机，就是用费曼学习法，把无意间使用的元知识显式地表达出来，而且记录下来，争取学而不退转。

## 2

回顾了这些，再来看大语言模型，就会发现它落在了各方努力的延长线的交点。

大语言模型里有一个重要概念叫做“嵌入”(embedding)，就是把语言的基本字元 (token) 可逆地映射到一个超多维度的向量空间里。本来“国王”和“儿子”之间没办法加减乘除，但是嵌入后的向量空间里有加法和数乘，如果嵌入函数选得好，“国王”的向量 + “儿子”的向量，结果向量就约等于“王子”的向量。

![illustration of vector addition from wikipedia](/photos/2023-06-17-vector-addition.png)

生成式语言模型的核心就是一个超多元函数，接受前一个字嵌入后的向量作为输入，给出另一个向量作为输出，用嵌入函数的逆映射翻译成字元；再把旧的输出作为新的输入，直到输出结果是“语段结束”这样一个特殊字元为止。模型训练的过程，主要就是通过现成的语料，拟合这个超多元函数的参数。

从 DIKW 模型来看，语言模型操作的是最基本的数据，它的输出究竟是什么信息，是不是正确的知识，体现了多少智慧，是人根据当下的社会文化来解读的。

而实现 AI 的电子计算机，或是复杂生命的大脑，他们和智能之间的关系，应该就类似于具体的计算机电路和抽象语法树之间的关系。以此类比，未来的智能科学应该会成为一门独立的专业，它和计算机科学和神经生物学的区别，就像今天的电子科学与工程，和计算机科学之间的区别一样。当下神经生物学的热度，将来恐怕多半会被分流。

这种对字符的计算不同于逻辑运算，语言模型不判断输出结果在逻辑上的正确与错误，这既给了他啥都能说几句的 feature，又给了它经常编假消息的 bug。

想要改掉这种错误，引入对 AI 的纠错机制，治本之道恐怕还是诉诸于对世界的正确描述，与理论相关的还是要靠逻辑，与现实相关的还是要靠科学。

只不过，大语言模型提供了一种数据结构，有希望把人类已知的真理储存在一起。对这种数据结构本身的研究，有可能反过来启发科学的发展。柏拉图的洞穴之壁可能不再是一个比喻，未来更大的语言模型的，亿万维度的参数空间有希望成为洞穴门口的那团火。

只不过这一切都是“可能”，现在还只是 AI 的萌芽阶段，还没有足够的证据来证实或者证伪这种畅想。而且 AI 的参数量再大也是有限的，它所能表达的信息也就有限，而真理应当是无限的，就像科学一样，总要训练更新更大的模型，总要发现已知的未知，然后欣然接受更多未知的未知之存在。

如果电子计算机实现的 AI 独立于人类产生了意识和超出人类的智慧，很难想象他们会继续用人类语言这种对他们来说很不方便的方式来交流。

所以，哪怕是做个 AI 生成内容的质检员，科学家依然有事可做。这算是科学的堕落吗？当然不算，如果算的话，那从计算物理也被当作理论物理的那天起，人类就已经投降了（逃）

## 3

现在正面来回答问题：AI透過程式組合出回答你問題的文字組合，有「涵義」嗎？

答：有。

因为语言的「涵義」来自于语言的内容，和整个社会的文化，并不来自于这句话的作者的身份。即便是人与人之间的交流，诉诸身份也是一种非形式逻辑谬误，是理性不足的表现。只有在信息不足仍不得不下结论的时候才该使用，比如法律判决时的自由心证主义和/或法定证据主义。

而鹿妈眼里真人鹿酱与 AI 鹿酱的区别，如果有的话，好像主要体现在动机的区别。动机这种东西，很多智慧不高的生物，比如小猫小狗都会有；而现在的 AI，似乎还没有展现出超出编程者设计的动机。编程写入的信息有限，现有 AI 的动机也就有限，鹿酱的赢面还是很大的。

而动机是生物与非生物的区别吗？而什么是生物 ≠ 生物是什么，那就是另一个含混而复杂的问题了。

## 4

这篇博文发布的时候，高考应该已经结束了，马上该填报志愿了。

那么，西元 2023 年，AI 来袭的当下，该选个啥专业在 AI 浪潮中幸存，或者选个啥专业给 AI 老爷带路呢？

![a screenshot of a quotation from Three Body about attitudes towards aliens](/photos/2023-06-17-three-body-quotation.png)

我的建议是，不要听别人的建议，按自己的兴趣来就好了。

刚刚改开的时候，有一个超级热门的专业，叫科技英语。科技落下了好多年，对外开放需要语言交流，两者一结合应该是热门又稀缺了。结果呢，你现在还听说过这个专业吗？

科技很重要是不错，语言很重要也不错，但是搞科技的人自己可以学英语，学英语的有几个搞得了科技？社会的进步主要靠创新，而创新的方向难以预测，不论这种预测分析听起来多有道理。

如果真的找不到兴趣，那就在能力范围之内，找个难度最高的。如果想从事智力劳动，那数学含量是个不错的衡量标准；如果不排斥体力劳动，那训练时间越长越值得考虑。

但这只是填志愿来不及时的权宜之计，发掘兴趣是人一生的课题。

兴趣不是为了让你成功的时候更得意，毕竟成功的话不论做什么都很得意；

兴趣是为了你不成功时也可以不失意，毕竟平凡才是人生的真谛。


.tex | 什么是智能≠智能是什么


> 本文是《[Scientific Machine Learning Through Physics–Informed Neural Networks: Where we are and What’s Next](https://link.springer.com/article/10.1007/s10915-022-01939-z)》这篇综述的读书笔记。
> 

年前，今年新入职的天文学方面的一位老师给我们群发邮件，宣传某国家实验室超算的 GPU 编程马拉松活动，他可以担任指导老师。于是毫不意外地，我报了名。该编程马拉松项目还需要专门申请，申请材料里要写清楚打算干什么，于是报名的五六个人七嘴八舌地想创意。基于物理的神经网络 PINN 就是天文老师的点子。

~~写到这里，我才意识到，老哥是不是想拿我们当免费劳动力啊~~~

神经网络可以看作是一个复杂的非线性函数，接受一个（一般来说维度很高的）向量作为输入，一番计算后输出另一个向量。训练神经网络，就是找到这个函数的参数，绝大多数找参数的方法涉及计算网络输出对参数的偏导数，因此神经网络计算框架的核心功能就是自动微分 (auto-differentiation)。

而很多物理问题，都可以用（偏）微分方程来描述，微分方程的解不是变量，而是函数，而且往往是复杂的非线性函数。所以基于物理的神经网络 (PINN) 就是以神经网络来表达这个函数，然后把这个函数带入到物理的微分方程中，把神经网络输出和真正的物理解之间的差距当作损失函数，反向传播回去来优化神经网络的参数。代入方程时的微分计算，正好可以利用现成框架的自动微分功能。

在以 GPT 为代表的 transformer 类神经网络模型出现之前，自然语言处理类的机器学习项目，往往要在网络之外，利用人类的语法知识，对语段进行语义分割等等“中间任务”。Transformer 一出，算力出奇迹，中间任务逐渐变得没有必要了。

在 GPT 崭露头角，并且越来越有迹象表明其将会涌现出通用人工智能的今天，这些基于物理的神经网络，会不会还未成熟就已过时？这种心情，就和《三体》第二卷开始，章北海和吴岳面对焊渍未漆的“唐”号航空母舰时差不多吧……

<hr class="slender">

- Abstract
    - PINNs are neural networks that encode model equations. a NN must fit observed data while reducing a PDE residual.

1. Introduction
    - The “curse of dimensionality” was first described by Bellman in the context of optimal control problems. (Bellman R.: Dynamic Programming. Sci. 153(3731), 34-37 (1966))
    - Early work: MLP ([multilayer perceptron](https://en.wikipedia.org/wiki/Multilayer_perceptron)) with few hidden layers to solve PDEs. ([https://doi.org/10.1109/72.712178](https://doi.org/10.1109/72.712178))
    - 感觉可能更全面的一篇综述：[https://doi.org/10.1007/s12206-021-0342-5](https://doi.org/10.1007/s12206-021-0342-5)。该文关注 what deep NN is used, how physical knowledge is represented, how physical information is integrated，本文只关于 PINN, a 2017 framework。

    1. What the PINNs are
        - PINNs solve problems involving PDEs:
            - approximates PDE solutions by training a NN to minimize a loss function
            - includes terms reflecting the initial and boundary conditions
            - and PDE residual at selected points in the domain (called **collocation points**)
            - given an input point in the integration domain, returns an estimated solution at that point.
            - incorporates a [residual network](https://en.wikipedia.org/wiki/Residual_neural_network) that encodes the governing physical equations
            - can be thought of as an **unsupervised strategy** when they are trained solely with physical equations in forward problems, but **supervised learning** when some properties are derived from data
        - Advantages:
            - [mesh-free](https://en.wikipedia.org/wiki/Meshfree_methods)? 但是我们给模型喂训练数据的时候往往已经暗含了 mesh 了吧
            - on-demand computation after training
            - forward and inverse problem using the same optimization, with minimal modification
    2. What this Review is About
        - 提到了一个做综述找文章的方法：本文涉及的文章可以在 Scopus 上进行高级搜索：`((physic* OR physical)) W/2 (informed OR constrained) W/2 “neural network”)`
2. The Building Blocks of a PINN
    - question:
    
    $$
    F(u(z);\gamma)=f(z),\quad z\ \in\ \Omega \\ B(u(z))=g(z), \quad z\ \in\ \partial \Omega
    $$
    
    - solution:
    
    $$
    \hat u_{\theta}(z)\approx u(z)\\ \theta^* = \arg\min_{\theta}\left(\omega_F L_F(\theta)+\omega_BL_B(\theta)+\omega_{data}L_{data}(\theta)\right)
    $$
    
    1. Neural Network Architecture
        - DNN (deep neural network) is an artificial neural network that is deeper than 2 layers.
        
        1. Feed-Forward Neural Network: 
            - $$u_{\theta}(x) = C_{K} \circ C_{k-1} ...\alpha \circ C_1(x),\quad C_k(x) = W_k x_k + b_k$$
            - Just change CNN from convolution to fully connected.
            - Also known as multi-layer perceptrons (MLP)
            
            1. FFNN architectures 
                - Tartakovsky et al used 3 hidden layers, 50 units per layer,  and a hyperbolic tangent activation function. Other people use different numbers but of the same order of magnitude.
                - A comparison paper: *Blechschmidt, J., Ernst, O.G.: Three ways to solve partial differential equations with neural networks –A review. GAMM-Mitteilungen 44(2), e202100,006 (2021).*
            2. multiple FFNN: 2 phase [Stephan problem](https://en.wikipedia.org/wiki/Stefan_problem).
            3. shallow networks: for training costs
            4. activation function: the swish function in the paper has a learnable parameter, so — [how to add a learnable parameter in PyTorch](https://discuss.pytorch.org/t/how-could-i-create-a-module-with-learnable-parameters/28115)
        2. Convolutional Neural Networks: 
            - I am most familiar with this one.
            - $$f_i(x_i;W_i)=\Phi_i(\alpha_i(C_i(W_i,x_i)))$$
            - performs well with multidimensional data such as images and speeches
            
            1. CNN architectures: 
                - `PhyGeoNet`: a physics-informed geometry-adaptive convolutional neural network. It uses a coordinate transformation to convert solution fields from irregular physical domains to rectangular reference domains.
                - According to Fang ([https://doi.org/10.1109/TNNLS.2021.3070878](https://doi.org/10.1109/TNNLS.2021.3070878)), a Laplacian operator can be discretized using the finite volume approach, and the procedures are equivalent to convolution. Padding data can serve as boundary conditions.
            2. convolutional encoder-decoder network
        3. Recurrent Neural Network
            - $$f_i(h_{i-1})=\alpha\left(W\cdot h_{i-1}+U\cdot x_i+b\right)$$, where f is the layer-wise function, x is the input, h is the hidden vector state, W is a hidden-to-hidden weight matrix, U is an input-to-hidden matrix and b is a bias vector. 我认为等号左边的 $$h_{i-1}$$ 应当作为下标
            - 感觉有点像 hidden Markov model，只不过 Markov 中间的 hidden layers 好像与序号无关（记不清了），~~RNN 看起来各个 W 和 H 似乎不同~~。**RNN cell is actually the exact same one and reused throughout.** (from [https://blog.floydhub.com/a-beginners-guide-on-recurrent-neural-networks-with-pytorch/](https://blog.floydhub.com/a-beginners-guide-on-recurrent-neural-networks-with-pytorch/)). Cartoon from Wikipedia:
                
                ![RNN 的构成单元](/photos/2023-03-20-rnn-unit.png)
                
            - From [https://blog.floydhub.com/a-beginners-guide-on-recurrent-neural-networks-with-pytorch/](https://blog.floydhub.com/a-beginners-guide-on-recurrent-neural-networks-with-pytorch/):
                
                ![RNN 的种类](/photos/2023-03-20-rnn-types.png)
                
            1. RNN architectures
                - can be used to perform numerical Euler integration
                - 基本上输出的第 i 项只与输入的第 i 和 i-1 项相关。
            2. LSTM architectures
                - 比 RNN 多更多中间隐变量，至于怎么做到整合长期记忆的，技术细节现在可以先略过
        4. other architectures for PINN
            1. Bayesian neural network: weights are distributions rather than deterministic values, and these distributions are learned using Bayesian inference. 只介绍了[一篇文章](https://doi.org/10.1016/j.jcp.2020.109913)
            2. GAN architectures: 
                - two neural networks compete in a zero-sum game to deceive each other
                - physics-informed GAN uses automatic differentiation to embed the governing physical laws in stochastic differential equations. The discriminator in PI–GAN is represented by a basic FFNN, while the generators are a combination of FFNNs and a NN induced by the SDE
            3. multiple PINNs
    2. Injection of Physical Laws
        - 既然是要解常/偏微分方程，那么微分计算必不可少。四种方法：hand-coded, symbolic, numerical, auto-differentiation，最后一种显著胜出。所谓 auto-differentiation, 就是利用现成框架，框架自动给出原函数的导数的算法。
        - Differential equation residual:
            - $$r_F[\hat u_\theta](z)=r_\theta(z):=F(\hat u_\theta(z);\gamma)-f$$
            - $$r_F[\hat u_\theta](z)=r_\theta(x,t)=\frac{\partial}{\partial t}\hat u_\theta(x,t)+F_x(\hat u_\theta(x,t))$$: 原文给出了来源，但是从字面上看不出来与前式的等价性
        - Boundary condition residual: $$r_B[\hat u_\theta](z):=B(\hat u_\theta(z))-g(z)$$
    3. Model Estimation by Learning Approaches
        1. Observations about the Loss
            - $$\omega_F$$ accounts for the fidelity of the PDE model. Setting it to 0 trains the network without knowledge of underlying physics.
            - In general, the number of $$\theta$$ is more than the measurements, so regularization is needed.
            - The number and position of residual points matter a lot.
        2. Soft and Hard Constraints
            - Soft: penalty terms. Bad:
                - satisfying BC is not guaranteed
                - assignment of the weight of BC affects learning efficiency, no theory for this.
            - Hard: encoded into the network design. [Zhu et. al](https://doi.org/10.1007/s00466-020-01952-9)
        3. Optimization methods
            - minibatch sampling using the Adam algorithm
            - increased sample size with L-BFGS (limited-memory Broyden-Fletcher-Goldfarb-Shanno)
    4. Learning theory of PINN: roughly in DE, consistency + stability → convergence
        1. convergence aspects: related to the number of parameters in NN
        2. statistical learning error analysis: use *risk* to define *error*
            - Empirical risk: $$\hat R[u_\theta]:=\frac{1}{N}\sum_{i=1}^N \left\|\hat u_{\theta}(z_i)-h_i\right\|^2$$
            - Risk of using approximator: $$R[\hat u_{\theta}]:=\int_{\bar \Omega}(\hat u_{\theta}(z)-u(z))^2dz$$
            - Optimization error: the difference between the local and global minimum, is still an open question for PINN. $$E_O:=\hat R[\hat u_{\theta}^*]-\inf_{\theta \in \Theta}\hat R[u_\theta]$$
            - Generalization error: error when applied to unseen data. $$E_G:=\sup_{\theta \in \Theta}\left\|R[u_\theta]-\hat R[u_\theta]\right\|$$
            - Approximation error: $$E_A:=\inf_{\theta \in \Theta}R[u_\theta]$$
            - Global error between trained deep NN $$u^*_\theta$$ and the correct solution is bounded: $$R[u^*_\theta]\le E_O+2E_G+E_A$$
            - 有点乱，本来说 error 是误差，结果最后还是用 risk 作为误差
        3. error analysis results for PINN
3. Differential Problems Dealt with PINNs：读来感觉这一部分意义不大，将来遇到需要解决的问题时，回来看看之前有没有人做过就行了——另一方面看，一类方程就需要一类特殊构造的神经网络来解，那么说明神经网络解方程的通用性并不好~
    1. Ordinary differential equations: 
        - Neural ODE as learners, a continuous representation of **ResNet**. [[Lai et al](https://doi.org/10.1016/j.jsv.2021.116196)], into 2 parts: a physics-informed term and an unknown discrepancy
        - LSTM [[Zhang et al](https://doi.org/10.1016/j.cma.2020.113226)]
        - [Directed graph models](https://doi.org/10.1016/j.compstruc.2020.106458) to implement ODE, and Euler RNN for numerical integration
        - Symplectic Taylor neural networks in [Tong et al](https://doi.org/10.1016/j.jcp.2021.110325) use symplectic integrators
    2. Partial differential equations: steady/unsteady的区别就是是否含时
        1. steady-state PDEs
        2. unsteady PDEs
            1. Advection-diffusion-reaction problems
                1. diffusion problems
                2. advection problems
            2. Flow problems
                1. Navier-Stokes equations
                2. hyperbolic equations
            3. quantum problems
    3. Other problems
        1. Differential equations of fractional order
            - automatic differentiation not applicable to fractional order → [L1 scheme](https://doi.org/10.1515/fca-2019-0086)
            - [numerical discretization for fractional operators](https://doi.org/10.1137/18M1229845)
            - [separate network to represent each fractional order](https://doi.org/10.1038/s43588-021-00158-0)
        2. Uncertainty Estimation: [Bayesian](https://doi.org/10.1016/j.jcp.2020.109913)
    4.  Solving a Differential Problem with PINN
        - 1d non-linear Schrödinger equation
        - dataset by simulation with MATLAB-based Chebfun open-source(?) software
4. PINNs: Data, Applications, and Software
    1. Data
    2. Applications
        1. Hemodynamics
        2. Flows Problems
        3. Optics and Electromagnetic Applications
        4. Molecular Dynamics and Materials-Related Applications
        5. Geoscience and Elastiostatic Problems
        6. Industrial Application
    3. Software
        1. `DeepXDE`: initial library by one of the vanilla PINN authors
        2. `NeuroDiffEq`: PyTorch based used at Harvard IACS
        3. `Modulus`: previously known as Nvidia SimNet
        4. `SciANN`: implementation of PINN as Keras wrapper
        5. `PyDENs`: heat and wave equations
        6. `NeuralPDE.jl`: part of SciML
        7. `ADCME`: extending TensorFlow
        8. `Nangs`: stopped updates, but faster than PyDENs
        9. `TensorDiffEq`: TensorFlow for multi-worker distributed computing
        10. `IDRLnet`: a python toolbox inspired by Nvidia SimNet
        11. `Elvet`: coupled ODEs or PDEs, and variational problems about the minimization of a functional
        12. Other Packages
5. PINN Future Challenges and Directions
    1. Overcoming Theoretical Difficulties in PINN
    2. Improving Implementation Aspects in PINN
    3. PINN in the SciML Framework
    4. PINN in the AI Framework
6. Conclusion


.tex | 基于物理的神经网络 (PINN) 综述笔记


## Mathematica 的原生体验暨山寨目标

本科的时候老师总是跟我们念叨，让我们学点科学计算软件，可学的不多，不过 MatLab, Mathematica, Maple, Origin 和 Labview.  ~~作为编程语言的 MatLab 是世界上语法最垃圾的（没有之一）~~ ，Maple 实在是太小众了，Origin 和 Labview 不仅应用场景有限而且繁琐还有版权问题，于是 MMA 就成了我主要的折腾对象。不敢说拿手，起码是略懂。

Wolfram 和 python 一样也是[动态语言和解释型语言](python-interpreter-editor-virtualenv)，而且默认的新建文件类型就是 `.nb` 笔记本文件，命令按块执行，输出结果直接显示在代码块下方，强烈怀疑 Jupyter Notebook 就是山寨了 Mathematica。当然另有一种 `.m` 文件，用于执行文件内的所有命令，适用于比较大型的独立应用。

![](/photos/2022-06-19-mathematica-notebook.gif)

虽然现在的学校给学生买了正版许可证，但是只能用在一台电脑上，所以笔记本上就安装不了。虽然百度贴吧的精华帖里有传统艺能算号器教程，但是现在 Wolfram 开放了免费的 Wolfram Engine，所以我们还是来点正大光明的，用完全合法的免费手段搭建一个免费的 Wolfram Languange 运行环境，效果尽可能贴近 Mathematica。

需要用到的工具有：

- Wolfram Engine
- Wolfram Script
- Wolfram Engine For Jupyter
- jupyter
- vscode

## Wolfram Engine 和 Wolfram Script 下载和安装

《How do I install Mathematica on Linux?》：[https://support.wolfram.com/12453](https://support.wolfram.com/12453)

在 Google 上搜索“Wolfram Engine”后可以找到官网的下载地址：[https://www.wolfram.com/engine/](https://www.wolfram.com/engine/)

根据自己的操作系统点击下载之后会弹出获取许可证的页面 ([https://account.wolfram.com/access/wolfram-engine/free](https://account.wolfram.com/access/wolfram-engine/free))，没有 Wolfram 账号的需要注册一个账号。

完成之后在下载文件夹打开 terminal, 输入以下命令，其中 xyz 是下载文件名中的版本号：

```python
sudo bash WolframEngine_xxx.yy.zz_LINUX
```

强烈建议按照默认设置完成安装，不做要任何个性化的调整，理由见下方引用块。

> 我把第二个选项，也就是 Wolfram Engine 可执行文件的路径设置成了自己 home 下安放一般独立软件的文件夹，结果激活过程出现了问题：输入 `wolframscript` 之后说找不到 WoflramEngine，填入自己的路径之后提示 Wolfram Engine 尚未激活，手动启动 `WolframEngine` 之后提示输入激活密钥 activation key，但是各处遍寻不得。
解决方法来自以下 StackOverflow 回答：[https://mathematica.stackexchange.com/questions/198822/the-wolfram-kernel-must-be-activated-for-wolframscript-to-use-it](https://mathematica.stackexchange.com/questions/198822/the-wolfram-kernel-must-be-activated-for-wolframscript-to-use-it)
在wolfram官网登陆自己的账号之后，在一个新的标签页输入以下网址 [https://www.wolframcloud.com/users/user-current/activationkeys](https://www.wolframcloud.com/users/user-current/activationkeys)，即可看到自己的 activation key，在 terminal 中打开 Wolfram Engine，根据提示把 activation key 复制粘贴到指定位置，即可完成激活。
但是第二天配置好 vscode 和 Jupyter 之后，再次在命令行打开 WolframScript 的时候提示激活失败，重新按照上述方法操作后，显示 activation key 已被使用。即便是删除后按照默认设置重装，也依然会提示超过许可证限制。
后来在官网给出的联系方式给客服发了消息，客服回信给了新的激活码。
> 

再下载 [WolframScript](https://account.wolfram.com/products/downloads/wolframscript)，这是 Wolfram 的前端。然后按照各个操作系统自己的规矩安装 WolframScript，我的 fedora 就是双击 rpm 文件然后根据提示操作。完成后在命令行输入 `wolframscript`, 根据提示输入 Wolfram 账号和密码，Wolfram Engine 就会联网激活自己。

激活成功之后，在 terminal 输入 `wolframscript`, 显示的结果如下，即说明 Wolfram Engine 和 Wolfram Script 配置成功。

```bash
Wolfram Language 13.0.1 Engine for Linux x86 (64-bit)
Copyright 1988-2022 Wolfram Research, Inc.

In[1]:=
```

在 `In[1]:=` 处输入 `Exit[]` 并按回车，即可退出 Wolfram 回到命令行。

## 将 Wolfram Engine 设为 Jupyter 的后端

[https://github.com/WolframResearch/WolframLanguageForJupyter](https://github.com/WolframResearch/WolframLanguageForJupyter)

根据上面网址的指示，将官方 repo 克隆到本地，因为我们的 python 分隔成了多个[虚拟环境](https://virtual.env)，所以比官网教程多一步 `workon base`:

```bash
[me@my_computer dev]$ git clone https://github.com/WolframResearch/WolframLanguageForJupyter.git
# Cloning into 'WolframLanguageForJupyter'...
# remote: Enumerating objects: 649, done.
# remote: Counting objects: 100% (140/140), done.
# remote: Compressing objects: 100% (52/52), done.
# remote: Total 649 (delta 93), reused 126 (delta 88), pack-reused 509
# Receiving objects: 100% (649/649), 321.55 KiB | 2.23 MiB/s, done.
# Resolving deltas: 100% (411/411), done.
[me@my_computer dev]$ cd WolframLanguageForJupyter
[me@my_computer WolframLanguageForJupyter]$ workon base
(base) [me@my_computer WolframLanguageForJupyter]$ ./configure-jupyter.wls add
(base) [me@my_computer WolframLanguageForJupyter]$
```

## 用法和效果

打开 vscode，按 `Ctrl+Shift+P` 呼出命令搜索框，找到 "Jupyter: Create Interactive Window":

![](/photos/2022-06-19-jupyter-start.png)

单击 Jupyter 后端内核的图表（下图中右上角的"base(Python 3.9.12)"字样），把内核切换为 "Wolfram Language ##"

![](/photos/2022-06-19-switch-kernel.png)

等待后端内核切换完成，就可以输入 Mathematica 命令查看效果了：

![](/photos/2022-06-19-final-result.png)

完成！


.nb | Mathematica 入门：免费正版、vscode、近似原生体验


> 本文也是马克思·普朗克复杂物理研究所《非平衡态集体过程》第9讲的笔记。
> 

最近在蹭一门数学系的读书课，题目叫“非线性时间序列分析”。本来以为会是数学系的人抢物理系动力学方向的饭碗用的（可能实际上也确实是，或者更有可能是反过来），但是老师在前几讲一直把重点放在何种定理如何证明上面。数学系的嘛，这种对公理化系统的喜爱可以理解。但是发现我们几个上课的对这些证明都不太感兴趣之后，~~直接一个发卡弯漂移，教我们用 R 语言分析现实数据，现在新课还没上，不过可能是以股票数据做例子，我的老天鹅，这也太“经世济民”了吧……~~ 最后期末作业发现大家居然又都选择做 PPT 讲中心极限定理的证明，经世济民计划无疾而终。

以下是为了新课程，我自己提前做的准备。

## 下载、安装、环境配置（精神病版）

- [https://cloud.r-project.org/](https://cloud.r-project.org/)
- 看这一个链接就够了：[https://marketplace.visualstudio.com/items?itemName=Ikuyadeu.r](https://marketplace.visualstudio.com/items?itemName=Ikuyadeu.r)
- [https://github.com/randy3k/radian](https://github.com/randy3k/radian)
- [https://github.com/nx10/httpgd](https://github.com/nx10/httpgd)

`Fedora Linux` + `R` + `radian` + `vscode` + `R extension for vscode`

1. 在官网（[https://cloud.r-project.org/](https://cloud.r-project.org/)）下载并安装 R [解释器](https://python-interpreter)。
2. 在命令行输入 `R` 打开解释器，在 R 中输入 `install.packages("languageserver")` 
3. 在 vscode 的市场页面搜索 “R”，安装 R 语言插件。
4. 安装 radian：
    1. 在合适的 python [虚拟环境](https://pyhton-virtualenv) 里输入 `pip intall radian`
    2. 用 radian 取代 R：编辑 `~/.bashrc` , 在其中加入一句`alias r="radian"` ，重启命令行
    3. 在 vscode 的设置中找到 `R>Rterm: Linux`, 输入 radian 的安装路径（在命令行中输入 `which R` 可以找到）
5. 在 vscode 的市场页面搜索 “R debugger”，安装 `R debugger for vscode`
6. 在命令行输入 `R` 打开解释器，在 R 中输入 `install.packages("httpgd")`，安装可视化工具 `httpgd`

## 简单语法

来自马克思·普朗克复杂物理研究所《非平衡态集体过程》第9讲，这老师的讲课顺序简直了……

R 的语法也简直了……

### 简单数据结构 Some data types

```r
# vector
a <- c(1,2,3,NA)
b <- c("m","f","f","m")
# using a value
b[2]

# list
list.ab <- list(number=a, gender=b)
list.ab$number
list.ab[[1]]

# factors (categorial variable)
f <- factor(b)
f
# [1] m f f m f m m
# levels: f m
levels(f) <- c("female", "male")

# dataframe (lists of vectors of the same length)
x <- c(1,2,3)
y <- c("aa","bb","cc")
z <- c(TRUE, FALSE, TRUE)
df <- data.frame(first=x, second=y, third=z)
View(df)
# |      | first | second | third |  
# |    1 |     2 |     aa |  TRUE |
# |    2 |     3 |     bb | FALSE |
# |    3 |     5 |     cc |  TRUE |
```

### 控制流 Loops, conditional statements

```r
# for loop
for(i in 1:5) {
	print(i)
}
# while loop
while(!finished) {
	print("Hello")
}
# if statement
if(i<5) {
	print("Hello")
} else {
	print("Not Hello")
}
```

### 函数 Functions

```r
# calling a function
rnorm(5,mean=1,sd=1)

# defining a function
mysum <- function(a,b,c=1) { a + b + c }
mysum(1,1)
```

### 复杂数据类型 `data.table`

Some comparison:

- `data.table`: R package, fast and memory efficient
- `python.pandas`: python implementation of data frames
- `dplyr`: highly popular, easy to learn

```r
library(data.table)
dt <- as.data.table(df)
```

```r
# read and write
flights <- fread("path/to/your/flights.txt")
weather <- fread("path/tp/your/weather.txt")
```

Making data tidy can simplify the following analysis.

- Every column is an observable.
- Every row is an observation.

```r
# making data tidy
melt( dt,
      id.vars = "ID",
      value.name = "expression",
      variable.name = "cell"
)
# making data messy
dcast(dt, ID ~ cell+expression) # not understand
```

Get item

```r
d[i, j, by] # take `d`, subset rows using `i`, then **calculate** `j` grouped by `by`
# examples
planes[engines == 4]

# slice the 2 columns
planes[, .(tailnum, year)] 
# groupby and calculate
flights[, .(mean_delay = mean(dep_delay, na.rm=T)), by=carrier]
flights[time_hour>20, .(mean_delay=mean(dep_delay,na.rm=T)), by=.(month, origin)]
# math calculations
flights[, speed_kmh := 60*1.61*distance/air_time]
flights[, resc_distance := distance/mean(distance), by=carrier]
```

Merge 2 tables

```r
# left join
merge(a,b,all.x=T)
b[a] # same as above

# right join
merge(a,b,all.y=T)
a[b] # same as above

# inner join
merge(a,b, all=F)
a[b, nomatch=0]

# full join
merge(a,b,all=T)
```

Chaining operations

```r
# data.table way
weather[, ws_kmh:=1.61*wind_speed][, .(mean_ws=mean(ws_kmh)), by=month]
# use operator %>% to take the result on the left as the 1st argument on the right
library(magrittr)
weather[, ws_kmh:=1.61*wind_speed] %>%
.[, .(mean_ws = mean(ws_kmh)), by=month] %>%
head()
```


.r | R语言入门笔记


On youtube.

## What is Rust

fast and powerful, system language

web development through webAssembly

No garbage collection, also no need to manege memory, which makes language more tedious

Use Cargo to manage package

## Install

Windows: .exe

Linux: run the curl script.

```bash
rustup --version
rustc --version 
cargo --version
```

vscode Rust(rls) plugin

## empty folder and compile

```bash
mkdir rustsandbox
cd rustsandbox
touch hello.rs
```

```bash
fn main() {
	println("Hello World!");
}
```

## initialize a project with cargo

```bash
cargo init
```

bettertmil plugin for highlight of `.tmil` file.

```bash
cargo run # compile and debug
cargo build
cargo build --release # for production
```

## print line

```bash
touch src/print/rs
```

```rust
// in print.rs
pub fn run() {
	println!("Hello World!");
	// Basic formatting
	println!("Number: {}",1); 
	println!("{} is from {}","Brad","Mass");
	// Positional arguments
	println!("{0} is from {1} and {0} likes to {2}.","Brad","Mass","code");
	// Named argument
	println!("{name} likes to play {activity}.", name="John", activity="baseball")
	//Placeholder traits
  println!("Binary: {:b} Hex: {:x} Octal: {:o}", 10,10,10);
	//Placeholder for debuging
  println!("{:?}", (10,True,"hello"));
	//Basic Math
	println!("10+10={}",10+10)
}
```

```rust
// in main.rs
mod print;

fn main() {
	print::run();
}
```

## Variable

```rust
// var.rs
pub fn run() {
	let name="Brad";
	let age = 37;
  age = 38; //cannot assign twice
	let mut age = 37;
	age = 38;
	println!("My name is {} and I am {}",name, age);
	// constant
	const ID:i32 = 001;
	println("ID: {}",ID);
	// assign multiple variables
	let ( my_name, my_age ) = ("Brad", 37);

}
```

## Primitive Types

```rust
// type.rs
/*
Primitive Types:
Integers: u8,i8,u16,i16,...u128,i128
Floats: f32,f64
Boolean: bool
Characters: char
Tuples
Arrays
*/

// Rust is a static type language, but compiles usually can infer
 
pub fn run() {
	// default is i32, f64
	let x = 1; 
	let y = 2.5;
	let z: i64 = 454544445554;
	// find max size
	println!("Max i32:{}", std::i32::MAX);
	println!("Max f64:{}", std::f64::MAX);
	// boolean
	let is_active = true;
	// get boolean from expression
	let is_greater = 10 > 5;
	// char
	let a1 = 'a'; // has to be single quotes
	let a2 = 'ab'; // error, can only be one character
	let a3 = '\u{1F600}';
}
```

## Strings

```rust
// string.rs

// primitive str = immutable fixedlength string
// String = growable heap-allocated data structure - use when I need to modify or own srtring data

pub fn run() {
	let mut hello = String::from("Hello ");
	//get length
	println!("Length: {}", hello.len());
	hello.push('W');
	hello.push_str("orld");
	// immutable
	let hello2 = "Hello";
	// methods
	println!("Capacity {}", hello.capacity());
	println!("Is empty {}", hello.is_empty());
	println!("Contains 'World' {}", hello.contains("World"));
	println!("Replace {}", hello.replace("World","there"));
	// loop through string by whitespace
	for word in hello.split_whitespace() {
		println!("{}",word);
	}
	// Create string with capacity
	let mut s = String::with_capacity(10):
	s.push('a');
	s.push('b');
	// Assertion testing
	assert_eq!(2,s.len());
}
```

## tuple

```rust
//tuples.rs

// can be different types
pub fn run() {
	let person: (&str,&str,i8) = ("Brad","Mass",37);
	println!("{} is from {} and is {}", person.0, person.1, person.2);	
}
```

## Array

```rust
// array.ts

use std::mem

pub fn run() {
	let numbers: [i32,5] = [1,2,3,4,5]; // length has to be exact
	println!({:?},numbers);
	// get single value
	println!("Single value{:?}",numbers[0]);
	let mut numbers1: [i32,5] = [1,2,3,4,5];
	numbers1[2] = 20;
	println!("Array length: {}", numbers1.len());
	//arrays are static allocated
	println!("Arry occupies {} bytes", mem::size_of_val(&numbres1));
	// get slice
	let slice: &[i32] = &numbres[0..2];
	println!("")
}
```

## Vector

```rust
//vector.rs

// vectors are resizable arrays
pub fn run() {
	let mut numbers: Vec<i32> = Vec![1,2,3,4];
	// add 
	numbers.push(5);
	numbers.push(6);
	//pop off las values
	numbres.pop();
	// loop through vector values
	for x in numbers.iter(){
		println!("Number: {}", x);
	}
	for x in numbers.iter_mut(){
		*x *= 2; // no idea what the 1st * does
		println!("Number: {}", x);
	}
}
```

## conditional

```rust
//conditional.rs

pub fn run() {
	let age: u8 = 18;
	let check_id: bool = false;
	let knows_person_of_age = true;

	// if/else
	if age >= 21 && check_id || knows_person_of_age {
		println!("Bartender: what would like to drink?");
	} else if age < 21 && check_id {
		println!("Bartender: sorry you have to leave.");
	} else {
		println!("Bartender: I'll need to see your ID.");
	}

	// short if
	let is_of_age = if age>=21 {true} else {false};
	println!("Is of age: {}", is_of_age);
}
```

## loop

```rust
//loop.rs

pub fn run() {
	let mut count = 0;
	//infinite loop
	loop {
		count += 1;
		println!("Number: {}", count);

		if count > 20 {
			break;
		}
	}
	// while loop (FizzBuzz)
	while count <=100 {
		if count%15 === 0 {
			println!("fizzbuzz");
		} else if count%3 == 0 {
			println!("fizz");
			else if count%5 == 0 {
			println!("buzz");	
		} else {
			println!("{}",count)
		}
		count += 1;
	}	
	// for loop
	for x in 0..100 {
		// ...
	}
}
```

## function

```rust
// function.rs
pub fn run() {
	greeting("Hello","Jane");
	let get_sum = add(5,5);
	//closure
	let n3 = 10;
	let add_sums = |n1: i32, n2: i32| n1+ n2 + n3; //need to find out more
}

fn greeting (greet: &str, name: &str) {
	println!("{} {}, nice to meet you.", greet, name);
}

fn add(n1: i32, n2: i32) -> i32 {
	n1 + n2 // no semi-colum here
}
```

## Pointer/Reference

```rust
// pointer.rs

pub fn run() {
	// primitive
	let arr1 = [1,2,3];
	let arr2 = arr1;
	println!("Values: {:?}", (arr1,arr2));
	// with non-primitive, if you assign another variable to a piece of data, the 1st variable will no longer hold that value. You'll need to use a reference (&) to point to the resource
	let vec1 = Vec![1,2,3];
	let vec2 = &vec1;
	println!("Values: {:?}", (&vec1, vec2))
}
```

## Struct

```rust
// struct.rs

// used to create custome data types

// traditional struct
struct Person {
	first_name: String,
	last_name: String
};

impl Person{
	fn new(first: &str, last: &str)-> Person {
		Person {
			first_name: first.to_string(),
			last_name: last.to_string()
		}
	}
	fn full_name(&self) -> String {
		format!("{} {}", self.first_name, self.last_name)
	}
	// set last name
	fn set_last_name(&mut self, last: &str){
		self.last_name = last.to_string();
	}
	// name to tuple
	fn to_tuple(self)->(String,String){
		(self.first_name,self.last_name)
	}
}

struct Color {
	red: u8,
	green: u8,
	blue: u8,
};

// tuple struct
struct ColorTuple(u8,u8,u8); 

pub fn run() {
	let mut c = Color{
		red: 255,
		green: 0,
		blue: 0,
	};
	c.red = 200;
	println!("Color: {},{},{}",);
	
	let mut ct = ColorTuple(255,0,0);
	ct.0 = 200;
	println!("Color: {},{},{}",ct.0,ct.1,ct.2);

	let mut p = Person::new("John","Doe");
	println!("Person {} {}", p.first_name, p.last_name)
	p.set_last_name("Williams");
	println!("Person {}", p.full_name());
	println!("Person {:?}", p.to_tuple());
}
```

## enumerate

```rust
//enum.rs

// enum is a type with a few definitive values

enum Movement {
	// variants
	Up, 
	Down,
	Left, 
	Right
}

fn move_avatar(m:Movement) {
	match m {
		Movement::Up => println!("Avatar Moving Up"),
		Movement::Down => println!("Avatar Moving Down"),
		Movement::Left => println!("Avatar Moving Left"),
		Movement::Right => println!("Avatar Moving Right")
	}
}

pub fn run() {
	let avatar1 = Movement::Up;
	let avatar2 = Movement::Down;
	let avatar3 = Movement::Left;
	let avatar4 = Movement::Right;

	move_avatar(avatar1);
	move_avatar(avatar4);
	move_avatar(avatar2);
	move_avatar(avatar3);	
}
```

## Command line interface

```rust
// cli.rs

use std::env;

pub fn run() {
	let args: Vec<String> = env::args().collect();
	let command = args[1].clone();
	let name = "Brad";
	let status  = "100%"

	println!("Args: {:?}", args);
	println!("Command: {}", command)

	if command == "Hello" {
		println!("Hi {}, how are you?", name);
	} else if command == "status" {
		prinln!("Status is {}", status);
	} else {
		println!("That is not a valid command.");
	}
}
```

.rs | Rust 入门笔记


What is TypeScript:

- static types
- types from 3rd parties can be added with type definition

Dynamic vs Static types

- dynamic: types associated with run-time values, and not explicitly in code
- static: explicitly assign types

Pros and Cons

- pros: more robust, debug, predictability
- cons: more codes to write, requires compilation, **not true typing**

Compiling

- `.ts` or `.tsx` extension
- `TSC` is used
- `tsconfig.json`

# Hands on

## Install

```bash
sudo npm i -g typescript
tsc -v
touch index.ts
```

```tsx
let id: number = 5 
id = `5` // error

```

```bash
tsc index
tsc -- watch index
```

```bash
tsc --init # produces tsconfig.json
```

```json
{
	"outDir": "./dist",
	"rootDir": "/src"
}
```

## Types

```tsx
let id: number = 5
let company: string = "Media"
let isPublished: boolean = true
let x: any = "hello"
x = true // no errors

// array
let ids: number[] = [1,2,3,4,5]
ids.push("hello") // error

let arr: any[] = [1, true, 'hello']

//tuple
let person: [number, string, boolean] = [1, 'Brad', true]

// tuple array
let employee: [number, string][]
employee = [
	[1, 'Brad'],
	[2, 'Sam']
]

// union
let pid: string | number = 22

// enum
enum Direction1 {
	Up, // default is 0
	Down,
	Left,
	Right
}

enum Direction2 {
	Up   = "Up", // default is 0
	Down = "Down",
	Left = "Left",
	Right= "Right"
}

//objects
const user: {
	id: number,
	name: string
} = {
	id: 1,
	name: 'John'
}

type User = {
	id: number,
	name: string
}

const user: User

// type assertion
let cid: any = 1
let customerId = <number>cid
let customerId = cid as number

```

## function

```tsx
function addNum(x: number,y: number): number {
	return x+y
}
//void

function log(message: number | string): void {
	console.log(message)
}
```

## Interfaces

```tsx
interface UserInterface {
	readonly id: number,
	name: string,
	age?: number // optional property
	register(): string
}
const user1: UserInterface = {
	id: 1, // error , read only
name: "brad"
}

interfce MathFunc {
	(x: number, y: number): number
}

const add: MathFunc = (x: number, y: number): number => x+y
```

## Class

```tsx
class Person implements UserInterface{
	private id: number	 // within the class
	protected name: string // within class or extended classes
	salary: number

	constructor(id: number, name: string) {
		this.id = id
		this.name = name
	}
	register() {
		return `${this.name} is registered.`
	}
}

const brad = new Person(1,'Brad')
```

## Subclass

```tsx
class Employee extends Person {
	position: string

	constructor(id: number, name: string, position: string) {
		super(id,name)
		this.position = position
	}
}
const emp = new Employee(3,"Shawn","developer")
console.log(emp.register())

```

## Generics

```tsx
function getArray(items: any[]): any[] {
	return new Array().concat(items)
}
let numArray = getArray([1,2,3,4])
let strArray = getArray(['a','b','c','d'])

numArray.push('hello') // no error, but not what we want

function getArray<T>(items: T[]): T[] {
	return new Array().concat(items)
}
let numArray = getArray<number>([1,2,3,4])
numArray.push('hello') // error
```

## With React

```bash
npx create-react-app . --template typescript
npm start
touch header.tsx
```

```tsx
export interface Props{
	title: string
	color?: string
}
const Header = (props: Props) => {
	return (
		<header>
		  {% raw %}
			<h1 style={{ color: prps.color ? props.color: "blue" }}>
				{props.title}
			</h1>
		  {% endraw %}
		</header>
	)
}
```

.ts | TypeScript 入门笔记


很显然，我不可能把“阿掖山”这个名字写到论文里，与研究相关的项目、组里的代码和数据，都由另一个实名的 GitHub 账号来处理。这就有个问题——如何告诉 GitHub 某个项目文件夹该由哪个账号来做版本管理。

于是 STFW，结果看到了GitHub  官方的回答：[“这边建议您把两个账号合并呢～”](https://docs.github.com/en/account-and-profile/setting-up-and-managing-your-github-user-account/managing-user-account-settings/merging-multiple-user-accounts)

其实这个问题在建立这个博客站之前就解决了，但是因为很长时间我的研究代码都是自己在用，而且只在台式机上用，一直没有推到 GitHub 上去，实名账号一直没在笔记本上用过。具体细节忘得差不多了，这次复习一下。

作为例子，两个账号的用户名分别是 `USER1` 和 `USER2`，注册邮箱分别是 `USER1@EMAIL.com` 和 `USER2@EMAIL.com`。

## 多个计算机用户

当然了，最简单的方法就是新建一个操作系统用户，每个用户登录一个 GitHub 账号。这种方法好处很多：

- 不需要特殊操作。
- 适用于不同操作系统。
- 切换身份需要专门切换账号，有助于防止操作者忘记自己所处的身份。

但是这篇文章不会涉及这种方法，因为当初买电脑的时候并没有注意到需要做身份隔离，等到发现事情不妙的时候已经混装和两个身份需要的不同软件，积重难返。于是采用了以下两节的解决方案。

## 单个计算机用户@Windows: GitHub Desktop

![](/photos/2021-12-26-github-desktop.png)

- 在官网下载、安装、打开 [GitHub Desktop](https://desktop.github.com/) 客户端。
- 在 GitHub 网页版上切换到新的账户。
- 点击左上角 `File > Options`，默认界面就是账户信息。点击 `Sign Out` 退出登录，然后再点击 `Sign In`，根据弹出窗口的提示操作，就来到了新的账户。

## 单个计算机用户@Linux : `.ssh/config`

具体操作看以下两个连接就够了：

- [https://gist.github.com/JoaquimLey/e6049a12c8fd2923611802384cd2fb4a](https://gist.github.com/JoaquimLey/e6049a12c8fd2923611802384cd2fb4a)
- [https://docs.github.com/en/authentication/connecting-to-github-with-ssh](https://docs.github.com/en/authentication/connecting-to-github-with-ssh)

~~但是为了水字数，~~ 还是写得详细一点……

### 本地：生成并启用 SSH key

打开命令行，输入以下命令，生成 SSH key：

```bash

ssh-keygen -t rsa -b 4096 -C "USER1" 
ssh-keygen -t rsa -b 4096 -C "USER2"
```

其中 `-t` 指定加密算法，`-b` 指定密钥的位数，`-C` 相当于注释。

然后命令行会弹出几个选项，可以一路按回车使用默认值。

上述命令完成后，在 `~/.ssh` 文件夹应该会有两对四个密钥文件：

- `~/.ssh/USER1`
- `~/.ssh/USER1.pub`
- `~/.ssh/USER2`
- `~/.ssh/USER2.pub`

然后输入以下命令，启用刚刚生成的密钥。

```bash

eval "$(ssh-agent -s)" # 启动 ssh-agent
ssh-add ~/.ssh/USER1   # 添加 USER1 的密钥
ssh-add ~/.ssh/USER2   # 添加 USER2 的密钥
```

### 网页：把密钥添加到对应的账号

在网页端以 `USER1` 身份登录 GitHub 之后，在 "Settings" 页面找到 "SSH and GPG keys" 选项卡，点击绿色的 "New SSH key" 按钮之后，将 `~/.ssh/USER1.pub` 中的内容复制到 "Key" 填空区，然后起一个名字，点击 "Add SSH key" 按钮。

![](/photos/2021-12-26-github-key.png)

USER2也照此办理。

**千万要注意**复制的应该是 `.pub` 后缀的文件！

### 本地：编辑 `~/.ssh/config` 文件

在 ~/.ssh/ 找到或者新建一个名为 config 的文本文件。打开之后，将以下内容添加到文件中：

```

Host github.com-user1
	Hostname github.com
	User git
	IdentityFile ~/.ssh/user1
Host github.com-user2
	Hostname github.com
	User git
	IdentityFile ~/.ssh/user2
```

### `git clone` 时 repo 地址的改动

一般的 git clone, 直接把 GitHub 提供的命令复制粘贴到命令行就行了。

![](/photos/2021-12-26-git-clone.png)

但是我们这个不同，首先是只能选择 SSH 模式，然后是需要在域名`github.com` 后面加上`-user1`:

```bash

git clone git@github.com-user1:User/Repo.git
```

这里就体现出之前在 `~/.ssh/config` 把 Host 命名为 `github.com-****` 的好处了。

### `git commit` 前填写在 repo 中填写账户信息

 第一次做完改动推送到 GitHub 之前，需要专门在 repo 级别写明自己的身份，也就是在命令行输入：

```bash

git config --local user.name  "USER1"
git config --local user.email "USER1@EMAIL.com"
```

### **注意：** 为了防止操作者忘记自己所处的身份

强烈建议去掉用户信息的全局设置：

```bash

git config --global --unset user.name
git config --global --unset user.email
```

这样假如忘记之前的 `git config --local`, 第一次 git commit 的时候会报错，提示信息缺失。

这样操作一次之后，之后的操作几乎感受不到账户的不同。


.git | 管理 GitHub 不同用户身份的仓库


今年感恩节三天假期加上周末，一共五天的时间，别的啥也没干，憋在家里给博客换了个主题模板。现在新版本已经上线，基本上已经能用，明显的 bug 都已经解决了。主要的工作内容如下：

- 从 Tufte 风格转换到 material 风格
- 评论区迁移到现成的 ~~[utterance](https://utteranc.es/)~~  [giscus](https://giscus.app/)。
- 将旧模版中的侧边栏注记功能移植到新的模板。
- 调整了 CSS，包括字体、代码模块、博客标题限制高度、博客博客实现类似纸张的卡片效果。
- 重写了 index.html, /History.html, /Links.html 等页面，尤其是 /Topics.html，实现了一个响应式的两列结构。
- 重写了博文前面的元信息。
- 将之前的 repo 重命名并且归档，新建一个同名的 repo，推送上线。

下面挨个来说。

## 风格转换

![](/photos/2021-12-06-blog-old.png)

之前的风格名字叫做 Tufte，好像是根据一个美国教授的设计，主要设计元素包括一套自己加载的衬线字体（很漂亮，但是对中文没用），还有博文占据页面宽度的大约 60%，右侧剩下的空间可以做边注，有一个设计很精美的横向分割线 `<hr class="slender">`。

这个模板很漂亮，但是衬线字体搭配背景色，就跟人一种上个世纪古董网站的感觉（没有对卢昌海老师不敬的意思）。

Material Design 是 Google 推出的一个组件库，提供类似纸张和卡片的视觉效果，就给人一种很现代的感觉，内心觊觎已久。[GitHub 的这个 repository](https://github.com/naveenshaji/material) 就用了这套设计风格，虽然已经不再更新维护了，但是已有的功能，比如点击链接之后的加载页面，页面顶端的阅读进度条，我觉得让我自己来的话，十年之内都不一定能学到做出这些效果的技术，于是就直接拿来用了。

## 评论区

### 旧版：jQuery 搭配 GitHub Milestones

之前的评论区是根据 [farseerfc](https://farseerfc.me/zhs/pages/about.html) 大佬的[博文](https://farseerfc.me/zhs/github-issues-as-comments.html)自己仿写的 JavaScript 函数。原文是把 issue 作为一个博文的评论区，issue 下面的 comment 作为评论，这样每一条评论都是平级的，没办法实现对某一条评论的回复，只能在评论内容中指明回复的对象。

除了像博文里一样自己手搓代码，也有现成的第三方工具 [utterance](https://utteranc.es) 来完成这一工作，但是我还是不喜欢这种单层评论系统，于是决定自己仿写一个类似的系统，但是让一个 milestone 对应一篇文章，一个 issue 对应一条评论，一个 comment 对应一条回复。

这就需要我在博文的 Markdown 页面注明对应的 milestone 的编号，然后在网页加载完成之后向 GitHub 对应的 milestone 发送一个 GET 请求，询问是否存在 issues。 得到肯定的回答之后，再依次发送请求 GET 每一条 issue 的内容，显示在博文下方。代码位于 `[/_includes/comments.html` 页面](https://github.com/MountAye/blog-tufte/blob/source/_includes/comments.html)，当年从异步编程开始学起，颇费了我几个周末。

问题出在 GitHub 的用户权限上，只有作者和管理员才有权给某条 issue 指定一个 milestone，所以读者建立 issue 进行评论之后并不会直接显示在博文下面，还需要我回到 repo 把那条 issue 手动挪到对应的文章，几乎不可用。

### 新版：giscus 搭配 GitHub Discussions

这次改版的时候觉得用户体验比“老子可以手搓评论区代码”的自我满足更重要，直接换用了 utterance。评论区在博客页面就提供了编辑区，新版本第一次上线不久就有朋友留言，说明这个评论区还是很好用的。

后来GitHub推出了 Discussion 功能，每一条 discussion 下方可以有不同评论，评论下面可以有针对的回复，这就和一般的评论区和BBS 的“楼层-单元”同构了。

然后又在阮一峰老师的博客看到了 [giscus，](https://giscus.app/)就是在 Discussions 架构下和 [utterance](https://utteranc.es/) 类似的一个工具，只需要在官网按照流程配置，然后把生成的几行代码嵌入到自己的页面里就好了，比原来方便太多了：

```html
<script src="https://giscus.app/client.js"
        data-repo="[ENTER REPO HERE]"
        data-repo-id="[ENTER REPO ID HERE]"
        data-category="[ENTER CATEGORY NAME HERE]"
        data-category-id="[ENTER CATEGORY ID HERE]"
        data-mapping="pathname"
        data-reactions-enabled="1"
        data-emit-metadata="0"
        data-theme="light"
        data-lang="en"
        crossorigin="anonymous"
        async>
</script>
```

之前 utterance 创建的评论也可以直接从 Issue 移动到 Discussion 板块，所以刚刚那条评论可以正常显示。但是因为换了新的 repo，旧版本的两条评论就移植不过来了，请萌狼和 HK 兄弟包涵。 

## 旧版特有功能：侧边栏注记、正文图片

早就想给博客改版了，一直拖着不办的原因主要是直接把博文复制粘贴到新模板的 `/_posts` 文件夹之后会报错，不知道排错需要多长时间，于是压根就不动手了。因为旧版通过 jekyll 实现了一些正常 markdown 文档没有的功能，我用到的主要就是侧边栏的边注 `sidenote`，以及在正文内部插入图片的 `maincolumn`。

jekyll 是建立在 ruby on rail 上的一个软件，所以这些功能也是用 ruby 语言写成的。本以为会很难，结果认真一看，其实根本没什么工作量，就直接把旧模板的 `/_plugins`文件夹复制到新模板就不再报错了，当然显示效果需要调整 CSS，下一节会讲到。`{% raw %}{% sidenote %}{% endraw %}` 就可以继续用了。

 至于正文图片，这个功能和 markdown 已有的图片功能重复了，我觉得不值得为了一点点显示效果牺牲可移植性，于是直接把相关组件删除了，然后把博客文章中用到的地方换成了 markdown 插入图片的语法，重复性体力劳动，不提了。

## 调整 CSS

### 新建 `.paper` 取代 `.cover`

![](/photos/2021-12-06-material-card-cover.png)

这个模板主打的一个内容卡片如图所示，很漂亮，但是整个元素的宽度是由封面图片 `.cover` 决定的：

```css
@media (min-width: 1600px) {
    .scroll-1 {
        width: 1200px;
        margin-left: -600px;
    }
    .scroll-1 .card .cover {
        width: 1200px;
    }
}
```

而我的很多博文都是纯文字的，直接不添加图片会有大半个卡片没什么内容，去掉图片区域之后整个卡片的宽度会缩水到文字的最大宽度，丑。解决方法是新建了一个新的类 `.paper`，把 `.cover` 中和宽度相关的设置移动到新的类，然后把新类应用在整个卡片的 `<div />` 上。

```css
@media (min-width: 1600px) {
    .scroll-1 {
        width: 1200px;
        margin-left: -600px;
    }
    .paper {width: 1065px;}
    /* .sidenote {width: 300px;} */
}
```

### 考虑侧边栏的页面宽度响应式布局

响应式布局指的是同一个网页，在不同的终端设备上都又能够有适合的视觉效果，主要方法就是根据不同的屏幕宽度设定某些元素的不同取值：

```css
@media (min-width: 1600px) { /* ... */ }
@media (max-width: 1600px) { /* ... */ }
@media (max-width: 1200px) { /* ... */ }
@media (min-width: 768px) and (max-width: 979px) { /* ... */ }
```

具体到这个博客：

- 屏宽大于一个很大的值之后，博客正文和侧边栏的宽度固定，不再增加；
- 屏幕小于这个值，但是大于能够正常显示侧边栏的宽度时，博客正文和侧边栏都占据给定的百分比；
- 屏幕小于能够正常显示侧边栏的宽度时，侧边栏不再显示，正文宽度固定在之前最小的像素值；
- 正文像素数占据屏幕全部宽度之后，宽度设定为 100%。

## 复习 Liquid，重写非博文页面

非博文页面和之前的布局基本上相同，除了 `/Topics` 从一个无序号列表变成了响应式的两个竖栏。这是得益于模板引用的 `materialize.css`采用了 [flexible grid](https://materializecss.com/grid.html)。

具体来说，一个`container` 可以动态调整内部元素的占宽，以适应不同大小的设备，包含两级子元素，两级子元素顾名思义，分别显示为行和列的元素：

```html
<div class="container">
	<div class="row">
		<div class="col s12 m6 l4"></div>
		<div class="col s12 m6 l4"></div>
	</div>
</div>
```

然后将父元素的宽度分成 12 个基本单位，方便指定某一个元素所占的宽度和高度。比如 `class = "col s12 m6 l4"` 表示该元素在小设备 (small) 上占据 12/12=100% 屏宽，在中设备 (medium) 上占据 6/12 = 50% 屏宽，在大设备 (large) 上占据 4/12=1/3 屏宽。 

### Liquid

Jekyll 本身的编程语言是 Ruby，但是被 Jekyll 编译之前的网页文档中的特殊标记，是一种叫做 Liquid 的领域专用语言。

一般的命令和控制流结构用 `{% raw %}{% %}{% endraw %}` 括起来 

```html
 for i in (1..len1) %}
	 assign idx = i | times: 2 | minus:2 %}
   assign cate = category[idx] %}
 endfor %}
```

直接在网页中显示内容和变量使用 `{% raw %}{{  }}{% endraw %}`

```html
post.title }}
```

函数调用的语法最奇葩，是 `input | function` 或者 `input | function: parameter`：

```html
assign category = site.data.category %}
assign length = category | size %}
assign   len1 = length | plus: 1 | divided_by: 2 %}
assign   len2 = length | divided_by: 2 %}
```

## 调整博文元信息

每篇博文的开头两道分割线之间的 YAML 是绑定在页面上的变量，可以被 Liquid 引用 `{% raw %}{{ post.VAR_NAME }}{% endraw %}`。

```yaml
---
layout:  post
title:   .html | 翻译：为什么说物理不是一门学科
keywords: html
excerpt: 一篇稍微硬核的科普文章，讨论物理在生物学当中的可用性。
date:    2019-06-19
categories: post
milestoneID: 5
---
```

新版本简化了很多，删掉了没有用的 `date`, `categories`, `milestoneID` 字段，同时把 `keywords` 变成了一个数组，也就是说同一篇文章可能出现在多个 `/Topics` 页面的卡片中。

```yaml
---
layout:  post
title:   .en | 翻译：为什么说物理不是一门学科
keywords: [html,inter]
excerpt: 一篇稍微硬核的科普文章，讨论物理在生物学当中的可用性。
---
```

## 下一步计划

- 进一步优化排版:
    - 给博文的标题添加视觉效果，现在的一二级标题之间很难区分。
    - 超链接的样式不够明显，一眼看不出哪里有链接。
    - 侧边注距离正文的距离不合适，CSS 相关参数的效果很奇怪。
    - 现在的 /Links 页面在宽度缩小之后用户头像会和介绍卡片挤到一起去。
    - 网站整体字号在笔记本上比较合适，在台式机上看起来太大了，移动端更大。
- 加入 google analytics
- 欢迎大家提建议。
- 欢迎有独立博客的朋友互相链接。
- ~~本期博文点赞过 5 亿，下篇文章写用 jekyll 在 GitHub Pages 上搭建静态博客的教程。~~



.md | 博客外观现代化升级



## 一

4月初的时候，系秘书转发了一封邮件，耶鲁和斯坦福有两个关于量子计算的学生社团，打算举办为期一周的[线上训练营](https://www.quantumcoalition.io/)，然后在周末举办一个24小时的编程马拉松 ([hackathon](https://en.wikipedia.org/wiki/Hackathon)) 的活动。只要年满18岁就可以参加，并不限定本科生。

整个活动由几家从事量子计算的科技公司赞助，前面的线上训练营基本就是各家轮流上来介绍一下自己家的量子计算平台的使用方法，最后的编程马拉松也由他们每家出一套题，所以这个活动也有在学生和公司之间搭桥，给参与者争取实习机会的目的在里面。参与者可以自由组队，但是在项目提交的的时候每个人只能属于一支队伍。虽然参与者可以参加任意数量的题目，但是每一名参与者最终只能成为一家公司的优胜者。如果预感到自己在某一个项目的赢面比较大，可以在提交之前通知自己参加的其他队伍把自己除名。24小时的时间限制还是比较紧迫的，所以基本上认准一家答题就可以了。

女朋友也收到了一样的邮件，所以理所当然地一起组队。我之前在本科阶段上过一门一学期的量子信息和量子通信课程，内容约等于在量子力学之后再上一个学期的习题课，以及在不讲群论的情况下应用 SU(2) 群，并没有接触过这个活动中会用到的编程语言。女朋友没有上过这门课，基本就是物理专业普通研究生的量子力学水平。周中的线上训练营，我只参加了第一天的，是 Microsoft 的 Quantum Development Kit (QDK) 和 Q# 编程语言相关的，顺便介绍了一下量子计算中很有名的 Deutsch 算法。剩下的讲座我基本上都没有参加，一方面是知道前面的规则之后就懒下来了，另一方面是实验室的工作仍然需要继续，再有就是线上活动实在是太容易摸鱼了没有效率。周五的晚上，女朋友看了一晚上我的量子信息笔记，我看了看 Q# 的语法规则，在台式机上安装了开发环境。以上就是我们参加编程马拉松之前的基础和准备。


## 二

Hackathon 美东时间周六上午10点开始，周日上午10点结束。因为我们只看了 Microsoft 相关的内容，所以直奔[相关题目](https://github.com/quantumcoalition/qchack-microsoft-challenge)。

题目一共分为两部分。

第一部分一共四道题，就像是一般的计算机课程的作业一样，参赛者只需要在举办方写好的主程序文件里的指定区域填入代码，然后运行主办方写好的测试文件检查结果，测试通过即可得分。四道题目要求如下：

1. 判断一个3-5位的2进制数能否被4整除。
2. 判断一个3比特位当中是否至少有两位不同。
3. 同第2题，但是要求量子比特门最多只能使用 3-比特，而且 3-比特门最多使用一次。
4. 给定一个有两种颜色的无向图，判断图当中不含有任何单一颜色的三角形。

第二部分内容比较自由，要求用 Grover's 算法解决一个自己感兴趣的问题，打哪指哪，然后写一篇文章介绍自己的这个项目，并提交相关的代码。根据问题深度(6分)、工具使用(5分)、创新性(4分)、教育价值(5分) 四方面进行评分。


## 三

### I.1.

第一道题最简单，但是我们当时约等于0基础，所以做起来也颇费了一些时间。不过由于我听过第一天的课，知道 `oracle` 在 Q# 编程语言中是一个很重要的概念，所以在题目给出的参考教程 [Quantum Kantas](https://github.com/Microsoft/QuantumKatas/) 里找到了[oracle 相关的教程](https://github.com/microsoft/QuantumKatas/tree/main/tutorials/Oracles)。里面有个名为 `ControlledOnBitString` 的 function，可以根据一串量子比特的取值是否等于一个特定的二值串而对另外一个比特做一个特定的操作。前一天晚上又知道了 `Microsoft.Quantum.Convert` 的 namespace 里有各种数据类型转换的函数，搭配 `IntAsBoolArray`，就做出了第一题的初版。后来看到了更简单的 `ControlledOnInt` 函数，就直接用上了。

### I.2.

第二题的初版是女朋友做的。题目要求是找出是否至少两位不同，这一判断的否定就是三位比特全部相同，所以同样用 `ControlledOnBitString` 函数，然后判断一次全 `true` 一次全 `false`，再把最终结果取反就可以了。但是在做第三题的时候，因为两个题目长得太像了，中间不小心把一个能通过第二题测试但是通不过第三题测试的答案直接覆盖在了第二题上面，懒的改回去了，于是就成了最后提交的版本。

### I.3.

第三题和第二题非常不同。第二题的解决思路中，判断全 `true` 和全 `false`有3个控制位1个输出位，这里用了两次 4-量子比特门，所以第三问需要全新的思路。另外我曾经试过在一个 `operation` 里申请一个新的 `Qubit()` 结果测试报错，因为误解了报错信息，所以误认为除了程序的主 operation 之外不能创建新的 qubit，于是被卡住了。这时候已经来到了下午，实在想不出来又很困，于是去床上躺了一会。半睡半醒之间想到，题目虽然要求输入的量子比特不变，但是我们仍然可以直接改动输入，只要在函数结束之前把对输入的改动全部复原就可以了。于是用 CNOT 门分别作用在 1-2, 1-3 对输入的量子比特上，两个门分别以第2、3号比特为输出。然后用一个 3-bit 门判断2、3号比特是否相同，并输出到结果位上。为了复原第2、3号比特，只需要把 CNOT 在两对比特上分别再用一次就行了。

但是这个结果还是无法通过测试（后来成为了第二题的提交版本），报错的提示信息是使用了超过一次 3-量子比特门——这不是开玩笑吗？于是打开了官方提供的测试文件，发现测试代码计算 3-量子比特门的使用次数的时候，会把用户定义的 3-量子比特门的数量，和 `CCNOT` 门的数量做加法，于是看文档，我们定义的那个 “用一个 3-bit 门判断2、3号比特是否相同，并输出到结果位上” 的操作和 `CCNOT` 门是等价的，于是直接换用 `CCNOT` 门，问题解决。

### I.4.

第四题看起来复杂，但是可以分成三个部分：

1. 找出图中所有的三角形，确定每个三角形的三条边，这一步完全可以用经典算法完成；
2. 创建一个和三角形相同数量的量子比特数列，对每个三角形，把三条边直接带入第二/三题的操作里，结果输入创建的量子比特列中；
3. 判断量子比特列是否全为 `true`，结果输出到整个程序的结果位上。

第一步由女朋友来想我来写（毕竟只有一台电脑有开发环境），难点在于：

1. Q# 语法改变数列值的语法十分难受
    <br>`mutable points = [-1,-1,-1,-1,-1,-1];`
    <br>`set points w/=0..1 <- [0,1];`；
2. 作为一种强类型语言对元组和数列的区分让我这个 python 选手十分蛋疼
    <br>`(Int,Int)`/`Int[]`；
3. 求数列中不重复的值居然不排序不能给出正确结果。
    <br>`let uniquePoints = Arrays.Unique(EqualI,Arrays.Sorted(LessThanI,points));`

这也是唯一一段用上了 `Message()` 函数来 debug 的部分。

第三步就重新回到了第三题暂时敷衍掉的问题：对于在操作中创建的 `Qubit()`/`Qubit[]`，`Reset()`/`ResetAll()` 函数相当于测量，会破坏操作的 adjoint 性质，不测量则（当时的我）没有办法将这个量子比特列复原。

此时已经午夜，我来解决这个问题，女朋友去看第二部分，后来她看完 Grover‘s 算法的教程去睡了，我还在想这个问题。直接把报错信息复制到 Google，找到了一个[论坛里的问答]()，好像是去年微软在其他地方举办的类似活动的。里面只是提到要“uncompute the qubits”，给出的例子用的是旧版本 Q# 的语法，~~没法直接抄~~ 。最终不抱希望地把之前对那个 `Qubit[]` 做过的循环顺序倒过来重做了一遍，诶，您猜怎么着，还是没通过！绝望了！正序重做一边，诶，通过了！为什么为什么为什么？到现在也没弄清楚。

### II.

然后把女朋友叫醒，让她来讲一讲 Grover's 算法。听完之后我的理解是，对于一个 $$f:(0,1)^N \rarr (0,1)$$ 的函数，这个算法可以大概率地找到一个解 $$S\in(0,1)^N$$ 满足 $$f(S)=1$$. 

至于这个函数 $$f$$，之前每一道题都是这样一个函数，当时已经夜里两三点了，实在是没时间再想一个新函数了，于是我们直接就拿复杂度最高的第4题来换个皮。换个什么皮呢？为了这个活动翘掉了这周的[《文明6》联机游戏](barrier-forward-keyboard-mouse-to-another-computer)，然后之前看 YouTuber ["PotatoMcWhiskey"](https://www.youtube.com/user/PotatoMcWhiskey)介绍过[一个 Mod](https://steamcommunity.com/sharedfiles/filedetails/?id=1753346735&searchtext=diplomacy)，里面可以将文明之间的外交关系可视化为无向图，所以，诶嘿嘿嘿……

女朋友写完文稿就睡了，我把文稿改了改，然后和官方对 Grover's 算法的实现缝合了一下。提交的时候，距离截止时间大约还有一个小时。


## 四

之后的周五的时候收到了消息，我们得奖了。优胜者一共6支队伍。从活动结束之后公布的结果看，要想成为优胜，第一部分的4道题必须全部正确，然后第二部分得分在 8-20 分之间。

这个成绩是个什么水平？截止到写这篇文章的此刻，官方题目的 Github 仓库有 80 份 fork，有少数几份 fork 是针对已有的 fork，有可能来自同一队伍，再考虑到可能有些队伍的不同成员分别 fork 了主项目，所以估测 60 支队伍应该是有的，官方给出 6 组优胜者这么一个不零不整的数字，个人猜测是取了前 10%？据主办方在 discord 提供的消息，有一支队伍的第二题成绩高于8分，但是前面没有全对，所以没有得奖；其余队伍的第二题都不超过6分；并不清楚有多少队伍第一题全对，主办方也不打算公布各队的详细成绩。

这大约说明活动的参与者，其成绩基本上符合二八原理——少数人得到的分数，占据了所有参赛者全部得分的大多数。

参加过这个活动之后，我们一下子就从量子计算小白摇身一变，成了优秀人才了？实际上，直到现在，我还是搞不太清楚 oracle 到底是个什么东西，女朋友对量子计算的理解估计比我还差（逃）。美国哲学教授约翰·希尔勒提出过一个叫做[“中文房间”](https://zh.wikipedia.org/wiki/%E4%B8%AD%E6%96%87%E6%88%BF%E9%97%B4)的思想实验，说一个只会说英语的人被关在一间满是汉字字块的房间里，不断从房间外收到写着中文问题的纸条。房间里有一本英文写成的手册，指示如何对输入的汉字进行回复。凭借这个手册，房中人可以在完全不会中文的情况下，与外界进行交流。希尔勒类比外人、房中人、手册，与程序员、计算机、计算机程序，认为房中人不会中文，进而论证计算机不可能通过程序来获得理解力。

希尔勒教授想论证啥是他的事，我倒是对这个类比的本体很感兴趣——如果一个人已经能够熟练运用那个英文写成的汉字使用手册了，我们还能不能，能在多大程度上说他不懂中文呢？就说一般的程序员，工作时间能保证不看 stack overflow 的有几个，所以他们都不会编程？反对中文房间思想实验结论的人，很多都支持用图灵测试超过某一阈值来作为有智能的标志，但是我觉得，智能本身就不是一个非有即无的性质，而是一个连续分布，没有上限的谱。

另一方面，得分名列前茅，和能力名列前茅，又是两回事。本科的时候做建模美赛，我们学校数理金融的一个学神前一年成绩“略有不佳”，没拿到 M 奖，于是我们那年找到了我和风神俩学物理的，准备再次冲击荣誉。巧了这一年的题目正好有一道浴缸放热水的问题，这不就是物理中的扩散方程嘛，那得奖还不是手拿把掐的？结果呢，H 奖，丢人丢到姥姥家去了。合着我们两个成绩还都不错的物理专业学生，在自己的专业里，打不过那么多同龄的非物理专业本科生？

两相对照之下，我想起了很久之前看过的一篇博客文章，文章以一个问题开头——“熟练”的反义词是什么？当然说“生疏”这文章就写不下去了，作者给出的答案是——“应变”。熟练意味着，你对于问题、选项、最优解已经有了充分且完备的了解，只需要重复自己的经验就可以了，但是在自己不了解的战场上，经验至少不能直接派上用场，这时候，脱离具体环境的应变能力就成了生存和取胜的关键，我们当时的专业水平高不成低不就，反而成了掣肘我们的桎梏。

读到这篇文章的时候，我被这种剑走偏锋的观点击中了，从那以后，一直都在注意培养自己的应变能力——如果明天我所研究的这个领域消失了，我还有没有谋生的能力？如果自己正在解决的问题被上帝或者 Matrix 作弊修改成一个新问题，我能不能看到连作弊都改动不了的题眼，然后一击命中？在凌晨两三点的时候，我也没有放弃解决第一题第 4 问的 Qubit 复位问题，虽然当时我并不知道评分标准，但是内心非常确定，这个问题必须解决。

以上两次活动的成绩差别，也可以从得奖难度来看。建模美赛的 M 奖，得奖率应该远小于 10%，即便考虑到二八原理中绝大多数参赛者都只是凑数，而且样本越大凑数者越多，这个差距也还是无法忽略。我们能够得奖，和量子计算领域才刚刚萌芽，连“方兴未艾”都算不上，因此竞争并不激烈也有很大关系，应变能力是切入这些蓝海领域的必要条件，是躲避内卷的利器。我们现在对“内卷”人人喊打，但是培养应变能力是需要牺牲相当多本可以精进专业的时间和精力的。当社会中的大多数人向往着逃离内卷的时候，真的不需要有人咬定一个领域不断深耕？我现在的选择真的正确吗？我不知道。我是打算留在当前的领域继续熟练，还是换个领域应变，抑或是虚掷 PhD 光阴换一张工作签证？我也不知道。

## 五

哦对了，我有女朋友了，而且在 hackathon 的过程中把女朋友惹哭了……问题是我现在已经不记得具体是怎么把人家惹哭的了，连道歉都显得很不诚恳……我确实是一个不擅长合作的人，或者说跟别人说话的我，和想问题的我并不是同一个人，之前本科 CUPT 和建模的时候也一样，需要和人打交道的时候就几乎干不了活儿，严重的时候自己就退化成了鼓励师……总之一切错误在我，希望她不要记仇…… <br>（。・＿・。）ﾉ


.qs | QC Hack 量子编程马拉松

## 为啥要用 `Barrier`

圣诞节前的周五，我们系在线上办了一个聚会。和学姐闲聊的时候，听说他们高年级的几个朋友每周一起联机玩《文明6》，于是一番理(卑)直(躬)气(屈)壮(膝)的要(恳)求之后，成功加入了组织，等到了 steam 的圣诞特惠（没错我一直没买 new frontier pass，我是云玩家），准备以物理学工作者的严谨态度，研究《文明6》诱导的基于回合的反常时间平移对称现象。

![](/photos/2020-12-22-livingroom.png)

我现在公寓房间的结构如图所示，前任房客走的急，把她的几乎全部家具低价甩卖给我了，四舍五入相当于白捡了一台大电视。电视用 HDMI 线连接电脑，当作第二显示器使用。躺在沙发上，看着大屏幕，玩着文明6，[运用自如](https://www.bilibili.com/video/BV1g441187zq)的话说——“那岂不是非！常！爽！”

所以说，我的要求是：

- 在笔记本和台式机处于同一 Wifi 的情况下——
- 笔记本电脑和台式机之间不需要任何数据线连接
- 使用 Linux 笔记本上的触控板、鼠标和键盘
- 控制 Windows 台式机
- 正常运行和操作《文明6》，不会因为延迟卡顿被人喷（卡顿是不存在的，只可能掉线lol）

一番搜索之后，锁定了 `Barrier` 这款软件。它可以设定一个 server 和多个 client，用 server 的输入设备控制各个 client。切换方法也很方便，只要提前约定好各个设备的“相对位置”，当 server 的鼠标光标跨过 server 屏幕的边角处，就开始控制对应方向上的设备。（具体可以查看下一节。）

之所以选择它，主要原因如下：

- [开源软件](https://github.com/debauchee/barrier)，堂堂正正地不用花钱。（我知道开源软件≠免费软件，但是……）
- 目前依然有人维护，GutHub 上还有上百个 open issues，当然 closed issues 更多，有问题可以查，提问也有人回答。
- 跨平台，Windows 和 Linux 都能用。主流 Linux 发行版都可以在仓库里找到，也可以通过 snap 安装。

## 如何配置 `Barrier`

### 下载和安装：

因为我的发行版是 Fedora，在笔记本的 terminal 上任选一句运行：

```shell

sudo dnf install barrier
sudo snap install barrier
```

台式机是 Windows 10，在GitHub 项目（[链接在此](https://github.com/debauchee/barrier/releases)）里找到最新一期的发布版本，找到 `.exe` 结尾的文件（可以用浏览器的页内搜索），下载，双击下载后的文件安装。

### 配置 server （笔记本电脑）：

首先要确定 linux 的桌面环境是基于 xorg 的，当前版本的 GNOME 默认使用的是 Wayland，所以需要 log out 之后重新选择带有 xorg 字样的环境，如下图：

![](/photos/2020-12-22-gnome-environments-new.png)

安装完成之后，在 app 界面（`Win`+`A`）应该可以找到 barrier 的图标，单击即运行。一般来说之后会有相当长一段时间电脑没有反应，这个时候 **千万不要重复点击图标**，会导致无法连接。

![](/photos/2020-12-22-barrier_linux_desktop.png)

之后会看到软件的主界面，选中图中所示的选项：

![](/photos/2020-12-22-barrier_linux_start.png)

然后单击 `configure server` 按钮，进入下图的界面，拖动右上角的电脑屏幕图标，拖到中间屏幕周围的任意一格。我选了右边一格，因为这样在笔记本上向右滑鼠标会进入台式机的显示器，从显示器右边框向右会进入电视，一路反过来就回到了笔记本屏幕，操作比较自然。

![](/photos/2020-12-22-barrier_linux_config.png)

双击图标后会弹出一个新窗口，在最上面的 "screen name" 栏填入 client 上显示的本机名称，现在我们还没有配置 client，所以需要等到配置完之后回来填写。

![](/photos/2020-12-22-barrier_linux_naming.png)

注意主窗口的左下角，如果不是 “barrier is running” 的话，需要点击右下方的 reload，还是不行的话就要准备 debug 了。

### 配置 client （台式机）：

安装完成之后，应该能在开始菜单里找到 barrier 的图标，点击运行，应该会看到和笔记本上面差不多的界面。

![](/photos/2020-12-22-barrier_windows_main.png)

选择图中的选项，填入笔记本窗口中显示的本机 IP 地址，选中 `auto config` 选项，然后点击右下方的 `start`，然后窗口左下角同样应该有 "barrier is running" 字样。点击菜单栏里的  -> `show log` 打开日志，应该可以看到下图里的 "connected to server" 字样。

![](/photos/2020-12-22-barrier_windows_log.png)

### 几个雷点：

- Fedora 的显示管理器默认并不使用 xorg，需要专门切换。
- Linux 上启动较慢，如果不耐烦多点了几次，可能会重复打开多个实例，造成端口被占用，无法使用。
    + 诊断方法：打开 log 界面，会发现 "ERROR: cannot listen for clients: cannot bind address: Address already in use"  字样。
    + 解决方法：杀掉多余的进程，不会杀的话就重启电脑吧。
- server 和各个 client 对是否使用 SSL 的选择必须是一致的。
- 官方没有按步骤来的配置说明，这么多雷点，我居然看到好几篇博客都在夸 barrier 的界面多么通俗易懂，简直了。 

## `Barrier` 之外的其他方案

- `synergy`：成熟的商业软件，好像要花钱。
- `Microsoft Garage Mouse without Borders`：要求所有设备都使用 Windows 系统，不适用于我的笔记本电脑
- `usbip`：来自 farseerfc 大神的[这篇博文](https://farseerfc.me/zhs/usbip-forward-raspberrypi.html)，原文说“设置好的话，就像是一台 PC 多了几个位于树莓派上的 USB 端口，插上树莓派的 USB 设备统统作为 PC 的设备”。
    + 和 `Barrier` 相比，配置的步骤更繁琐；
    + 好像一次只能控制一台设备（不太懂，如果转发给多个设备的话可能会一起执行相同的操作？）；
    + 好像也不适用于非 USB 接口的设备，比如笔记本的原生键盘和触屏笔；
    + 一旦运行起来，server 的鼠标就不再能够控制自己，所以原文使用了几乎注定吃灰的树莓派，相当于给键盘加了个广播天线。

.md | 扫盲Barrier，用笔记本键鼠无线控制台式机


前两天看果壳，推送的头条是《古代雕塑的丁丁真的都（像大卫）那么小吗？》，为了立论，作者根据图片测量了大卫像的丁丁长度，虽不十分精确，但是好歹有个定量的结果——“4厘米不到”，还给出了使用的工具——ImageJ。

![](/photos/2020-04-25_guokr-quote.png)

怎么做到的，咱也来试试？

## `ImageJ` 是啥？

上一篇文章（[《“你这是不是原图直出啊？”》](raw-image-or-not)）我们提到了，专业相机可以记录 RAW 格式的图片，这类图片包含的信息比平时常见的图片更多，也需要专门的软件进行处理。不只是消费者水平的相机，实验室里的显微镜、CT机都可以看作是特殊的照相机，它们产生的图像自然也需要专业的软件来读取和处理。

ImageJ 就是这样一款软件。相比于直接使用编程语言（比如 MATLAB，python 的 scikit-image 模块），它提供的方框、多边形、椭圆选区工具，直接用编程语言来替代的话要麻烦许多；而且各种操作的结果都可以几乎实时地反馈在画面上，不需要一遍又一遍地 `imshow()`。

ImageJ 用 Java 写成，所以跨平台的表现一致，~~用户界面有一股浓郁的 Windows 95 风味，而且在 MacOS 上也一样，Windows 用户幸灾乐祸中~~。代码开源在 GitHub，免费，能让用户知道自己的每个操作究竟在干啥，而且可以自己开发拓展功能，打包成第三方的发行版。我们今天要用的 Fiji，就是一个集成了很多常见拓展功能的 ImageJ 发行版。

## 具体怎么量？

先简单列举一下步骤，详细介绍在后面：

- 下载大卫像的正面照。
- 运行 `ImageJ`，打开图片。
- 复制图片，防止我们的操作改变原始数据。
- 用矩形选择框选定大卫像从头到脚的区域，记录选择框的高度。
- 用 `Analyze -> Set Scale` 工具确定像素和厘米的换算关系。
- 用直线工具画出要测量的距离，从主面板读取长度。
- 用 `Analyze -> Tools -> Scale Bar...` 绘制比例尺。

如果你看到这么简略的介绍就能脑补出如何操作，那么就可以 ~~（关掉这篇文章）~~ 跳过下面的详细介绍了。

我们使用的照片来自维基百科的“大卫像”汉语词条，图片作者是 Jörg Bittner Unna，根据 CC-BY-3.0 协议共享。我们下载的是中等尺寸（480×720）的图片：

![](/photos/2020-04-25-david.jpg)

鼠标右键单击画中的任意一点，在弹出的菜单中选择 `Duplicate`，在对话框中选确定，这样我们就得到一张原图的副本。之后的所有操作都在这个副本上进行，这样即便有任何操作失误，对副本做出了不可逆转的伤害，都不会影响到我们的原始数据。如果数据的安全和完整得不到保证，无意之失叫做学术错误，有意为之叫做学术造假。

选择工具栏中的矩形选择框（图中主面板左一的阴影按钮），在图中画出一个矩形，上下边分别是大卫像的头顶和脚底，**画完后鼠标不要乱动**，然后在主面板的底部读出高度 `h=595`，此处的单位是像素：

![](/photos/2020-04-25_find-height.png)

点击主面板的 `Analyze` 按钮，在下拉菜单中找到 `Set Scale`，在弹出的对话框中，`Distance in pixels` 填入我们读出的 595 像素，`Known distance` 和 `Unit of length` 填入作者假设的 150 cm：

![](/photos/2020-04-25_set-scale.png)

然后就可以开始正式的测量了。再次使用矩形选择工具，**画完后鼠标不要乱动**，主面板底端的 `length=20.93` 就是以 cm 为单位的距离了：

![](/photos/2020-04-25_measure-head.png)

丁丁可以选中直线工具（左起第五个），用鼠标拖拽的方法画线，主面版的底端也会显示结果。

量完之后，要想方便他人，可以在图上画出比例尺。再次点击主面板的 `Analyze` 按钮，在下拉菜单中找到 `Tools`，然后找到 `Set Scale`，在弹出的对话框里选择合适的选项，然后点击确定，就可以在画面中添加一个比例尺：

![](/photos/2020-04-25_menu-scale-bar.png)

如果对操作满意的话，就可以保存图片了。~~（我对这个结果不满意，所以直接没有保存就退出了。）~~ 原图没有改动，可以直接关闭，软件应该也不会发表反对 ~~（通知书）~~ 对话框。

## 量出来个几？

我们的截图显示，按照 150 厘米的身高，大卫的头颅对应的长度是 20.92 厘米。

对于丁丁，由于图片中的阴影部分对起止点的认定有很大的干扰作用，几次测量的结果都不相同，最小值是 3.91 厘米，最大值是 4.45 厘米。

## 这么量对吗？

我们的结果和原文有一定不同，但处于同一数量级 ~~（废话）~~。由于原文并没有介绍自己使用的数据来源，原文中的图片本身并不适合测量这个数据（下面会讨论），而且还给关键区域加了遮挡，所以我们无从比较两个结果的差异。

对于我们自己的测量，我们可以对如下几个误差来源进行讨论：

- 相机视差
- 深度误差
- 关于大卫身高的假设

### 相机视差

我们在几何光学里学的相机成的是倒立的实像，物高和像高之间的关系按照牛顿公式取决于物距、像距、透镜的焦距等等知识，都用到了“傍轴条件”这一假设。换句话说，考虑的都是理想状态，要想满足这种理想状态，基本相当于要求镜片的直径无限大，厚度无限小，焦距还可以是任意值。

我们的相机显然不满足这种理想状态（简单证明，理想状态下大卫像和后面的墙壁显然不可能同时被同一个透镜组严格地在同一个平面上成像）。景深范围内，不同深度的物体都可以在图中成像，但是存在着透视关系。同样长度的物体，在不同的深度下，在图片上的成像的长度不同；在画面中央的长度，和在画面边缘时的成像长度也不同。B 站里的摄影师们拍小姐姐的时候，脸尽量靠近画面中间，腿一般出现在画面边缘，就是利用广角镜头的透视效应。

我们的照片目测是用中长焦镜头拍摄的，透视变形不是很明显，但是在测量雕像身高的时候还是遇到了困难，我们用的是脚尖到头顶的距离，如果取脚的中间的话结果就会短一些。

### 深度误差

我们的照片是二维的，所以之前的测量，相当于假设被测距离的起点和终点在同一深度上。如果两点之间有一个深度差，那么测量线、深度差、实际距离三条线会构成一个直角三角形，实际距离需要按照勾股定理进行计算。我们这里得不到深度差，所以这一误差就成了一个系统误差，而且是有偏 (biased) 的，真实结果不小于测量值。

我们选取的照片几乎平视着整座雕像，尤其是我们比较关注的部位，所以深度差几乎可以忽略；果壳提供的图片是仰视的，所以如果这就是测量所用的照片的话，误差应该比我们更大。当然了，还是由于作者没有公布数据和方法，以及原文中图片有马赛克，这种比较没有意义。

### 关于大卫身高的假设

开头的文章截图已经给出了将大卫像对应的身高定为 150 cm 的理由，我们来看一下，这个理由成立吗？

文中说“这相当于现代12岁男童的平均身高”，但是米开朗基罗真的是以 12 岁的人体为原型来创作的吗？我们为什么量了一下大卫的头高呢？是为了算头身比。大卫像头身比是 1:7.5，这已经几乎是一个成年人的比例了。艺术作品为了凸显对象的某些特点和气质，某些特点不符合原型的设定，这在艺术上是完全可能而且可以接受的。《红楼梦》书中的绣像，后来的电视剧中演员的服化道，几乎都比原书的年龄设定更成熟。

像是某一器官的大小，其衡量标准应该是相对于某个基准的（比如体长）的比值，也就是一个无量纲的量。像是4厘米这种带有长度量纲的量，虽然的确是能比一个比例更容易让人有直观的感受，但是结论很容易因为对身高的质疑而动摇。

最后，我觉得最致命的一个问题是，大卫像其实是文艺复兴时期的作品，和罗马仿希腊的艺术品一样，是一个其他文明模仿希腊的产物，而且模仿的过程中融入了很多近代人文主义的精神。这一题材也并非来自于希腊文化，大卫击杀歌利亚是犹太教-基督教文化中的故事。在这种情况下，作者应该额外论证文艺复兴对丁丁的描写照搬了希腊文化的习俗。既然如此，为什么不直接找一个古希腊时期的古希腊作品呢？

而且原文中有“你也许会说大卫像也许只是一个个例，万一只是米开朗基罗的恶趣味呢？一个例子不能说明古希腊雕塑里的小丁丁都很小”字样，不好意思，米开朗琪罗的作品不是古希腊雕塑的“一个例子”。

## 课后作业

![](/photos/2020-04-25_horseman.jpg)

上图是法国画家雅克-路易·大卫的作品《跨越阿尔卑斯山圣伯纳隘道的拿破仑》，请根据该作品完成下列题目：

1. 请寻找资料估测马的体长，并据此估测拿破仑的身高。
2. 请寻找拿破仑身高相关的史料，并据此估测马的体长。
3. 比较前两题的结果。

啥？你说拿破仑当时骑的是一头驴？哦，那没事了，下课！


.ijm | 用 ImageJ 给大卫量尺寸


> 这是一篇速记，相当于实验的原始记录。日后有可能根据这些记录，整理出一些心得体会，或者全流程的教程。

第四代树莓派（[Raspberry Pi 4](https://www.raspberrypi.org/products/raspberry-pi-4-model-b/)）刚刚推出的时候，脑子一热买了一台。作为一台计算机，只用原装的操作系统有点咸鱼了，所以打算安装 Linux 的一款发行版。既然要追求刺激，那就贯彻到底咯，于是就决定挑战一下 Arch Linux。 ~~（反正早晚也要吃灰）~~

既然要挑战一个很有挑战性的操作系统，那么先在虚拟机里试试水就很有必要了。（后来才发现用这个虚拟机往树莓派里写操作系统，也是官方比较推荐的一种安装方式。）于是就开始了这篇速记中的一系列折腾。

## 我的硬件和软件配置

* **硬件**：蓝厂 CPU、绿厂显卡、2*8 GiB 内存、小 SSD + 大 HDD 硬盘、iTX 主板，机龄不到两年，日常可以流畅使用。
* **物理机操作系统**：Windows 10 Pro
* **虚拟机控制软件**：VirtualBox 6.10，短暂用过 5.12 版本
* **虚拟机镜像文件**：Arch Linux 2019.08.01, Windows 10, Fedora 30 Workstation

## 虚拟机托管软件 VirtualBox

可以看一下编程随想的博客里的 [系列文章](https://program-think.blogspot.com/2012/10/system-vm-0.html)。

我的手头一直有虚拟机托管软件，但是没有编程随想那样的需求，平时几乎用不到。（用虚拟机学 Linux？你可拉倒吧）不过之前很轻松地装过一些 Linux 的发行版，主要是 Fedora，所以没觉得这部分会有什么问题，直接开始了主线任务：下载 Arch Linux 的安装 ISO 镜像、检查校验和（FCIV，教程可以看 [这里](https://program-think.blogspot.com/2013/02/file-integrity-check.html)）、按照官网 [安装指南](https://wiki.archlinux.org/index.php/Installation_guide)（[中文](https://wiki.archlinux.org/index.php/Installation_guide_(%E7%AE%80%E4%BD%93%E4%B8%AD%E6%96%87))）操作，然后发现虚拟机连不上网 :-(

### 问题：虚拟机无法通过 NAT 或 NAT Network 模式联网

具体表现为 `ping www.google.com` 报错：

``` bash
> ping archlinux.org
# Temporary failure in name resolution
```

此时的网络设置没有修改过，就是几乎没有可选参数的 NAT 模式。

第一反应当然是把报错的信息直接复制粘贴到 Google 里，然后看到了 [这个帖子](https://bbs.archlinux.org/viewtopic.php?id=237461)。

回答用一种很有礼貌的方式表述了 RTFM，并给出了官方的 [Network Configuration 页面](https://wiki.archlinux.org/index.php/Network_configuration)。

按照这个页面的步骤，因为我的 ISP 给的是动态的 IP，需要用DHCP，DHCP 是啥我都不知道，搞得我跪着下载了编程随想书单里的《Richard Stevens TCP-IP 详解》，解压后看着 3 卷一百多个 PDF 文件，默默关上了资源管理器……

继续变换关键词搜索解决方案，在这期间改动过防火墙设置，又重置了一次；重装了两次旧版本 VirtualBox，因为第一次重装忘记删除配置信息（Windows 10 Pro 在 `%userprofile%\.virtualbox`，见[这个帖子](https://superuser.com/a/1429931)）；另外装了 Windows 10 和 Fedora 30 两个虚拟机；找来一个玩过 VirtualBox 而且打包票能解决问题的同学。确定了和虚拟机中的操作系统无关，VirtualBox 的 Bridge 桥接模式是可以联网的，但是总不能放任虚拟机的重要联网功能残废着啊 ~~（何况 NAT 模式在多重代理中不可或缺）~~，还是一筹莫展。

就在折腾了这么几天之后，Windows 推送了一次更新，神奇的一幕发生了！更新之后，不论是 NAT 还是 NAT Network 模式，虚拟机都能正常上网，所以，可能真的是“天下本无事，庸人自扰之”吧……

**解决方法：~~吃饭睡觉打豆豆~~**

## 安装 Arch Linux

继续按照官方指南进行安装，不得不说这份指南写的真的不好，至少对于新手是不友好的。一个典型的例子就是下面这句：

> 你需要安装 Linux 引导程序以在安装后启动系统，你可以使用的的引导程序在 [启动加载器]() 中，请选择一个并且安装并配置它，比如 [GRUB]()。

你该怎么办？公布一下正确答案：点击 `GRUB` 那个链接，在一众分类中找到适用于你的计算机配置的那一节，目力忽略各种介绍，找到那一两行有用的命令。ε=( o｀ω′)ノ

反正单看这一句，以我的理解能力，我是没办法正常通关，于是就有了下面硬盘格式化的问题。

### 问题：硬盘格式化不正确

我是用 fdisk 进行的硬盘分区，在正常模式之下似乎找不到选择分区类型的选项，所以我的 EFI 分区也被当作了 Linux 文件系统，所以在很多个步骤之后报错，具体的报错信息已经不记得了。

还好在编程随想的博客的评论区里见到过萌狼，一个 Arch Linux 用户，顺手去他家的博客逛了逛，知道他写过一系列关于 Arch 的博客。所以找到了《给 GNU/Linux 萌新的 Arch Linux 安装指南》，于是直接重建了一个空白虚拟机，按照新教程的流程走了一遍。

**解决方法：看[萌狼的安装教程](https://blog.yoitsu.moe/arch-linux/installing_arch_linux_for_complete_newbies.html)，用 cgdisk 分区**

### 问题：开机后显示 UEFI interactive shell

本以为万事大吉，结果卸载掉安装 ISO 之后开机，总是会进入 UEFI interactive shell。输入 `exit` 之后重新开始倒计时，然后再次进入这个 shell……

就在写这篇速记的时候，我找到了官方 wiki 的 [这个条目](https://wiki.archlinux.org/index.php/GRUB_(%E7%AE%80%E4%BD%93%E4%B8%AD%E6%96%87)#%E5%90%AF%E5%8A%A8%E6%97%B6%E8%BF%9B%E5%85%A5%E4%BA%86%E6%95%91%E6%80%A5%E6%8E%A7%E5%88%B6%E5%8F%B0)，理论上应该是针对这个问题的，但是看一下就知道，并没有提供可操作的解决方案。

通过 STFW，找到了这篇文章：《[如何在 VirtualBox 内安装 Arch Linux](https://cli.ee/archlinux-virtualbox)》，里面提到这个问题是由 VirtualBox 的 UEFI 引起的，同时提供了解决方法：

```bash

Shell> bcfg boot dump -v              # 查看启动的菜单
Shell> bcfg boot rm 0                 # 删除光驱启动目录
Shell> fs0:                           # 进入 EFI 分区
FS0:\> ls                             # 查看目录，可以看到 EFI 目录
FS0:\> mkdir EFI\boot                 # 在 EFI 目录下创建子目录
FS0:\> ls EFI                         # 查看 EFI 目录，确认是否已创建子目录 boot
FS0:\> cp EFI\grub\grubx64.efi EFI\boot\bootx64.efi # 复制 efi 文件并重命名
FS0:\> exit                           # 退出
```

执行完这一步，开机之后就可以看到 GRUB 的选择操作系统的界面了，因为只安装了 Arch Linux，我们只能看到两个选项，一个 `Arch Linux` 正常启动，一个 `Advanced Options for Arch Linux`。

### 问题：开机后无法进入图形界面

本以为万事大吉，结果开机之后选择 `*Arch Linux` 选项，屏幕上只剩下两行字，然后没有其他反应。

同样是上网搜了一下，发现如果按下 `Ctrl + Atl + F2` 是可以进入命令行模式的，随便执行了几个命令，发现系统工作正常。用 `journalctl` 看一下系统日志，发现在最后一段里经常出现高亮的几行里面，都有 `drm` 这个关键词，再次搜索，发现是和显卡相关的。因为是在虚拟机里，所以就去 VirtualBox 里康康有啥可能会导致问题的选项。

**解决方法：在 VirtualBox 的虚拟机显示设置界面，禁用3D加速**

<hr class="slender">

至此，所有的坑都已经踩完了，开机之后可以看到正常的登录界面，Duang~Duang~~~

![](/photos/arch.png)

.sh | 在 VirutalBox 中安装 Arch Linux


如果一个物理量需要用多个直接观测量计算出来：$$y=f(x_1,x_2,...,x_n)$$，这样的量叫做因变量，直接观测量叫做自变量。（比如用直尺测量长方形面积时，长、宽是自变量，面积是因变量，通过长和宽相乘计算面积的方法是一个函数。）

因为中小学减负，因变量的说法不教了，改叫函数值，为了少学一个知识点。

但是学过 C/C++ 的应该知道，对于 $$y=f(x_1,x_2,...)$$

- 因变量 $$y$$ 是一个左值，指向 $$y$$ 的指针 `float *p = &y;` 拿到的地址，位于内存的数据区；
- 函数值 $$f(\cdot)$$ 是一个右值，$$f$$ 本身就是一个指针，`void *fp = f;` 拿到的地址，位于内存的指令区。

## 多变量测量的误差传递

先跳过单变量误差的部分（大致原理在《[贝叶斯，从公式到世界观](bayesian-equation-and-view-of-world)》一文频率学派的部分，具体细节以后再写），不论是测量仪器的说明书给出的误差，还是测量者通过独立重复实验取得的统计误差，我们先假设已经拿到了观测量 $$x$$ 的测量值 $$\bar x$$、误差 $$\Delta x$$

因为全微分公式，对于 $$y=f(x_1,x_2,...,x_n)$$

$$
\mathrm{d}y = \frac{\partial f}{\partial x_1}\mathrm{d}x_1 + 
\frac{\partial f}{\partial x_2}\mathrm{d}x_2 + ... + \frac{\partial f}{\partial x_n}\mathrm{d}x_n = \sum_i^n \frac{\partial f}{\partial x_i}\mathrm{d}x_i
$$

又因为误差相对于真值往往小几个数量级，所以我们把误差看作是真值的微分，用 $$\Delta$$ 取代 $$\mathrm{d}$$. （有人问真值为 0 怎么办，绝大多数情况下可以通过平移零点定义的办法来几乎任意地改变测量值的数量级，而误差不会因为这种变换而出现数量级变化。）

还因为对多个自变量的测量是相互独立的，每个自变量 $$(x_1,x_2,...,x_n)$$ 占据相空间中的一个维度，维度之间互相正交。

所以物理上，因变量的误差就是上述 ~~微分~~ 微差向量的“长度”，以  L2 范数 (norm) 来衡量：

$$
\begin{array}{rcl}\Delta y & = & \sqrt{ \left(\frac{\partial f}{\partial x_1}\bigg|_{\vec x}\right)^2\Delta x_1^2 + \left(\frac{\partial f}{\partial x_2}\bigg|_{\vec x}\right)^2\Delta x_2^2 +...+ \left(\frac{\partial f}{\partial x_n}\bigg|_{\vec x}\right)^2\Delta x_n^2 } \\ & = & \sqrt{\sum_i^n{\left(\frac{\partial f}{\partial x_i}\bigg|_{\vec x}\right)^2\Delta x_i^2}}\end{array}
$$

物理学家因此不害怕误差——理论物理的模型哪怕非常复杂，在数学上往往依然“性质优美”，只要理论的自变量可以在实验上测量，误差明确且有限，那理论给出的预测值的误差就同样明确且有限，依然可以指导实践。

## 误差与可证伪性

而根据卡尔·波普尔的科学哲学，具体来说就是可证伪性的划界标准，科学就不只是不害怕误差了，简直是依赖误差而生，靠误差来和伪科学划清界限。

所谓科学的可证伪性，《[科学是什么？——兼谈“非科学、伪科学、反科学”和一些常见谬误](https://program-think.blogspot.com/2015/10/What-is-Science.html)》一文概括为：

- 科学理论是一个相互关联的**命题**的**集合**。
- 科学理论必须是基于**演绎**法建立整个理论体系的。也就是从不证自明的**定律**出发，依据**逻辑规则**，推论出各种各样的**定理**。
- 理论中的命题必须是**客观**陈述，也就是能由不同的主体进行独立检验。
- 检验的方式是**证伪**，也就是寻找现实中的一个现象，说明从理论中某个命题是错的。经过证伪程序，且没能被证伪的命题，就被验证为真。（根据逆否命题的等价性，演绎推论如果被证伪，它的逻辑前提也会连锁被证伪。那科学几百年来靠什么幸存，我们以后再狡辩～）
- （既然一个存在命题就能否定一个学科理论中的待验证命题，）科学理论中的命题应该是**全称命题**，此即科学的普世性 (universality)。
- 对全称命题的**特设性修正**（比如把“所有的天鹅都是白色的”修正成“所有北半球的天鹅都是白色的”），应该要提高理论的可证伪程度，否则就是伪科学。
- 以上各个要求，单独只构成必要条件。

所以定量科学的科学性就体现在，

- 只要理论的自变量和因变量可以在实验上测量，
- 自变量的误差明确且有限，那理论给出的预测值的误差就同样明确且有限，
- 因变量的误差同样明确且有限，
- 将理论预测值和因变量测量值摆在一起，只要差距不大于两者的误差，（技术细节在统计学中的假设检验部分。）
- 我们就认为对“理论预测和因变量真值相等”的证伪失败了，从而接受他们相等。

因为实验仪器和方法的进步可以缩小误差范围，增加科学理论的可证伪性，一条无限延展且随时可以投入精力的赛道从此出现，科学从相隔几代的少数天才之间的思维接力，变成了夙兴夜寐前赴后继的竞赛。

科学家之间的竞争催生了对制造仪器之工程技术的巨大需求，需求大到部分科学家亲自下场改进甚至发明仪器，科学由此反哺技术；进步的技术使得科学得以产出更高质量的数据，支持更复杂的理论的检验。科学和技术，合成了“科技”一个词。

试想一下，如果科学号称自己绝对精确，不存在误差，要么在弱小之时就被证伪，无法赢得人们的信任；要么任由实验精度低到看不出误差的程度，然后用其他手段维持自己的光辉形象。

之前《[也谈近代科学从西方起步](logical-science-from-west)》一文中说，“物理和数学的区别，在于理论和实验两条腿走路”。如今算是把实验这另一条腿简单介绍完了。

最后需要注意，这里说的是某个哲学理论能够解释科学实践，而不是科学实践必须服从某套哲学理论。

科学只对客观现实负责，不需要对哲学信条负责，不应该对哲学王兼英雄王负责。

## 科学还正确吗？

如果承认可证伪性作为科学与非科学的划界标准，也就意味着，现在包含在科学中的每条知识，都有在未来被更加精确的实验推翻的可能。

这种事也不是没发生过。比如材料的电阻，在相当大的数值范围内，都和温度成线性关系，而且这条线向左延拓到绝对零度时基本为 0。在那个时代，认为电阻来自无规则的热运动，和绝对温标成正比才是符合奥卡姆剃刀原则的理论。但是 1908 年，昂内斯用液氦将汞的温度降到 4.15 K 时，发现汞的电阻突变降低为 0，这就是超导研究的开端。

那还能说科学知识是正确的吗？《费曼物理学讲义》的回答是，不谈科学是不是正确的，只保证科学 (science) 是科学的 (scientific)。也就是保证程序的正确，把正确程序获得的结果交给工程技术，用工程技术上的成就取信于社会，反过来为科学的正确性背书。

所以说，科学家是对科学最不迷信的一批人，一旦实验过程正确，结果和理论不符，那么理论该修改的修改，该放弃的放弃。他们是现有科学最大的破坏者，是成功证伪科学命题最多的一群人。

但同理，科学家又是对科学最坚定的一批人，他们在明知道一个科学命题可能在将来被修正的情况下，依然愿意把它当作前提，继续推理产出新的命题，并试图证伪。

《三体》小说刚开始设置的一大悬疑，大量科学家因为自己正在进行的研究，产出了与理论完全不吻合的随机结果，因为所谓“物理学不存在了”而自杀，这个情节就很成问题。

何况这种事情根本不需要书中的情节设定才会出现，物理学史上早就发生过。比如 β 衰变的质子的动能谱和动量角分布。玻尔想放弃能量守恒定律，泡利想假设一个探测器发现不了的新粒子，这在当时的实验条件下都是尚不能证伪的理论假设，但没听说俩人为这事寻死觅活的。

所以改编成电视剧的时候，几乎重写整个人物关系的网飞版，把自杀改写成了球奸们伪装的他杀；就连以忠实于原作著称的腾讯版，也原创了一段主角主动重启科研装置，直面外星人恐吓的剧情，给原著做了点找补。

## 那我缺的权威性这块谁给我补上啊

坏了，碰到了不该碰的话题，那就先这样吧……

## 报书名儿

- William Lichten.《Data and Error Analysis》
- 赵凯华《定性和半定量物理学》
- 卡尔·波普尔《科学发现的逻辑》
- 理查德·费曼《费曼物理学讲义》


.tex | 误差的传递，科学之所以科学



## 公式

我上学的时候，贝叶斯公式是概率论里面，少数高中完全不涉及，到了本科才第一次见的公式，所以我从来没背下来过。不过也用不着背，根据条件概率里面的一个平凡结果：

$$
\Pr(A|B)\ \Pr(B) = \Pr(B|A)\ \Pr(A)
$$

可以得到 $$\Pr(A|B)$$ 和 $$\Pr(B|A)$$ 之间的关系

$$
\Pr(A|B) = \frac{\Pr(B|A)\ \Pr(A)}{\Pr(B)}
$$

这就是贝叶斯公式本体。

分母没什么意思，所以一般我们要用全概率公式替换，也就是把整个概率空间 $$\Omega$$ 划分为全覆盖但是不相交的 $$\{A_i | \ A_i \cap A_{j \neq i}=\varnothing,\ \bigcup_i A_i=\Omega\}$$ （之前写错了，这里的 $$A_i$$ 和上文的 A 没有关系）

$$
\Pr(A|B) = \frac{\Pr(B|A)\ \Pr(A)}{\sum_i \Pr(B|A_i) \Pr(A_i)}
$$

其中任意一个子事件 $$A_j$$

$$
\Pr(A_j|B) = \frac{\Pr(B|A_j)\ \Pr(A_j)}{\sum_i \Pr(B|A_i) \Pr(A_i)}
$$

### 根据实验结果筛选理论模型

以上是数学。在科学中，令

- A 为一族理论模型的一组参数取值，记为 $$Param_k$$，下标可任意选取。
- B 为实验观测数据，记为 *Ob*

$$
\Pr(Param_j|Ob) = \frac{\Pr(Ob|Param_j)\ \Pr(Param_j)}{\sum_i \Pr(Ob|Param_i) \Pr(Param_i)}
$$

其中 

- $$\Pr(Param_j)$$ 表示第 j 组参数是模型的正确参数的，未经实验验证，根据零假设计算的 **先验 (prior) 概率；**
- $$\Pr(Param_j|Ob)$$ 叫做经过实验观测修正之后的，第 j 组参数正确的 **后验 (posterior) 概率**。
- $$\Pr(Ob|Param_j)$$ 在之前的文章中讲过，是当前测量数据下，模型参数的 **似然性 (likelihood)**。

$$
posterior \propto likelihood \cdot prior
$$

### 举个例子

隔壁组的问题可以简化为下图：

![](/photos/2024-09-27-two-gaussian.png)

- 有两组数据 (x, y1), (x, y2) 可以用同一族函数来拟合。（假设为两个高斯函数的叠加，$$y=f_{A_1,A_2,\mu_1,\mu_2,\sigma_1,\sigma_2}(x) = A_1e^{-\frac{(x-\mu_1)^2}{\sigma_1^2}} + A_2e^{-\frac{(x-\mu_2)^2}{\sigma_2^2}}$$
- 两组数据的误差不同。（红色数据点显然比蓝色数据点，相对于理论值偏离得更远一些）
- 问有没有一个数值，可以衡量每组数据的误差程度。

我给他们的建议是

- 根据自己的专业知识指定先验概率 $$\Pr(param_j)=\Pr(A_1,A_2,\mu_1,\mu_2,\sigma_1,\sigma_2)$$。比如选定一个参数空间的范围，范围之外概率为零，范围之内均匀分布。
    - $$A_1,A_2 \in \left[\min(\{Y_1\}\cup \{Y_2\}),\max(\{Y_1\}\cup \{Y_2\}\right]$$
    - $$\mu_1\in[\min\{X\},\max\{X\}],\ \mu_2\in[\mu_1,\max\{X\}]$$
    - $$\sigma_1,\sigma_2\in[0,\ \Sigma_i\sqrt{|X_i-\bar X|^2/N}]$$
- 根据一些假设和统计规律计算 $$\Pr(Ob|Param_j)$$
    - 假设误差与 x 变量无关，服从期望为 0 的高斯分布，$$[y_i-f(x_i)]\sim N(0,\sigma^2)$$，标准差根据各数据点减去模型预测值的残差估计。
    - 假设每个数据点的观测相互独立，$$\Pr(Ob)=\Pr(\bigcap_i Ob_i)=\prod_i\Pr(Ob_i)$$
    - 对于模型的每一组参数 ，$$\Pr(Ob_i|param_j)$$ 取上述高斯分布的绝对值大于残差绝对值的部分，就是钟形曲线两侧尾巴的线下面积。
- 对参数空间中的每一组值都算出一个后验概率之后，计算整个空间的信息熵（方法见之前的文章）。误差较大的一组数据，应当有更多组参数可以获得类似的拟合结果，从而信息熵更大。

## 世界观

对于概率，有三种理解：
- 古典的 (classical)、
- 频率学派的 (Frequentist)、
- 贝叶斯的 (Bayesian).

### 古典

就是将古典概型推广，成为一种关于可能性的普遍观点——一个随机空间里的随机事件可以分解成若干子事件，子事件还可以再分，直到每个基本事件的概率相等，都等于基本事件总数的倒数，而要计算人们感兴趣的某一事件，只需要数出其包含的基本事件的数量就行了。

让人联想到古希腊古典时代的原子论。时人认为物质世界也不是无限可分的，将任意一种材料打碎研磨，这一过程最终会有一个终点，最终的产物就是这种物质的“原子”。一块材料的大小，就是其所含原子数量的多少。

有人批评这种观点用可能性去定义可能性，有循环论证谬误之嫌。但是看现代化了的概率论，概率被定义成了满足某些条件的函数，公理化是公理化了，逻辑链条是有了坚实的起点，但是那里的概率还能不能被当作可能性的度量，实在是不好说。

有人批评这是机械唯物主义，这种人批判的武器一般是武器的批判，别争辩，先活下来再说。

### 频率学派

这种观点一言以蔽之：概率是频率在样本量趋于无穷时的极限。

科学中（日常生活中也一样，只是人们通常没这么精确），测量误差不可避免，我们每一次的测量哪怕正确，互相之间也会有细微的差别，更不用说和待测的真实值不同了。

解决方法在初中物理实验里学过：多次测量，把平均值当作真值（的估计量），根据标准差计算误差（置信区间、p 值等等……）。

不同的人（假设有 M 个）可以对同一个可观测量进行 N 次测量，对于一个确定的 N，不论这个可观测量本身服从何种概率分布，这 N 个测量值的平均数 $$\bar X_N$$ 都服从正态分布，这就是中心极限定理（注意不是大数定律）。

当可观测量本身也服从正态分布的时候，就会导致标准差 (standard deviation) 和标准偏误 (standard error of the mean, 常简称为 standard error) 容易让初学者混淆。

而按照这种世界观，所谓一个物理量的真值，就是所有可能的（所有已经发生过的+思想实验中可能发生的）测量的均值 $$\bar X_\infin$$。

因为包括可能发生还未发生的测量，所以哪怕我们面对的问题是纯决定论的，客观存在一个确定的真值，无论我们已经进行过多少次测量，都无法保证得到真值。

有人批评这是客观唯心主义，这种人批判的武器一般是武器的批判，别争辩，先活下来再说。

### 贝叶斯

前述世界观好歹还认为真值客观存在——

贝叶斯世界观则直接不再对真值的客观存在下断言，不论先验还是后验，科学理论里的每一条命题，都不再孤单，而是要和所有可能的替代理论打包在一起；也不再“正确”，而是具有一个以概率衡量的可信程度。

实验的作用不再是判断对错，而是在有限的先验知识（现存的科学理论）下，判断新取得的实验结果在多大程度上，更新了旧知识里每条命题的可信权重。

而且每个人掌握的知识不同，先验概率不同，在同样的实验数据面前，所更新出来的知识体系也会不同。

再者，如果先验概率为 0，任你实验数据如何显著，后验概率也一定为 0，所以对“未知的未知”无能为力。实践中，再离谱的先验假设，只要能想到，也要赋一个小而不为 0 的初值。

有人批评这是主观唯心主义，这种人批判的武器一般是武器的批判，别争辩，先活下来再说。

## 送分题

已知本省不超过二十个地级行政单位。一中是本市最好的高中，本科过线人数年年创新高。

已知本市报纸会公布喜报，上有全市前若干名学生的姓名、分数、录取学校等信息。省招办有根据成绩取得全省排名的服务。比如某年本市第十名，全省排名两千名开外。

你能否据此评价母校和家乡的教学质量，以及本省各地区之间教育水平的平均程度？

你该如何评价，从定义原假设和备择假设，到用何种概率分布对先验概率建模？

你有资格评价吗？

.m | Bayesian 贝叶斯，从公式到世界观

.tex | Nick Lane "The Vital Question" 读书笔记


> 最近在看 Nick Lane 的《The Vital Question》，里面 Part II, Chapter 3, proton power 一节讲地球上早期生命的生化反应的时候，提到了“[还原电位](https://zh.wikipedia.org/wiki/%E8%BF%98%E5%8E%9F%E7%94%B5%E4%BD%8D)”的概念，就此复习一下高中学过的电化学知识。
> 

### 还原电位 (Reduction Potential)

维基百科：

> **还原电位**是**氧化还原电位 (Redox potential)** 的一种，指的是电活性物质发生电还原反应时的[电极电位](https://zh.wikipedia.org/w/index.php?title=%E7%94%B5%E6%9E%81%E7%94%B5%E4%BD%8D&action=edit&redlink=1)。
> 

（对应地，氧化电位就是电活性物质发生电氧化反应时的[电极电位](https://zh.wikipedia.org/w/index.php?title=%E7%94%B5%E6%9E%81%E7%94%B5%E4%BD%8D&action=edit&redlink=1)。）

所以这一性质针对于一种反应物分子（个别情况下也可以是原子和离子，这些原子和离子也是化学反应的基本参与者，所以从语文上来讲也“是”分子）。

这不是某一元素的性质。但是在一个还原反应中，真正化合价减少的一般也只有其中的一种元素的原子，所以也可以侧面体现出相应元素（高中好像管这个叫呈价元素是吧，记不清了）的性质。

这也不是某一特定化学反应的性质。所以还原电位的测量是把待测的分子加入标准溶液中，在标准温度、标准气压下，测量标准电极的电位。

> Each species has its own intrinsic redox potential; the more positive the reduction potential (reduction potential is more often used due to general formalism in electrochemistry), the greater the species' affinity for electrons and tendency to be reduced.
每种电活性物质有其特定的还原电位，还原电位值越正，代表该物质具有更强的得电子能力，即氧化性越强。
> 

于是就想起来高中的时候念“氧化剂被还原，得电子，化合价降低，发生还原反应，生成还原产物”的经，然后把氧化/还原、得/失、降低/升高对换再念一边，然后加上原电池/电解池、正极负极/阴极阳极再念两遍……

然后老师就开始让你背，还说什么化学是理科中的文科，想想就头皮发麻。

化学不该是这么学的。（如果你要高考还没高考的话当我没说，这么学确实是做题最快的。）

拿书中的反应试着推理了一下，大约想通了还原电位和氧化性的关系。

书中的反应是二氧化碳被氢气还原成甲烷，副产物是水，GPT 说这个反应叫 Sabatier reaction：

$$
\text{CO}_2 + 4\text{H}_2 \rightarrow \text{CH}_4 + 2\text{H}_2\text{O}
$$

还原反应：$$\text{CO}_2 + 8\text{H}^+ + 8\text{e}^- \rightarrow \text{CH}_4 + 2\text{H}_2\text{O}$$，C 元素从 +4 价被还原成了 -4 价

氧化反应：$$4\text{H}_2 \rightarrow 8\text{H}^+ + 8\text{e}^-$$，H 元素从 0 价被氧化成了 +1 价

我把它画成了下图的形式。据书的作者说，这个反应可以在生命诞生的地方自发进行，所以这应该是一个原电池，导线中间的黑圈表示电流表。

![原电池](/photos/2024-06-16-chemical-battery.png)

左侧的电极周围发生的是氧化反应，会生成游离的电子。这些电子靠近电极时，进入导体的导带；右侧电极周围的还原反应正好需要电子作为反应物——电子的流向从左往右。

电流方向和电子的流向相反，所以发生还原反应的右侧电极是原电池的正极，相对于氧化电极也就是电池负极，有一个正的电势差。此时反应自发进行，将化学能转化为电能。电势差正值越大，说明参与者的化学性质活泼，氧化剂的氧化性很强，被还原的趋势很大。

这个例子作弊的地方在于反过来也能用，因为作者又说了，这个反应在今天的常见环境下是不能自发进行的，所以可以再画一个电解池的版本～

![电解池](/photos/2024-06-16-electrolytical-cell.png)

图中装置上唯一的变化就是把电流表换成了一个电源。电解液中发生的反应也不变，电子在两个的电极之间的流向也不变。

但是这是一个电解池，发生还原反应电极的不再是电池的正极，而是电解池的阴极，相对于氧化电极也就是电解池阳极，有一个负的电势差。此时反应靠外来的电能驱动，电能转化成化学能。电势差的负值越大，说明参与者的化学性质越不活泼，氧化剂的氧化性很弱，被还原的趋势小。

举这个化学反应做例子只是便于自己理解，还原电位的测量是在特定

而且以上说法把电子当成了经典粒子，所以在量子力学的视角下不严格正确，但是图像也差不了太多～

### 电负性 (Electronegativity)

维基百科：

> 以一组数值的相对大小表示[元素](https://zh.wikipedia.org/wiki/%E5%85%83%E7%B4%A0)原子在分子中对成键电子的吸引能力，称为相对电负性，简称为电负性。元素电负性数值越大，原子在形成[化学键](https://zh.wikipedia.org/wiki/%E5%8C%96%E5%AD%A6%E9%94%AE)时对成键电子的吸引力越强。
> 

这个性质针对于某一种元素，不限于反应，不限于状态。

好像不同的人给出了不同的定义和计算方法，感觉有点随意啊……


.tex | 还原电位和电负性


> 自鸣得意了半天，发现这篇文章基本就是维基百科 [Quantities of Information](https://en.wikipedia.org/wiki/Quantities_of_information) 词条英文版的翻译。但是对应的中文词条没有覆盖英文版那么多的内容，所以也不完全是无用功。
> 

## 信息和概率

一条信息由一个命题来表达。（这一个命题可以是对多个命题进行逻辑演算的一个表达式。）

而这个命题解答了人心中的某个疑问。既然这是个疑问，那么在得到确切的信息之前，有众多其他命题，和这条消息一样有可能是问题的答案。既然是有可能，那就是概率论可以派上用场的对方。所有这些可能成为答案的命题一起，构成一个随机变量空间。

比如说一道有 ABCD 四个选项的选择题，如果是单选题，那么答案的随机变量空间就是 {A, B, C, D}，如果是多选题，则是 {A, B, C, D, AB, AC, AD, BC, BD, CD, ABC, ABD, ACD, BCD, ABCD}，如果是排序题、不定项排序题、答案出错了的题……

## 描述一个概率分布的信息量

### 自信息：Self Information

自信息是一个随机事件的性质，也就是针对一个随机变量的**某一个可能取值**而言的。表达式为 

$$
I(m) = -\log_n\left(p(M=m)\right)
$$

这是一个无量纲量，但是公式中指数的底数可以任意选择——

- *n* = 2 的时候自信息的单位是 bit，也叫香农 (shannon), 这里的 bit 和二进制位 bit 不完全相同，一个香农是一个二进制位所能表示信息的**上限**：当一个二进制位完全取决于其它位时，这个位不包含任何额外信息，香农数为 0，但这个二进制位依然物理上存在；
- *n* = *e* 的时候单位是 nat, 因为 $$\log_e\equiv\ln$$ 叫做自然对数；
- *n* = 10 的时候单位叫 hartley

——单位之间的换算关系由对数的换底公式给出。

这个量在信息论中的意义是，这条消息作为一个不方便问的问题的**答案**，**最少可以**用多少个 n 个选项的单选题套出答案。当 n=2 的时候，每个问题就是一个是非题，也就是一般疑问句。

码农面试的时候经常问一类问题：一堆看起来相同的东西里面有一个不一样，你有一种不能直接测出答案的测量工具，最少需要测量几次才能辨别出来……但是自信息的计算不能提供具体的辨别方法，具体方法还是需要你自己去凑，而面试刷人很多都是在刷这种细枝末节。

当然了，前提是你的面试官懂他自己在问什么，而不是相信美剧《硅谷》里压缩算法可以突破信息论极限的计算机民科～

当 *p* = 0 时，自信息发散为无穷大。不过问题不大，原因在下一节。

### 信息熵：Entropy

信息熵是一个随机变量的概率分布的整体性质。

算法很简单，就是自信息的概率期望，也就是按照随机变量每个取值的概率加权平均：

$$
S(p(M))=\mathbb{E}_p[-\log_n p(M)]=-\sum_{m\in M}p(m)\log_n p(m)
$$

当 *p* = 0 时，自信息发散，但是概率为零，强行定义两者的积也为零，对信息熵不构成贡献。

当我们只对某一特定的随机事件信息感兴趣，除此以外的所有事件合并为目标事件的补集，就得到二项信息熵 binary entropy:

$$
S_{binary} = -(1-p)\log(1-p)-p\log p = p\log\frac{1-p}{p}-\log(1-p)
$$

沿着自信息的意义往下走，信息熵在信息论中的意义是，一个将众多信息/命题的集合作为备选答案的**问题**，**最少可以**用多少道 n 个选项的单选题的集合来等价替代。

当这些最优的单选题确定之后，原问题的每一个选项，可以用单选题的答案序号来进行编码。指数的不同底数/信息量的不同单位就是数字的 n 进制，信息量就是相应进制下最大压缩编码后的位数。

当然要讨论压缩的话，还需要另找地方记录各个单选题和选项，也就是压缩字典。

## 比较两个概率分布的信息量

而如何选择单选题，使之成为针对给定问题最优的问题集，会因为各个选项概率分布的不同而变化。即便是同一组信息/备选答案，两套不同的概率分布，各自会给出一套对自己最优的问题集，一套概率分布下的最优问题集不见得是另外一套概率分布下的最优问题集。

> 下面的表达式都只写出了离散变量的形式，连续随机变量需要将求和写成对应的积分。
> 

### 相对熵：Kullback–Leibler (K-L) Divergence

英文里也叫 relative entropy 或者 I-divergence

这里的两个概率分布映射自**同一个**随机变量空间。

$$
D_{KL}(p(X)|q(X))=\sum_{x\in X}p(x)\log\frac{p(x)}{q(x)}=-\sum_{x\in X}p(x)\log\frac{q(x)}{p(x)}
$$

这个量描述了当 *p*(*X*) 作为各选项的正确概率分布的情况下，用对 *q*(*X*) 最优的单选题去提问，**没问出来的信息**所需要的**额外的**单选题数目/编码数。

在科学应用中，*p*(*X*) 一般是从实验中测量出来的概率分布，*q*(*X*) 是理论模型的预测。

下面的例子计算了一个单选题，选 C、选 B、假想中一群学生的答案统计、胡猜四种概率分布 *p, q ,r , φ* 之间的 KL divergence。因为概率为零会出现发散问题，所以我们取 eps = 10^(-10) 把这些概率值截断：

```python
import numpy as np

def kl_div(p,q,eps=1e-10):
    p = np.clip(p,eps,1-eps)
    q = np.clip(q,eps,1-eps)
    return np.sum(p*np.log2(p/q))

p   = np.array([  0,   0,   1,   0])
q   = np.array([  0,   1,   0,   0])
r   = np.array([1/6, 1/6, 1/2, 1/6])
phi = np.array([1/4, 1/4, 1/4, 1/4])

results = np.empty((4,4))
for i,v1 in enumerate([p,q,r,phi]):
    for j,v2 in enumerate([p,q,r,phi]):
        results[i,j] = kl_div(v1,v2)
```

| KL-div(行, 列)/bit | p | q | r | φ |
| --- | --- | --- | --- | --- |
| p = [0,0,1,0] | 0 | 33.219 | 1 | 2 |
| q = [0,1,0,0] | 33.219 | 0 | 2.585 | 2 |
| r = [1/6, 1/6, 1/2, 1/6] | 14.817 | 25.890 | 0 | 0.208 |
| φ = [1/4,1/4,1/4,1/4] | 22.914 | 22.914 | 0.189 | 0 |

从结果中我们可以看到：

- 对角线为 0，符合其意义。
- $$D_{KL}(p,q)$$ 和 $$D_{KL}(q,p)$$ 都应该是 +∞，这里的有限值是 eps 截断的结果
- 除个别巧合，对称位置的值一般不相等。这个量不同于两点之间的距离。

### 交叉熵：Cross Entropy

这里的两个概率分布映射自**同一个**随机变量空间 X。

概率分布 ***q* 相对于 *p*** 的交叉熵 cross entropy

$$
CE(p(X),q(X))=-\sum_{x\in X}p(x)\log q(x)=S(p(X))+D_{KL}(p(X)|q(X))
$$

这个量描述了当 *p*(*X*) 作为各选项的正确概率分布的情况下，用对 *q*(*X*) 最优的单选题去提问，所需要的**总共的**单选题数目/编码数。

类似于二项熵，*p* 和 *q* 之间的 binary cross entropy:

$$
BCE(p,q)=-p\log q-(1-p)\log(1-q)=p\log\frac{1-q}{q}-\log(1-q)
$$

```python
def cross_entropy(p,q,eps=1e-10):
    p = np.clip(p,eps,1-eps)
    q = np.clip(q,eps,1-eps)
    return -np.sum(p*np.log2(q))

results = np.empty((4,4))
for i,v1 in enumerate([p,q,r,phi]):
    for j,v2 in enumerate([p,q,r,phi]):
        results[i,j] = cross_entropy(v1,v2)
```

| Cross Entropy(行, 列)/bit | p      | q      | r   |   $$\varphi$$   |
| ---                      | ---    | ---    | ---   | --- |
| p = [0,0,1,0]            | 0      | 33.219 | 1     | 2   |
| q = [0,1,0,0]            | 33.219 | 0      | 2.585 |  2  |
| r = [1/6, 1/6, 1/2, 1/6] | 16.610 | 27.683 | 1.792 | 2   |
| $$\varphi$$ = [1/4,1/4,1/4,1/4]    | 24.914 | 24.914 | 2.189 | 2   |

- 对角线上不一定为零，而是自己的信息熵
- 其他位置和 KL divergence 相差大约为第一个输入分布的信息熵，误差 eps 的截断

### 互信息：Mutual Information

这里的两个概率分布一般来说映射自**不同的**随机变量空间。

$$
MI(X,Y)=\sum_{x,y}p(x,y)\log\frac{p(x,y)}{p(x)p(y)}=D_{KL}\left(p(X,Y)|p(X)p(Y)\right)
$$

从后一个等号可以看出，这一性质衡量的是 *X, Y* 两个随机变量的联合分布在多大程度上不同于“*X* 和 *Y* 相互独立”的零假设。两个随机变量相互独立时，互相不反映对方的信息，互信息 *MI* = 0。

当从 *X* 所在的随机变量空间取样的难度比较大的时候，我们需要用容易取样的**另一个变量空间**的随机变量 *Y* 来推测 *X* 的情况，互信息就可以用来论证我们这种选择的合理性。

## 扯点闲篇

### PyTorch 中以此为基础的 loss functions

`torch.nn` 中有如下几个和今天的文章相关的 loss functions：

- `torch.[nn.KLDivLoss](https://pytorch.org/docs/stable/generated/torch.nn.KLDivLoss.html#torch.nn.KLDivLoss)`
- `torch.[nn.CrossEntropyLoss](https://pytorch.org/docs/stable/generated/torch.nn.CrossEntropyLoss.html#torch.nn.CrossEntropyLoss)`
- `torch.[nn.BCELoss](https://pytorch.org/docs/stable/generated/torch.nn.BCELoss.html#torch.nn.BCELoss)`
- `torch.[nn.BCEWithLogitsLoss](https://pytorch.org/docs/stable/generated/torch.nn.BCEWithLogitsLoss.html#torch.nn.BCEWithLogitsLoss)`

之所以没直接用这些函数计算上面的例子，是因为 `KLDivLoss` 是按元素计算，随后需要自己求和；`CrossEntropyLoss` 又是按类别的，还不需要归一化，而且文档的解释很复杂，我到现在也没看明白；而且还要注意这些函数的设计输入是不是 logit，这是机器学习里的概念，在此不展开了。

### 玻尔兹曼的墓志铭

$$
S=k\log W
$$

其中 *S* 是（微正则系综中的）热力学熵，*k* 是玻尔兹曼常数 $$k_B$$，*W* 是因为刻碑的师傅不会写 *Ω*。

W 或 Ω 是处于相同能量的热力学状态的数量。因为你都需要统计物理了，显然是只知道能量，没办法知道所考虑的微观粒子究竟处于哪一个热力学状态。那此时的零假设就是处于所有状态的可能性相等，*p* = 1/Ω，信息熵 

$$
S =-\sum_{m\in M}p(m)\log_n p(m)= -\Omega\cdot(\frac{1}{\Omega}\log\frac{1}{\Omega})=\log\Omega
$$

和热力学熵只相差一个玻尔兹曼常数。这是因为信息熵是无量纲的，熵和温度的量纲相乘之后需要得到能量的量纲，只能由 $$k_B$$ 把量纲凑齐，而数值是自由能相关的实验里测出来的。

好像这就是高中物理里熵的定义式是吧。

上了大学以后，正则系综和巨正则系综中的熵也分别就是各自体系中各状态的概率分布的信息熵，乘上玻尔兹曼常数。~~（我也忘得差不多了，试图萌混过关）~~

### 善卜者无先见之明

公元 451 年，阿提拉 Attila 率领匈人攻入罗马领土，横扫有大量其他民族居住的高卢地区。西罗马帝国将军艾提乌斯 Aetius 联络了众多畏惧匈人的民族组成联军，其中包括西哥特人的王狄奥多里克 Theodoric，两军会战于卡塔隆 Catalaunian 平原。

本来想用这个故事举例子来着，因为我记得阿提拉在战前找了个大师算了一卦，说是一位国王将战死，一个国家将崩塌。于是阿提拉很高兴，以为哥特人和狄奥多里克要玩完了，结果战斗打响，狄奥多里克确实死于乱军，但是罗马和哥特等族的联军击败了匈人，阿提拉的霸业雨打风吹去。

于是试图说明算命的魅力就在于，用文字游戏表达一个自信息比较低的命题，同时误导对方相信一个自信息高得多的命题，在心理疏导之外，赚一个信息熵的差价。

结果查证的时候发现好像不是这么回事，Barbarian Rising 故事片里的预言内容不一样；维基百科上没给出处，说算命的很准，于是阿提拉推迟到下午作战，方便晚上跑路；其他地方甚至压根没有算命的情节。但是写都写了，需要积累高考作文素材的小朋友们还是可以假装被我误导了~

当然了，算命这个事还有一种情况，就是打着不确定的幌子，售卖确定但不方便承认自己确定的信息，那就是另一种生意，和另外的价格了~

.tex | 比较两个概率分布/两条信息


> 这些内容总结自美国研究生级别的《数学物理方法》两次课的笔记，大约两个小时。
<br>如果是中国大学本科的话，认真的老师半个小时庶几可以讲完;
<br>念 PPT 就算上课的话 15 分钟可以讲完，附赠一个段子;
<br>翻转课堂的话也就布置个作业，老师一句话可以讲完。
<br>以上数据除第一句外纯属揣测，没有黑任何人的意思，love and peace~
> 

### 扩散方程

带有初值条件的扩散方程表述如下：

$$
\begin{cases}
u(x,t=0)=f(x) \\
\partial u(x,t)/\partial t=\sigma \cdot \partial^2 u(x,t)/ \partial x^2
\end{cases}
$$

方程的解为：

$$
u(x,t) = \frac{1}{\sqrt{4\pi \sigma t}} \int_{-\infty}^{+\infty} f(s)\ e^{-\frac{(x-s)^2}{4\sigma t}}\ ds
$$

解法是将 u(x,t) 对空间变量 x 作傅里叶变换为 U(k,t)，利用傅里叶变换的性质，变换后的方程将是关于时间 t 的一阶常微分方程。求解后作傅里叶逆变换 ~~即为上式。~~ ~~（完蛋，好久没做题了，那个 $$e^{-\frac{(x-s)^2}{4\sigma t}}$$ 是怎么凑出来的，为什么我直接给消掉了啊）~~ 凑出来了凑出来了，初值条件代入频域 k 空间里的通解来确定积分常数，可以看到结果 $$F(k) e^{-\sigma t k^2}$$ 是两项之积，所以根据傅里叶变换的卷积定理，实空间 x 里的解是 f(x) 和 $$\mathscr{F}_{k\rightarrow x}^{-1}\{e^{-\sigma t k^2}\}$$ 的卷积（所以上式的指数项以 (x-s) 为宗量），而计算后者的时候需要用到高斯积分～

### 随机游走

随机游走是一个离散过程，为了和连续时空中的扩散方程相对比，将空间变量 x 离散化为相隔 Δ 的格点 i，时间变量 t 离散化为相隔 δ 的 n。

当一个粒子在 n 时刻位于格点 i 时，在下一个时刻 n+1, 它有 1/2 的概率移动到 i-1, 1/2 的概率移动到 i+1.

所以，虽然每个进行随机游走的粒子在任意时刻都只有确定且唯一的位置，但是对于大量同样初始位置和运动规律的例子，n 时刻出现在 i 格点的概率 P(i,n) 有以下关系：

$$
\begin{cases}
P(i,0)= f_i \\
P(i,n)=\frac{1}{2}\left[P(i-1,n-1)+P(i+1,n-1)\right]
\end{cases}
$$

在初值条件为 $$f_i=\delta_{i=0}$$ 时，递推结果如下：

|  x 轴 — | i = -4 | i = -3 | i = -2 | i = -1 | O | i = 1 | i = 2 | i = 3 | i = 4 | → |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| n = 0  | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 |  |
| n = 1  | 0 | 0 | 0 | 1/2 | 0 | 1/2 | 0 | 0 | 0 |  |
| n = 2  | 0 | 0 | 1/4 | 0 | 1/2 | 0 | 1/4 | 0 | 0 |  |
| n = 3  | 0 | 1/8 | 0 | 3/8 | 0 | 3/8 | 0 | 1/8 | 0 |  |
|**t 轴 ↓**|  |  |  |  |  |  |  |  |  |

![](/photos/2024-04-25-random-walk-probabilities.png)

离散的情况，很难对任意的初值条件写出解的表达式，但是对于上面的特殊情况，课上不加证明地给出了（可能是根据上图凑出来的）下面的解：

$$
P(i,n)=\frac{1}{2^n}\frac{n!}{\left(\frac{n+i}{2}\right)!\left(\frac{n-i}{2}\right)!}
$$

对的，以上关系只能表示 (n+i = 偶数) 的情况，但是康托尔告诉了我们，所有偶数和所有自然数的“数量”一样多，所以也没差太多～

### 方程的等价

概率的递推公式可以变换为：

$$
\frac{1}{\delta}\left[P(i,n)-P(i,n-1)\right]=\frac{1}{2}\left [\frac{P(i-1,n-1)-2P(i,n-1)+P(i+1,n-1)}{\Delta^2}\right]\frac{\Delta^2}{\delta}
$$

因为 $$x=i\Delta,\ t=n\delta$$, 对两个变量的微分可以离散化成差分：

$$
\frac{\partial}{\partial x}\rightarrow \frac{1}{\Delta}\left[()_i-()_{i-1}\right],\ \frac{\partial}{\partial t}\rightarrow \frac{1}{\delta}\left[()_n-()_{n-1}\right]
$$

直接就能看出扩散方程和随机游走的等价，且系数之间存在关系：$$\sigma = \frac{\Delta^2}{2\delta}$$

### 解的等价

只讨论一个 δ(x) 函数作为初值条件的情况，我们要证明此时扩散方程的解：

$$
u(x,t) = \frac{1}{\sqrt{4\pi \sigma t}} e^{-\frac{x^2}{4\sigma t}}\ \xleftarrow[{\Delta,\delta \rightarrow 0;\ i,n\rightarrow \infty}]{x=i\Delta,\ t=n\delta} \frac{1}{2^n}\frac{n!}{\left(\frac{n+i}{2}\right)!\left(\frac{n-i}{2}\right)!} \frac{1}{2\Delta}
$$

只需讨论这一个情况，因为 δ(x-s) 函数可以看作将一个函数 f(x) 在自变量 x=s 时切片为 f(s)，而任何一个（性质比较“优美”的）函数都可以看作把它自己在定义域上的所有点切片后再重新叠加起来：

$$
f(x) = \int_{-\infty}^{+\infty}f(s)\delta(x-s)\ ds
$$

过程需要用到 Sterling 公式对阶乘的近似：$$n! \approx \sqrt{2\pi n}\ n^n e^{-n}$$

$$
\begin{array}{rcl}
\frac{P(i,n)}{2\Delta} & \approx & \frac{1}{2\Delta} \frac{1}{2^n} \frac{\sqrt{2\pi n}\ n^n e^{-n}}{\sqrt{\frac{2\pi (n-i)}{2}}\ \left(\frac{n-i}{2}\right)^{\frac{n+i}{2}} e^{-\frac{n+i}{2}}\sqrt{\frac{2\pi (n+i)}{2}}\ \left(\frac{n+i}{2}\right)^{\frac{n+i}{2}} e^{-\frac{n+i}{2}}} \\
& = & \frac{1}{2\Delta}\frac{\sqrt{2n}}{\sqrt{\pi(n^2-i^2)}}\frac{n^n}{(n-i)^{\frac{n}{2}-\frac{i}{2}}(n+i)^{\frac{n}{2}+\frac{i}{2}}} \\
& = & \frac{1}{2\Delta}\frac{\sqrt{2n}}{\sqrt{\pi(n^2-i^2)}}\frac{n^n/n^n}{(n-i)^{\frac{n}{2}}(n+i)^{\frac{n}{2}}(n-i)^{-\frac{i}{2}}(n+i)^{\frac{i}{2}}/n^n} \\
& = & \frac{1}{2\Delta}\frac{\sqrt{2n}}{\sqrt{\pi(n^2-i^2)}} \frac{1}{\left(1-\frac{i}{n}\right)^\frac{n}{2}\left(1+\frac{i}{n}\right)^\frac{n}{2}\left(1-\frac{i}{n}\right)^{-\frac{i}{2}}\left(1+\frac{i}{n}\right)^\frac{i}{2}} \\
& = & \frac{1}{\sqrt{2}\Delta}\frac{1}{\sqrt{\pi(n-\frac{i^2}{n})}} \frac{1}{\left(1-\frac{i^2}{n^2}\right)^\frac{n}{2}\left(1-\frac{i}{n}\right)^{-\frac{i}{2}}\left(1+\frac{i}{n}\right)^\frac{i}{2}} \\
& \xrightarrow[\frac{i}{n}=\frac{x\Delta}{2\sigma t},\ \frac{i^2}{n}=\frac{x^2\delta}{\Delta^2 t}]{(1+a\epsilon)^{1/\epsilon}\rightarrow e^a} & \frac{1}{\sqrt{4\pi\sigma t}}\frac{1}{e^\frac{x^2}{4\sigma t} e^\frac{x^2}{4\sigma t} e^{-\frac{x^2}{4\sigma t}} } \\
& = & \frac{1}{\sqrt{4\pi\sigma t}}e^{-\frac{x^2}{4\sigma t}}
\end{array}
$$

### 之前 MCMC 讲错了

讲 Markov Chain Monte Carlo 模拟的时候举的例子是计算 $$\int_{-\infty}^{+\infty}e^{-x^2}dx$$, 现在系数可以对上了：$$1=4\sigma t=4 \frac{\Delta^2}{2\delta} n\delta = 2\Delta^2n$$, 随机游走的步数和步长之间存在一个确定的关系，在步长确定的情况下，我们需要重复模拟大量粒子作相同步数的随机游走，然后统计这一确定步数走完之后的每个粒子的终末位置。

所以，这并不是一个 Markov Chain Monte Carlo 模拟，只是一个普通的 Monte Carlo 模拟，我们拿到了想要知道的随机变量的原始概率分布，只不过取得符合这一概率分布的每一个样本的过程是一个 Markov 过程。

正经的 MCMC，应该是只模拟一个粒子作随机行走，然后把它每一步的位置记录下来，统计到样本里去。这样的话时间 t 的信息就被抹去了，而且由于扩散方程描述的状态并不是热力学平衡态，并不能通过统计物理中的遍历性 (ergodicity) 来得到正确结果。

采用了 Metropolis 算法的 MCMC, 一个粒子作随机行走只是其中的一个步骤，还要计算这一步之前和之后 $$e^{-x^2}$$ 的值，来决定这一步是否被加入样本，不成立的话要退回前一步继续走。


.tex | 扩散方程和随机游走的等价


Monte Carlo 蒙特卡洛模拟，简称 MC. 

Markov Chain Monte Carlo 是用马尔科夫链采样的蒙特卡洛模拟，简称 MCMC.

## Monte Carlo 模拟

这个比较简单了，举个例子，要计算 π 的近似值，可以在一块正方形板子里画一个内接圆，然后以均匀的概率往正方形里一粒一粒地扔沙子，每扔一粒，就判断并且记录这里沙子在圆内还是圆外，然后把沙子吹掉，如此往复。圆的面积是 πr²，正方形的面积是 4r²，所以落在圆内的概率（圆内沙子的数量和总数的比值）乘 4，就是所求。

![](/photos/2024-04-15-monte-carlo-pi.png)

归纳一下：当问题的解用一个随机变量的概率分布、期望值、二阶矩……等等来表示的时候，就生成一个符合该概率分布的随机样本，用样本的统计量去近似原概率分布。

## Markov Chain Monte Carlo

但是前述例子有一个步骤，就是我们往板子上扔完沙子要把沙子吹掉，每粒沙子，每次扔沙子之间也应该看不出区别，这是为了保证取样之间**相互独立且来自同一个概率分布**。

但是很多取样过程无法满足这种条件，或者达成条件所需的成本很高。比如计算一个高斯积分 $$\int_{-\infty}^{+\infty}e^{-x^2}dx$$，被积函数的取值范围涵盖整个实数集，想找一个在整个实数集上均匀分布的随机数发生器就比较难了。

![](/photos/2024-04-15-monte-carlo-gaussian.png)

但是学过物理的朋友应该知道，上面的被积函数是以狄拉克 δ(x) 函数为初值条件的一个扩散方程的解，在某一时刻的空间分布。（不想凑系数了，将就看吧）

而扩散方程又是随机游走 (random walk) 在连续近似下的极限。

所以我们直接模拟一堆粒子从原点出发作随机行走，向两个方向的概率相同，扩散系数以及积分里的常数对齐，统计粒子在整个过程中出现在不同 x 位置的频率，求和之后乘以步长就是积分结果。这个过程需要的随机数发生器容易获取得多，是一个以 0.5 为阈值的 [0,1) 的均匀分布，比如一个均匀硬币。

而随机行走过程中走完每一步的位置，都只取决于前一步的位置，而与更久远的历史无关——这样的过程叫做马尔可夫过程。用这种方法取样获得随机样本的蒙特卡洛模拟，就是 MCMC.

扩散方程和随机行走只是 MCMC 的一个很特殊很特殊的例子，而对于一般的 MCMC 模拟，有以下通用的 Markov Chain 采样的算法：

### Metropolis-Hastings 算法

已知一个随机变量 x, 和一个与目标概率分布 P(x) 成正比的函数 f(x)（不要求 f 归一化）

1. 初始化
    1. 选定初始采样点 $$x_0$$ 
    2. 选定一个采样函数 proposal function，也就是在已知当前 x 的取值时，下一个 x’ 取值的概率分布 $$g(x’\vert x)$$；其中对于 Metropolis 算法，这个采样函数是对称的：$$g(x’\vert x)=g(x\vert x’)$$. 常用以两者之差为宗量的高斯函数。
2. 在得出 t 时刻的 $$x_t$$ 之后：
    1. 根据 $$g(x'\vert x_t)$$ 抽样得到一个 x’
    2. 计算 α = f(x’)/f(x) = P(x’)/P(x)
    3. 决定是否将 x’ 加入样本
        1. 如果 α ≥ 1, 直接加入
        2. 如果 α < 1, 以 α 为概率加入

这种方法不保证采样的早期样本也符合目标概率分布，所以一般会抛弃最先加入的若干样本。

### Gibbs 采样

只是一种思路，不算是完整的算法。

当被采样的随机变量是一个多维向量的情况，在不使用 Gibbs 采样的情况下，在迭代的某一步骤 t，每个分量都应该是前一步骤的函数：$$x_{i,t}=f(\{x_{j,\ t-1}\})$$

而 Gibbs 采样就是说，不必让每个维度 i 都根据前一个步骤的分量来取值，可以把当前 t 已经取样出来的分量直接带入到本回合后面的维度：$$x_{i,t}=f(\{x_{j,\ t}\}_{j<i}\cup\{x_{k,\ t-1}\}_{k\ge i})$$

.tex | MC→MCMC 蒙特卡洛模拟，基于马尔科夫链采样


> 本文是《**[一场意识理论大混战，甚至“伪科学”帽子都飞出来了](https://mp.weixin.qq.com/s/S_nZFZD72Kq3sJmoXKplww)**》一文的读书笔记。
> 

## 名词解释

- **发放**：对 spike 的翻译。发放率即 spike-count rate. [https://zh.wikipedia.org/wiki/神经编码](https://zh.wikipedia.org/wiki/%E7%A5%9E%E7%BB%8F%E7%BC%96%E7%A0%81)
- **V1**：初级视皮层。[https://zh.wikipedia.org/wiki/视觉系统](https://zh.wikipedia.org/wiki/%E8%A7%86%E8%A7%89%E7%B3%BB%E7%BB%9F)

## 事实陈述

### 科赫 vs. 查默斯赌局：信息整合理论作者之一打的一个赌

- 德裔美国神经科学家科赫 (Christof Koch) vs. 澳大利亚哲学家查默斯 (David Chalmers)
- 内容：以下问题能否在25年内得到解决：
    - 查默斯称为意识的“**困难问题**”（hard problem）：“主观的意识是怎样从客观的神经回路中涌现出来的”
    - 等价于，科赫和其忘年交克里克所说的“**意识的神经相关集合**”（Neural correlates of consciousness）
- 结果：没能解决，科赫认输，双方再约 25 年
- 时间线
    - 1990年，克里克和科赫《走向意识的神经生物学理论》（[Towards a Neurobiological Theory of Consciousness](https://profiles.nlm.nih.gov/spotlight/sc/catalog/nlm:nlmuid-101584582X469-doc)）
        - 观点：研究意识也是一样，应该从研究脑中哪些神经活动和视知觉相关——意识的神经相关集合开始。
        - 挑战：当主体受到视刺激后的脑活动变化，既可能是由于视知觉引起的，也可能是由于刺激变化本身引起的。
    - 1996年，在德国工作的希腊神经科学家洛戈塞蒂斯（Nikos K. Logothetis）猴子双眼竞争实验
        - **双眼竞争**：给主体的双眼分别看两个完全不同的景象时，主体看到的并非这两个景象的融合，而是轮流看到其中之一。
        - 结果：
            - 在初级视皮层和次级视皮层，绝大多数细胞的 **发放(?)** 率与知觉的反复变化无关。总体来说，只要一只眼睛有输入刺激，神经元的发放就会增强。这与猴子究竟看到了什么无关。
            - 他们又发现在对猴子下颞叶（inferior temporal，IT）皮层及上颞叶沟（superior temporal sulcus，STS）的下侧（该区域与IT上部相邻）进行实验记录时，只有当猴子“看到”时才有发放。
        - 推论：
            - 一般认为 **V1(?)** 对意识贡献甚微。
            - 克里克对此非常兴奋，他认为这一技术已使科学家找到了研究视知觉神经相关集合的钥匙，并宣称到20世纪末就能发现意识的神经相关集合。
            - 像功能性核磁共振成像和光遗传学等新技术的出现，使科赫在当时认为，25年的时间去解决应该没问题。
    - 科赫在1998年和查默斯打了这个赌。这个赌只与能否在2023年解决查默斯的“困难问题”有关，而与其他论点无关。

### 意识的神经相关最小集合：信息整合理论的预备知识

- 定义
    - 意识的神经相关集合就是“神经元的某种机制或事件的集合。该集合是形成某个特定知觉或体验所需要的最小集合。”（[科赫2004](https://ajp.psychiatryonline.org/doi/10.1176/appi.ajp.162.2.407)）
    - 他和托诺尼又引申出对所有可能意识内容的意识神经相关集合的总体，并称之为全意识神经相关集合（full neural correlates of consciousness）。（[2016](https://www.nature.com/articles/nrn.2016.22)）
- 方法与相应结果
    - 需要排除对脑涌现意识非必要的事件，比如报告信号这件事本身（通过检测眼动或瞳孔放大）
        - 这种“无报告范式（no‑report paradigms）”所确定的有特定内容的神经相关集合比需要报告时得到的更局限于皮层后部。（[2016](https://www.nature.com/articles/nrn.2016.22)）
    - 一种是“基于不同状态的方法”（state-based approaches）把清醒的健康受试者在不要求做任何任务而有意识时的脑活动和意识丧失时（如无梦睡眠、全身麻醉、昏迷或植物状态）的脑活动进行比较。
        - 全意识神经相关集合往往包括额-顶叶网络，但是这里有些部分可能和受试者的警觉、注意等脑功能有关。
    - 另一种“同样状态无任务范式”（within-state, no‑task paradigm）这主要是利用意识的自发波动，例如当受试者处于无快速眼动睡眠期时将其叫醒，有时受试者说是正在做梦，而有时则没有任何意识。把受试者在报告做梦或无意识前记录下来的脑电图进行比较，
        - 全意识相关神经机制主要位于包括感觉区在内的后皮层热区（posterior cortical hot zone），也就是包括皮层后部颞-顶-枕叶交界处在内的脑区，这和根据有特定内容的意识神经相关集合所得的结果在总体上吻合得相当好，因此可以把后部皮层区看作意识神经相关集合的热门候选区。

### 整合信息理论 vs. 全局神经工作空间理论

- 整合信息理论 (IIT) 同一把大伞之下，有两个很不相同的内容
    1. （根据“同样状态无任务范式”）全意识相关神经机制主要位于包括感觉区在内的后皮层热区（posterior cortical hot zone），也就是包括皮层后部颞-顶-枕叶交界处在内的脑区，这和根据有特定内容的意识神经相关集合所得的结果在总体上吻合得相当好，因此可以把后部皮层区看作意识神经相关集合的热门候选区。这一观点笔者称之为“后脑理论”。
    2. 托诺尼早已因他制定了一个度量意识的指标Φ并冠名为“整合信息理论”而闻名，而科赫也曾称赞过这一理论是“有关意识的唯一有希望的基本理论”，因此他们的这一观点也被称为IIT
        - 托诺尼、埃德尔曼（Gerald Edelman）曾经提出过“整体性”和“信息性”（或称“神经复杂性”）作为衡量意识程度的定量指标。托诺尼正是在这一基础上考虑了意识更多的基本性质（其核心依然是整体性和信息性，但是却略去了“主观性”或“私密性”这一意识的根本属性），并以此作为“公理”。
        - 这些公理包括：內禀存在性（Intrinsic existence）、结构性（composition）、信息性、整体性（integration）、排他性（exclusion）。
        - 在这些公理的基础之上，托诺尼认为如果一个物理系统要有意识的话，那么这个系统就必须有和上述公理相应的性质，它应该是一个有数量极大的可能状态的统一整体，为此在有关脑区之间必须有交互作用。意识的程度可用该系统超越其各组成部分所含信息量的总和的信息量来度量，他们把这称为“整合信息（integrated information）”，并用符号Φ来表示
- 全局神经工作空间理论（global neuronal workspace hypothesis）
    - 《[Consciousness and the Brain: Deciphering How the Brain Codes our Thoughts](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3971003/)》
    - 法国认知神经科学家德阿纳（Stanislas Dehaene）提出。由于对意识仍然没有明确和普遍接受的定义，德阿纳将他的研究集中在他所谓的“进入意识（conscious access）”（受试者意识到了其所受刺激并可以向其他人报告的现象）上。
    - 他们使用掩蔽、双眼竞争和其他方法表明，虽然刺激保持不变或几乎不变，但受试者的知觉却可能发生根本变化，例如从意识不到变成意识到，或正好相反，因此进入意识可以被视为唯一的变量，并可以通过实验对这一变量进行操控。
    - 发现如下标记：
        1. 刺激诱发的脑活动大大增强，扩大到多个脑区并突然引发前额叶皮层和顶叶皮层许多回路的活动；
        2. 脑事件相关电位中的晚成分P3突然增强；
        3. 在晚期突然爆发高频振荡；
        4. 跨脑区域活动的同步化。
    - 观点/结论
        - 当有有意识的知觉时，神经元群以协调的方式开始发放，首先是在一些局部的特定区域，然后蔓延到皮层的广大范围。最终，它们侵入到许多前额叶和顶叶脑区，同时与前面的感觉区保持紧密同步。正是在这个时候，突然形成了一个协调一致的脑网络，有意识觉知也似乎由此产生。
        - 意识是一种在全脑范围里的信息共享。人脑中有高效的长距离网络，特别是在前额叶皮层，以选择相关信息并将其扩播到整个脑。意识是一种演化装置，它使我们能够注意某个信息并在这一扩播系统中保持活跃。一旦这个信息被意识到了，根据我们当时的目标，它可以被灵活地传送到其他区域。

### 邓普顿世界慈善基金会5年对抗合作

- 权威杂志《科学》（*Science*）和《自然》（*Nature*）等载文称赞了这一对抗性合作
- 有124位意识研究科学家联名发表公开信，把IIT谴责为“伪科学”
- 六个独立实验室遵照双方预先商定的方案，并分别用功能性核磁共振、脑磁图和皮层电图技术对250名受试者测量其脑活动，以检验这两种理论对他们共同认同的两个实验方案中第一个方案的不同预测，双方自己并不参加实验。
- 整合信息理论 IIT
    - 有利：关于IIT，确实观察到，后皮层脑区持续有信息。
    - 不利：并没有发现IIT所预测的脑区之间有持续的同步活动
- 全局神经工作空间理论 GNWH
    - 有利：意识的某些方面确实可以在前额叶皮层中表现出来
    - 不利：
        - 并非一切意识活动都可以在此有所反映
        - 实验发现只有体验开始时才有信息扩布的证据，但未能发现在体验结束时也有扩布
- 124位意识研究者，其中包括巴尔斯（Bernard J. Baars）、丹纳特（Daniel C. Dennett）和丘奇兰（Patricia S. Churchland）等著名学者，联名发布一封公开信，指责《科学》《自然》等媒体做了不实报道，并指责IIT是伪科学。抓住了和托诺尼的Φ值有关的问题全盘否定。

## 作者观点

- 解决意识的神经相关集合的问题呢，还是解决查默斯的困难问题，科赫似乎把这两个问题认为是同一个问题，作者不同意
- 科赫/托诺尼和德阿纳的对抗性合作实际上是关公战秦琼。
- 124人公开信故意回避了在对抗性合作中的IIT实际上是指后脑理论，而和Φ没有直接关系，因此他们对对抗性合作的批评就像是枪打稻草人，但是他们对Φ理论的批评却有其合理之处。
    - 像意识这样复杂的对象能不能用公理化的方法来进行研究
    - 在托诺尼的5条公理中也故意丢掉了对意识来说最关键的“主观性”，不完备的公理系统推导出来的Φ指标，只能度量意识作为神经系统超越其各组成部分所含信息量的总和的信息量这一个方面，而非意识本身。
- 全局神经元工作空间假设对于进入意识标记的解释没问题，但对他的假设是否也能够解释意识或者即使只是进入意识本身持怀疑态度。
    - “进入意识标记”并不是“进入意识”本身，就像某人的签名并不就是他自己一样。
    - 除了用受试者的主观报告来判断他们是否意识到了什么之外，德阿纳的工作并没有触及意识的主观性问题。
- 后脑理论的一个重要依据是采用“无报告”范式的研究方法，但是也有科学家根据一些报道称在采用这种方法时，也能在前额叶皮层检测到有活动，因此把这种方法贬之为“误导”。
    - 不过被贬一方则坚称“从总体上来说，前额叶皮层对意识来说既非必要，也不充分，这和皮层后部完全不同。”
- 动物行为学家戴维·培尼亚-古斯曼提出意识包括三个重要方面：主观意识、情感意识和元认知意识。
    - 主观意识：主观存在感和具身的自我觉知感
    - 元认知意识：自己知道自己是有认知能力

.tex | 意识理论笔记


一个随机变量 X 取值为 x 的概率 (probability)/概率密度，一般可以用一个有若干参数的函数来表示。这个函数的参数记作  $$\theta$$：

$$
prob_X(x)=f(x|\theta)
$$

而似然性 (likelihood) 就是把上式 f 看作以 $$\theta$$ 为自变量，x 为参数的函数，从表达式上看不出区别：

$$
L(\theta|x)=f(x|\theta)=prob_X(x)
$$

最近处理一个数据集，整理完之后的直方图如下：

![double-peak](/photos/2023-11-21-double-peak.png)

比较明显，比起一个正态分布 $$f(x)=\frac{1}{ \sigma \sqrt{2\pi} } e^{-\frac{1}{2}\left(\frac{x-\mu}{\sigma}\right)^2}$$，这些数据更像是来自不同均值和方差的两个分布。那么对于每个数据点 $$x_0$$，它到底来自哪个分布呢？可以分别计算 $$L_1(\mu_1,\theta_1\vert x_0) = f(x_0\vert\mu_1,\theta_1)$$ 和 $$L_2(\mu_2,\theta_2\vert x_0) = f(x_0\vert\mu_2,\theta_2)$$，然后比较 $$L_1$$ 和 $$L_2$$ 的大小。


.tex | 概率 (probability) 和似然性 (likelihood)


前不久在公众号转载过“海边的西塞罗”写的《**嗯！您关注的是一个早晚要“凉凉”的公众号**》，标题起得让人不知所云，但是文章内容讨论的是“近代科学为什么从西方起步”的问题，原文说：

> 既然你所讲述的，欧洲从古典时代到文艺复兴、科学曾经出现过一次“断层”，欧洲人是通过翻译阿拉伯人转译的古典时代文献才继承了希腊罗马先贤们的思想的。
> 
> 
> 那么**，为什么近代科学偏偏是在丢过一次古典传统的西方起步的呢？为什么那些成功继承了古典时代智慧的中古文明，比如伊斯兰文明或古中国文明，反而没有成功萌发近代科学思想呢？**
> 

作者立了一个靶子——

> 我之前听到的比较靠谱的解答，**是古希腊罗马有较好的数学思想，当定量的数学思想与定性的“自然哲学”发生结合，近代科学就诞生了。**
但这种解释，其实也回答不了一个问题——你可以说古代东方离着希腊远，没有受到希腊某些思想的“药引”的启发。但特别奇怪的是，中世纪的中东却不是这样。
伊斯兰文明的伍麦叶王朝在公元九世纪曾经掀起过一场声势浩大的“百年翻译运动”，……近代启发西方的那些古典思想典籍，阿拉伯人全有，且早获得了好几百年。
> 

给出的回答是所谓**“托勒密困境”**，即诸文明中的科学技术研究者因为要满足当权者/赞助者的功利性需要，将时间与精力耗费于附会科学（比如天文学）的非科学甚至伪科学（比如占星术）之上，而——

> 这种错误的职业拼接，锁死了天文学的进一步发展的通路，导致其无法实现向近代科学的飞跃——即便托勒密会数学、引入定量计算，也依然没用。
> 
> **而这种“托勒密困境”，其实也是所有古典时代学者的困境——他们在研究学问时，必须回答“求用”的问题。**
> 
> ……
> 
> **于是从托勒密到哥白尼，我们会发现西方在这一轮对天文学的失而复得中，其实并没有增添什么，而是丢掉了一种东西——那就是“求用”的思维。**
> 欧洲知识分子们研究科学的正义性，来自于他们认定：自然作为一种上帝的造物，其本身就是美的。因此研究它、探索它本身，就是在赞美上帝，所以科学研究不必“求用”也有天然的正义性。
> 

作者写近代西方科学的不求用，是为了托物言志，检讨自己为了读者的关注不得不在历史写作之外“写时评、表达观点、带情绪”，预告自己将来可能会去写作崇高的钻研历史的题目。

给蹭热点找理由这件事，我也做过嘛，感觉写的比这篇文章还简约隽永且立意高远呢～（文人相轻.jpg）

但是科学革命发源于西方这个问题，我也很感兴趣，而且有自己的思考，而且思考的结果和上文不同。

<hr class="slender">

学物理的孩子应该都听说过《费曼物理学讲义》的大名，没听说过的话建议听说一下，自主招生考试面试装逼的时候用的上。费曼先生在引言中也立了个靶子说——

> 你们可能会问，在讲述欧几里德几何时，先是陈述公理，然后作出各种各样的推论，那为什么在讲授物理学的时候不能先直截了当地列出基本规律，然后再就一切可能的情况说明定律的应用呢？
> 

然后上来就讲原子论，开篇问：

> 假如由于某种大灾难，所有的科学和知识都丢失了，只有一句话可传给下一代，那么怎样才能用最少的词汇来传达最多的信息呢？
> 

可惜这个问题仅仅是为了引出原子论，实在是大材小用。这说明费老先生浸淫于西方科学中，“不识庐山真面目，只缘身在此山中”。而我对近代科学起自西方的解释，正好就是这两句话串起来。下面就要兜一个大圈子，把两句话圆起来。

<hr class="slender">

科学者，对世界之正确认知也。

根据这个定义，把人们已知的，关于这个世界的所有知识罗列到一个集合里，这个集合就是科学。我们只谈到了一个集合，不涉及逻辑推演，也不涉及数学带来的定量优势，更不判断从事科学研究的人是否功利。

但是，集合这种知识结构过于简单——

- 集合里的各个元素都是平等的，要想表示出整个集合，除了全默写出来没别的办法；
- 集合里的元素之间没有顺序，想取得其中的某一条科学命题，只能像抓阄一样，凭运气抽到为止。
- 一旦由于天灾人祸，集合中的部分内容丢失，除了重新把当初发现它们时经历的艰难困苦重复一遍，也没有别的办法。（哦，也可以去隔壁文明的图书馆翻译。）

所以，必须找到一种更复杂的结构，来组织这些信息，解决上述问题。

<hr class="slender">

计算机专业有门基础课《数据结构与算法》，谈数据结构，最基础的两种就是数组和链表；谈算法，最基础的概念就是函数。注意，这里说的是数据结构，刚才说的是知识结构，两者可以类比，但并非同一概念。

数组，和集合几乎一样，只不过给每个元素标记了一个序号。在计算机里，由于规定数组连续存放，每个元素占用内存长度相等，所以可以通过序号，从数组开头偏置指针，以 O(1) 的时间复杂度取得任意元素，快。

类比到知识结构，语数外理化政史地生，一年级二年级三年级，第一章第二章第三章，第一第二第三个知识点，背吧。列表与列表之间井水不犯河水，你数学老师说你体育老师拉稀了不能上课，你体育老师说你数学老师放屁，两者完全可以在你的知识体系里共存。

链表，和数组一样有顺序，但是并不给每个元素标号，而是在前一个元素的末尾，写上下一个元素的位置指针。找到一个元素需要从链表的开头一个一个往后捋，慢。好处是修改方便，在链表中间塞进去一个新元素，只需要把前面一个的指针指向新元素，新元素的指针指向后一个元素，删除一个旧元素也类似，只对增删点附近一个很小的区域进行改动，整个链表不会伤筋动骨。

但是不论数组还是链表，都需要把所有的知识全写出来，随着时间的积累，科学的总量早晚要超越人脑的记忆力，超越笔记的厚度，对于个人，要皓首穷经，要韦编三绝，才有希望提出一点新内容；对于全人类，图书馆越造越大，一轮战乱，从头再来。

于是函数登场。给定一个/一组输入，根据函数体描述的算法，返回确定的输出。那我们找到一种方法，写一个函数，接收链表的前一个元素作为输入，找到后一个元素输出。这样我们只需要存储第一个元素和这个函数，就可以恢复出整个链表，用计算换空间。

<hr class="slender">

类比到知识结构，这个函数就是逻辑推演。

科学内容中的每一条知识都是一个**命题**。

从少数几条知识出发，这几条在逻辑上就称为**公理**，自然科学里也称之为**定律**。

命题之间可以做**逻辑运算**，**或**、**且**、**非**、**蕴含**等等，运算的结果也是一条新的命题。命题的正确与否，取决于逻辑运算的规定。

通过对公理和已经算出的真命题反复进行逻辑运算，产生的新的真命题，叫做**定理**。

<hr class="slender">

欧几里德几何式的，也就是从有限多个命题出发，承认逻辑推演进行生成的新命题的正确性，这样的一种组织方式——

- 对于学习，科学不再是一家之言，门户之见。一句话的正确性不再由说话者的身份决定，诉诸人身、诉诸权威成了谬误，“我爱吾师，但我更爱真理”一句话有了切实的落脚点。
- 对于研究，降低了难度，后来者不必从头再来，而是站在前人的终点起跑。发现的新科学有办法整合进现有的科学，证伪的旧科学有办法剔除，而不会让科学整体伤筋动骨。愚弄黔首的矛盾和谬误，真理有办法与之势不两立。
- 自带有容灾能力，科学得以在摧毁科学记录和科学家人身的重大灾难之后，在几百年的人才断档之后，依然有办法恢复。

<hr class="slender">

刚才说数据结构和知识结构不同，知识管理界有个 DIKW 模型，也就是数据 (Data)、信息 (Information)、知识 (Knowledge)、智慧 (Wisdom)。

纸张上的墨迹组成的字符只是数据，当这些单词按照语法理解为句段篇章之后才构成信息，这些篇章内容指代的概念、关系等等含义构成知识。如何理解知识与知识之间的关系需要智慧。

“继承了古典时代智慧的中古文明，比如伊斯兰文明或古中国文明”——从各个文明没能演化出科学革命来看，**这些文明最多是有一部分学者继承了古典时代的知识，而没能认识到 *用逻辑组织知识* 这一智慧的价值**，而西方发掘出了这种智慧。至于这种发掘发生在西方，是偶然还是必然，由哪些条件促成，那是另一个很有趣的问题了。

“我们会发现西方在这一轮对天文学的失而复得中，其实并没有增添什么，而是丢掉了一种东西——那就是‘求用’的思维。”——西方对天文学的失去，对应的是罗马统治下的和平结束时的战乱与社会崩溃，不论之后的文艺复兴如何光辉灿烂，**这种失落都是对科学乃至整个文明的威胁**，如果没有这种失落，科学革命想必会更早更容易发生。况且这种失落到复兴的整个过程中，对科学有影响的因素实在是太多了，既有正面又有负面，实在是难以分析归因。

至于不求用的思维，有了逻辑推演，科学工作者的产出提高，高到了让社会愿意供养其全职研究的地步，那么不求用的思维，自然会建立起来；不求用对科研效率的提升，良性反哺科学的发展，自然会蔚然成风。反过来，**只有不求用的态度，研究者没有逻辑推演发展科学的能力，资助者没有逻辑推演评价成果的本事，不求用的态度只会鼓励灌水，产出真没用的水货。**

<hr class="slender">

数学对自然科学的作用，定量化只是一个副产品。更重要的是作为逻辑科学的集大成者，发明/发现逻辑推演的规则，探索逻辑推演作为方法论的能力边界。一言以蔽之，欧几里德之后，数学已不只是“数字的学问”。

至于费曼先生，他怎么可能不知道四大力学确实就是按照欧几里德式的，从基本定律出发的方式讲授的呢？面对一伙学普通物理的本科新生，说这种话实在有点骗小孩儿的嫌疑，怪不得那门课上到后来，本科生全都跑了。物理和数学的区别，在于理论和实验两条腿走路，但是理论的这条腿，实实在在地来自于超越了“数字的学问”的数学。


.doc | 也谈近代科学从西方起步



> 2024年1月29日更新：读“我们如何得知”第 3, 13, 15, 16, 17 节, “图版”第 3-1 节

自从在个人博客上开启了[那本书](%7B%%20post_url%202022-03-05-great-cultural-revolution-ten-years-0%20%%7D)的读书笔记系列之后，发现捋一遍目录真的是读一次读不完的书很有效率的做法。

上次发了一篇[《生物学知识提纲》](%7B%%20post_url%202022-02-25-barron-360-biology-contents%20%%7D)，其实我家里是有好几本大部头的本科程度的生物学教材的，这本《细胞生物学精要》就是其中之一，是爸妈来看我的时候用行李箱带过来的中译本。快要找工作了，如果决定更进一步地进入生物领域的话，是时候看点书了。

这本书除了正常的章节之外，每一章都会对于一个科学命题，回答“我们如何得知这一命题”的问题，这一节插在正文中间，这次整理的时候单独摘了出来。另外部分章节末尾有图解部分概念的“图版”，也单独摘了出来。章节繁多，所以只展开了自己当下比较感兴趣的部分，并且将之标红加粗。

## 篇章结构

1. 介绍细胞
2. 细胞的化学成分
3. **能量、催化作用、生物合成**
    1. 细胞中能量的应用
    2. **自由能和催化作用**
    3. 活化的载体分子与生物合成
4. 蛋白质的结构和功能
5. DNA 和染色体
6. DNA 复制、修复和重组
7. 从 DNA 到蛋白质：细胞如何阅读基因组
8. **基因表达调控**
    1. 基因表达概述
    2. **转录是如何开启的**
    3. 造成特异细胞类型的分子机制
    4. **转录后调控**
9. 基因和基因组如何进化
10. 基因及基因组分析
11. 膜的结构
12. **膜转运**
13. 细胞如何从食物中获得能量
14. 线粒体和叶绿体中的能量生产
15. 胞内区室及转运
16. **细胞通讯**
    1. 细胞信号传导的一般原理
    2. G 蛋白偶联受体
    3. 酶联受体
17. 细胞骨架
18. **细胞分裂周期概述**
    1. 细胞分裂周期
    2. **细胞周期控制系统**
    3. S 期
    4. M 期
    5. 有丝分裂
    6. 胞质分裂
    7. 细胞数量和细胞大小的控制
19. 性与遗传
20. 细胞群落：组织、干细胞、癌

## 我们如何得知

1. 生命的共同机制
2. 什么是大分子
3. **使用动力学模拟和操作代谢途径**：基本都在 Machaelis-Menton 模型框架之内
    - 一个酶对其催化反应的最大速率 $$V_{max}$$:
        - 测量试管中不同底物浓度下的速率，找到其在底物浓度趋于无穷时的渐进行为。将浓度和速率都取倒数后作图，纵轴截距就是最大速率(!)
        - 更快的反应（几微秒内），需要“停/流仪”([stopped flow](https://en.wikipedia.org/wiki/Stopped-flow))
    - 调控：竞争性抑制剂不改变 $$V_{max}$$
    - 设计：通过模拟，但是完全没提模拟的细节。可能需要看正文 10.3.3
4. 探究蛋白质的结构
5. 基因由 DNA 组成
6. 复制的性质
7. 破译遗传密码
8. 基因调控——Eve 的故事
9. 基因数目
10. 人类基因组测序
11. 测量膜流
12. 乌贼为我们展示膜兴奋性的奥秘
13. **发现柠檬酸循环**
    - 当时的发现者 Krebs 等人：
        - 肌肉切碎后的悬浮液中，特定的一群分子被快速氧化
        - 这些分子形成两条通路：柠檬酸 → α-酮戊二酸 → 琥珀酸；琥珀酸 → 延胡索酸 → 苹果酸 → 草酰乙酸。（没有质谱技术，如何辨别这些小分子？）
        - 小剂量的以上分子加入后可以导致大量氧气消耗
        - 丙二酸实验
            - 丙二酸可以特异性抑制琥珀酸脱氢酶的活性（如何知道？丙二酸结构上类似琥珀酸即丁二酸）
            - 琥珀酸脱氢酶催化琥珀酸变为延胡索酸
            - 将柠檬酸、异柠檬酸、α-酮戊二酸（之前通路的**上游**分子）加入含有丙二酸的肌肉细胞悬浮液后，琥珀酸会累积
            - 将延胡索酸、苹果酸、草酰乙酸（之前通路的**下游**分子）加入含有丙二酸的肌肉细胞悬浮液后，琥珀酸**也**会累积
        - 结论/假设：下游存在一个反应，使得最下游反应物变成最上游反应物
            - 肌肉悬液和丙酮酸和草酰乙酸共培养时，形成了柠檬酸
            - 假设：丙酮酸 + 草酰乙酸 → 柠檬酸或丙酮酸 + 草酰乙酸 → 柠檬酸
            - 实际：乙酰 CoA 作为丙酮酸和草酰乙酸的中间体，十年之后才被发现
    - 现有技术：放射性标记物 + 质谱法
        - 放射性标记物
        - 质谱法
14. 化学渗透偶联如何驱动 ATP 合成
15. **追踪蛋白质和囊泡运输**
    - 定位到特定细胞器的蛋白含有特定“信号序列”，信号序列交换实验
    1. in vitro, 将细胞器从细胞中分离出来，和携带信号序列的蛋白质置于同一试管中，放射性氨基酸标记和追踪；图15-29 (B) 没看懂汉语
    2. 高温时分泌缺陷的酵母中发现了 25 种和胞吐有关的基因。25°C 转运正常，35°C 异常积累在内质网、高尔基体、囊泡中
    3. 荧光蛋白视频
16. **解析细胞信号通路**
    1. 检测磷酸化：当信号通路接收到胞外信号分子时，多种蛋白被磷酸化
        1. 破碎细胞、通过凝胶按大小分开、使用抗体检测磷酸化的蛋白
        2. 在细胞暴露于信号分子时，提供放射性的 ATP；破碎细胞并通过凝胶；将凝胶在 X 光底片上曝光。
    2. 鉴定相互作用蛋白：
        1. 免疫共沉淀：用抗体抓住特定的蛋白，如果其正与其他蛋白结合，则被结合蛋白也会沉淀
        2. DNA 重组技术：构建一系列突变蛋白，可以鉴定出用来结合的氨基酸位点。使用此种方法时，细胞内不能有对信号分子相应的正常受体（如何做到？）
    3. 开关通路
        1. 开：DNA 重组技术，编码不需外源信号也能持续激活的受体蛋白，例如人类癌症中的 Ras
        2. 关：
            1. DNA 重组技术，构建“显性失活”(dominant negative) 突变体
            2. 小干扰 RNA (siRNA)，降解编码相应蛋白的 mRNA 或阻止 mRNA 翻译
    4. 通路排序
        1. 动物筛选：成千上万的实验动物用一种突变源处理，寻找突变所在的信号通路中哪一个没有正常工作，由此找到信号通路中编码蛋白的基因
        2. 确定顺序：已于研究目标 X，选定一个基准蛋白 C，引入一种失活的 X 突变，再引入持续激活的 C，看通路是否仍能工作，能则 X 在 C 上游，反之则在下游。
17. **寻找马达蛋白**
    - 难点：在细胞外分离和研究相关蛋白质
    - 方法：
        - 显微镜技术发展，从特定种类的细胞中将胞内运输系统挤压出来。
            - ~~光学显微镜时代：拥有巨大轴突的乌贼神经细胞，从轴突中挤出细胞质（轴浆），然后研究粒子跨细胞膜运动，轴浆被丢弃。~~
            - 视频增强显微镜时代：空间分辨率 200nm，看到囊泡和被膜细胞器沿着细胞骨架移动，从 30~50nm 的颗粒到 5000nm 的线粒体。
            - 这种运动需要 ATP，AMP-PNP 竞争性抑制细胞器转运
        - 用纯化的缆绳、马达、货物从零开始装配一套正常运转的运输系统
            - 抗体实验表明蛋白丝缆绳是 α-微管蛋白
            - Ron Vale, Thomas Reese & Michael Sheetz 将纯化的缆绳（乌贼的视叶中纯化的微管）和货物（乌贼轴突中分离的细胞器）放在一起，寻找诱发运动的分子。乌贼轴突细胞质的提取物可以诱发运动
            - AMP-PNP 虽抑制其运动，但仍能使组件结合。结合后提取微管，希望马达蛋白仍附着在微管上。加入 ATP 释放附着的蛋白，得到 110kDa 的多肽
        - 细胞内观测：Steven Blcok et al, 1990
            - 微小的硅珠包裹上低浓度的动力蛋白，能观察到硅珠沿微管行走
            - 马达蛋白和荧光蛋白偶联，可以观察到单个动力蛋白分子
            - 发现：每个分子从微管上掉落之前走大约 100 步，每步 8nm，约等于微管蛋白单体的长度。ATP 水解实验表明每步消耗一个 ATP
            - 动力蛋白有两个头部，被认为以左右交替的方式前进。
18. 细胞周期蛋白和 Cdk 的发现
19. 利用 SNP 解开人类疾病的面纱
20. 搞清楚那些对癌症有关键性影响的基因

## 图版

- 1-1. 显微镜
- 1-2. 细胞结构
- 2-1. 化学键和化学基团
- 2-2. 水的化学性质
- 2-3. 几种糖的类型概述
- 2-4. 脂肪酸和其他脂类
- 2-5. 蛋白质里的20种氨基酸
- 2-6. 核苷酸概述
- 2-7. 非共价键的主要类型
- 3-1. **自由能与生物学反应**：写得不好，太多不加解释的事实陈述
    - 反应的自由能变化和平衡常数之间存在函数关系，推导在 3.2.6 节
    - 生物系统中，吉布斯自由焓为正的反应的发生，经常依靠反应耦合（多个反应共享一个或多个中间物）。总的自由能变化是各个反应自由能之和。
- 4-1. 蛋白质功能的几个例子
- **4-2. 描述小型 SH2 蛋白结构域的四种不同方式**
- 4-3. 抗体的制备和使用
- **4-4. 细胞的裂解和细胞抽提物的初步分离**
    - “我们如何得知17”提到
- **4-5. 用层析法分离蛋白质**
    - “我们如何得知17”提到
- 4-6. 用电泳法分离蛋白质
- 13-1. 详解糖酵解的10个步骤
- 13-2. 完整的柠檬酸循环
- **14-1. 氧化还原电位**
- 17-1. 三种蛋白丝的主要类型
- 18-1. 动物细胞 M 期的主要阶段
- 19-1. 经典遗传学的要义


.pdf | 《细胞生物学精要 Essential Cell Biology》读书笔记


最近在学校书店看到一本书，是 BARRON’S 360 系列的《A Complete Study Guide to Biology with Online Practice》。（原本）觉得对半路出家的我来说很有用，但是美国的书实在是太TM贵了，于是把目录抄录下来，对照内容自己找资料自学。

~~算是开了一个新坑？~~

抄完之后才发现这基本上就是国内高中的生物学水平，对生物分类方面的介绍还是立足于向下一代传递信息，有趣但是对我的研究帮助不大；对分子生物学和细胞生物学方面的介绍少了点。“世界上最好的高中教育在美国，只不过是在美国大学。”段子诚不我欺。

1. 总论/元信息 <br>
BIOLOGY: THE SCIENCE OF LIFE
    1. 生物的科学<br>
    The Science of Biology
    2. 生物学诸分支<br>
    Branches of Biology
    3. 当代生物学家的工作<br>
    The Work of the Modern Biologist
2. 生命的特征<br>
 CHARACTERISTICS OF LIFE
    1. 主要生命活动<br>
    Major Life Functions
    2. 生物如何命名<br>
    How Living Things Are Named
    3. 五界分类系统<br>
    Five-Kingdom System of Classifications
    4. 六界分类系统<br>
    Six-Kingdom System of Classifications
    5. 三域分类系统<br>
    Three-Domain System of Classifications
3. 细胞：生命的基本单位 <br>
THE CELL: BASIC UNIT OF LIFE
    1. 作为基本单位的细胞<br>
    The Cell as a Basic Unit
    2. 细胞的各部分<br>
    Parts of a Cell
    3. 动植物细胞比较<br>
    Comparison of Plant and Animal Cells
    4. 细胞和组织<br>
    Organization of Cells and Tissues
    5. 细胞增殖<br>
    Cell Reproduction
4. 生命的化学 <br>
THE CHEMISTRY OF LIFE
    1. 一些基础化学原则<br>
    Some Basic Principles of Chemistry
    2. 化学键<br>
    Chemical Bonding
    3. 化学反应<br>
    Chemical Reactions
5. 细胞的基础化学 <br>
THE BASIC CHEMISTRY OF CELLS
    1. 作为化学工厂的细胞<br>
    The Cell as a Chemical Factory
    2. 活体细胞中酶的作用<br>
    The Role of Enzyme in Living Cells
    3. 细胞呼吸<br>
    Cellular Respiration
6. 细菌和病毒 <br>
BACTERIA AND VIRUSES
    1. 原核生物<br>
    Prokaryotes
    2. 细菌的分类<br>
    Classification of Bacteria
        1. 古菌界<br>
        Kingdom Archaeobacteria
        2. 细菌界<br>
        Kingdom Eubacteria
    3. 细菌的重要性<br>
    Importance of Bacteria
    4. 病毒<br>
    Virus
7. 原生生物界：原生动物、类真菌原生生物、类植物原生生物<br>
THE PROTIST KINGDOM: PROTOZOA, FUNGUS-LIKE PROTISTS, PLANT-LIKE PROTISTS
    1. 主要原生生物<br>
    Major Groups of Protists
        1. 原生动物<br>
        Protozoa, the animal-like protists
        2. 类真菌原生生物<br>
        Fungus-like protists
        3. 类植物原生生物<br>
        plant-like protists
    2. 原生生物对人类的重要性<br>
    Importance of Protists to Humans
8. 真菌<br>
THE FUNGI
    1. 真菌的一般特性<br>
    General Features of Fungi
    2. 主要真菌门<br>
    Major Divisions of Fungi
    3. 特殊营养关系<br>
    Special Nutritional Relationships
    4. 真菌对人类的重要性<br>
    Importance of Fungi to Humans
9. 绿色植物<br>
THE GREEN PLANTS
    1. 植物的一般特点<br>
    General Characteristics of Plants
    2. 主要植物门<br>
    Major Divisions of Plants
    3. 光合作用<br>
    Photosynthesis
    4. 植物激素<br>
    Plant Hermones
    5. 光周期律<br>
    Photoperiodicity
10. 无脊椎动物：从海绵到软体动物<br>
INVERTEBRATES: SPONGES TO MOLLUSKS
    1. 动物体的基本组织结构<br>
    Basic Organization of the Animal Body
    2. 无脊椎动物的一般特点<br>
    General Characteristics of Invertebrates
    3. 海绵<br>
    Phylum Porifera — Sponges
    4. 腔肠动物——水螅、水母、珊瑚、海葵及其近亲<br>
    Phylum Cnidaria (Coelenterates) — Hydrozoa, Jellyfish, Corals, Sea Anemones, and Their Relatives
    5. 扁形动物门<br>
    Phylum Platyhelminthes—Flatworms
    6. 线虫动物门<br>
    Phylum Nematoda—Roundworms
    7. 环节动物门<br>
    Phylum Annelida—Segmented Worms
    8. 软体动物门—— ~~蛤与蛤丝~~ <br>
    Phylum Mollusks—Clams and Their Relatives
11. 无脊椎动物：节肢动物<br>
INVERTEBRATES: THE ANTHROPODA
    1. 主要代表纲<br>
    Major Representative Classes
    2. 蛛形钢<br>
    Class Arachnida—Spiders and Ticks
    3. 软甲纲<br>
    Class Malacostraca—Lobsters and Their Relatives
    4. 昆虫纲<br>
    Class Insecta
    5. 节肢动物对人类的重要性<br>
    Importance of Arthropoda to Humans
12. 后口动物、脊索动物、哺乳动物<br>
DEUTEROSTOMES, CHORDATES, AND MAMMALS
    1. 后口动物总门<br>
    The Deuterostomes
    2. 脊索动物门<br>
    Phylum Chordata—The Chordates
    3. 脊椎动物亚门<br>
    Subphylum Vertebrata—The Vertebrates
13. 人：一种特殊的有脊椎动物<br>
HOMO SAPIENS: A SPECIAL VERTEBRATE
    1. 灵长类的特点<br>
    Characteristics of Primates
    2. 骨骼系统<br>
    The Skeletal System
    3. 肌肉系统<br>
    The Muscular System
    4. 神经系统<br>
    The Nervous System
    5. 内分泌系统<br>
    The Endocrine System
    6. 呼吸系统<br>
    The Respiratory System
    7. 循环系统<br>
    The Circulatory System
    8. 淋巴系统<br>
    The Lymphatic System
    9. 消化系统<br>
    The Digestive System
    10. 排泄系统<br>
    The Excretory System
    11. 感觉器官<br>
    Sense Organs
    12. 生殖<br>
    Reproduction
14. 营养：吃出健康<br>
NUTRITION: EATING FOR HEALTH
    1. 大量营养物质<br>
    Macronutrients: Carbohydrates, Proteins, and Lipids
    2. 微量营养物质<br>
    Micronutrients: Vitamins and Minerals
    3. 进食障碍<br>
    Eating Disorders
15. 人类疾病和免疫系统<br>
DISEASES OF HOMO SAPIENS AND THE IMMUNE SYS传染病TEM
    1. 传染病<br>
    Infectious Diseases
    2. 免疫系统<br>
    The Immune System
    3. 非传染病<br>
    Noninfectious Diseases
16. 遗传和基因学<br>
HEREDITY AND GENETICS
    1. 经典遗传原理<br>
    Classical Principles of Heredity
    2. 现代基因学<br>
    Modern Genetics
    3. 基因技术<br>
    Genetic Technologies
    4. 逆转录病毒——RNA中的基因编码<br>
    The Retrovirus of AIDS—Genetic Coding in RNA
    5. 遗传对人类的重要性<br>
    Importance of Heredity to Humans
17. 演化论<br>
PRINCIPLES OF EVOLUTION
    1. 演化的证据<br>
    Evidence of Evolution
    2. 演化的思想<br>
    Ideas About Evolution
    3. 生命的起源<br>
    The Origin of Life
    4. 人类的演化<br>
    Evolution of Humans
18. 生态学<br>
ECOLOGY
    1. 生态系统的概念<br>
    The Concept of the Ecosystem
    2. 生态系统中的能量流动<br>
    Energy Flow in an Ecosystem
    3. 生物地球化学循环<br>
    Biogeochemical Cycles
    4. 限制因素的概念<br>
    The Limiting Factor Concept
    5. 温室效应<br>
    Greenhouse Effect
    6. 全球变暖<br>
    Global Warming
    7. 生态演化<br>
    Ecological Succession
    8. 世界生物群系<br>
    World Biomes
    9. 人类和生物圈<br>
    Humans and the Biosphere
    10. 生态保护<br>
    Conservation

.tex | 生物学知识提纲


1. [微信公众号“BioArt植物”，原作者 Elisabeth Pain ，《实验记录到底怎么记？》](https://www.sciencemag.org/careers/2019/09/how-keep-lab-notebook)
1. [Howard Kannare, 《Writing the Laboratory Notebook》](https://files.eric.ed.gov/fulltext/ED344734.pdf)
1. [MIT Department of Mechanical Engineering, 《Instructions for Using Your Laboratory Notebook》](http://web.mit.edu/me-ugoffice/communication/labnotebooks.pdf)
1. [微信公众号“生物学霸”，《颜宁：讲讲如何记实验记录》](https://xw.qq.com/partner/vivoscreen/20200820A00HZI00?vivoRcdMark=1)

微信平台不允许添加指向微信之外的超链接，资源的获取方式见正文。作为报复，以上四条资源中有两条最早是在公众号里看到的，但是博文给出的链接都来自微信之外 :-)

<hr class="slender">

## 0

疫情依旧，摸鱼依旧。摸鱼的方式有很多种，其中比较高级的一种是打着完美主义的旗号，对着一个还没完成，或者根本不存在完成时的东西，疯狂输出时间和精力。琢磨如何完美地进行实验记录就是个挺不错的由头。

说实话，学界对研究记录的要求实际上并不算严格，这一点在《Writing the Laboratory Notebook》里也有佐证。商业机构研发部门的研究记录会成为将来知识产权争端的主要证据，稍有不慎就是真金白银的经济损失，甚至关乎企业的生死存亡。而学界的工作在“科技”中偏重于”科“（即便是工程学科），在”研发“中偏重于”研“。（四者有什么联系和区别？科学认识世界，技术改造世界，研究把钱变成知识，开发把知识变成钱。）自由比起规范显然更有利于在未知领域的探索。

所以，我们实验室对于实验记录并没有成文的规则，大家自己找本子自己记，格式和内容都跟随自己的喜好来，同实验室的同学也很少交流这个问题，仿佛说了就是承认自己的科研能力有问题。

## 1

越不谈越是心虚，于是在看到了《实验记录到底怎么记？》这篇文章之后，下决心要处理掉这个问题。这篇文章的作者访谈了几个科研人员，然后将他们的对话打碎，分到四个问题之下：

- 为什么还要花时间精力去做实验记录？
- 用传统纸质的记录本，还是电子版，还是都有？
- 采取什么策略来保证实验记录有条理、完整并且实用？
- 其他……

并不推荐这篇文章，原因从这四个问题就能看出来：第一条属于幸存者偏见，一个觉得记录不重要的人压根不会认真记录，从而很难成为访谈对象；第二条属于典型的”有的人……有的人……“英式废话文套路；第三个问题太笼统，本应该细分为更明确的子问题；最后一个“其他”说明作者都不知道该怎么总结这些对话。明明是一篇文章，硬生生写出了微博一般的碎片感。

## 2

于是在网上继续找资源，机缘巧合之下，在一个知乎问题之下看到了一个还不错的答案，里面提到了 Howard Kannare 的《Writing the Laboratory Notebook》这本书。真的是“机缘巧合”，因为现在的我已经找不到原来的那个问题和答案了，哪怕专门为了这篇文章搜索了半天……这说明了网络资源的收藏和管理也是一个技术活（又可以水一篇文章了）。

这本书在网上有英文的完整影印版，很容易就能搜到，实在不行的话在微信后台留言"HowardKannare"可以收到下载网址（注意回复的关键词没有空格）。

本书各章的标题如下：

1. The Reasons for Note keeping - An Overview
2. The Hardware of Note keeping - Books, Pens, and Paper
3. Legal and Ethical Aspects - Ownership, Rights, and Obligations
4. Management of Notekeeping - Practices for Issuance, Use, and Storage of Notebooks
5. Organizing and Writing the Notebook - Be Flexible
6. Examples of Notebook Entries
7. Patents and Invention Protection
8. The Electronic Notebook
9. Appendix A: Some Suggestions for Teaching Laboratory Notekeeping
10. Appendix B: Photographs from the Historical Laboratory Notebooks of Famous Scientists

书很长，有 150 多页，这导致内容涉及方方面面，包括了那些我们可能不是那么急需的方面；还有很多我们今天可能并不十分需要的冷知识，比如几十年前美国出产的纸张由于某种工艺导致保存期限比较短等等。好在多数章节最后都有总结，可以帮人省下不少时间。

另一方面，这本书出版于1985年，那是一个什么年代呢？苹果在前一年才刚刚推出了 Macintosh 电脑，C++ 在当年才刚刚出版。所以对于电子实验记录，书中只在第8章和纸本笔记进行了一个简单的对比，而且有比较明显的时代局限性。

总之，如果真要读这本书的话，抱着练习英语阅读的目标，要远比学记笔记要少些失望。

## 3

干了半天之后开始怀疑这件事从一开始是否有必要，这可是 PhD 的保留节目了。

尤其是在读过《Writing the Laboratory Notebook》的第5章之后，读到单篇实验报告应该包括 introduction, experimental plan, observations and data, discussion of results 的时候，恍然发现，这不就是本科实验课要交的实验记录的写法吗，之所以没有老师教过我们怎么记实验记录，是不是因为他们觉得这个事情已经教过了？

既然如此，那么第三份材料就是 MIT 机械系给本科生的实验报告要求，不长，只有 6 页，还包括了超过两页的模板笔记，可以当作《Writing the Laboratory Notebook》关于笔记内容部分的精华集锦来看。微信后台回复 "MITlab" 可以收到 PDF 下载地址。

但这反而说明了，PI们散养研究生，不对实验记录进行更进一步的要求和培训是不对的。因为“实验记录本”≠“实验记录们”，研究生的工作不同于本科实验课，本科生做实验就只有在固定时间和固定时长的实验课上，一切超出规定范围内的动作大概率都是无用功甚至错误，每个实验要做什么，有哪些步骤，会观察到什么现象，都是事先设计好的，实验记录的各个部分会有哪些内容，大体上没跑。研究生的工作则不然，大到整个博士期间的所有工作都可以算作是一个项目（毕竟会写成一篇毕业论文），小到显微镜从开机到观测到关机的几个小时也可以整出一篇报告来，如何划分研究的基本单元？一个人可能同时在做相对独立的多项工作，是连续记录还是分开平行记录？以纸本为主，电子版主要用于备份，还是主要用电子设备，随手记在纸上的拍照作为附件？

## 4

对于这篇文章没有太多可说的，覆盖范围和《实验记录到底怎么记？》类似，感觉就相当于颜宁女士自己一个人对那篇文章中的问题的回答，由于是一个人的回答，所以不会有前一篇文章中不同观点混在一起的分裂感。看过了《Writing the Laboratory Notebook》之后，会发现文中的每一个点都在书中可以找到。


.tex | 整理一些关于实验记录的文章


“酵母”其实是1500多种微生物的一个统称，但是在科学研究中最常用的一种是 _Saccharomyces cerevisiae_，下文中的酵母一词指的就是它们。作为一种单细胞生物，酵母在指数生长期，通过出芽生殖的方式，平均约90分钟就可以繁殖一代。同时作为真核生物，核膜以及各种具膜细胞器应有尽有。而且酵母对脂质的代谢路径和人类的代谢路径在进化上是同源的，也就是说有些治疗人类疾病的药物，也可以在酵母细胞中产生效果。结合酵母菌快速繁殖的特性，可以方便相关药物的筛选。再加上人们熟知的发酵、酿酒等应用，酵母就成了生物实验室中非常常见的一种模式生物。

## “衣”

~~全裸，下一题。~~

这个问题其实还是可以再多说两句的。

这里的“衣”显然是一种比喻，既然是比喻，那就要看说话的人想强调的是衣服的哪种性质。酵母的细胞膜外面还有一层细胞壁，对于一个细胞的定义来说，细胞壁并不是必需的。从这个角度讲，完全可以把细胞壁比作酵母的外套。这层外套的主要成分是糖类，既包括起到结构支撑作用的多糖，也包括传递信息，可以用来对酵母进行特异性识别的糖蛋白。

即便有了这么一层外套，单个的酵母细胞在显微镜下依然是透明的，在普通的亮场 (bright field) 显微镜下，可以隐约看到酵母细胞内部比较巨大且明显的结构，比如液泡。要想看得更清楚，就得用上 DIC（微分干涉相差，differential interference contrast）显微技术了。要说清楚 DIC，需要一篇独立的文章，而文章的很大一部分都会是数学。简而言之，光在不同的介质中的传播速度不同，表征介质的这一性质的物理量叫做“折射率”，折射率 × 光传播的距离 = 光程。当我们让两束相同的光线，通过给定的距离，其中一束光线通过我们的酵母细胞，另一束经过一段折射率已知的均匀介质（比如说空气），两束光通过的光程不同，再次见面时就会有差别，用衍射的方法比较一下两束光，就能得出酵母细胞内不同位置的折射率信息，从而看出不同的结构。

DIC 设备比普通的亮场显微镜要贵不少，而且有些不同的细胞器其实长得很像，即便用上 DIC 也不容易分清楚，这时候我们就要对酵母细胞本身动点手脚。有些荧光染色剂可以和某种细胞器特异性地结合，用特定波长的光照射细胞，被染色的细胞器就会发出另外一种波长的荧光，我们用滤光片把入射光过滤掉，就可以得到这种细胞器在细胞中的位置、形状和大小信息。除了用染色剂，还可以把荧光蛋白基因插入到某些细胞器蛋白质的基因旁边，这样就免去了每次观察细胞时染色的麻烦。~~（“所以你们实验室做转基因喽？那你告诉我，转基因食品能不能吃？”）~~

之前两段说的是单个细胞，而在固态的培养基（“住”的部分会介绍）上面，酵母细胞不能大范围移动，单个酵母细胞作为祖先不断繁殖，“子又有孙，孙又有子”，久而久之（其实也就两三天）就可以形成一个菌落，就是培养基上一个肉眼可见的斑点。不论是黄色的 YPD 培养基还是白色的 SD 培养基，菌落的颜色肉眼观察不出区别，都是乳白色。

## “食”

酵母是一种异养生物，也就是说需要摄入营养物质，既要利用其中的化学能维持自己的生命活动，也要利用这些物质的原子和分子构建自己身体的组成成分。能够满足微生物细胞生长繁殖需求的营养物质，叫做培养基 (medium)。我们实验室中常用的培养基主要就两种，一是 YPD 培养基，二是 SD 选择培养基。

### YPD

这个名字直接来源于其成分——Yeast extract, Peptone, Dextrose——酵母提取物、胨、葡萄糖。用酵母提取物去喂酵母……不能多想，想多了就有点怪怪的……好处是真的好用，生长速度比下面要讲的 SD 培养基要快一些。而且由于我们实验室都是 SD 选择培养基，所以野生型酵母只能用 YPD。

那么缺点呢？一个问题就是酵母提取物里面，究竟有什么物质，每种物质占比多少，都是一笔糊涂账，实验结果就不好分析。

另外，YPD 培养基在很多波长的光照射下都会发出微弱的荧光，在之前说过的荧光显微观察中，这种荧光就会成为背景噪声。所以 YPD 培养的细胞不能直接进行荧光显微观察，要换到 SD 培养基养一段时间（一般半个小时以上），或者干脆就直接养在 SD 培养基里。

### SD 选择培养基

SD 的全称是 synthesis defined，意思是人工合成，而且成分是明确且固定的，配方在一般的科研网站上都能找到。而选择培养基的意思是，相比于普通的 SD 培养基，某种营养物质（一般是某种氨基酸）被去掉了，比如说 SD-His 培养基中就不含有组氨酸 (Histidine)。这些营养物质都是野生酵母没办法自己合成的，但是在用同源重组的方法进行基因编辑的时候，我们除了会导入目标基因之外，还会一起导入能表达合成这一营养物质的酶的基因。把被编辑过的细胞接种在选择培养基上，那些没能成功编辑的细胞将无法合成相关营养物质，只有编辑成功的细胞能够幸存，并形成菌落，这就是“选择”一词的由来。

## “住”

由于酵母既没有嘴，也不像草履虫一样拥有可以游动的鞭毛，所以只能和营养物质生活在一起。（当然也是和代谢废物生活在一起，不能多想……）所以说，培养基不仅是食物，还很类似于酵母菌的“家具”。

前面说到了培养基，定义里说是营养物质，但是并没有强调其物质状态。培养基既可以按照配方配置成溶液，这叫做液态培养基。在溶液中按比例（一般是 2% 的质量分数）加入琼脂 (agar)，先加热溶解，然后稍微冷却之后倒入培养皿 (petri dish)，继续冷却就形成了凝胶，这样就制成了一个半固态培养基。

在培养基中加入了细胞之后，此时的混合物应该叫做培养液 (culture)，如果把 medium 和 culture 弄混了的话，有些人的脸上会浮现出微妙的笑容。屠格涅夫说过：“有教养不是吃饭的时候不洒汤，而是别人洒汤的时候你不去看他。”为了避免别人没有教养，我们还是应该勉为其难地区分一下这两个概念。:-)

说完家具来说房子，也就是 culture 的容器。

在液态培养液中，酵母的密度要略微大于培养基的密度，所以长时间的静置会使得细胞在容器的底部沉积，影响生长速度。所以我们需要把容器固定在恒温的机械平台上不断摇晃，为了让离心力尽可能地大，容器要选用底面积比较大的锥形瓶，用普通试管的话需要将其斜放。~~（我看看有哪个高中生蹦出来说不存在离心力这回事，哼）~~

对于琼脂培养基，培养皿直接放在恒温箱里静置。前面说过，单个细胞会繁殖，然后无法移动，形成一个菌落。没有基因突变的话，这一个菌落中细胞的基因型都是相同的。如果两个空间上相邻的菌落不断长大，就会连在一起，进而长成一个大菌落（突然想到了光学课本里瑞利判据那张连环画），此时就不好确定基因型的纯洁了。在长到这种情况之前，就要把培养皿用 3M 胶带封起来，然后放到低温下暂存，等待日后实验时取出单个菌落继续培养，或是冷冻长期保存。

说到了温度，酵母菌的正常生长需要 30 摄氏度。刚才说到要保存菌落已经足够大的培养皿，这时的温度一般是 4 摄氏度，也就是冰箱冷藏室的温度。而长期保存细胞的话需要放入 -70 ~ -80 摄氏度的低温冷柜中。

## “行”

我们实验室还并没有厉害到需要给其他实验室寄送我们培养的菌株的地步，我们实验室里的菌株是怎么来的我也忘了……所以这一节所说的“行”，指的是酵母菌在不同的培养基之间的转移。

网上的教程里比较讲究，啥高科技工具都有，就跟吃螃蟹的蟹八件似的。我们实验室比较莽，不论是冷冻的细胞，还是液态或者琼脂培养基中的细胞，一律都是用消毒杀菌过的细木棍来取细胞，如果不是要转移到琼脂培养皿的话，甚至还可以用一次性移液枪头。琼脂培养基的话要仔细蘸一蘸，确保取到的细胞来自同一个菌落，冷冻细胞的话就刮一刮容器里的冰沙，液态培养基的话就随便蘸一蘸。

如果目的地是液态培养基的话就很简单，木棍伸进去，搅合搅合，完事儿。

如果是琼脂培养基的话，要轻轻地在琼脂表面来回涂擦，要小心不能刮坏琼脂层。来回涂擦几次之后，把木棍换到之前没接触细胞的一面，在刚才涂擦的区域边缘，往没涂过的地方来回涂擦几次，如是反复者二三。这样做是因为刚开始的细胞数量可能比较多，长出来的菌落从一开始就连成一片，后来几次涂擦时细胞的密度就会越来越低，某个区域就会出现足够数量又相距足够距离的一群菌落。总之是个技术活还是个经验活。

如果是新制备长期保存的细胞的话，需要先在液态培养基中将细胞养到合适的浓度，然后在专用的容器中按照 1:1 的比例混合培养液和甘油，然后就可以放进冷柜了。

.tex | 实验室中酵母菌的衣食住行

.pdf | 《你的第一本哲学书》笔记（更新中）


今年秋假去了 Grand Teton 大提顿和 Yellowstone 黄石国家公园。两个公园南北相邻，向南最近的城镇是 Jackson Hole，也就是美联储开会的地方。

Grand Teton 依托于提顿山脉，山的海拔不算特别高，但是胜在山脉东侧的湖泊和盆地，衬托得山势雄伟。园内落叶阔叶林和常绿针叶林混搭，秋季色彩明丽。

Yellowstone 整个公园相当于一个活火山的火山口，园内有大量温泉、间歇泉、地热，还有黄石河切削而成的峡谷和瀑布，一年四季的景色都很优美。但是园内植被主要是常绿针叶林，所以秋天并不额外出彩。

另外秋季两个公园内的野生动物都不活跃，不过对于像我这样没有 100 - 400 mm 长焦镜头的普通游客影响不大～

两个公园的门票都是一周内无限次进入，好处是景区内商家不存在行政垄断，吃饭加油的价格并不比外面贵；坏消息是外面和公园里一样贵，提顿村汽油每加仑超过 $5，杰克逊稍微便宜一些但也很贵。

![大提顿公园地图](/photos/2024-10-13-GrandTeton.png)

![黄石公园地图](/photos/2024-10-13-Yellowstone.png)

### 流水账

- 第一天
    - 在盐湖城中转，期间下载了两个公园的 Google 离线地图
    - 中午到 Jackson Hole 机场，在租车行取车
    - 在 Dornans 下车拍照
    - 下午开车沿 Hwy 191 向北，在沿途的停车区短停拍照，看到 Pack Trail Fire 山火的烟
    - 经过大提顿和黄石公园南入口，分别买票
    - 到达黄石公园 Moose 瀑布后返回
    - 前往提顿村，路上在 Jenny Lake outlook 拍照
    - 入住酒店
- 第二天
    - 从提顿村前往黄石，经过 Teton Park Road，沿途在停车区拍照
    - 在黄石公园依次游览 West Thumb 间歇泉、Mud Volcano 火山湖、Upper & Lower 瀑布
    - 试图前往 Dunraven ，因为不太会用离线地图，一直开到了 Roosevelt Lodge 才发现走错了，而且那里秋季不开门
    - 返回，抵达 Dunraven Pass 时日落，没找到上山途径，在路对面的山坡上看晚霞
    - 在公园内吃晚饭，不比宾馆贵
    - 夜行回宾馆
- 第三天
    - 试图在宾馆附近拍日出，东方有山，看见太阳时高度角已经很高，未见红日
    - 在黄石公园依次游览 Old Faithful 间歇泉、Steamboat 间歇泉、Congress pool
    - 试图返回 Jenny lake 拍日落，没太赶上，发现另一个拍日出的机位 Cathedral Group Turnout，事后证明不是秋季的最佳机位
- 第四天
    - 早起前往 Cathedral Group Turnout，
        - 看提顿峰顶的第一缕日光
        - 在长焦镜头取景框里看到大角公鹿，没能拍下清晰照片
        - 回程发现了更好的机位，向东可以看到地平线上的日出，向西有若干金黄色落叶阔叶林作为提顿峰的前景，非常后悔
    - 在 Jenny lake 拍照
    - 退房后，大提顿以东的整个平原/盆地隐没于远方山火扩散来的烟霾中
    - 前往 Mormon Row，是一处早期定居点，遇花栗鼠一只，蓝鸟一对
    - 穿过 Jackson 镇，进入 Elk Refuge，此处的烟霾比提顿附近略轻。
    - 返回 Jackson 镇吃午饭，加油，回机场

.xls | 秋游大提顿和黄石公园


> 写点尬的，先来首高雅音乐～
> 

[https://music.163.com/song?id=254901](https://music.163.com/song?id=254901)

美国的冬春学期五月份就结束了，毕业典礼中的 hooding ceremony 一般在此学期的最后一个周五，commencement 在接下来的周一。

我早就毕业了，但是答辩的时候刚刚过了毕业典礼的日期没多久。毕业之后回了一趟家，然后返回原实验室做博士后。

---

今年春天，我们研究方向的师生每周茶聚的时候，我们老板盛赞我选择下一年的春天参加毕业典礼是个明智的选择，毕竟冬学期的活动太冷清了，都没有人重视。

当时我的面部肌肉稍微拉起来一个微笑，没有接话。

这是在提醒我，他可没有忘，所以请我也不要忘了报名今年的毕业典礼哟～

刚入学的时候，我觉得我们老板怎么这么水，数学水编程也水，就这还是两校出来的学生？现在的我真心地除了佩服还是佩服，我们老板不论安排什么任务，还是讲什么知识，说起来都笑吟吟的，我认识他六年有余了，从来没见他红过脸——这个世界如此地混沌，他却能微笑着一句话，剪断一个将来可能有无限枝叶的世界线分叉——那还有多少事，多少人的“自由意志”，都包含在他的自由意志之中呢？

---

说第二年参加毕业仪式是一种“选择”，是因为至少还有两种做法：1. 答辩之前就参加当年的活动，我们组比我高一级的学姐就是这么干的；2. 毕业之后的冬季学期结束的时候还有一次 hooding ceremony, HK 兄弟就是这么干的。

两种做法我都没有选，因为我本来完全不打算参加任何毕业活动的。

毕竟对于迂腐的小知识分子，一个行为能带来的世俗荣誉感越大，做了就越庸俗，拒绝就越优雅～

我们本科的毕业纪念册上，居然有一个文本框要填什么“所获荣誉”，简直是人心不古世风日下，于是咱仗义执言：“物理学院院内足球联赛亚军；BiliBili 放映室写评论赢电影票活动获奖观众”

![——优雅，实在是太优雅了.gif](https://syimg.3dmgame.com/uploadimg/xiaz/2022/0607/1654566377264.gif)

纪念册打印出来之后我一看，律神的第一行写着“珠峰物理实验班第一学年平均分数第一名”。律神是名副其实的大学霸，大一的时候专业课都接近满分。我只是个 90 分飘过的混子，而体育课思政课之类的我又碰巧分数比他高，算 GPA 的话居然比他还高了一点点。大一下学期的电磁学期末考试实在是太简单，直接把他气到在群里@老师，大二转学到了数学班。

~~对了，数学班的班花毕业纪念册好像写得也很优雅。我自己其实真无所谓，但我有个朋友真的很想知道一下人家的联系方式。~~

---

出来混总是要还的嘛。

仗着成绩不错，在外校选修了拓扑学，尼玛人话都听不懂多少，就要去理解紧致啊同伦啊这些概念，这回 GPA 真的下来了。而且在外校的一个学期 ~~让喜欢的女孩子终于好意思拒绝了我的纠缠~~ 打断了之前在本校的研究进度，回来之后又去了一个完全不同的课题组混经验，到毕业也没混出什么名堂。

寄出去 19 封申请信，只回来 2.5 份录取通知书，那半份硕士录取的老师还发邮件催了好几次，意思是硕士录取就已经很给我面子了，不要不识好歹哟～

来到博士学校，才知道这份 offer 是因为和我同年招聘来了一个新老师，系里估计他需要学生，就把申请信里说对这个方向有兴趣的我给捞进来了。

来了之后我依然笑嘻嘻地在混，但是研究方向的不确定性，技术路线能不能走通都不好说，更别说知道能做出什么结论，结论的科学意义有多大了。

最焦虑的时候，我背着书包回家，包还在背后往床上一躺就睡着了，然后一个实验失败的噩梦又把我给惊醒，起身时屋内漆黑，窗外华灯初上。

确定答辩日期之后，其实是可以提前报名当年的毕业典礼的，但是我实在是怕给自己立 flag，觉得干脆就不参加典礼了更好，跟家里也是这么说的。

结果下半年， 比我晚入学两年的老乡 HK 兄弟毕业了，朋友圈发了很帅气的照片。这回破防的是我了，“富贵不发朋友圈，如锦衣夜行，谁知之者！”老板提了一嘴我就报名了。

---

大三的时候，物理学院出钱，让我们班三个同学去美国一所学校做一个学期的访问学生。外校的新生报到时，我们刚进大厅，身前不远有一家三口，小姑娘转身面向爸爸妈妈，笑着说她要去排队咯，然后又转身，金发单马尾一蹦一跳地往前跑去了。确定她走远后，妈妈倒在了爸爸的怀中，眼中泪水不住地流。

然后我们几个相视一笑，就这？我们坐了快二十个小时的飞机，天没亮在麦当劳眯了好几个小时再过来，你们开了几个小时的车就感动成这样？

后来我觉得当年的自己真幼稚。人生道阻且长，怎能不抓紧一切可庆祝的机会去庆祝，给自己加油打气，说服自己正走在正确的方向呢？

现在我觉得当年觉得自己真幼稚的自己真幼稚。稍微没品且无自觉了一点，但当时的我们，其实也是在给自己打气啊。

[https://music.163.com/song?id=2116382387](https://music.163.com/song?id=2116382387)


.doc | 参加毕业典礼


> 今日发布的另一文，是写同一件事的姊妹篇。
> 

【Fear brought me this far.mp3】

美国的冬春学期五月份就结束了，毕业典礼中的 hooding ceremony 一般在此学期的最后一个周五，commencement 在接下来的周一。

我早就毕业了，但是答辩的时候刚刚过了毕业典礼的日期没多久，所以今年才参加毕业典礼。毕业之后回了一趟家，然后返回原实验室做博士后。

今年春天，我们研究方向的师生每周茶聚的时候，我们老板盛赞我选择下一年的春天参加毕业仪式，毕竟冬学期的活动太冷清了，都没有人重视——真是个机智的选择。

当时我的面部肌肉稍微拉起来一个微笑，没有接话。

---

典礼之前气氛凝重。

去年10月份，驻在且主宰巴勒斯町 (Palestine) 之加沙地带的哈马斯组织突击以色列，随后以色列动员正规军反击。（我在博客上做了[新闻剪报。](war-in-2023-between-hamas-and-israel)）局势发展到典礼前两周的周五，包含本校学生在内的人群，要声援“巴勒斯坦 (Palestinian) 人民”，反对购买了美国军火的以色列进行“种族灭绝 (genocide)”，在学校扎帐篷、静坐、抗议。

典礼前两周的周六深夜，校内所有建筑上锁，警察以侵犯私有地产 (trespassing) 为名警告，后扫荡逮捕了空地上拒绝离去的人群，有人受伤，有人被控拒捕和袭警，有人指控暴力执法。

典礼前一周的周四深夜到周五凌晨，一夜之间，校方围绕校园一圈，以及在校内部分建筑之间，搭起了钢管作边框的预制栅栏，栅栏的底座钉在水泥地上，之间用铁皮绑住，尽头钉在建筑的墙上，只在个别位置留下专人把守的路口，下班时间门将走后上锁。

不过物理系正好位于这个铁网迷宫的一个拓扑范畴边界上，即使下班时间也可以从不同的门去往不同的路径同伦 (path homotopy) 等价类，算是影响不大。

---

典礼前的周四上午，物理系年例集体合照，拍完照片去取预租的学位袍。一套衣服租需要 $90，嫌贵？买或者租而不还的话 $900，不穿参加不了典礼哟～

取衣服的位置在学校书店地下一层，看到队伍已经拍到一楼门口了，心里咯噔一下子。好在美国人排队的平均自由程比国内大不少，每个人在自己位置上跍踊的热运动温度也比较低，所以队伍排起来也不算压抑。问清楚了还衣服的时间和地点。

美国的学位袍是各校自己定的样式，连颜色都没有本黑硕蓝博红的规定。来这里的第一个寒假前，看到冬天毕业的学生都穿着土褐色的袍子，霍格沃茨里面最没有特点的赫奇帕奇的专属色，真想退学重新申请，唉，沉没成本啊沉没成本……

装学位服的袋子里有一帽子，一袍子，还有一扁三角形布料，应该是就是 hood。这个词的本意是兜帽，此处展开后前端是一个类似于 ~~JK制服~~ 水手服的三角形领子，后半截确实可以被理解成兜帽，但是长度够垂到大髀，估计没人想套头上。

Hooding 就是由导师把这个大领子套到学生身上，类似于国内的拨穗。所以邮件里才要求博士生集合的时候不要自己把领子穿上了。

---

周四晚上睡不着，于是去校园里散步，顺便听秦晖先生的油管视频。自从养成散步的习惯以来，已经在校园里摸索出一条路线，可以全程户外的同时校园 WiFi 也不掉线，省流量。视频在全屏模式下，按电源键关掉屏幕，然后立即抬起屏幕点继续播放，可以熄屏且免广告。

很多学生呼朋引伴在校园里，大家都穿便服，毕业周也是期末考试周，可能既有毕业生也有觉得考试是件大事的屁孩。大家几人十几人一群庆祝和发泄，做一些平时不敢做的事，美其名曰创造回忆。

比如有一男生在中央草坪边一座亮黄色消防栓旁边酝酿半天，半蹲半跪，我经过之后，他身旁的朋友发出一阵欢呼。我什么也没有闻到。

比如有一女生坐在法学院门廊旁边的亮黄色消防栓上，我经过之后，她身旁的朋友发出一阵欢呼。除此以外我什么也没有看到。

比如有一群学生，在中央草坪一角的大树下，和我打照面经过，举起手里的易拉罐畅饮。我没看清易拉罐是何种饮料之容器。

---

周五是 hooding ceremony 的正日子。早上穿便服去学校假装工作一上午，中午系里有烤肉自助，吃完回家换衬衫正装裤子和鞋，毕竟穿一天实在是太热了。

本来答辩的时候也想这么穿的，结果写论文期间吃饭不太克制，答辩那天早晨发现胖得裤子穿不上了。现在减肥初见成效，很高兴。

换衬衫回来之后赶紧去卫生间看打领带的教学视频，勉强赶在集合时间之前打好了。

学姐也赶回来参加庆祝活动，在我办公桌上放了一束花。

然后我们系的老师和同学一起往准备厅走。我老板也穿戴好了。 陈郝问他的学位袍是 H 家的还是 M 家的，我老板答曰 Amazon 家的——我们之前闲聊的时候说到学位袍很贵的事，陈郝一本正经地给我科普，如果留在学界的话，一般都是买本校的袍子将来正式场合一直穿的——这都让我知道你不懂装懂了～

在准备厅门口，让我们扫二维码填表，好让学校请的摄影师根据信息把照片发给我们。准备厅内签到，拿到自己预先填好的名片，学院的头儿问清楚每个人名字的读音，用笔在名字卡的读音位置补充标记。然后按导师的名字排队。

离开准备厅前往礼堂。整队很快，在路上等了一会。没话找话，我问我们老板最喜欢的球队是哪只，他说巴黎圣日尔曼，卧槽我不该问的，他问我，我只能照实答多特蒙德，然后他开始说奇怪的话，什么门柱啊运气啊，啊对对对，祝你们下赛季走得更远好吧……

进入堂内，先进去的家长们举着手机录视频拍照；落座后放音乐，原来管风琴是摆设；讲台后面的彩色玻璃很好看；老板问我们之前来没来过，我说维尔切克的讲座好像在这里，也可能是我记错了。

各种讲话，每人的讲稿倒都不长，校友代表是文学男博士，成就是创业写了个给图书馆使用的 APP；毕业生代表是生化女博士，丈夫是神父，说在这里讲话让她感受到了他工作的不易和家庭的重要。

然后依次上台，院长念名字，导师站上祭台，学生站在台前，挂上领子，和校教务长握手，合影，下台，拿一个毕业证书摆拍大头照，回座位。

仪式结束后，外面的院子里准备了酒水和零食。我和老板匆匆吃了两大盘，然后赶回系里，师妹上午通过了博士资格考试，我们回去之后开了一瓶香槟给她庆祝，然后闲聊胡扯。我们老板非常得意地发表了他对于为什么要按老师而不是学生名字排队的归因。

晚上，庆祝毕业的同学们一起去了一家中餐馆吃饭。老外们一个两个都在点地道中餐，于是我点了一个蜜汁核桃虾仁。

---

周六穿着袍子和一起毕业的硕士学弟还有他妈妈一起，在校园里拍照。啊，妈妈不在身边的孩子像根草～

---

周日搬家，新家远，需骑自行车上学，且是丘陵坡路。

---

周一早晨 commencement，来学校的路上经过操场边，有抗议人群站在栅栏外举巴勒斯坦旗和标语牌示威。本来 commencement 还打算参加一下的，但是骑车过来实在是太累了，于是没去，中午时间到了就把袍子还回去了。

Commencement 结束后 ~~大宴群臣~~，非毕业生对毕业最有实感的活动才开始：吃。校园里各处已经搭好了棚子，每个棚子有一家本地的餐厅在不限量供应食品，有韩式墨西哥菜、珍珠奶茶、烤肉三明治、冰淇淋、可乐……

不想喝可乐的话，也有白水。每个亮黄色的消防栓接出来一根银白色的金属装置，然后连到一个蓝色大水桶，桶底有水龙头可以接水喝。

你们谁爱喝谁喝，我反正不喝。

![](/photos/2024-05-26-legal-high-SP.png)

.txt | 参加毕业典礼


去年春末夏初的时候，每周和爸妈视频电话的时间没人接听，一小时后他们发消息说爷爷住院了，接着视频电话就打过来了。爷爷听力早就不好了，画面里看他还戴着呼吸机，我没有看到他的反应，不知道听见我没有。

这就是我最后一次见到爷爷。本来接下来的周末听说情况稳定了，结果迅速恶化，总共住院不到两周。

看到消息的时候，脑子觉得我应该哭，心里却只是有点堵，哭不出来。当时这边是晚上，我在办公室，我们老板从来不黑脸，从他很有耐心的话中，我觉得他对我的论文初稿很不满意。于是浅呼一口气，继续作图继续写。

---

我上小学前一直和爷爷奶奶住在一起，周末被爸爸妈妈接“回”家里去。那时候我爸白天工作，晚上复习考研；我妈在一个国企内部的小医院，经常上夜班。

那段日子的绝大多数时间并不开心。小孩子哪懂什么考研和夜班，只怀疑爸爸妈妈是不是不要我了。和爷爷奶奶在一起按理说是一种安慰，但是要上幼儿园。

奶奶退休前是小学老师。搞教育的人，经常对自己家孩子的教育有点不切实际的想法，入园就给我插到了中班去。发现跟大孩子一起根本融不进去之后，又给我调到小班，完美错过小孩子刚认识的时候交朋友的阶段。

再加上幼儿园学的东西真的好难，老师教折纸，先这样折，那样折，翻过来，在这个地方剪一刀——三步以后我必然听不懂。只能在其他小朋友举起劳动成果的时候偷瞟左右，趁大家不注意把自己的纸团藏到桌洞里去。开始是伸手放进去，后来熟练了，手腕一抖就投进去了。半个学期就能攒满一桌洞，需要老师举起桌子倒出一摊，拿笤帚扫成一堆。

于是毫无意外成为大家的笑柄，我们班里有个傻子，嘿嘿。

所以不想上幼儿园。早上和爷爷一起走着去幼儿园，走两步我就战战兢兢嘱咐一句“可千万别忘了来接我啊”，很短的一段路，我能一字不差地问三百遍。爷爷攥着我的手，严肃认真地回“嗯，一定不会忘”，一字不差地回答三百遍。

中午回家吃饭睡午觉，爷爷说，要是睡过头了的话，下午就不去幼儿园了吧。于是直到上小学的前一年，我每天中午都会睡过头，“睡醒了”就在家里跑来跑去，等到太阳西斜了，跟着爷爷去门球场，他跟老伙计们打门球，我在细红线勒出的边线外面玩沙子和计分板。

就这样一直玩到天色幽蓝，那样的幽蓝仿佛日日如此，总有爷爷带我回家。

---

这样的日子回不去是理所当然，但是没想到连这样的回忆也再难听到了。这种糗事本来是家里聚餐时饭桌上最常听到的谈资，毕业回国和伯伯、姑姑、叔叔家相聚，席间还是他们在说，话题却变成他们记得的爷爷奶奶的故事，我成了远方来客，成了不便开玩笑的别人家的孩子。

我才意识到，和我记忆中的退休老人形象不同，父辈们眼中的爷爷，还是他年轻时候的样子。

我又意识到，不是爷爷年轻时候的样子，而是和我一样，是记忆中我们小时候他的样子。

那时候的爷爷在我市周围某县的一家半导体工厂，所谓半导体其实指的是收音机，所谓工厂是一间福利厂，就是给县里机关和事业单位的家属安排工作用的，不以赚钱为首要目的。比如厂里的会计是副县长的老婆，进厂的时候是个文盲，算账是和认字一起学的。

姑姑说爷爷是厂长；我爸说不对，爷爷是厂里唯一的技术员。

这些故事总有许多个版本，就比如厂房施工的时候，有辆满载一板车砖头的驴车上坡，结果有个熊孩子喊了一声“吁~”，驴子停在半坡不走了，把赶车的工人吓了一跳又气得不轻，但是不敢发作，因为不知道是谁家的孩子。

那熊孩子是谁来着，是不是我爸？我爸说不是，是会计的儿子。真实情节说不清楚，只有“吁”是全世界驴子停车的通用口令，是无数大语言模型在甚高维嵌入空间的交点。

后来改革开放，厂子散了，爷爷联系了隔壁县的一所师范类大专，成了一名物理老师。后来全家跟着学校搬迁到城市，我出生长大的地方。

很奇怪，这些回忆日常得异常，那些惊天动地的大事，模糊得像烛光投在墙上的影子。

日寇侵华的时候，往我们老家所在的海边渔村仍了一颗未爆的哑弹就再没来过；爷爷的叔叔带船队北上做生意，结果连人带货和船一起被扣了，爷爷的爸爸卖了好多田地去赎人，于是土改只被定了个中农；工农兵推荐取代高考前的一两届考上了大学；政治运动里整人没资格，被整也没把柄……

可能也不奇怪，能活到今天的大家，要么是惊涛骇浪的幸存者，要么是幸存者的后代，除了史书上主角中胜利的那一小撮，谁还不是有点运气在身上呢。除了胜利的一小撮，比起一句顶一万句，一天顶一万年的狂飙突进，谁不更希望打门球，看孩子玩沙子，玩到天色深蓝呢？

---

于是继续玩沙子，玩到天色幽蓝，爷爷带我回家。

有一天在幼儿园里，画册上有一道益智题，一个四乘四的方阵，横竖斜线四个方向上四种水果排列起来。我觉得图案很漂亮很有趣，想回家给爷爷看，于是中午一到家，就要找纸笔要画下来。结果画到一半，剩下的图案就不记得了，急得我要哭。

爷爷在旁边微笑着看，见我画不出来了，把笔要了过去，把剩下的水果补全。爷爷画不好水果，就把水果的名字写在空白的地方。这么神奇的吗？爷爷不是没看过那本画册吗？这两字是什么，真的是菠萝没骗我吗？

这叫规律，世界上的所有事情都是有规律的。爷爷拉开木柜子上一个很沉的抽屉，金属和润滑油的气味飘散出来，他拿出好多小灯泡、电闸和电池盒，组了一个电路，拉下不同的电闸，不同地方的小灯泡次第亮起来。

我还是不信，把那几个水果的名字认全了，下午要去幼儿园验证一下爷爷猜的对不对。晚上回家吃完晚饭看新闻，播音员说的话和电视上写的字是对应的吗？只有爷爷很高兴，出门溜弯的时候，逢人就说他孙子脑子开窍了。

还是继续玩沙子，慢慢有其他小孩加入了进来，社恐的我也有了一两个朋友。在幼儿园还是不敢出去做广播体操，于是在教室里上凳子，算是帮老师打扫卫生。爷爷出门溜弯的时候，逢人就对他说，听说你孙子脑子开窍了……

---

然后回到爸爸妈妈那里上小学，从朝夕相见，到周末不见，到只有周末相见，再到每个寒暑假相见，再到没能再见。

这次回家，爸妈开车去接我，回城那日天气极好，车在河边新城一侧的快速路行驶，对岸的天际线满满当当是已经炒到上万一平米的住宅楼。师专的图书馆曾经是河边唯一的高楼，如今隐没难寻，仔细找到后却发现像人群中站着个矮胖墩，尴尬，不如不复相见。

回到家里，旧桌旧椅旧沙发，其中一个沙发上坐着一只洗得干干净净的黄色玩具熊。小熊也已经等了我五年了啊，于是趁着爸妈还在收拾其他行李的机会，把行李箱推进自己房间，轻轻关门，无声地任由泪水流下。

---

有一年我爸从外面回来，兴高采烈要找爷爷，进门就喊“老头儿呢？老头儿呢？”奶奶在包饺子，双手沾了面粉和馅料，只瞪了他一眼。当时的我坐在地上玩，抬头看我爸，感到很不高兴，这个大人怎么这么没大没小的。

如今我也快到了当年我爸的年龄，被他抓到他笔记本电脑面前，问他的网页浏览器图标上怎么有一个头像。原来是不知道什么时候无意中打开了个没用的功能，这点小事都整不明白，想叫他“老头儿”的冲动愈发强烈。

.doc | 爷爷没等到我回来


以往过年的时候，都会在博客写一篇年终总结。今年没写，主要是当时觉得自己春季学期结束就要毕业了，需要努力工作，至少要摆出一副努力工作的样子。

之前的文章里大概也提到了，论文投稿之前各种小修小补、准备参加三月会、投简历、面试且自以为成功找到了工作，毕业已经是再努力也没办法在春季学期结束之前完成的事情，于是博客恢复了更新。

跟老板说了一下，毕业推后到了暑假，~~上周~~ 上上周完成。45 分钟的演讲，理论上无限实际上 20 来分钟的问答，难度最高的环节是演讲之前打领带，温莎结。

越到这种时候越觉得，如果把人生比作道路，更准确的喻体应该是高速公路，显然不是因为速度高，而在于其中一个一个的进出口，真正留给人选择的机会有限，剩下的时间和路程里，能改变行程的基本都是事故。所谓答辩，不过是出口收费站过 ETC，其重要性还不如和老板半闲聊时，假装不经意地说自己想毕业。

---

### 数据

毕竟是博客咨文，说回博客和各个内容平台的事。

博客的流量比较稳定，每天都能有一点，一月无事也能有 300-400 访问，有更新的时候能到 600-700，碰巧击中流量密码的话能上千。最近新加了 Google Ads，迄今累计收益 50 美分，成了名副其实的洋五毛。(~_~;)

微信公众号一如既往地店大欺客，一篇文章的展示周期在三天以内，不加星标的话几乎看不到推送，打开率基本是关注人数的 1/10。两次例外，可能是击中了流量密码，分别是 《python decorator 装饰器笔记》和《PINN 基于物理的神经网络笔记》，完全不知道为什么，后一篇文章甚至因为格式问题，根本没放读书笔记的主体部分，就因为提了一句《三体》？总之关注人数比上次年终总结多了两倍，接近 200 人了…… (−_−＃)

Matters 吧，不提了，简体中文作者还剩几个？基本上成了微信被删文的备份站。(╯°□°）╯︵ ┻━┻

作为对比，我的前女友·隔壁课题组的学妹·托洛茨基主义者·未明子粉丝，在 B 站发了一个未明子式的视频（一个白板写写画画，旁边一张帅脸，讲授哲学，时长半小时甚至一小时以上），内容是从哲学角度批判高等教育的布尔乔亚劣根性，一把子攒了几千粉丝，几十万观看量。我只看了文字稿和评论区——我看不懂，但我大受震撼.jpg

两相比较，一言以蔽之，曰：彻底失败。

---

### 反省

既然已经做了流量生意，说自己从来就不在乎做没做好是在是有点虚伪了。

和前女友的交往，确实让我学到了很多东西。很多“常识”，要么不是那么寻“常”，要么只是观点而不是知“识”。世界的全貌，观众的参差，是从小走学习考试独木桥的我，需要时刻提醒自己才能意识到的现实。

另一方面，自己作为一个内容消费者，看自己喜欢和订阅的自媒体的时候，也试图摸索出来一些成功密码。一言以蔽之曰：同义反复，频率恰当（前提是以视频为媒介，微博既出，阅读已死）

看自媒体生产的内容这件事，毕竟是一个娱乐行为，只能从各种正事之外挤出来。正事不论多少，每天每周基本是固定的，自媒体要想干得长久，就必须把自己嵌入观众的生活习惯中，尽可能降低观众点进你作品的注意力成本。

频率要求必然导致同义反复，批量生产已被证明是算法青睐的模式。在前期已经做出规模的自媒体大号已经拉起团队，进行专业化分工的当下，个人还想作出点东西，这些模式大概率是自己之前的专业技能，比如做饭之于王刚师傅，下象棋之于徐银川特大，玩红警之于月亮3。暂时能想到的例外，就是时评键政，在此不表。

---

### 嘴硬

作为一个物理博士·生物狗·小镇做题家·眼红美本富二代的苦逼研究生，我写博客的本意是践行费曼学习法，我的本职工作是学习，不是练习。

练习可以同义反复，甚至以耐得住枯燥为法门；学习不行，学习需要耐得住枯燥，但不能以枯燥为荣。

在公理化体系被发明之后，学习需要尽快摆脱同义反复的阶段，从排比句式的知识中识别逻辑关系，添加进自己已有的知识体系，用『逻辑推演』替代『倒背如流』，整个过程就叫领悟，如果这个相变过程比较快速，就叫顿悟。

很多学习类网红搞不清这个道理，也做不到，所以学习笔记一篇一篇地晒，一考试就是大专。

熟练之后，领悟也许可以重复，但无法保证频率的稳定，因为你不能保证所学的每件东西难度都相同。既然不能同义反复，这注定是个于流量无缘的分类，我们也看到，有些学人涉足流量之后，确实变了。

---

### 求职

说到本职工作，之前谈好的博士后岗位无了。

交上两封推荐信之后，那老哥来和我视频联系。他所在大学的研究生罢工活动前不久取得了胜利，博士和博士后的工资待遇提高了不少。老哥的入职 offer 是在工运之前谈妥的，所以启动资金不足以支付新的博士后工资。老哥推荐了一个基金会的资助机会，让我去申请一下。

毕业前 Paul 办了个在家聚会，同学听了我的事之后骂声一片，说这一看就说明之前只打算给最低工资。此事我办得也不太体面，只在申请截止日期之前，用 ChatGPT 随手糊了一套申请材料。差老哥自己的推荐信，他看了一眼说算了。然后说还是瞄准其他资助机会，我也没说啥，基本默认结束了。

老板写推荐信那周的全系茶歇，为了在同仁面前装叉，跟我说他认识那老哥的博导，我不如直接去找她，毕竟博后的门派声望重要得很——我心说，难道门派对博士就不重要了吗。

发邮件过去完全没有回复，老板又给我列了个接近20人的名单。用 ChatGPT 写邮件挨个轰炸了一遍。收到两份回信。

我比较感兴趣的是我们老板做博士时的隔壁。收到两封推荐信之后，约在答辩的第二天面试。面试的结果我拿不准，可能老大爷比较有经验吧，各方面都没有说死，比之前的老哥显得“渣男”一些。这样也好，博后本来就不是个稳定关系，像之前的老哥，话说得太好听反而更加让人失望。

有两条困难，一是经费获批的时间不确定，二是明年他会 sabbatical，不见得有很多时间指导我。最后说 8 月底会有一场相对公开的组会，让我在那之前联系他拿 zoom 链接，了解一下组里的工作方向。

即便顺利的话，入职时间也是明年，在此之前我会在现在的课题组里继续之前没完成的一些项目。

---

### 攀比

说到工作，之前的同学基本上今年或去年也都毕业了。

本科同学里，风神在某公司深圳分部做量子计算，跟我说的年薪是 50 多万，因为入职的时机不好；木木在同一家公司的上海分部，做光刻胶材料，据风神说年薪 100。有望留在学界者，聊哥在锦屏山实验，毕业之后好像要 gap 一年；班长欧陆硕士英国两校读博，没听说毕业的消息，看 arxiv 好像在做凝聚态；潇洒哥继续在国内做天文。其他人都没有消息。

博士同学里，同实验室的学姐在一家生物公司做临时工，年薪 6 万有望转正；小马去了一家量化交易商实习；低我一级的阿卷年底毕业，先去大摩实习。我们年级的天文美国三人组应该都会留在本专业，国际学生则不一定。凝聚态热门组的两人都在本组或合作组继续做博士后。方做粒子物理，回国做博士后。美国博后的普遍工资也就是 5 万上下。比较在意者，和我关系不好的一个女生去某芯片硬件公司做软件工程师，年薪 16 万，上网查了一下，这个工资是“资深软件工程师”，博士刚毕业就能资深吗？狠狠地嫉妒了。

本来觉得毕业去搞钱挺划不来的，毕竟内卷一辈子，可能只是将将摸到别人的起跑线。而且学界身份比之企业界还是更唬人一点，作为一个自由派、民族主义者和中国人，看到前女友那种宗教狂热，又总觉得有些事需要有人做，而我依然有希望够身份去做。“够身份”是一种非形式逻辑谬误，但就像清教徒“上帝的选民”的信念一样，逻辑上不必然成立的东西，实践中却可能有效。

但是看到自己的本职工作投出去连同行评议环节都到不了，直接被编辑就给毙了；业余玩票的天文反而水了两篇文章了，又觉得这评价体系，这逼科研，谁爱做谁做吧。

现在的想法是，暂且做完下面一期的博士后，看看这个学界对我到底如何定价，稍不顺意，就去搞钱。趁休假改掉之前超时工作的毛病，业余时间继续搞点 IT 副业。以我的执行力，希望明年博客总结的时候能做出一些东西。


.doc | 博客咨文 2023



OPT 是 Optional Practical Training 的缩写，指的是在美国完成学业期间或者之后，允许有一段实习时间，可以工作。但是此时这个人的身份依然是学生，不是工作签证，更不是移民签证。

## 谁有资格申请

已进入美国，并且维持了至少2个学期 F1 学生身份者。

### 学业完成前 pre-completion

在毕业前，学习过程中间可以申请，但是需要与导师商量，很少见。

### 完成后 post-completion

毕业后找工作，应付非移民工作签证还没通过的那段时间，这是最常见的情况。

或者除了没提交论文，其他毕业要求都已满足的准毕业生 all but dissertation, 简称 ABD。申请这种情况的学生需要在EAD日期结束之前完成学位，否则需要回国完成学位（远程答辩）。

## OPT 基础知识

每个有学位的学习阶段都有一次 OPT 机会，但是必须在毕业前申请，不申请就毕业视为放弃，不能攒到下一段学习中多用一次。

仍然是F1学生，不是工作签证。

申请时不需要已经找到工作。也允许换工作和同时干多个工作。可以做有偿/无偿工作，本大学不提供无偿工作的职位。

不需要雇主做任何事情，申请人自己赞助。

## 在 OPT 期间维持学生身份

> 也就是说，下面各条没做到的话会被取消合法居留身份。

![how to maintain the OPT status](/photos/2023-05-19-main-status.png)

OPT 期间从事的工作必须与你的专业领域相关。

OPT 申请通过后会得到一张 EAD 卡作为资格证明。在获得 EAD 卡之前不具备工作资格，没有例外。

只能在 EAD 卡上指明的起止日期内工作。

### 信息申报

在OPT获批并开始日期后，需要创建SEVP门户账户。

以下信息变更之后的 10 天之内，需要通过 SEVP 通知当局：美国家庭地址、雇主及其地址、就业起止日期。

### 不超过90天的失业时间

每周工作少于20小时被视为失业。

在EAD卡的授权期内累计失业时间不能超过90天。

### 上课

只能兼修与当前或未来领域无关的课程，具体情况可以联系 OISS 咨询。

### 离开美国旅行

可以，但是需要携带相关文件

1. 护照
2. 有效F1签证
3. 带签名的I20
4. EAD
5. 就业证明（可选，如果已经找到工作了的话）

**在OPT申请挂起期间出美国也是可能的，但存在风险**，因为EAD将会寄到申请人的美国地址。

再次进入美国后要在 I-94 记录 ([i94.cbp.dhs.gov](http://i94.cbp.dhs.gov/)) 中确认自己的身份仍然是 F1 学生和 “D/S” 状态。

## 谁可以申请延长 OPT

### 24个月STEM OPT延期

科学、技术、工程、数学专业的毕业生可以申请将 OPT 再延长24个月。

在OPT结束的最后90天内申请。USCIS必须在 OPT 结束前收到申请。

申请时必须有一份工作，雇主必须注册E-verify，需要填 I-983 表。

### H1B 申请获批之前，可以申请“配额间隙” Cap Gap

配额间隙雇主在每年 4 月 1 日提交 H1B 申请。如果获批，H1B从10月1日开始。如果OPT在10月1日之前到期，“配额间隙”将在SEVIS中延长，直到H1B的决定出来为止。

## 申请流程

- 必须在美国申请OPT，应做好准备直到收到 EAD 都一直呆在美国。
1. 参加研讨会，获取一份申请资料包
2. 从 OISS 顾问处申请 OPT I-20 表格
3. 准备并提交 I-765 表格给USCIS，申请OPT

### 需要上传的 I-765 文件与OPT I-20的证明文件

- 移民文件：护照、I-94
- 之前的 OPT 和CPT，如果没有可以跳过
- 2英寸 × 2英寸的白底照片；拍摄日期在30天内；公共图书馆、Walgreens和CVS提供此服务

### 时间窗口

**估计申请审批过程需要4周时间。**（往年是3个月）

申请窗口：学业结束日期前的90天 ↔ I-20 结束日期 ↔ 节目结束日期后60天

选择 OPT 的开始日期：I-20 结束日期后的第1天 ↔ 60天宽限期结束

![time window of OPT application](/photos/2023-05-19-time-window.png)


.doc | OPT 申请手续笔记


### 会前

今年的三月会在拉斯维加斯。

距离会议大约两周，下巴有根胡子根部起了毛囊炎，很快恶化成带状孢疹，俗称上火。美国学年的下学期在5月份就结束了，毕业论文还没怎么写。找不到工作，博士后项目的申请季正忙着论文投稿，眼睁睁地看着滑过了两个项目的申请截至期；隔壁组老师转发的博后项目，在我发了申请材料之后不久，就在网上又发了一遍招聘广告；申请了两个德国研究所，一个已经发了拒信，另一个没回应……还要准备会议上的演讲，不上火才怪。

周五组里演讲排练，本打算重用去年开会的幻灯片，发现论文稿中的主要内容居然都没有，才意识到过去的一年着实也还是做了不少事情。收到德国研究所的拒信消沉了一天，但是很快 ChatGPT 热潮兴起，于是把读博期间所有听说过的教授拉了一个名单，把他们的课题组主页介绍，和 AI 生成的我论文稿的摘要一起喂给 ChatGPT，让它写套词邮件。效果还行，收到一条回复，约我会议期间见面。回信的老哥用跨尺度方法研究动物行为，同时在欧洲和东亚经营两个课题组，去年会上很出风头。会后不久来我校作讲座，我们一起吃过一顿午饭。会前不久 APS 的邮件列表里有人群发邮件招人，是今年即将在西部某校开始教职的现任博后，目前正工作于给我拒信的德国研究所，尽管嫉妒，但也让他吃了一发 ChatGPT 邮件。

### 开会

步行去会场签到，领到了名牌，居然就是一张厚纸上挂了根绳，连个塑封都没有。

签到后勘查了一下会场的布置。生物物理有关的会场都在主走廊第一条岔路的两侧，每个门口有展板，上书每个时段的演讲主题。不像去年只有我一个人参会，今年组里三个人都有演讲，再加上之前在我们组的硕士凯蒂和她现在的同学，把日程一标记，发现感兴趣的小节基本上都冲突了。我虽然社恐，但还是觉得人际关系比较重要，或者说因为社恐所以觉得人际关系比较重要？

回到宾馆，收到了群发邮件哥的回复，要我确定三月会后一两周的时间，安排一次远程面试，介绍一下我现在的工作，以及说明我对他的实验室可以有何贡献。有点意外，因为他群发的邮件说了自己会来参加会议，我的邮件也说了自己愿意在会议期间见面，这个回信是兴趣缺缺的意思？略感失落。

### 面试 1

在不同的分会场之间乱窜的时候，去得晚会场坐满的话需要在后排站着。在其中一个场子站听的时候，一个穿绿色冲锋衣，背运动背包的老哥走了进来，听了一会就出去了。感觉有点面熟，和群发哥个人网站上的照片有点像。

于是悄悄离场，看到他正在走廊里和朋友谈话，身前的名牌有名字那面翻过去了。暂时离开闲逛，发现主走廊里供应咖啡，排队接了一杯，回来再刺探，确定是他。

打招呼，原来是 ChatGPT 太啰嗦了，邮件最后才说我也在三月会，他没看到。问了我的演讲在什么时候，他会来听，就不需要 zoom 会议了。

我的演讲所在时段的题目十分古怪，感觉跟我做的东西关系不大。进去候场的时候发现，整个小节除了我们实验室的俩人，其余的演讲都是同一个方向，而且研究的都是同一模式生物的同一结构。我们组俩人的演讲在整个小节的最后，自我感觉表现不错，破题的时候拿小节的题目开了个玩笑，结束的时候时间正好用完。群发哥在我演讲前半小时左右到会场，我们结束之后就离开了，没有上来和我说话。

结束后回到宾馆，收到了他的邮件，约我第二天下午见面。在会议网站搜索了一下他的日程，发现正是在他的演讲结束之后。看他的演讲题目题目，似乎是关于自己的最近一篇论文的，把文章喂给 AI 工具生成了一份摘要，没来得及看就被同学拉出去玩了……

他的演讲在第二天下午，时间上处于整个时段的中间。我在时段开始的时候就坐进会场了，他比我晚来了一会，坐了一会又出去了，。会场比我演讲的时候大一倍，但是也没坐满。他在上面讲的时候，我在下面看昨天 AI 生成的文章总结，感觉信息量比截至当时听过的绝大多数演讲的内容丰富，演讲的水平也远在平均水平之上。研究对象比我现在的研究对象在生物系统的层次上高一个层级，但是感觉研究的方式和流程类似。研究的完成度高得多，理论和实验都有。虽然理论似乎是所在领域挺传统的一个模型，但是毕竟比我们只是摆实验数据好太多了。

会后见面，我们在走廊旁边找了俩座位，我拿出了自己的幻灯片，他从头到尾把细节问了一遍，确认我会做我们组模式生物的基因编辑，又问了我在整个项目中的工作占比。

然后就问了一个堪比谈恋爱时被表白一方“你为什么喜欢我”的天问：“你贯穿整个研究生涯的问题是什么？”啊这，大脑直接宕机。看我实在憋得不行了，老哥让我可以说中文的，原来他能听懂，但是不会说。最后实在逼急眼了，说了实话——我就是想在学界混吃等死，ChatGPT 都来了，强人工智能还会远嘛，物理学不存在了啦。老哥噗哧一声乐了。

然后让我提问，我问假期有多少，答曰按学校政策办，养过细胞的应该知道周末可能是要去学校的，所以只要工作量够，周中不作出勤要求。

感觉聊得比较顺利，最后说回头会发邮件给我，让我给他两三个联系方式，要推荐信。

### 面试 2

本来感觉反馈不错的大佬，感觉开会第一天可能大家都还没安顿下来，于是周二才再发邮件确认见面时间，这样一来就约到了周五中午，在 DBIO 的服务台旁边见面。

本来打算事前准备的，他的课题组有三四个演讲，但是基本上都和我的演讲或者前一个面试冲突，最后只听了一个。

结果周五中午就是整个会议的最后一节了，DBIO 的桌子已经撤走了，大家心猿意马归心似箭。12点过了十分钟左右见到了人，五分钟之后和他谈话的人离开。到处都在收拾关门，我们找了一个桌椅已经搬空的房间，屋里只有一个学生躺在地上睡觉，我们两人相对席地而坐。

刚要掏电脑出来给他复述一下我的演讲，他摆了摆手，让我尽可能简短地口头概括自己的工作。后面的一系列问答都是这个风格，两个人在地上打坐，快问快答，跟禅宗的机锋一样。上来是为什么要做现在的工作，我自认为说的还行，但是说着说着发现这™不是上一场面试的答案嘛，早怎么没想到呢？然后得意忘形，忘了这位大佬不是做组织结构而是研究行为的，本来很容易圆过去的，没发挥好。然后是我本科时最喜欢的一门课是什么，这个问题上次吃午饭的时候他就说自己喜欢问，于是让我狠狠地装了一逼。再然后就是“臭做实验的怎么来我们理论组要饭来了”和“臭做结构的怎么来我们研究行为这儿要饭来了”两大问题，回答得不好。之前得意忘形，把自己手里另有 offer 的事说出去了，导致后半截我们双方又有点敷衍。

最后和我交底，东亚的研究所有足够的经费，虽然他一年还是花不少时间去当地，但是并不总是能见面指导。欧洲方面如果决意入职的话，他需要专门申请经费。这个意思已经比较明确了，所以我们很客气地互相说可以在花时间考虑一下，日后可以邮件联系。

### 座谈

座谈会其实发生在我演讲所在当天中午，两次面试之前。

所谓座谈，是德国几个研究机构联合组织的，在德国从事研究的相关信息的宣讲会。 ~~~~位置离生物物理的几个会场比较远，凯蒂朋友的演讲结束之后从会场溜出来，赶到的时候已经开始了。进门两侧有贝果面包、果酱和乳酪，这么多天第一次吃午饭。

会场有六七个圆桌，每个桌上放了一个写有研究机构名字的小标签，桌边坐一两个对应研究所的工作人员。主持人依次介绍了每个桌的研究机构，然后给机构的负责人三五分钟的时间介绍自己。之后就是自由时间，我看马普所的桌子就在面包附近，其他机构也不怎么做基础科学的研究，就找了个椅子坐下了。马普所的负责人是一个满头白发的长者，着装在与会者中偏正式，气场很足，神似觉爷。

第一个问题关于移民德国的难度，以及德国是不是有点排外。长者答曰德国现在是移民政策最为开放的国家之一，考虑到“之一”，再考虑到灯塔国的外国人毕业在非学术岗位连工作签证都要抽签才能拿到，不算边境“走线”的话，这个回答确也不能算错。德国之声之前也出过一个视频，也有同样的论断，但是那个视频后面还有半截 “aber…”。

随后有人问马普所的项目和岗位结构。回答的结果和之前了解的差不多。每个研究所有自己的招生权，一期博士后的时间一般是两年，只在必要时延长至三年或更长。新知识是马普所的研究职位除所长之外几乎没有终身职务，研究所就是研究者找终身教职之前的副本村。但是不知是政府还是啥，有条规则说拿到博士学位的九年后雇佣单位必须提供终身职，结果就是九年之期以前就会被清退。此条是否与前一个回答相矛盾，没问。

被问到马普所更青睐于何种研究时，长者明确说是更困难更有野心的题目，而非为了拿到教职而做的安全题目，甚至很明确地说，就是要发掘那些将来有可能拿诺奖的题目和学者。这一点自然是不同于美国式的口头上的自由放任和实际操作中的专打安全球，有趣是也和国内的看法不同。当年 CLS 面试的时候，我也不知天高地厚地说自己有鸿鹄之志，台下老师们答曰“不要那么功利嘛”，没想到两个视计划与顶层设计为制度优势的文化，对于功利的理解竟有如此大的不同。

还有人问马普所选择申请人的标准。回答是每个研究所有自己的标准。但是他也谈到了自己的标准：学习成绩为主，*做研究的时候应该很清楚自己在做的东西底层的物理是什么。*那么如何判断学习成绩呢？主要是来自名校，然后是成绩排名，如果是没太听说过名字的学校，成绩排名的要求也就更高。回答很真诚，让人对如此明显的第一学历歧视也反感不起来，甚至没有反驳的意愿。

这个回答显然是针对美国模式，选拔以科研经历为主，在论文作者栏占位更重要。研究组的骨干是不需要花时间上课的博士生，申请博士的本科生，能对整个项目有多少贡献呢？而且这些贡献基本上都是献祭对课业努力得来的，上方标注的句子就是对此的吐槽。更何况考虑到国内学术环境的昭著臭名，基本上都需要海外的研究经历，除了珠峰计划这类特殊项目提供公派名额，基本都是自费联系国外导师，不仅把学术选拔变成了与学术无关的信息差，和学生经济条件的选拔，还豢养了一个倒卖此类信息的中介产业，此种政策的学术正义性何在？

但是再回来看呢，成绩单能反映出多少成绩？想出国的学生，有多少明目张胆地跟上课老师要成绩？某校直到几年前还有“及格重修”这种合法的更改成绩单的操作，配合上国内各科考试历年题目的高度相似性，不利于安定团结的话就不说了。既然要求名校，那么高中出国又比本科毕业出国优势不止一点半点，又是阶级筛选，殊途同归。

两者一邱之貉，都是在不同的大义名分之下，落实为可执行的操作时，原有的大义不断被解构和歪曲，过程中不断把自己的判断力外包。外包无所谓，毕竟分工既是社会发展的表现，又是重要的动力。然而，拿飞机举例，把乘客安全送到目的地需要机组和地勤配合和信任，但是安全送达毕竟是有客观标准的。而教育和研究系统，其培养成果本身就由自己消化，选拔过程天然构成运动员兼任裁判员的现象，我选出来的人有不行的，没被选中的也有行的，那好办，把资源全圈给胜选者，再把落选者的路掐断就好了嘛……

两种模式菜鸡互啄，谁也取代不了谁，归根到底，还是今天的物理学自己乏善可陈。量子力学和相对论肇起之时的摧枯拉朽不提，就连标准模型构建过程中的萧规曹随，今天也难望其项背。扎实理解知识，你的实际研究中能用到多少？早早上手研究，这么多年有多少有价值的工作自己心里没数？年轻人觉得攸关前途命运的大事，不过是老板平凡一天中收件箱里的一段字节罢了，录不录你，录你还是录他，区别不大。

一言以蔽之，时无英雄，遂使竖子成名。

下午，前一天和群发哥聊天的一个女士在他之后不久演讲，看幻灯片首页的工作单位，似乎是他博士实验室的后辈，今天即将入职他现在的研究所，~~也就是说，这位正是抢走了我 offer 的仇雠~~。于是在朋友圈发了一条吐槽。她的演讲超时被主持人叫停了，刚想追加一条评论“超时了，真菜”，想到最近几天朋友圈发的有点多，忍住了。

大学四年我唯一佩服过的人峰神在下面回复，说他本来也想申请同一个研究所。我问他现在去哪，过了几分钟看到回复“上班了”，赶紧揶揄说“富哥V我50”，但是座谈会上的话在此刻反刍，叹息收敛成深呼吸，默默收起了手机。


.doc | 三月会·两面试·一座谈


> A nation only deserves as much as its people have courage for.
> 

物理系每周三有一个例行的讲座，讲座之前会找一些学生和演讲者一起吃午饭，公款报销。本周轮到我们的研究方向，于是我们几个报名吃饭。中午隔壁组的同学来和我们碰头，学姐摘下耳机来，说抱歉自己走神了没听见敲门，在自己国家正在革命关头，实在是很难静下心来。

几天前，一位伊朗的库尔德族年轻女子 Mahsa Amini 走在街头，因为头巾佩戴“不规范”，被道德警察带走，随后死于警察局。以此为导火索，抗争运动骤起。相关消息雪片般传到 Twitter，当时和她同行的两位女士用身体堵在将 Animi 带走的警车前阻止警车离开，被警车推行数米仍不放弃；有位男士帮其他示威者挡子弹，衬衫脱下，背上一片霰弹枪打出的血红的浅浅弹坑；有一名警察独自持械在街上巡逻，被周围涌上来的路人围攻；夜里，地上一垛篝火，用女士点燃的头巾组成，一名年轻女孩解下头巾手握住一端，头巾在转圈的舞步中飘扬在空中，落入火中溅起一片掌声；成群的示威者攀爬一座建筑，撕下了挂在建筑外墙上的政治人物画像……

周四，我在办公室摸鱼刷推特，学姐进来看到了我的屏幕，让我赶紧往上翻，对对，就是这个，快转发，谢谢了。于是我就转发了，但那条推特是 BBC 中文网对这件事的一个追踪报道，配的文案是“伊朗总统同意调查阿米尼之死”，转发了之后显得我很像是“你看青天大老爷这不是开恩显灵了嘛”的小粉红，不过解释起来实在是过于复杂，于是就没说啥。

问学姐伊朗国内的情况，她说之前已经有过多次抗争了，希望这次不一样。现在伊朗国内已经断网，很多消息传不出来，听说政府已经开始使用致命武器，至少有几十个人牺牲。其实三十多年前，学姐的母亲还年轻的时候，就因为类似的原因被道德警察拘捕，受了鞭刑，和她一起被捕的人里面甚至还有孕妇；她的一个叔叔因为曾经在君主制时期伊朗的军队中服役，被新政府处决，前两年伊斯兰共和国政府甚至捣毁了被处决者墓园的墓碑，就为了阻止人们纪念他们……海外的伊朗人决定在周末集会示威，希望我有时间的话也能参加，还短信发给了我活动的海报。

我给海报配文“学姐的社会实践活动”，发到微信朋友圈，没有被微信删掉。今年新到美国的一个学弟看到了，来问我情况，还问我能不能来我办公室问学姐一些问题。学弟的朋友圈里经常转一些妇女劳工等等弱势群体权益方面的公众号文章，偶尔原创一些痛斥新自由主义的全球化架空了工会剥夺了工人机会的进步主义小作文。虽然我不是左派，但是当下的中国，能站在 political apathy 的对立面，至少能算是个短途的同路人吧。

周五中午物理系自助烧烤的时候，我们年级好多人都收到并且接受了集会的邀请。学姐还说找了当地的 FOX 记者报道此事，于是大家一起开共和党及其中下层选民的玩笑，像什么“我看了一眼 Tucker Carlson 的节目，就一眼哈，说的也不是完全没道理嘛”、“我现在不那么怀疑地平说了，你看我们脚底下这块地不就挺平的嘛”……学弟也来吃烧烤了，本来想把他拉过来直接介绍给学姐，但毕竟我很社恐，看他在和自己的同级同学社交，一直没有机会。

下午学弟发微信来，我去他办公室把他领过来，介绍给学姐，学姐很高兴有更多人关注这件事。学弟的问题主要是这个活动有什么女性主义的组织在策划，有什么女性主义的诉求。学姐说没有，大家主要是靠想法而不是靠组织在一起的，都觉得这个政权该完蛋了。学姐问他中国的情况，学弟说他只是反对清零政策。学弟问我能不能让他搭车，我说我也不打算开车，毕竟虽然是和平示威，但仍有出人意料发展的可能性。然后学弟离开我们办公室又折回来问，现场会不会有伊朗政府的特工。学姐说每个人的想法都不一样，可能也有支持伊朗政府的伊朗人，但他们应该不会来这种活动。

集会在市区一个公园的东南角，是围绕公园四条路中最繁华的路口。因为之前提到的顾虑，我把 UBER 终点定到了公园中心，结果到了发现公园比想象中大很多，走到集会地还要接近 20 分钟。下车的地方正在赶集，具象化的“人类的悲欢并不相通”。走着走者隐约听到汽车的鸣笛声和人声，才确定自己没走错方向。

![](/photos/2022-10-06-say-her-name-wide.jpg)

不断说着“借过”在人群中穿行，找到了学姐，身边是好几位同级的同学。安鲁和女朋友也在，手里举着一个大标语板，背后写的是“拜登，别为了核协议出卖伊朗的百姓”。

迟到有一个好处，就是人群已经成型，你需要做的就是融入人群，滴水入海，心理上的门槛和负担要小很多。饶是如此，刚开始的时候也不敢大声喊口号，之前从学姐那里拿的海报也不好意思举高。后来发现正常说话的声音会完全淹没在人群中，再发现全力喊的声音依然会淹没在人群中，于是渐渐放松下来。

![](/photos/2022-10-06-say-her-name-narrow.jpg)

“Women, life, freedom!”

“Say her name! Mahsa Amini!”

“Your silence, their violence!”

“Down with the dictators!”

“No to Islamic Republic!”

“Iranians, make your choice! USA, be their voice!”

人群里有几个喇叭和音箱，有人领头，其他人附和。短的口号领头者念一遍大家重复一遍，长的口号领头人说上句大家说下句。喊过几句英语口号，就用波斯语重复一遍。我一边跟着喊口号，一边替最后一句话捏一把汗，复习在中国，社会活动者需要付出怎样的努力与境外势力切割，即便如此仍不能幸免于诉诸动机谬误。

人群原本占据公园一角的部分草坪和人行道，后来几个活跃分子提了一个音箱到右转和直行车道之间的安全岛上，面对大家带头喊口号。经过的汽车很多鸣笛响应，打开车窗对我们竖大拇指或者比 V 字。活动的最高潮，有几位伊朗女孩在安全岛上，用剪刀剪掉了自己的长发。街对面商铺的玻璃墙上，人群的映像蔚然。

午后，活动在大家齐唱一首伊朗歌曲后解散。临走之时，一对老夫妇看到我胸前捧着的黑白宣传画，很喜欢，于是送给了他们。学姐和她丈夫开车来，把我送了回去，我们在我住处附近的奶茶店喝了奶茶。

在游行现场我没有看到学弟，但他晚上在朋友圈发了三个单词，是波斯语中 women, life, freedom 的拉丁字母转写。


.doc | 说出她名字：Mahsa Amini

转载 | 《叙述》


> 本文纯属虚构。


> 我怕你会读书吗？名校研究生都别想那么容易进我单位。这个人当年仗着自己会读书，看不起我们这种靠父母的，社会会教他做人。
>
> ——~~《史记·绛侯周勃世家》~~ 

刷朋友圈的时候，看到了园老师转载的一中公众号的宣传文章，随便点进去看了看，居然发现了柳师傅的名字，再定眼儿一看，已经当上年级主任了。回过神来，才发现自己高中毕业都快十年了。

柳师傅是我高中的第一位语文老师，教到我们高二文理分班。他是13班的班主任，兼代我们14班的语文课。经过了新生报道的慌乱哦不忙乱之后，第二天早上第一节课就是语文。上课铃响老柳踩点跨进教室，于是来到了我最不擅长的人物外貌描写环节：老柳胖胖的，圆头圆脸，超短发平头，常年轮换几套显瘦的黑色运动服，上衣外套也多是圆领。黑框眼镜，浓眉厚嘴唇，望之忠厚长者，不似滔滔不绝……下笔轻浮了，抱歉抱歉。

人不可貌相，柳师傅极其能侃，上课的主要内容就是侃。高中文言文多，老柳上课侃历史，堪比百家讲坛。只不过虽然没有实锤证据，字里行间总让人感觉他把梁启超和康有为俩人的名字和经历搞反了。年轻人找茬的第一集百家讲坛，又何必是百家讲坛……

他不仅自己侃，还让我们侃。每堂语文课的前十分钟，让我们轮流上台讲一个成语，从字音字形到典故出处，顺便锻炼公共讲演。有人讲“刮目相看”，他说好，同学们，我们把月考的试卷拿出来，看一看最后这道阅读题，最后的剃头匠哈，哎，你们知道剃头师傅可以刮脸吧，知道哈，那你们知道还可以刮目吗？不知道了吧，以前东关城隍庙那条街，赶集的时候就有个老师傅，他的绝活就是刮目，就用刮脸的剃刀，在砂布上噌噌磨两下，然后扽起你眼皮儿，刷，刷，还没来得及打激灵呢，眼皮儿内侧的眼睑就刮完了，一个学期耳聪目明，舒服啊……

讲《滕王阁序》，说到都督阎公想把自家女婿扶上马，送一程，没想到小王同志很不讲究，驳了主人的面子，还驳得这么漂亮。于是教我们打业务球——小王同志，假如你是今年新入职的老师，教职工篮球赛，对面李校长下场了，你要不要去防他，防他要不要放水？要不怎么说“世事洞明皆学问，人情练达亦文章”呢，有你们琢磨的。

说到了打篮球，还是人不可貌相，老柳喜欢打球。入学一个月左右，两家班主任一拍即合，13、14两班班会课的时候来了一次篮球赛，柳师傅做裁判。我们班的体育特长生多，喜欢打篮球的也多，小马哥、大琛哥，各种哥可谓兵强马壮。开局两边各得了十来分了，我们这边的主力就不装了，一波得分潮接管比赛。柳师傅照样往返球场，吹罚也依然公平。下半场小马哥找了对方一个三加一，老柳果断吹哨，加罚投中，第二天上课的时候还在夸我们打得好，兴奋的劲头就像他自己打成的一样，说我们篮球联赛有夺冠的实力。

篮球联赛在高一下学期，整个年级每班出一队。一中自诩“素质教育”，但啥是“素质教育”，咱也不知道，咱也不敢问，可能在要过高考独木桥的学校里，干任何与学习不直接相关的事情，就叫素质教育了吧。哎呦喂，哦不，anyway，我们一路过关斩将，来到了决赛，对阵10班。我们班主任小佟老师虽为巾帼英雄，终究不善骑射，所以老柳带着队员们赛前动员。最终我们以两分之差惜败对手，但是大家满脸都写着高兴。比赛结束之后回到教室，小佟老师很激动，说比赛结束之后全年级老师开会，她在会上说她为我们感到骄傲；还买了五大桶可乐和雪碧，给每个人倒了一纸杯，我们像独立团的战士喝酒一样闷下去了（没摔杯子）。小马哥说他哭过了，但是不遗憾，毕竟人少打人多。下周一的升旗仪式上，大琛哥拿到了最佳球员奖。放学回家的路上遇到了现在15班的初中同学一平，他问我你们班的那个最佳球员学习不错吧，我说你怎么知道，他没有接话。

我高中入学的时候成绩不是特别好，语文尤其是。但是在老柳的感染下，发愤图强，对语文发生了很大的兴趣。期中考试的成绩还是不理想，于是立志每天晚上晚自习回家，做一道语文阅读理解，夜夜如此，直到高考。开始的时候完全不得要领，甚至急得要哭，到后来像中文房间里的猴子，勉强能找到点感觉了。半个学期之后，我的成绩有了很大进步，从年级三百多名进步到第十名；我们班整体也是，有的同学从一千名开外进了前一百名。高二的时候有一次考试，老柳讲评试卷时说，你们下课可以看看小山的卷子，虽然作文分数低了点，但是人家前面整个卷子只扣了一分，这叫什么，这就叫双保险啊，哪怕主观题发挥失常了，但是客观的语文能力是不会骗人的。

唉，作文成绩是我学生时代一直的痛。也不是不想写，也不是没写好过，但就是分数低。正经人不写日记，柳师傅就要求我们每周写一篇周记，练作文。

一中北校区的班号跟在南校区后面顺延，从9开始。按小道消息，一中的文理比例大约是1:2，所以不出意外的话，文理分科应该是我们两个班和12班一起。可惜，很意外地，文理分科的时候我们班并没有和老柳的班级一起整编，而是攀上了隔壁15、16班的高枝，班主任老熊带出了上一届一本率最高的班级。14班变成文科班，我来到16班。之后见到老柳就几乎只是下课时的走廊里了。之后的时间仿佛变成了可压缩流体，再浮出水面就是高考之后了。14班的同学们又聚到一起，请了老师们一起吃饭。老柳挨个桌子地转，来和我们说话。走到我们桌的时候问我，语文上130了没有，我说差两分，刚要说对不起老师，他抢先一步摆手，“挺好了！”

<hr class="slender">

好像也就没什么了，确实没什么了，毕竟有的没的，都是不能再说的了。

一中开学的时候分班名单贴在刚进门左手边的墙上，我看了一圈又一圈，几乎每个班都有初中同学的名字，除了13和14班。对，13和14班没有初中班里任何同学的名字，包括我的。看了一圈又一圈，每个班都没有，我被落下了。录取通知书都有，学费也交了，发票攥在手里，人吓傻了。回过神来赶紧钻出人堆，还好爸妈都还没回去，于是一起到年级主任办公室去，发现已经有好几组学生和家长在等着了。当时应对我们的是年级副主任青老师，用像亲戚唠家长里短时的埋怨一样，说我们太着急了，何必呢？我看我爸拳头已经硬了，赶紧自己上去介绍情况。青老师继续和蔼可亲地把我安排到了14班，因为班主任小佟老师上一届和青老师一起搭档，是一位年轻有冲劲的老师，教历史；和她搭档的是柳师傅，经验丰富又稳重，挺好的。

我们14班是个什么水平呢？说放牛班有点不正确，因为按官方口径，一中没有放牛班。每个班都一样好，不放弃每一个孩子也一直是一中的宣传重点。但是呢，我的初中是分快慢班的，除了凭学习成绩考进去的，非富即官，没有一个在这个班；闲聊八卦的时候，得知班里分数不够要交择校费的大约占三分之二；入学后第一次考试的时候，我的数学和英语都有大面积的正确题目被误判为错，可能老师改卷也很辛苦，只能先做有错推定了；第一次期中考试，政治老师拿着我的卷子看了半天说不错，努努力可以考个二本。

我的中考成绩不好，考前一个星期的时候，被班主任拉出教室去罚了一天的站，回来桌子被拖到教室的最后一排。原因是考前最后一次家长会上，班主任在上面讲话的时候，我妈和其他家长在下面“交头接耳”。回家之后和家里一说，听到了事情的另一个原因。说出来要负法律责任，要讲证据，那我就不说了。总之中考考得很差，刚刚够一中的分数线。其实熬过中考就很不容易了，考完之后整个人就像失了魂一样，每天坐在小区花坛边上唉声叹气。知道14班的情况后反而松了一口气，好学生我已经当够了，平平淡淡才是真。

所以老柳很对我的脾气，知道我们的水平，不做过高的要求，那些文学典故，文士风流，完全是以一种“我觉得这些很有意思，应该让你们也知道”的心态在分享，能“指点江山”，“粪土当年万户侯”的文字，恐怕多发自“渔樵于江渚之上”，大概率不怎么激扬。但是小佟老师不一样，激扬得很，那时候《士兵突击》已经开始火了，但是很多同学还没看过，于是我们每天晚自习之前两集连播，绝赞连载中。但是这剧实在是太长了，新学校的新鲜感过去得差不多了，年级主任就以不务正业为由突袭取缔了该活动。时机倒也恰当，不久许三多就要回老家，和我一样消沉了。

这样的我，期中考试不可能考得好了，但是成绩之差还是有一点戏剧性在里面：历史和化学试卷是两张八面大纸，结果我把第二张对折得太完美了，以至于做的时候以为是双面小纸，各有两面题目没做……结果消息传到初中同学那里，上学路上一辆捷安特三档变速直梁自行车呼啸而过，车上传来以前比我低一两个名次的“兄弟”的口哨声。原来我的平平淡淡才是真，是一件能给他人带来快乐的事情啊，我，操，你，妈。后面的事情前文已经写过了，阅读理解，牛奶加糖，睡觉，起床，冷水洗脸，妈妈做的早饭，黎明将至的青空。

寒假里柳师傅给我爸妈打来电话告知成绩，因为一中讲素质教育，给学生分组指定了导师，我分到了柳师傅。为什么素质教育包括这个，咱也不知道，咱也不敢问。总之柳师傅很高兴，像是好多年没见到这么好的学生了。过完年返校发奖状，三好学生、学习标兵、学习进步奖。全班第一拿了学习进步奖，小佟老师说完，还有些暖烘烘懒洋洋的教室一瞬间安静下来，14班变了。二年级，我们攀上了隔壁15、16班的高枝，走班一段之间之后，再见到老柳就只能是下课时的走廊里了。

但是有些事情还是没有变的。分班去到16班是第一天的晚自习，课间休息的时候，后来知道是叫浩哥的一位活泼开朗的同学来跟我们说话，让我们好好学习，有不会的问题可以问小惠，就你同桌的同学。我赶紧点头称是，旁边的琛哥和韦哥没有说话。篮球联赛的决赛，我们差两分追平的防守回合，球贴着小马哥出界，裁判判定球碰到了小马哥的球衣。第二天柳师傅讲“冯唐易老，李广难封”，说的是有些人年轻的时候要论资排辈，领导让你给长者让让路；等到自己磨砺出一身本事了，领导又喜欢活力有为的年轻人了……直到高三，学校开的自主招生辅导班的入班资格还要和中考成绩挂钩。

本地的微信朋友圈，每隔一段时间就会出一篇文章，批评一中成绩不行，收着全市的好学生，结果高考清北几年出一个，然后就转到抓纪律加作业上面去了。一中的老师们就在朋友圈里反驳说一中搞素质教育问心无愧，一中的同学们就说母校就是你每天骂八百遍，但不许别人骂一句的地方。我也不知道该说什么，但是柳师傅升职总是个好事吧。

于是给园老师的朋友圈点了个赞。


.doc | 柳师傅当上年级主任了


距离开学还有两周的星期日深夜，临睡之前瞥了一眼手机的邮箱，看到一封来自系主任的邮件。标题只有两个词 “sad news”，下面的一行摘要里有维教授的名字，心下一惊。点开邮件全文，教授的儿子泰勒因为抑郁去世。

维教授是我们系生物方向的四人组之一，主攻神经科学。我们入学那年，他的课题组正从实验向理论方向转型，需要新人手。当时我已经有中意的课题组了，但是抱着多听听也没坏处的想法，也参加维教授的组会，一起听的还有陈豪和一个伊朗女生，以及本科生松岩。感恩节的时候，维教授邀请生物方向的所有老师同学和家人到他家聚会，席间老师的孩子们在一起玩，泰勒就在其中吗？

转过天来，系主任又转发了来自维教授的消息，通知大家泰勒的追思会在周四下午举行。转发的时候，系主任还请大家到系办公室，留言向维教授一家致哀。地点细节若干，唯一印象深刻的是对追思会的用词—— "celebration of his life"。

当时已经决定要参加活动，但是放眼衣柜，没有合适的衣服。于是周一下午去村中心的商场购物。上衣很快选定了一件纯黑色长袖衬衫，因为很少逛商场于是顺便买了一件深蓝色同款。裤子在同一个店试了几条，总觉得不如衬衫的颜色正。于是去了隔壁的一家西装店买了一条西裤，各方面都好，除了价格。还想买一件白衬衫，试了几次尺寸，发现店家已经准备关门了，出门见天光依然大亮，才知道疫情给生活带来的变化远不止于口罩。

第二天和导师线上见面讨论了一下研究进度，顺便问了下葬礼的着装要求。导师回答说尽可能正式，于是上网搜了一下，说是黑衬衫不太合适，于是再次去购物。白衬衫黑领带口袋巾不说，来回试了几件西服外套，猜了猜尺码的意思，在肩宽和袖长之间找了个平衡，然后去买鞋。在我连续问了几款鞋子有没有黑色之后，鞋店大妈问我，你是想买自己喜欢的鞋子还是只要黑鞋子？我一听这是打算教我做人的道理了，于是诚实地说黑色就行。大妈中断片刻后继续施法，还是教育我说应该买我喜欢的鞋子，然后指给了我隔壁的百货商场。

为了进一步防止着装出问题，于是想到了陈豪，问他要不要一起去，然后商量统一着装。于是周四下午，对着网上的教程打了个半温莎结，然后开车接上陈豪，前往教堂。

我们到的时候已经有不少人在了，教堂大约由三个正方形空间并排而成，入口在中间一个大厅，进入后左侧是礼拜堂，右侧布置成了一个餐厅。维教授和夫人站在中间大厅靠近礼拜堂的一角，身旁地上撑着有一幅等身高的画像，画中一个少年挎着一个篮球，身着比赛服。大厅内的访客排成一个回环的长队，在访客名册上签字，再依次问候教授一家。系秘书萨拉和图书管理员艾莉森和我们几乎同时到，于是我们一起排队。环顾四周，发现我和陈豪两人穿得已经算是很正式了。现场的年轻人很多，白衬衫黑领带者多，穿外套者少；年长者则更不正式，衬衫不必纯白，鞋不必正黑，甚至有老者穿浅色套装。维教授一身黑衣，领口一个白领节。

队伍前进很慢，我和陈豪就跟萨拉和艾莉森闲聊。我不太懂这种场合该聊什么，聊着聊着就聊到了我导师最近申请下来的一个大额研究资助，聊到了我们两个人打算什么时候毕业，倒也不是十分严肃。见到维教授的时候，也就是很普通地寒暄了两句，维教授的夫人还记得四五年前感恩节聚会的情形，感谢我们来参加这个仪式。我又代已经回国的松岩向教授致意。

已经慰问过教授的访客分散在中央大厅里交谈，我们认识的人不多，回头看见唐学长和维教授之前的学生詹森一起排队，我们就返回队伍和他们聊了一会，依然是主要关于各自未来的打算。詹森有了孩子，现在为了奶粉钱又兼职了一家科技公司的远程工作；唐学长准备毕业，打算去纽约的医院找一些医学研究类的工作。齐学姐已经去了纽约的实验室，托唐学长带了一个花篮，和其他花篮一起摆在大厅中间的一个小桌上。今年新进入我们系的两位中国老师也来了，毕竟学生和老师之间还是有隔阂，我们没有去和他们说话。系主任和夫人来的较晚，带了一个小姑娘，不知道是女儿还是孙女。

系主任到时，很多访客都已在礼拜堂落座，我们想找地方时礼拜堂已满，教堂在中间大厅靠礼拜堂左半边摆了七八排椅子，椅子上摆了一个小册子。我和陈豪相邻坐下，身旁是一对夫妻，男士是维教授曾经的学生，现在在医学院工作，和陈豪握了握手。女士坐在我身旁，仪式还没开始，就可以感觉到她在啜泣。大约维教授的亲学生，每年都会去教授家做客，应该是看着泰勒长大吧，就像我看导师家的孩子一样。

新牧师上台，声音从礼拜堂门上方的一个小音箱传来。带领大家冥想之前说，他知道今天到场的人并不都信仰同一个上帝，大家可以把他说的神替代成自己信仰的至高。于是开始冥想，牧师引用了圣经、伊索和多萝西·代伊，声音流利温和。祈祷之后是合唱圣歌，歌词在小册子上，我不知道曲调，只能默默地听。我们右前方靠中间走廊的座位有一位女士，声音洪亮，不知道是平时的积极分子还是教堂安排的领唱。

然后是亲友上台追忆泰勒的生平。最先上台的是泰勒的舅舅，两三句话之后泣不成声，一个劲地说他爱泰勒，爱所有人。之后是泰勒从幼儿园到高中的好朋友，回忆了和他一起玩的种种，一起在高中篮球队时对泰勒的受欢迎的羡慕。还有篮球队的教练，高中新认识的亚裔朋友，说他是怎样默默地关注着身边的每一个人，用最自然的方式把他们拉入谈话，让他们能够在一个集体中感到被接受。一个女孩子登台，中学的周末，两个人对家里说谎后去约会吃饭，然后在餐厅遇见双方的家人……她知道今天到场的这么多女孩子，几乎所有人都和她一样喜欢过泰勒，他值得这样的喜欢。

又唱了另一首圣歌，牧师再次登台，说自杀让人困惑，安静的会场沉入了更深的安静，我们不理解，神还有很多安排让我们不理解。小册子的最后有关于自杀救助的热线，建议大家都记到自己的手机里。

仪式结束后，想留下来陪伴家人的访客可以去旁边的大厅用餐。我们不知道礼数，于是问詹森和唐学长，他们都不打算留下，于是我们也一起离开。开车一路东行，后视镜一片眩目，夕阳薄暮，晚霞如血。

开学前的一个星期是迎新周，作为研究生教学主管，维教授依惯例需要在迎新会上讲话，向研究生新生介绍项目教学计划。迎新活动的主办方是高年级学生组成的 mentor committee，committee 的头儿安鲁写信给卡教授，问他愿不愿意代替维教授出席。卡教授回复说他已经问过了，维教授觉得自己还能正常履职。作为 committee 的一员，维教授讲话的时候我也在场，介绍十分顺利，只是在教授对着幻灯片的一处幽默的时候，我不知道该做什么表情。


.doc | 泰勒的追思会


“一颗小小的蓝色行星，又绕着它的太阳转了一圈。”这是科普作家 Ent 的公众号今年元旦更新的标题。我还看过这个句子更富丽堂皇的版本，还多了什么总星系什么银河系的啥啥悬臂之类的科学术语，虽词藻相殊，其志一也，都是说我们觉得值得暂停回顾的一段时空，不过是更广阔宇宙里的沧海一粟。

确实，年不是一个纪念的好理由。从周期性的角度来说，虽然这是地球公转一周的周期节点，但太阳也在绕着银心旋转，今年的地球和一个恒星年以前的地球并不处于相同的位置；另一方面，我们生活的节奏也不再以年为单位了，今天绝大多数人已经离开了春种秋收的农耕生活，投入了基本在工业时代定型的生活模式，学生的生活阶段基本上是由升学划分的，小学两个三年，初中三年，高中三年，大学虽然有四年，但是最后一年吊儿郎当，懂的都懂，最关键的是，这种划分是别人替你决定的，你并不需要做什么，也做不了什么。

如今不同了，虽然依然是学生，但是距离毕业，然后彻底结束学生身份的日子越来越近了。其实博士前两年上完必修课，时间上的自由度就很大了，如果完全放任追求即时的舒适，时间的流失真的超乎想象，过去的一年大家应该都收获了很多例子。因为有太多的时间可以利用，我又的确不是一个喜欢和善于把精力集中到一个方向的人，于是开了公众号，还学了一点 HTML+CSS+JS、了解了一点 jekyll， 在 Github Pages 上搭建了一个博客。

对，公众号和博客，终于让我给圆回来了，我们回到正题……之前再稍微跑题一下？早在上高中的时候，晚饭到晚自习之间的空闲里，我基本上也都在教室拉着朋友胡侃，指点江山，于是经常被问道：“你聊这些有什么用，有这时间多刷几道题不好吗？”现在写公众号和博客，都用不着别人问，我自己都很有负罪感，有这时间，多读几篇论文不好吗？

所幸咱的脸皮够厚，能够脸不红心不跳地指出来，这是一种非形式逻辑谬误，名叫“假两难推理 (false dilemma)”，不干这些不务正业的事情省下来的时间，往往也没办法全都用在所举例的正事上，而绝大多数都用在了比之前不务正业更没有质量的娱乐当中——人的精力是有限的，沾床就睡只是精力耗尽一种表现，还有一种就是眼睛睁着，却像行尸走肉一样什么都做不下去。稍微分散一点精力，把精力放在有兴趣的地方，可以延缓精力的耗尽。我这样的人，在高考这样需要血拼到最后一丝精力的游戏规则里不会有什么太大的出息，我知道、理解、接受这种规则的结果，但是没办法认同规则本身。

另外，所谓的没用，往往只是不知道有什么用。觉得没用就不学，等到发现要用的时候，也就是发现自己来不及学会的时候。在目标明确的功利主义者的常年内卷之下，兴趣者依然没有被淘汰，除了进化的速度不足以在短期内产生足够效果之外，更是因为兴趣带来的技能积累，以及觉得好玩就可以学的开放心态，还有在这过程中锻炼出的学习能力和执行力，使得兴趣者并不比功利者有太大的劣势，如果你能在内卷中幸存下来的话。

## 弃号重练的旧事

从时间线上来说，

- 2017年中，公众号发出了第一次非原创的测试性推送，是《诗经》的《鹤鸣》篇，之后长期沉寂。
- 2018年中，接近一年之后，第一次发表原创内容，胡侃为主，有一点点收割韭菜的动机，贩卖一点带有小确丧的焦虑，目标对象是比我爸妈稍年轻一点的，孩子还在上高中的父母。;-)
- 2018年末到2019年初，初步搭建好了个人博客。
- 2019年中，翻译《为什么说物理不是一门学科》，事后看来这是一个很大的转变，在这之前，是“哎，我有一个博客，我得写点什么放到上面”，之后则是“我写了写这个，哦，这个东西可以放到博客上去”。
- 2019年8月24日，翻译了保罗·格雷厄姆的《How to disagree》，这是这个博客阅读量最高的一篇文章，也是为我在微信平台上收获最多关注者的一篇文章。
- 2019年末，听说了 Matters 博客平台，开始在博客、微信、Matters 同步上传自己的文章。中间短暂地在豆瓣和 Bilibili 上同步过，但是数据太差，自觉不值，放弃了。
- 进入2020年，空闲时间多了起来，开始下决心一月一更。
- 进入2021年，没有下任何决心，但是似乎有能力一月两更了。

但其实，~~高墙之内埃尔迪亚人的记忆是被第145代王篡改过的~~，目前这个公众号是我注册的第二个号了，在这前面还有一个，是本科期间注册的。当时找了一群高中时候玩的不错的同学，准备像地下刊物一样一起写点东西。事实证明，玩的不错和志同道合之间还是有点距离，想法和付出努力之间也有点距离，努力和收获之间更有很大一段不在自己掌握之中的距离。

结果那个号的整个生命周期里，写字最多的是被我剥削无偿劳动的我爸，为了维持周更，我开始每周写一篇德甲的战况综述，不仅是没有专业背景的过家家，而且改变了整个公众号的内容定位。于是大约一年的时间，数据太差，自觉不值，放弃了。（好眼熟）

## 总结和展望

今天回头总结这段失败历史，我觉得以下几个选择很重要：

### 实名 vs. 匿名

这里说的实名和匿名，指的是在前台，读者和观众是否知道作者是谁，头衔身份几何。后台匿名是不存在的，所有在大陆司法管辖范围内的内容平台，注册账户的时候，个人信息就全交出去了，有点什么事，用伏拉夫的话说，“马上就到你家门口”。

实名的话，一个典型的好处就和微商一样，可以利用你已经有的交际圈，在刚刚起步的阶段就收获一群关注者，拿一个对新人来说很不错的阅读量。坏处也和微商一样，这种红利会随着时间的推移迅速衰减，熟人的转发很快就会变成人情上的亏欠。而且既然熟人在，聊些有他们出现的故事自然就会考虑他们的感受，写出来的东西要么是朋友之间互相吹捧的肉麻之作，要么是炸翻友谊小船的低情商雷管，如果都不是，那就恐怕逃不出“人在蒙古，刚下航母”的自吹自擂。

实名的另一个好处是各种头衔带来的光环效应。《How to disagree》中已经提到了，依据说话者的身份推断可信度和含金量，这其实算是一种诉诸人身谬误 (ad hominem)，但这招确实是管用，毕竟判断对错是需要背景知识的，很多事情读者掌握的唯一相关知识就是作者身份了，那还怎么批判接受理性思考呢？不谈说服力，就只考虑班门弄斧贻笑大方的威慑，也能让很多质疑和辩论的语气缓和很多。

现在这个博客和公众号，除了父母，就只有极少数趣味相投的朋友知道，而且基本上都是自己看出这些文章是我写的，没有强买强卖的现象。之前偶尔转发到朋友圈，不可能没有其他人看过，但是既然看了又没有表示，那也就算了，毕竟年纪大了，知道世界广阔，朋友不可能在每一个方面都玩到一起去。不谈头衔，能检验我言论对错的就只有逻辑和作为论证起点的三观和客观事实，这也能督促我检视自己文章的严谨性，排除很多杂音和不理性的粉丝情结（哎哎说粉丝也太不自量力了吧）。

### 平台 vs. 自立 

前面已经说了我在自己的博客之外，还曾经在B站和豆瓣同步，现在依然在微信公众号和 Matters 同步。虽然严格来讲，我的博客也不算自立，是依附于 Github 的服务，但其毕竟不是一个专门的博客平台，需要作者上传构成一个网站所需的各种源文件，姑且算是在大平台提供的方便性和个人的独立性之间取得了一定的平衡。

据说微信一篇文章的绝大多数流量来自推送后的48小时之内，但是后台看数据的时候让我很吃惊的是，不少微信公众号上关注我的朋友，绝大多数都是来自“搜一搜”，绝大多数来自《保罗·格雷厄姆谈如何反对》一文，都是文章推送之后很久关注的。像微信这个体量的产品，可能推荐算法稍微一个概率的调整，就超过我这种内容小贩苦心孤诣引流的努力。

Matters 和 B 站的推荐算法客观来讲和微信有差距，而且 Matters 的用户数量比微信少太多了，Bilibili 的主业毕竟是视频而不是文章。但是两个平台所形成的社区的氛围都很不错，在 Matters 上活跃的大多数自己也是写作者，所以我的关注数和被关注数差不多，评论互动也最活跃；Bilibili 的年轻人比例很高，不谈意识形态的话，对于新事物的兴趣和接受程度远高于社畜。

至于豆瓣？呵呵。

### 单干 vs. 合伙

上一个公众号的最大失败就是一厢情愿地把朋友们拉了进来。毕竟本科的时候足球赛、CUPT、建模美赛，各种活动班里的同学说组队就组队了，说通宵就通宵了，完全不食人间烟火，没有意识到这种默契是建立在那些共同目标可以为所有人带来利益的基础上的，虽然这个利益更多的是无形的荣誉。和我一起写文章，能给我的朋友带来什么？用爱发电，这种事情最多是用来追求自己的兴趣，况且即便是自己的兴趣也不必跟钱过不去。所以这次，既然我没有回报朋友的能力和精力，博客和公众号的一切都只与我自己有关。

### "干货" vs. “私货”

简体中文里，“干货满满”已经成了绝对的褒义词，“夹带私货”是攻击对方的重要借口。去掉感情色彩，干货基本上约等于对事实的陈述，私货约等于对观点的表达，陈述和表达真的这么明显的高下之别吗？更何况在这个时代，我们不是缺少信息，而是被过量的信息淹没过载，缺乏处理和利用信息的能力。在一个人的观点中，我们可以看到他处理信息的方式，看到不同信息在他眼中的逻辑关系，最终管窥他的知识结构和三观，这是远比头疼医头的“干货”更有意义的信息。

授人以鱼不如授人以渔，我没有能力写出一本钓鱼书，但是记录自己挂饵挥竿的过程，也比单纯的画一条鱼更有意义。

### 我 vs. 我

以上总结纯属放屁，完全是站在今天回望过去的马后炮，有着归因谬误的巨大嫌疑。这个号相对于上一个号最大的区别，就在于多吃了几年饭，多过了几座桥——这不是倚老卖老，几年摸鱼姑且折腾出来一些技能，两年研究生课程学到的东西确实不是当年那个幼稚的本科生能比。我能输出比当年更高质量的内容，是因为我变成了一个比当年更高质量的人。

更重要的是，我的价值观更加坚定了，我知道自己写的东西水平如何，不需要阅读量、Likecoin 数来替我估值，豆瓣上发的东西没人看，那就去他妈的。我上不了更好的大学，申请 PhD 没拿到更好的 offer，这不是我单方面的损失，只要我继续努力，就有希望变成“这不是我的损失”。

我对现在的博客和公众号的内容不满意的地方也有很多。一是连载不够多，没有输出更成体系的知识；二是曲高和寡，最近的非平衡态物理笔记，很明显没有让人看懂的意思，将来应该补充更基础的入门知识。更重要的是，现在文章的互动和反馈几乎没有，我哪里写的不好，很少收到来自读者的直接批评。

## 正题：发红包！

所以，希望已经关注的朋友，在将来的推文里多留言，批评反驳都没问题，毕竟翻译过《how to disagree》的人，不应该见到批评就炸毛。也欢迎大家把觉得不错的文章转发给几个志同道合，觉得可能会喜欢的朋友，毕竟批评的人多了，问题才更容易暴露出来。每篇推文里都来这么一段广告实在是太煞风景，这里一次性地拜托了。

还是上一个号的时候，自己哼叱哼叱地坚持了很久之后，终于有朋友看不下去了，像红三连五班可怜许三多一样告诉我：“你难道不知道公众号的流量是要花钱的吗？”我当时也很许三多地回答，我希望大家是因为内容而不是薅羊毛而来看我的文章。现在看来的确幼稚得很，不是因为这句话本身有什么问题，而是当你没有拿出真金白银的时候，是没办法证明自己不是穷酸还嘴硬的。

所以趁着过年，准备了总计 200 元的红包（小程序上限就是 200），分成 6 个，放在了这篇文章微信版的末尾，大年初四迎灶神的时候开奖，祝大家好运。

本来想根据互动点赞之类的数据来分红包的，但是一方面微信小程序好像没这个功能，另一方面各个指标都没有没有竞争的价值。每一项都是 hk 兄弟遥遥领先，等疫情过去了，一定请你吃饭。

在 B 站上，曾有一个朋友每一篇文章都读过并且点赞，希望你能看到这篇文章，也祝你的运气比别人更好一点点。


.doc | 口嫌体正直的年末总结


> Matters 是一个博客平台，在前几年区块链和去中心化思想还很热的时候上线，底层所有的博文会上传到 IPFS 区中心化平台，账号可以绑定一种叫做 LikeCoin 的数字货币，用来赞赏作者。2019年11月28日，我在 Matters 上传了自己翻译的 Paul Graham 的《How to Disagree》，算是正式加入了 Matters 社区。在那之前，我虽然建立了自己的博客(https:mountaye.github.io/blog)和公众号，但是一直没有规律性的更新。可以说，过去一年所有的不务正业，都可以以 Matters 为线索串联起来。我一向不擅长赶 deadline，所以压根没做周年纪念的打算。结果发现 Matters 官方有红包，没办法，只能为五斗米折腰了。

## 2020年只剩下最後十天，分享一件在年初想不到今年會發生的一件事？這件事對你的生活帶來什麼樣的改變？

美国股市对新冠大流行的 V 形走势。标普500指数从2月中下旬开始跳水，用了一个月的时间跌去三分之一，然后开始了大牛市一样的攀升，八月底重回疫情前的高点。

2018年1月份，我的开户申请被 Robinhood 批准，从此成为了美国股市里茁壮成长的一棵小韭菜。结果就在开户的那周，美股就开始下跌。

那时候人们开始说，十年一个小周期，到了崩盘的时候了，结果涨涨跌跌地拉锯了几个月，创出新高；十月再次开始大跌，也就是段子里讲的10天4次熔断那次，那时候人们又说，十年一个周期，出来混，到了还的时候了，结果这回更快，只用了四个月就收复之前的高点；如今，已经没有人再说十年啊周期啊什么的了，YouTube 上的雷公视频的标题，也从“市场进入高危期”变成了“急跌就是买点”。

“热闹是他们的，我什么也没有。”不只是没有的问题，我还在这期间花了很多仓位做空，兜兜转转，不断跌破止损线，累积下来，损失了大约一个月的工资。

要说这对我生活的改变，可能是……让我最近两个月没有文章更新？不断的亏损之后痛定思痛，觉得问题主要出现在记账方面。之前和股票相关的账目都是用一个 MS Excel 电子表格记录，虽然自认为还算准确完备，但是一方面只包含了自己的已经发生的交易信息，另一方面数字也不如图形直观，很难给将来的交易决策提供帮助。

因而，我决定把记账这件事转移到 Jupyter Notebook 上，完成 Excel 表的功能之外，还可以把自己的买卖价位和股价走势画在同一张图上，把自己的仓位和市场的交易量画在同一张图上，辅助决策。同时还可以练习 python 数据可视化的能力、`ipywidgets` 组件写 UI 的能力，一举多得。所以最近一段时间的业余都在忙这件事，博客也就暂时停更了。

## 2020年，什麼事情讓你獲得最深的意義感？

定期用无人机空拍校园。这件事刚刚付诸实施，每月选一天，沿着相同的线路拍一段延时摄影。预计明年的这个时候才会有结果，所以严格来讲不算是2020年的事情。

定期是一种获得意义感的很有效的方式。高中的时候，我们学校的几个老师和同学们办了一份报纸，每周三晚自习前免费分发几十份给每个班。高三一年的每一期报纸我都集齐了，每个周三，我都在学校食堂暴风吸入晚饭，然后跑回教室等发报纸的同学。一年下来，攒下来的报纸对折起来，几乎和课桌的抽屉一样厚。人非星辰大海，没办法占据无限的时间，但是周期性的事件序列，具有时间上的平移对称性，周期函数的自变量是可以趋向无穷的，给人一种对于永恒的近似和安慰。

摄影也是。像我这样的人，可能没办法给学校捐个楼，把自己的名字刻在楼基的石碑上，但是在这里学习和工作的经历，还有校园的景色，“耳得之而为声，目遇之而成色，是造物者之无尽藏也，而吾与子之所共适。”

## 全球疫情依然嚴峻，請記錄一件你認為值得銘記的疫情事件。

11月初的年度进展报告。从去年夏天的资格考试通过之后，每年11月初，我们都要向导师委员会汇报自己这一年的工作进展。今年的报告结束之后，第二天和老板单独 Zoom 的时候他表扬了我，说今年的进展依然不错，委员会的成员都印象深刻。

我现在的工作主要包括两部分，一部分是用我们老板做博士后的时候用的成像方法，去观察和他当时的工作稍有不同的细胞，属于“承上”；另一部分是“启下”，因为旧的方法在性能上不足以研究更复杂的系统，所以需要开发新的图像处理技术。

美国的疫情从2月份开始，那时候我刚刚拍了一些用于开发新技术所需要的参考图像，所以封城令最严格的几周有可以在家工作的素材。夏天限制条件放松之后，我又回到学校用旧方法拍了很多照片，这些照片在进行数据分析之前，需要在计算机集群上进行做“去卷积”计算，比较耗时，但同样可以在家做。所以今年的工作节奏，实际上并没受到病毒的太多干扰。

但是我也知道，这种印象深刻的另一面是，在今年以前的我的工作效率，也没有比有疫情的时候有多大的优势。之前工作也有很多时候摸鱼，我也不会加班，业余时间也在折腾自己的爱好，简直约等于不务正业的同时顺便读了个博。疫情把“我们所浪费的时间本质上都是自愿选择的”这一点放大了，

## 2020出行受限，如何改變了你與他人/世界的關係？有沒有什麼人/事，是疫情過去你一定要去見/做的？

恍然发现原来自由出行也可能变成一种奢侈。

疫情之后，我想我会成为一名 B 站的 up 主，像 Youtube 上的 Thomas Heaton 一样，到处走走拍拍，用拍视频这件事来鞭策自己，注视自己可能来之不易的日常，并珍视对这些日常的记忆。

## 說一件你在2020年遭遇的、難以解決的矛盾，這裡的矛盾是指：你感受到自己的信念與行為產生了衝突。

自视清高和渴望吸引眼球的矛盾。

明知道在任何平台写东西，用真名挂各种头衔会多很多流量，但还是用化名，努力避免 ad hominem 谬误；明知道在 Matters 写东西，用简体字没有流量，不谈政治没有流量，不做赞赏公民没有流量，也还是坚持下来了；明知道在微信写东西，膜蛤可能会死，借古讽今可能会死，点了关注的读者可能再也没看过我的更新（微信信息流的锅），但还是在危险的边缘疯狂试探。

## 分享一個你「忽然理解了我所反對的立場」的時刻。

没有，而且我觉得也没办法有，“忽然”、“理解”和“立场”本来就不应该出现在同一个句子里，你要是真的能理解，那早干什么去了？

公共讨论中的绝大多数问题并不是因为拒绝对话，而是急于对话，把根本不成立的对话强行推进下去，结果就是鸡同鸭讲，各自在自己的信息茧房里赢得一片掌声，然后一个共识，各自表述，直到其中一方得意忘形进入了对方的同温层，再开启一轮循环。

## 相比一年前，你與身體的關係發生了什麼變化？你有更喜歡現在自己的身體嗎？

老了，虽然我才 20 多岁。

天冷的时候跑步，膝盖就会疼。刚来学校的时候，参加系里的老教授们每周踢足球的活动，还笑他们冬天休赛期太长，现在只能摸着自己的膝盖感叹自己还是 too young too simple, sometimes naive. 小时候练羽毛球，从场中央来到网前需要两步，退到底线需要三步；现在一步半就到了，但是再也不敢跑折返了。

当然，作为一个减肥成功的胖子，我经历过更难受的肥胖状态，我对今天的身体已经足够满意，不敢再奢求更多。

## 經過2020年，你內心是否有找到一個關於自己，不可停止之事嗎？

认识自己——不断修正对自己的认识，并且证明这种认识。（你现在还认识“认识”这两个字吗XD）

## 請與我們分享你在 2020年最常聽的一首歌、最愛的一本書或者印象最深刻的一部電影

戈德门特《代数学教程》。

## 最後，能否請你用一張照片代表你的 2020 年。

![](/photos/2021-01-09-matters-rainbow.png)

## 填空：2020，<u>normality</u> matters

好像真的赶不上 deadline 了，后面几个问题越来越敷衍……应该不影响拿红包吧（小声）

【2020Matters年度问卷】Normality Matters


> 本文为虚构。

大三的时候，我们高中的班主任熊师傅找到我，问我想不想回学校，给学弟学妹们介绍介绍经验，加加油，鼓鼓劲。我当时直接傻了，没开玩笑吧？

高三那年的清明假期，我们年级别出心裁，趁着已经上了大学的学长们放假回家，而我们还在学校自习的机会，把他们请回来，开个主题班会，和大家近距离地见见面，给我们介绍经验，加油鼓劲。

我们年级当然有这样的底气。我们这样的十八线小城，一中那时北大清华还不是每年都有的，三年前的这批老师，一年教出了两个北大，老熊当时的班级，是全年级一本率最高的。我们这一年又是第一次推行北大校长实名推荐制度，校长为了给北大一个好印象，选中了本来上北大就没什么问题的年级第二，所以一场高考大捷已经十拿九稳。只不过年级第一有点不高兴，为学校实现了数学奥赛零的突破之后，赌气一般地直接和上交签约了。显然，这只是学校从一个胜利走向另一个胜利过程中的一点小小杂音，不足为虑。在这次经验介绍会之前，年级主任即将在高考结束之后升任副校长的传言，就已经在晚饭时段的闲谈中流传开了。

听说这个的时候，我的心里很不以为意。不以为意很正常，十八线小城里的优等生，高考之前瞧得起谁呢？但还不那么简单，主要是因为同样的戏码，初中的时候已经看过一遍了。

初中不幸，误入一个作业极多的学校。多到什么程度呢？我们入学的时候接近70个人，毕业之前转学走了12个。除了1个去东北的高考移民，剩下11个人都是转到了本区的其他中学——为啥？累的啊！什么996，什么福报？Too young too simple! 互联网大佬们啊还是要再学习一个，学不下去怎么办，打鸡血啊！开学一个月左右的时候，班主任请来了刚刚以全市第一名考上一中的学姐，还有另外两个学长，回来给我们介绍经验，加油鼓劲。

温柔美丽的学姐和学长们如约而至。有一说一，这场经验介绍本身还是很成功的。一上来，学姐抚今追昔，指着教室中间一位漂亮可爱，马尾长辫黑又亮……咳咳，不好意思油腻了，指着一位女生说，当年她就坐在同样的位置。轻轻一番话语，就拉近了我们和学姐之间的距离。然后学习经验整理得井井有条，用排比的方式，介绍了课前认真预习、课上认真听讲、课后认真复习三大法宝。学姐还有一个姐姐，也曾是全市第一上一中，今年刚刚被北大录取，只要你足够努力，北大也在等着你，耶！作业多怎么办？这就是请多位学长学姐来的好处了，曾任语文课代表的学长站出来非常有斗争经验地说，你们课代表可以给老师求求情啊，老师又不是那么不近人情的人啊（班主任是语文老师）……总之，学长学姐学习成绩优异，人物形象丰富，总有一款你的菜。放学回家的时候，我骑车到路口，学姐站在不远处等公交车，牛仔裤，白衬衫，晚夏的风向后吹起了她的长发，哇，美！

然后呢，作业还是他妈的多，撑不下去的同学开始转学。爸妈实在看不下去了，开始帮我写作业，期末最累的时候给我请病假让我在家补觉。

班会开始之前大家的笔都没有停。老熊走进教室，看了一会自习，看了下门外，对我们说：“来，差不多了吧，让我们有请——”平时吱吱呀呀的塑钢门被很有礼貌地推开了，一位穿衬衫的干净男生走了进来。老熊作完介绍，学长的 PPT 也准备好了。一上来，学长抚今追昔，指着教室中间一位玉树临风的男生说，当年他就坐在同样的位置。然后……然后不是学习经验三大法宝了，但是究竟说了什么我也不记得了，记忆就是这么奇怪，久远如初中的事情还历历在目，后来的事情却朦胧不清。只记得他问了几个问题，我们给出了让聊天无法进行下去的尴尬回答。然后学长开始介绍山大的校园，讲到了自己正在领导的学生会部门，幻灯片上是学生会的照片，学长的旁边站着一位美丽大方的学姐。“这个嘛，工作上的同事。”学长解释时露出了微笑，男生们在意味不明的“哦”之后在微笑和大笑之间猥琐地笑，此刻写下这些文字的我自嘲地笑。

几个月后的高考成了整个年级的滑铁卢。我的全校排名仅次于某次超水平发挥的期中考试，但总分依然比平时低了二三十分；北大校荐的同学加了六十分后依然不够被录取；全市第一名是一位补习学校的复读生。当然了，喜报还是发在了市里的报纸上，毕竟一本过线人数再创新高。只不过新任副校长人选是兄弟年级的主任，上大学后看学弟们转发的 QQ 空间里的动态，英姿勃发的校长一夜之间头发全白。

写到这里的我实在是写不下去了，写这些干什么呢？是想幸灾乐祸吗？不应该，这样一场溃败，每个人都是受害者，我也并不置身事外。是想咀嚼一番回忆的苦涩吗？不存在，高考的成绩不是十分理想，客观上减轻了我在大学时竞争的激烈程度，让我得以进入第一志愿专业里一个不错的班级，交换生出国，奖学金，我的四年大学生活没有什么遗憾。

退言思之，可能我想说的是，滑铁卢并不是拿破仑一个人的滑铁卢，真正承担伤亡的，是一个个籍籍无名的普通士兵。拿破仑尚且还可以在偏远孤僻的小岛上了此残生，内伊元帅甚至可以慷概骄傲地命令行刑队向自己开枪，如果“无内鬼，来点苏联笑话”，现代传媒甚至可以让人不知道拿破仑的失败，可那些败兵呢？他们只能包扎好伤口，掩埋好战友，然后解甲归田，或者继续前行。是的，可以解甲归田了。上了大学，及格万岁，只要你不违纪，不跳楼，课随便翘，游戏随便打，有了外卖更是可以屁股长在椅子上，眼睛长在屏幕上。那谁还努力啊，又有什么事情值得努力呢？我也不知道，但是晚上自己在教室里刷题的时候，为了公派背单词的时候，听身旁的同学骄傲地谈论自己全国闻名的高中母校的时候，我的眼前总是浮现出校长满头白发的那张照片。

只是这些话，无论如何不可能出现在经验介绍会上。那我能说什么呢？不如抚今追昔，指一位教室中间的男生或女生，说当年自己就坐在同样的位置吧。



.doc | 经验介绍会


2018 年初，趁着寒假的功夫考了驾照，趁热打铁买了车，是一辆二手的丰田花冠。

最近有个朋友要买车了，知道我有车，所以来打听一下；碰巧我也临时起意想要换车，之前对买车和养车的花费，虽然一直在记账，但是脑子里是一团糨糊，需要理一理。

结果呢，在这篇文章动笔之前，朋友就已经秀出新车的照片了；算完买车的帐之后，我也暂时决定不换车了。所以这篇文章，权当是周更凑数吧。

## 先来算帐

因为隐私的关系，所有价格都是约数，这样可以减小一点点[信息量](https://program-think.blogspot.com/2017/12/howto-cover-your-tracks-10.html)（虽然没什么用就是了）.

与车有关的花费可以按照频率来归类：

- 一次性的：
    + 汽车本身，给车行的：约 $13,000
    + 消费税：约 $1,300
- 每年一次：
    + 财产税：从第二年开始，年末交，至今只有一次，$300
- 半年一次：
    + 保险：大约是个等差数列，$2100 开始，之后每次下降 $200
    + 保养：没有特殊项目的话，$20 - $30
- 每月一次：
    + 加油：车用的少，平均每月一箱油。最贵的时候每次 $30，最便宜的时候（现在）每次 $20 
- 不定期的：
    + 为了考驾照租了一辆车：$10
    + 换驾照、车牌：每次 $20
    + 换过一次轮胎：$700
    + 换过一次刹车片：$500
    + 洗车工具、清洗剂：$50
    + 停车：在芝加哥两天停掉了接近 $150 :-( 其余至今累计不到 $100，包括在学校停车
    
## 再谈感受

### 价格比想象中贵不少

说实话，重新看到帐单的时候我有点不敢相信，虽然来这里的第一天就知道美国的东西标价和税是分开算的，但是我印象里一万三是税后价格。当初买车的预算只有一万元，结果不够，幸好当时爸妈在国内已经起床了，在签合同的当时紧急给我汇了一笔钱。估计是价格太高，花了家里这么多，自己实在惭愧，于是记忆就悄悄地自我修改，帮自己开脱了。

一般而言，美国汽车新车的价格是比国内便宜一点，但并没有江湖传言说的差那么多。国内价格按照官价汇率换成美元，和美国税后价格区别就在误差范围以内了。有次我和几个朋友开车路过一家卖野马的车行，大家讨论起来野马新车的价格，我猜的最准。 ~~当然了，官价汇率和实际购买力也有一点不同，微信公众号上不能多说，说多了号就没了。~~

美国买车便宜，主要在于这里的很多人买的都是二手车，一辆车在新车变成二手车的那一刻起贬值是最快的，五年左右的车价就能跌去一半。同时由于市场成熟，因为信息不对称被车商套路的可能性比国内小很多，有更多的人愿意买二手车。

### 车险，及所谓“华人互坑”

虽然车险价格以一个等差数列稳步下降，但是其实中间换过一家保险公司。头一年半的三次付费是卖车的时候经手的业务员推荐的，看起来像是本地华人经营的一家保险中介，自己没有保险产品，给一些知名度不是那么高的保险公司拉客户。

卖车的小哥是华人，我当时房东的晚辈亲戚。月均 300+，听起来就好像不怎么靠谱是吧，总感觉应验了豆瓣名言“在海外坑中国人最狠的都是自己人”。第一次交保险的时候简直心头在滴血，就连我这种拖延症晚期患者，在一年半以后也坚决换了某 G 字头知名保险公司。结果回过头来看，价格下降的幅度并没有明显改善，基本是汽车折旧和个人信用记录的正常积累。

当初把保险办好，所有的手续就都齐了，第二天直接拿着车行给的文件就把牌照办好了。我去看车的时候是开着考驾照租的车去的，买完车我再开回来，他帮我把新车开到我的公寓，然后打电话让嫂子开车接自己回家。这样一想，更为自己之前以小人之心度君子之腹而羞愧。这次朋友买车本来是想推荐给他的，结果前不久看朋友圈才知道他已经换了工作，有点可惜。

### 我想换车——还是算了

觉得现在反正住得离学校很近，每天去学校也不需要开车，真正用车的机会也就是每周一次踢球、一次去超市，以及不定期的短途瞎逛。这样的用车场景，小车的油耗优势并不明显，出去玩的时候，有时需要走一些石子路，SUV 的通过性有明显的优势。所以有想要换车的打算。

但是，上网看了一些车的报价，标价一万五的都是凤毛麟角，两万以上很普遍。这也正常，毕竟绝大多数的 SUV 和 B 级车同平台，本来就比现在的车大一圈，SUV 本身的功能又有溢价。以我现在的存款，肯定是要先卖旧车再买新车，各种标价之外的成本，再想到各种行政手续也要消耗不少的时间和精力，恐怕只能望而却步。


.xls | 聊聊买车这两年多


最近报名了一个写作班，老师留了作业，命题作文——“我想怎样地度过余生”。

我在电脑上敲下了一句“我想随遇而安地度过余生”，然后抓耳挠腮地度过了三天当时的我的余生，什么也没写下来。

然后，疫情嘛，研究上的事，能在家里做的已经做得差不多了。闲来无事翻翻邮件订阅的论文摘要合辑，看到了一篇讲量子态马尔科夫演化的论文，于是想到了一个很有趣的问题：人生是一个马尔科夫过程吗？

先等一下，马尔科夫过程是什么？

用一个生活中的例子来解释吧。假设我们有一个感兴趣的对象（比如说我现在使用的牙膏的牌子）；这个对象有几种不同的可能性（我去的超市里有两种牌子，我可以但也只能选择其中的一种）；每过一段时间，这个对象有可能变化（每管牙膏用完之后，去超市再买一管，要么换牌子，要么不换）。

重点来了：如果当我在货架面前考虑要买哪个牌子牙膏的时候，只考虑我现在用的是什么牌子，而不考虑上次买牙膏之前那管是什么牌子，不考虑之前任何一段时间用的是什么牌子，那么我使用的牙膏的牌子随时间的变化，就是一个马尔科夫过程。

也就是维基百科上所说的：“未来的状态与任何历史的状态无关，仅与当前状态相关”。

这么一说的话，人生还真的挺像是马尔科夫过程的。

今天认识我的朋友可能想象不出来，我小学的时候还是个很听话的乖孩子。坐我后桌的小豪也很听话，班主任很信任我们几个孩子，经常让我们帮忙干点活儿，平时考试之后改改卷子啊，上面下来检查之前收拾收拾同学们的作业之类的。六年级下学期的某一天，老师放学后又把我们几个人留了下来，给了我们一叠材料，仔细一看，有一摞表格，上面是全班同学姓名和家庭住址的表格，前几天发给每个人回家填了，第二天连同房产证一起交上，房产证很快发回来了，表格在这；还有一张本市本区的地图，道路标的还挺详细的，道路围成的方块上标着不同的数字。我们的任务就是根据家庭住址，把大家的名字和地图上的数字对应起来，填到一张新表上。我和小豪的家有点距离，在地图上的数字也不一样。等我们拿到了不同初中的录取通知书，才后知后觉，当初那些数字代表的就是所谓的学区。高中之后骑车上学，有天早晨，在到校之前的最后一个路口等红灯的时候，眼睛余光觉得旁边等灯的人老是看我，我也看过去，端详许久，是小豪！我们都长出了一口气，不知道是舒气还是叹气。

因为一个学区号，原本要好的朋友再相见，就只能努力注视然后努力回忆，再报以礼貌的微笑了；因为一场中考，因为一场高考，因为考研或是考公务员或是招聘面试，三年、四年、几十年的时间里，我们能做的事情就大体定下来了。至于在这决定未来的考试之前的每一个平凡一天里，我们的生活充实吗，枯燥吗，快乐吗，累吗，见到许久未见的老朋友了吗，不好意思，不太重要。

所以说，把人生当成一个马尔科夫过程的话，一个很自然的推论就是，我只要在这些时间节点上，让自己拥有这些节点所考察的那些成绩，就可以在人生这条长河里一路顺风顺水，幸福美满了。

大一结束的暑假，我们班的导师老史带我们去北京参观几个科研院所，用他的原话说，“见见世面”。从正负电子对撞机里出来的时候是下午，还有点时间，我们就去了北大。北大接待我们的老师是我们热学课本的作者，那是我第一次亲眼见到写教材的人，一种“我也见到大人物了”的自豪感油然而生。这样的参观活动本来也有为将来的保研做广告的意思，作者老师把我们引入一间教室，拿出了准备好的幻灯片。北大嘛，客观地指点指点江山就足以作为广告了。江山指点得差不多了，还没有看到我们学校的名字，老师大约也注意到了：“你们学校啊，还是差了一点。”老史也和我们坐在一起，除了点头也说不出话来。又有同学问，既然已经有这么大的差距了，那该怎么弥补呢？老师面带微笑地说：“人生啊还是很长的，你们现在虽然落后很多，但是一直努力的话，比别人晚个几年十几年，也是有希望达到同样高度的嘛。”我当时自然心里一百个不服，拳头在桌子后面攥得紧紧的。临走的时候，作者老师还问了一句：“我那本课本是写给非专业的课程用的，你们专业用这个，是不是浅了一点啊？”我很幸运，没看到史老师脸上的表情。

反过来说，只要在某一个时间节点上没有做好，之后的人生就可以洗洗睡了。

但是，人生也并不总是能简化成马尔科夫过程的。

乔布斯在斯坦福大学的毕业典礼上做过一个演讲，讲过他读书时候的故事。领养乔布斯的夫妻当初答应了他的生母，一定要让孩子上大学。乔布斯年轻时也不知道父母的艰难，选了里德学院这样一所学费高昂的私立学校，很快就把父母给的钱花光了，只能退学。退学之后没有了学分要求，他得以选一些轻松有趣的课程，比如字体设计。等到后来兜兜转转，他被苹果公司开除，成功建立了 Pixel 动画公司和 NeXT 电脑公司，之后回到了经营不善来到破产边缘的苹果。这时候，之前的字体课派上了用场，苹果的新电脑取得了巨大的成功，优雅的字体居功至伟。

人生并不是一个预先设计好的程序，也不是一台严丝合缝的机器，我们经历过的故事，有的深藏在记忆里，在不经意的时候闪现，击中我们；有的成为心中高悬的苦胆，时时提醒激励着人，去做一些可能徒劳但又不甘心的事情。

北大的故事其实没有结束。当初提问该如何奋起直追的同学转到了数学专业，而一直志在生物的我反而留在了物理圈里。大四的时候，听说北大一个物理和生物的交叉学科项目还有一次补充录取的机会，申请美国学校结果不太满意的我就报了名。面试的一个环节是读一段英文学术论文的节选，然后根据材料回答几个问题。我抽到的文章是关于 microbiome （微生物组）的，老师们知道我的专业背景，本来没打算我回答得出什么问题，没想到我平时读过一些科普文章，对这个话题有些了解，老师的问题都很顺利地回答了出来。他们很意外，问我是怎么积累这些知识的，我很想给他们讲讲三年前那个下午，隔壁系教室里的故事。

又觉得什么也不必讲，于是微笑着谦虚了两句。


.doc | 人生是马尔科夫过程吗？


今年寒假，疫情引而未发之时，爸妈来美国看我。

他们英语不好，担心转机的时候不顺利，所以定了直飞芝加哥的机票，傍晚到，我早上出发开车去接他们。因为是一个人开车，手机定了计时，每隔一两个小时就离开高速停车休息一会儿。

一路基本顺利，除了进城之后。前面几个收费站把硬币花完了，接下来的收费站没带够硬币，又误入人工硬币收费关卡，被收费大妈批了一顿之后滚蛋了，回去之后在网上补缴了费用；到机场之后，想到之前收费站的事，在航站楼里的小卖部买了包巧克力糖，换了一堆零钱；发现停车的航站楼不是爸妈要停靠的那个，导航又不明确，只能开车离开停车场，一边慢行一边看路牌。到了正确的航站楼，距离爸妈的飞机到达还有一个多小时。芝加哥当天极冷，于是也不好在周围闲逛，就只在接机口站着等。

倒是没有着急，盯着出站口被人推开又自己关上的门，呆若木鸡，一种在被人漠视和假装无感于漠视中锻炼出来的，故作少年老成的冷漠表情。一会儿就要见到爸爸妈妈了，我会拥抱他们吗，会一惊一乍地嘘寒问暖吗，会有一股暖意从心底涌上心头吗？

想来本科的时候，爸妈也是这样在等我的。那时候家乡还没有通高铁，去学校的时候坐的是夕发朝至的绿皮车，回家的时候动车票买到邻近的城市，爸妈开车到高铁站接我。有时候在高速的服务区吃饭，有时候他们先吃过了，来的路上买必胜客或者肯德基的套餐，这样我在车上就把午饭解决了。

事情也不是一开始就这么顺利的。第一年寒假的时候，当时那个高铁站也才刚通车不久，出站口的广场和地下通道还扎着脚手架，第一次来这个车站，我有点找不清方向。打电话问他们，我爸习惯说东西南北，我只认识前后左右，指挥了半天又绕回了原地，我爸开始急了，吼了起来。我也不甘示弱，挂了电话，直奔汽车售票处要自己买票回家。拖着行李箱到了站台上，一路上手机一直在响。接了电话，那边爸爸的声音还是很强硬，但明显有一种不敢再发怒的谨慎。这是最容易让人蹬鼻子上脸的，我直接吼了一句“老子就是要让你不爽！”，又把电话挂了。

挂完电话之后就后悔了，真的要自己回家吗？架总要吵完的，回家之后，该怎么收场呢？于是就在周围人的目光中离开站台，脸红得很，也不知道是冻，是怒，还是羞愧。离开站台后给妈妈打电话，重新核对周围的建筑位置，终于在广场去地下停车场的楼梯旁边会合。见面的时候，妈妈刚想说话缓解气氛，我先给了爸爸一个拥抱。然后找了一家餐厅吃饭，回家，比无事发生还更加其乐融融。后来回学校之后，爸爸在网上跟我告状，说妈妈因为这个拥抱嫉妒他，找了他好几次茬。

父母和孩子的关系，在绝大多数时间里都是极不对等的权力关系，而且是总有一天要从一种不对等逆转成另一种不对等的权力关系。我们家和舅舅家住的近，所以常走动。表弟出生的时候，舅舅年纪已经不小了，表弟刚会走路的时候，在我们家小区的草坪上，鬓角已有白发的舅舅在表弟面前S形跑，双臂向后伸，嘴里念着小鸟小鸟飞。高中的语文老师讲课爱跑题，讲李密《陈情表》的时候，他感慨说人的衰老就像是时间的逆转一样，老人越来越像一个孩子，越来越需要子女像当初的父母一样照顾他们。不久，老师请了短假，回来后左臂上多了一块黑色的孝牌。《请回答1988》里面，德善的爸爸很因为总是忽视德善而道歉，说爸爸也是第一次当爸爸。可是，哪有那么容易的道歉呢，孩子也是第一次做孩子，有些愧疚连愧疚的资格都没有，只能在比无事发生还更加其乐融融的气氛里，被时间抛在身后。

广播报出了他们飞机的班次，出站的人流渐渐拥挤又渐渐稀疏，在他们看到我之前，我先看到了他们，对眼前的陌生有些茫然，面有疲倦之色。我接过他们的行李箱，“还顺利吗？”“挺顺利的。”天很冷，出航站楼之后我们都打了哆嗦，快步往停车场去。


.doc | 接机


也想谈谈告密的问题。

这个问题似乎没什么可谈的，告密是中国价值观里最低等的劣行之一，也是我爸妈对我从小的一个教育重点，在学校闯了祸要被老师剋，但是敢把同伙供出来，被爸妈知道了得往死里打。告密是一种行为，其背后的本质是背叛，背叛是对别人信任的践踏，只要信任建立得有道理，这种践踏必然是令人不适甚至不齿的，没什么好讨论的。

那就先按下这个话题不表，说我见到的另一个有趣现象。人们在谈起美国和加拿大（尤其是加拿大，也许因为其他方面乏善可陈）的民风淳朴的时候，经常用来举例子的一点就是，人们对于维护社会秩序的积极性，遇见违法行为（比如闯红灯）积极检举。还有就是在体罚还刚要被社会舆论否定的时候流传的故事里，爸妈体罚孩子，结果孩子报警把自己爸妈抓起来了。这算是告密吗，可耻吗？

这两个例子或有意或无意地，忽略了告密和告发的区别。告密的内容应该是一个秘密，一个权力通过正常手段无法取得的证据。这也就意味着，在背叛之前有个过程，就是信任的建立，而且这种信任建立得要有道理。要么是两人有足够的私交，要么是事先明确进行约定，要么社会公德里默认的应当互信的情况，比如说，即便是陌生人，也要相信走在路上擦肩而过之际，对方不会从怀里取出一把匕首来捅你一刀。上面的例子里，报警者跟闯红灯的傻逼不熟，爸妈也只对孩子的抗揍能力有“信任”，所以并不存在背叛，只能算是告发。

那么问题转换一下，告发还是一种为人不齿的行径吗？

之所以要谈这个，是因为最近某选秀节目里，有些选手的粉丝看不惯另一位选手，向某部门举报该选手不符合社会主义核心价值观。霍老爷的公众号发布了一篇《xxxxx：世道变坏是从年轻人用36计开始的》，其中有这么一段话：“无论是权力任性导致的运动式治理也好，虚伪假大空的宣传也好，都必须基于‘告密’的群众基础才能存在，若是没有告密，至少，那些政治运动，只是统治者的一厢情愿，而一旦有了告密者，势必像病毒一样蔓延。”

我们对告密的鄙视，其正义性的一个重要来源是，告密是极权主义控制人的一个重要工具。电影《窃听风暴》里，东德的国家安全部门通过威逼利诱，迫使文化界人士、社会活动积极分子周边的亲人朋友出卖隐私谈话内容，以此作为罪证抓捕审判。具体情节虽经过艺术加工，但这段历史是真实地发生过的。但是就在同一部电影里，当局除了发展眼线，还通过化妆成工人，在维修房屋的时候布设窃听装置来搜集情报。缺少了告密这一个工具，权力就控制不了人了吗？这种对告密的鄙视，和在行贿受贿问题里只谈行贿者是社会的蛀虫，在性工作者和嫖客之间只羞辱前者一样，算是老太太挑柿子——专捡软的捏。

和朋友讨论这个问题的时候，他觉得告发是否应该，主取决于是否符合道德规范，是否出于当事人自己的正义感。然而一则动机实在难以揣测，再者道德规范的流动性又太强，既可以束缚在法律的框架内，又可以附身在狂热的意识形态甚至是宗教之上。宗教改革者胡格诺被教廷宣判火刑的时候，行刑的修女慈眉善目，添柴的动作谦恭优雅，引得绑在柱子上的胡格诺本人都感叹那“神圣的单纯”。威权既然能把触手伸向的素有信任的朋友伙伴之间，想要修改甚至扭转道德，简直轻而易举。

所以，当权力已经膨胀到能吸引人自发检举的时候，还是双手合十地祈祷吧，毕竟除此之外，我们已经没什么能做的事情了。


.doc | 也谈告密和告发


![](/photos/2020-03-14_main.jpg)

经常逛和摄影有点相关但又没那么相关的网站的话（比如豆瓣），会发现很多拍的很不错的照片下面，经常会有人问：“这是不是原片直出啊？”当然，有些人的确就是想知道这样一个事实，这并不是一个很过分的问题（但也不是一个好问题，下面会进一步讨论），有些人问的时候就很不客气了： 

“你这照片是 P 过的吧？假的吧！”

想回应这样的质疑，首先需要解释，什么叫“原片直出”。

我们生活在数码时代，所谓的照片，其实都是可以被电脑读取的一个个文件，这些文件的底层，都是一串串0和1组成的二进制数据。但即便有这种共性，不同的组织依然提出了不同的技术标准来表示图片，也就是告诉电脑如何将这串0和1解释成“给我在屏幕上画出一块方形空间，这里涂成黄色，那里涂成浅绿色……”。这直观地体现在，不同的照片可能有不同的拓展名，比如 `.jpg`、`.png`、`.tif`、`.arw` 等等。

我们日常的文档和网页中，常用的图片格式一般是 `.jpg` 等等，这些格式的图片占用的空间小，读取速度快，但是包含的信息量少。专业相机能够捕捉到的信息量要大很多，只往存储卡里写入`.jpg`的图片实在是太浪费相机的性能了，所以不同的厂家会根据自己的相机设计特定的图片格式，这类图片格式统称为 [RAW (原始图像文件)](https://zh.wikipedia.org/wiki/RAW)。比如我现在使用的索尼相机，它的 RAW 图片的拓展名就是 `.arw`。专业相机一般允许拍摄时同时保存 `.jpg` 图片和 RAW 图片。这类相机写入存储卡的图像，就是上面所说的“原片”。

RAW 格式的图片，一般电脑上的图片查看软件是打不开的，所以要导入到（以 PhotoShop 为代表的）专业的图片处理软件中，再导出成日常可用的格式。那么“直出”也就有两种理解：直接把相机保存的`.jpg`格式的图片拿来用，此其一；RAW 格式导入图片处理软件之后不做任何处理，直接导出成`.jpg`，此其二。

这么解释下来，我们大约可以回来看看“只要用过图片处理软件就是作假”这种观点了。

摄影的对象是三维空间内的物体，而照片只是被摄对象的一个二维投影（至少按照我们今天的科技水平是这样），所以所谓真实，必然不可能是完全复制出被摄对象，而最多只能是反映出对象的某些特征。作为和相机一起目睹被摄对象的摄影师，在实际操作中根据自己的记忆进行调整，向看到图片的观众呈现自己看到的景象，既是一个比较容易实现的目标，而且其结果距离绝对的真实，也可以被认为是在误差范围以内。

相机为了捕捉并存储更多的信息，会对自己的 RAW 图片格式进行特殊设计，摄影师在拍摄时也会尽量让画面中最暗和最亮的部分不至于超过相机所能记录的数据范围，这都导致相机的原始数据的目标本就是以存储更多信息，而不是让这些信息不加处理就能被人正确理解。从这个角度上来说，越是原片直出，才几乎可以肯定与你亲临现场看到的景象相去甚远。越是要追求真实，才越应该对图片进行处理。

更进一步，就连询问对方是不是原片直出这一事实也没有什么意义。按照原片直出的第一种定义，`.jpg` 格式的照片包含的信息量就比 RAW 图像少很多，在明明有能力获得更多信息的情况下选择主动丢弃这些信息，对于一个创作者来说实在是很不明智，一般只在多款机型的横向测评中作为对照参考；按照第二种定义，使用 RAW 格式中更丰富的信息生成 `.jpg` 格式的图片，这个过程需要图像处理软件的参与，而不同软件的算法不同，导出结果是不一样的。比如下图，分别给出了 RawTherapy 不加任何操作导出、DarkTable 手动移除软件自动调整然后导出、DarkTable 使用软件自动调整导出3种不同的结果，差别非常明显。在这种情况下，哪一种算是原片直出呢，原片直出又如何呢？

![](/photos/2020-03-14_compare-softwares.jpg)

那还有人问了，对于那些一眼就看出来是调过颜色的，而且颜色一看就是现实生活中看不到的搭配，那我是不是就可以开始喷了呢？当然也不是，如果大家都能看出图片的颜色不同于日常真实，说明这张图片就不是照片，而是作者基于照片的艺术创作。认为这样的图片应该反映真实，就好比把小说情节当作史料来引用一样，这不是小说作家的错误，理解一件作品是作者和观众两方面的责任。

如果以上这些依然不能说服对方，或者别人摆明了就是来砸场子的，那咱也不客气——

“您那巴掌大的屏幕做过色彩管理吗？能把颜色都显示准了吗？我这儿原片直出有用吗？颜色准不准您能看得出来吗？”

## Adobe LightRoom、RawTherapy 和 DarkTable

我的手机上一直常备有 Adobe LightRoom 的移动版，免费版的功能够用，可以直接用软件控制相机的光圈快门等参数，拍摄 RAW 图像（`.dng` 格式）。

但是 Adobe 家的 PC 软件是要收费的，而且现在不是一锤子买卖，而是按月交保护费，让人感觉随时在接受剥削。前年圣诞节的时候有优惠，一口气交了一年的钱。但是过了一段时间之后，我忘了究竟交了多少钱，也就不知道是不是还在每月扣款，而且受到了开源自由软件精神的 ~~(洗脑)~~ 感召，于是毅然退订了 Adobe 的服务 ~~(然后发现钱已经交过了，退订意味着少了接近半年的服务，外加损失一个月的月费)~~。没了张屠夫，咱也不能吃带毛的猪啊，于是一番搜索，找到了 RawTherapy 和 DarkTable 两个替代产品。

在[这篇文章](https://linux.cn/article-10912-1.html)的忽悠之下，我决定使用 RawTherapy，因为据文章说 DarkTable 对 Windows 版本的维护不如 Linux 上心。但是用了 RawTherapy 之后总觉得哪里不对，每次导入图片的时候都感觉“咦，怎么当时很漂亮的照片在电脑里看这么丑”，我又不是没见过 RAW 图片，这种反差实在是超出预期，而且使得修图的工作量大了很多。去年夏天，有个学妹来我们实验室访学，临走的时候我带她去动物园和博物馆逛了一天，回来之后看着成吨的废片，欲哭无泪……

今年冬天的第二场雪，我和新认识的老乡一起去城东边远郊的一个小村子拍雪景。回来之后不久，老乡就在微信公众号发了一篇游记，我则看了一眼图片文件夹就再也不想修图了，以至于拖延到现在。抱着死马当活马医的想法，下载了 DarkTable，然后发现几乎不怎么用调整就可以得到还算令人满意的效果（见上面的对比图）。对于 LightRoom，我最念念不忘的就是它 `Color Mix` 的功能，在 DarkTable 中，`Color Zone` 和 `Color Look Up Table` 两个功能基本上可以取代。情况没有什么变化的话，我应该会在将来一直使用 DarkTable 了。

![](/photos/2020-03-14_lightroom-darktable.jpg)

事实证明网上的测评文章几乎没什么用，哪怕作者没有被开发者收买，也不一定有能正确描述不同软件异同的洞察力和表达力，而且结论还往往基于一些没有明言的个人经验和价值观。所以也请不要把这篇文章看作是 RawTherapy 和 DarkTable 的严肃测评，只是我对自己使用经历和感受的一段叙述。如果你也觉得其中一款用起来很不顺手，可以考虑换一个试用一段时间。

## 说回这次的照片

上个学期隔壁实验室有一个学弟在做 rotation，正好当时他们老板和我们老板 ~~（情投意合）~~ 志同道合，于是就有一个合作的小项目。互相加了一下微信之后，翻了翻他的朋友圈，发现居然是老乡，还是同一高中的校友，而且也有一个个人向的微信公众号，于是相约有时间一起出去拍照片。~~（啊，社会工程学是多么地可怕）~~

今年冬天气候有点怪，开始降温的过程非常平滑缓慢，而且气温一直不低。然后一次突如其来的降温带来一次突如其来的大雪，等到反应过来的时候已经化的差不多了。冬天里的雪就像经济危机里的股灾一样，有了第一次暴跌就有第二次 :-)，于是第二次的时候，我们抓住机会来了一次逃学威龙，来到城西的一个小县城里看雪。

然后，这就是这次我最满意的一张照片了。

处理的方法也很简单，DarkTable 的直方图可以直接拖动，而且最暗的四分之一和较亮的部分可以分开处理，所以就直接把直方图的右半边往右拉，左边往左拉，使得一部分的像素过曝，同时一部分的暗部完全压暗成黑色。这样做是因为看到图片中最白的像素一定来自雪，而黑色来自树皮上的皴裂，将两者的色彩对比拉开之后，图片自然就会显得通透，也符合尽可以贴近自己眼前所见的原则。另外色彩的饱和度稍微提高一些，为了避免过于鲜艳，把对比度稍微降低一些，但是这些操作对于整体效果的影响不大。

![](/photos/2020-03-14_comparison.png)




.jpg | “你这是不是原片直出啊？”


去年秋假啥也没干，本以为是个不短的假期，结果睡了个昏天黑地。开学之后大家都在谈论去了哪些地方，自己哪也没去，不免心中不爽。于是在之后的周六早上，放着一堆作业不做，开车去了城西的心碎湖。之所以知道这个地方，是因为之前卖给我车的老哥有时会在朋友圈里贴在湖边遛狗的照片。这个湖位于市郊的一个卫星城附近，平时散步锻炼的人不少；湖边虽有小山，但是林木茂密，适合俯瞰的位置几乎没有，总之不太适合拍照。不过心里憋着一股气，还是毅然发动了车子。

但是一上高速我就后悔了，天空开始下雨。不过还是硬着头皮开到了湖边。凡故事必有转折，转折就是湖边起了雾。能见度低下来，湖对面不便入镜的树木和建筑都隐没不见，本不宽阔的小湖反而有了一点气势。湖西面的国道外是一个林木育苗场，一排比较年轻的杨树已经长得很高，在雾中时隐时现，像是热气腾腾的清汤中的娃娃菜。那场雨下得也是不早不晚，正是湖边不同物种的树木颜色丰富的时节。可惜当时人比较菜，一心只会埋怨设备，总觉得杨树需要长焦镜头过滤杂物，湖边的各色树木更适合无人机俯拍，自己啥都没有，索性就不拍了。又可惜这里的秋天短，很快树叶落尽，初雪骤至，再没遇到同样的天气。

今年虽然人还是一样的穷而且菜，但好歹学会了跟自己的设备妥协。一入秋，我就一直等着下雨的“好天气”。终于在两周前的周六，让我给等到了。不过可惜的是，湖边没再起雾，所以天气反而成了一个挑战，一直没有找到好的方法表现降雨，而天空的缺乏细节也给构图造成了困难。

奇妙的是，仗着自己路熟没用导航，错过了平时的高速出口，结果反而在湖边找到了一条此前没有发现的小路，由于此路不通，可以长时间停车。这真的很值得庆幸，因为俺们村的道路建设者，审美真的成问题，很多风光优美的路段完全没办法停车，纵有惊艳景色，也只能遗憾而去。

刚下车，由于天气潮湿，全程挂着 35 mm 定焦头没有切换。因为是手持拍摄，又不喜欢全手动，所以采用快门优先模式，保证安全快门。把白平衡设为固定的阴天模式，方便后期统一调整。先拍一张试试水。

![](/photos/2019-11-14-road.jpg) 

走到土垄上面，才发现背后是条小河：

![](/photos/2019-11-14-river.jpg)

![](/photos/2019-11-14-river2.jpg)

土垄实际上起到了堤坝的作用，保护着背面的农田：

![](/photos/2019-11-14-field.jpg)

右下角的暗红色区域是一种藤状植物的躯干，显得有些杂乱，所以在后期的时候裁剪掉了，画面干净了很多：

![](/photos/2019-11-14-pana.jpg)

此时刚刚收获，还有农用机械停留在田边：

![](/photos/2019-11-14-tracter.jpg)

小路的尽头是一条废弃的铁路，无人值守。鉴于不用大光圈怼几张会被人说成不会拍照，那就来吧：

![](/photos/2019-11-14-rail-vertical.jpg)

后期检查照片的时候发现自己的确不会拍照，比如下面这张，对焦到铁轨后的野草上显然更好……

![](/photos/2019-11-14-rail-horizontal.jpg)

铁路背后，折枝法构图，算是少数试图表现天气的照片了：

![](/photos/2019-11-14-leaves.jpg)

铁路背后是一个水漫桥，桥下游的石堆拦住了一片落叶。这张照片并不令人满意，但是拍到了下落的雨丝，算是切题：

![](/photos/2019-11-14-rainfall.jpg)

地面上的黄叶：

![](/photos/2019-11-14-ground.jpg)

离开此处后，前往已经熟悉的湖边停车场。由于没有雾，湖边的缺点之前已经说过了，所以没有拍到满意的照片。随后来到湖边的小山上，把相机举高，在浓密的树木间俯拍小湖：

![](/photos/2019-11-14-lake.jpg)

山坡的另一面是一片草场，对焦的时候只注意到了雨滴，没注意到小红果的失焦：

![](/photos/2019-11-14-bush.jpg)

前面几张风光糖水的光圈值都设为3，因为实在信不过最大光圈的画质。镜头也没有辜负这份不信任，后面在湖边小山上，很多照片出现了大片明显的紫边，只能弃用。

![](/photos/2019-11-14-car.jpg)

文章的结尾似乎应该文艺一下，让我想到了这张照片。魏晋时的政局令人窒息，名士阮籍既不愿与司马氏合作，稍微表达异见就有被剪除的危险，于是常驾车出游，行至道路的尽头，长号而哭。今日之人不必再学阮籍，甚至不必再学王勃嘲笑阮籍，应该感谢科学技术。不仅是因为科技提供了相机这样的玩具，更有赖于科技开辟出的无数条新的赛道，使得人不必拥挤于权力场上，人生价值不必通过你死我活的斗争来实现。

不过，我也长号而哭了一把，不过是在回家之后——我相机包落在山顶的凉亭上了……



.jpg | 清秋须兼细雨


> 惊觉已经有将近两个月没有更新了。手头的确有好几个想写的题目，但是都没有写完；直接发一张图片的话又显得敷衍。于是想到了这么一个主意，选一张照片，附上拍摄时相机的配置和参数，简单介绍一下修图的思路，凑不够微信要求的 200 字的话就扯点闲篇，修剪成一篇散文。总共也就两三张照片（成片、原图和成片的对比，偶尔插一两张不太满意的调色方案），不会对用流量的读者构成大规模杀伤。

这次的照片拍的是樱花，恰是在一片粉红和满树新绿之间，两种色彩分庭抗礼的时候，摄于四月的第一个周末。这里今年的春天来得晚很多，往年三月中上旬的时候就有如此景象了。

!["绿肥红瘦"](/photos/2019-08-11_spring-final.png)

```

器材：iPhone8, 后置摄像头, Lightroom
参数：3.99mm, f/1.8, 1/1400s, ISO20, 0EV
后期：Lightroom iOS版

```

去年找新室友的时候，一个刚刚被录取的女生来看房子，我们约在学校碰头。见面之后她就讲，听说这里的樱花很有名。我听了却是一愣，石老师第一次上课的时候在 PPT 开头插了几张他在布朗时拍的樱花，告诉我们布朗的樱花很有名。难不成除了以石楠花见长（读二声）的交大，每个学校的樱花都很有名？

不过应该是我多虑了，人家估计也就是随便找个话题客套一下。本校的樱花树都在我们系南面的路旁，路平直无奇，树也直挺挺地站着，着实有些无聊。樱花全盛的时候颜色过于浓烈，反射的阳光能把我们经常上课的教室映成满屋粉红，就像是过年时几乎不认识却又过分热情的亲戚一样。当然我知道，这些树倘若有知，一定就像汪曾祺笔下的栀子花一样，一句“去你妈的”喷我一脸。

不过也有例外，图中的樱花树顺着路往西站到了化学系楼前一小片草地上。这里到校园边缘有一段海拔上的落差，为轮椅铺设的坡道蜿蜒而下，从坡下仰视樱花树，别有一番气势。身后的树木高大且尚未发芽，既可以填补背景，不至于过分空旷，又不会喧宾夺主。本来打算用 a7iii 来拍，但是 35 定和套头的感觉都不太对，所以用了手机。

!["前后对比"](/photos/2019-08-11_spring-compare.png)
```
上图为原图直出，下图为调色后的效果
```

观察原图，可以发现似乎有一点偏色，光比很大，阴影处非常暗，天空有点不干净，樱花树上的嫩叶和花瓣的颜色都不是很鲜明。对应地，后期同时提亮了黑场和暗部；提高了蓝色的饱和度和明度；同时提高了绿色的饱和度，并且把色相往黄颜色的方向稍微拉了拉；提高了红色、橙色的饱和度。

转眼已经来到学校两年了，第一个春天初见坡上的樱花盛开，一瞬间略微想象得出了王阳明所说的“你来看此花时，则此花颜色一时明白起来”的境界。当时手头没有相机，没想到第二天风雨突降，一树花瓣雨打风吹去。今年有幸拍下这张照片，不过一周之后，无风无雨，樱花照样凋谢，只留嫩叶茁壮生长，泯然春色里。

人生不满百，二十五岁就过了四分之一，算是人生之春的远去。我见过很漂亮的蜂与蝶，也邀请过春燕来筑巢。燕子停留在枝头的时候，心里开出过花，飞走的时候凋谢过。我能结出果实吗？果子会酸吗？我不知道答案，只能把问题交给时间。时间好像也不知道答案，只是自顾自地往前走。

> 把照片转到电脑上之后，才发现颜色和手机上看到的效果很不一样，看来需要补习一下色彩相关的知识，租台校色仪做一下色彩管理。

.jpg | 春天已经走远

.zh | 反派影评·波米：开局的终局

·转载 | 吉汉：边缘化的六四论述：八九春夏，其实发生的是“两场运动” | 端传媒

.en | 外交政策杂志《中国在衰落，而这才是问题》及一篇反驳



> 2011 年 7 月 30 日，桥水基金的达里奥最近对滴滴中止赴美上市和中国整治课外辅导两件事发表了看法。大陆的很多财经自媒体对这篇文章进行了转述，但是并没有引用原文。周末读了一下，至少我对原文的理解，和财经自媒体所称达里奥的观点不同。所以翻译一下，供参考。
>
> 在找原文的过程中，还发现了一篇刊登于 2021 年 7 月 11 日日经亚洲板块的观点性文章，对达里奥的文章更早的一篇《不要对变化世界中的中国崛起视而不见》进行了反驳，遂将达里奥此文与反驳一并翻译，附于后。

## 0

> 2011 年 7 月 30 日，原文 [发表于 LinkedIn](https://www.linkedin.com/pulse/understanding-chinas-recent-moves-its-capital-markets-ray-dalio/)


最近中国与—— 1）滴滴的上市和对其数据使用的控制以及 2）中国教育公司正被转为非营利组织——有关的政策举措，让人对中国的资本主义和资本市场产生了很多怀疑，所以我想帮助澄清一下那里发生了什么事。 

我知道这让不了解正在发生的事情的人感到困惑。自从我36年前开始去中国以来，我发现大多数与政策制定者没有直接接触、没有详细了解变化趋势的西方观察家们，往往不相信中国共产党真的是在用资本市场促进发展。他们将最近这两个举措解释为共产党领导人显示了他们真正的反资本主义的，尽管过去 40 年来的趋势已经明显地朝向用资本市场发展市场经济，并在这个过程中让企业家和资本家变得富有。结果，他们误解了中国正在发生的事情，并且可能会继续误解。这一回，政策制定者向滴滴表示，进行上市可能不是最好的选择，政府很容易让人理解地希望处理数据隐私问题。就教育辅导公司而言，政府希望减少教育不平等，和那些急于让孩子获得这些服务但又负担不起的人的经济负担，通过广泛提供这些服务。他们认为，这些东西对国家更好，即使股东不喜欢。

我记得有许多类似的误解。例如，我记得中国散户投资者泡沫破灭导致政府购买股票，然后政府试图操纵市场一段时间。我还记得中国央行在 2015-16 年间因扩大 [汇率区间](https://www.investopedia.com/terms/c/currency-band.asp) 而导致人民币暴跌，以及这如何导致许多投资者将这些发展作为政策制定者正在远离发展中的资本市场的证据。一些持怀疑态度的投资者认为这些举措是不恰当的反自由市场的干预，尽管这些举措在许多资本主义市场已经多次发生，尽管美国和其他发达市场的财政和货币政策干预使中国政府对其市场的干预相形见绌. 通过它，所有中国决策者都成功地应对了影响并实现了他们的目标；即，他们的行动方向从未改变。这个方向就是支持稳定快速发展资本市场、企业家精神、对外国投资者的开放程度。所以我鼓励你看看趋势，不要误解和过度关注摆动。

要了解正在发生的事情，您需要了解中国是一个国家资本主义体制，这意味着国家运行资本主义，为了为大多数人的利益服务，政策制定者不会让资本市场的敏感性和富裕资本家，挡住他们认为最适合该国大多数人的道路。相反，资本市场中的人和资本家必须了解他们在体制中的从属地位，否则他们将承担自己错误的后果。例如，他们需要纠正认为自己的财富有权决定事情发展方向的错误。 

您还需要了解，在这个快速发展的资本市场环境中，中国监管机构正在探索适当的法规，因此，当法规变化迅速且不明确时，会导致此类混乱，这可能会被误解为反资本主义举措. 

此外，您需要了解全球地缘政治环境的变化会导致一些变化。你可以看到这反映在美国政府的政策转变上，例如 a) 改变对中国公司在美国上市的政策和 b) 威胁禁止美国养老基金在中国投资。 

假设这样的事情将来会发生，并以此为依据进行投资。但不要将这些波动误解为趋势的变化，也不要指望这种中国国有资本主义与西方资本主义完全一样。 

话虽如此，我确实认为不幸的是，中国的决策者没有更清楚地公开表达他们行动背后的原因。 

至于投资，在我看来，美国和中国的体制和市场都有机会和风险，很可能相互竞争，相互多元化。因此，它们都应该被视为一个人的投资组合的重要组成部分。我敦促您不要将此类举动误解为对过去几十年存在的趋势的逆转，并让它吓跑您。


## 1

> 达里奥 2020 年 10 月 23 日在 [《Financial Times》上的一个专栏](https://www.ft.com/content/8749b742-d3c9-41b4-910e-80e8693c36e6)，原文标题为 "Don’t be blind to China’s rise in a changing world".
>
> 原文有付费墙，译文基于 [这个连接](https://thefinanceinfo.com/2020/10/23/dont-be-blind-to-chinas-rise-in-a-changing-world/)

作者为桥水联合创始人、联席董事长兼联席首席投资官

从我记事起，人们就说中国不可能成功。共产主义行不通。威权主义行不通。中国人没有创造力。他们在坏账和房地产投机方面有很大的问题。然而，我们每天都看到中国以非凡的方式取得成功。

它实现了一些世界上最低的 Covid-19 病例率。在过去的一年里，其经济增长了近 5%，没有将债务货币化，而所有主要经济体都在收缩。中国的生产多于消费，国际收支顺差，与美国和许多西方国家不同。今年，全球近一半的首次公开募股将在中国进行，其中包括蚂蚁金服 300 亿美元的上市，这是全球有史以来规模最大的一次。甚至特斯拉最畅销的 Model 3 汽车也可能很快就会完全在中国制造。

世界秩序正在发生变化，但由于持续存在的反华偏见，许多人忽略了这一点。中国的非凡表现并不新鲜。事实上，除了1839-1949年的“百年屈辱”外，它在历史上一直是世界上最强大的国家和文化之一。就在过去的四年里，它的经济变化是显着的。无论你对中国的“国家资本主义”有什么批评，你都不能说它没有用，即使你强烈反对北京的做法。

36年前我第一次访问中国时，我会给高级官员10美元的袖珍计算器。他们认为它们是奇迹装置。现在中国在先进技术上与美国匹敌，并且可能会在五年内领先。自 1984 年以来，人均收入增长了 30 多倍，预期寿命增加了十年，贫困率几乎降至零。 1990年，中国第一个股票市场由我认识的七位爱国青年设计。从那时起，它已成为世界第二大。

所有这些都是在说，中国的崛起具有巨大的政治、经济和投资影响。在政治上，中国已成为美国两党面临的主要问题，美国担心中国崛起，扩大全球影响力，并且拒绝其威权模式和对待新疆维吾尔族穆斯林等少数民族的方式。中方的反驳是，维护秩序需要强有力的手，在其境内发生的事情是自己的事，美国有自己的人权问题。它对台湾、香港等地区的主权也是争议很大的大问题。没有人知道这些紧张局势将如何发展，但它们会影响我们所有人。

与此同时，中国的经济规模与美国大致相当，而且扩张速度更快——所以时间站在中国一边。它拥有不断增长的受过良好教育的人口，约占世界科技大学专业的三分之一，是美国的三倍。它还产生和收集更多数据以使用人工智能进行处理。对于西方的许多人来说，这在国家监视方面有阴暗面。但对许多中国人来说，它强化了积极的社会规范，同时也带来了巨大的效率。看待中国相对实力的一种方式是，在人口是美国四倍的情况下，当其人均收入在大约 25 年内达到美国的一半时，其经济规模将是美国的两倍。

最后，还有投资影响。作为一名全球宏观投资者，关于我应该在何处投资多少，查看基本面以及其他人的仓位，我考虑得很多。中国基本面强劲，资产定价相对有吸引力，全球都在减持中国股票和债券。这些目前占外国投资组合持有量的 3% 或更少；中性权重将接近 15%。

这种差异至少部分是由于反华偏见。我认为它即将改变。中国市场正在向外国人开放，他们现在至少可以进入其中的 60%，而 2015 年为 1%。主要指数的基准权重正在上升。因此，我预计中国将享受有利的资本流入，这将支持已经处于两年高位的货币和金融市场。所有这些都促使我在投资组合中增持了中国。

当然，任何国家都可能出现问题。北京可能不会坚持目前的经济改革进程，尽管我怀疑这会发生。美国和中国也在贸易、技术、地缘政治、资本市场和军事力量方面展开激烈竞争——有人说是交战。没有人知道这些战争会有多严重，哪个国家会获胜，或者如何获胜。这就是为什么我将资金分散到这两个国家。

从长远来看，永恒和普遍的真理决定了国家成功或失败的原因。简而言之，当帝国生产力高、财务状况良好、收入多于支出、资产增长快于负债时，帝国就会崛起。这种情况往往发生于他们的人民受过良好教育，努力工作时，并举止文明之时。 正如我在一项正在进行的研究中记录的那样，客观地将中国与美国在这些措施上进行比较，基本面显然有利于中国。

偏见和偏见总是让人们看不到机会。 所以，如果你因为与中国发生的事情不符的原因而对中国持怀疑态度，我建议你理清思路。 美国的事件及其在不断变化的世界中的地位也是如此。 美国大选前夕是反思两者的好时机。


## -1

> 日经亚洲板块对上文的 [一个反驳](https://asia.nikkei.com/Opinion/Why-Ray-Dalio-is-wrong-about-China)，作者是 Andrew Hunt 和 Ben Ashby，发布于 2021 年 7 月 11 日

*Andrew Hunt 是 Hunt Economics 的首席执行官，也是 Dresdner Asset Management 在亚洲的前顾问。Ben Ashby 是摩根大通首席投资办公室的前董事总经理。*

高盛与中国工商银行（ICBC）的新财富管理合资企业，和对冲基金亿万富翁Ray Dalio有什么共同点？他们都是希望更多地接触中国金融市场的全球金融投资者的一部分，因为他们认为中国的崛起是不可避免的。我们认为他们错了。

我们认为，达利欧在2020 年 10 月 23 日发表在《金融时报》上的专栏《不要对中国在不断变化的世界中的崛起视而不见》中提出的许多论点今天都可能被证明是错误的，而其他观点可能随着时间的推移也会被证明是错误的。中国市场很可能对外国人“开放”，但是否保证他们有更多的资本是另一回事。

乍一看，更多中国储蓄进入金融市场的前景似乎证明了这种兴奋是合理的，中国证券将成为全球投资者投资组合的更大一部分。

我们计算出，按当前汇率计算，至少需要 6 万亿美元的海外资产来重新平衡国内储户的存款密集型投资组合，使其分布类似于中国邻国的分布。而且，正如达利欧在英国《金融时报》中指出的那样，“世界正在减持中国股票和债券”，它们占外国投资组合的 3% 或更少，而不是接近 15% 的“自然”权重。

到目前为止，如此真实。但许多国际金融机构希望，金融部门政策的“正常化”、投资组合的重新平衡和持续的债务推动的增长将创造一笔横财，他们现在应该为自己建仓。这就是我们不同的地方：我们预计在可预见的未来不会发生任何根本性的变化，由于中国经济的现实。

该国的大部分家庭财富仍存留在银行账户中，而且对外流动受到严格控制。因此，银行体系庞大：中国在全球存款中所占的份额大约是其在全球国内生产总值中所占份额的两倍。

不过，中资银行的主要职能是促进政府政策，促进符合中国共产党原则的经济发展。他们必须确保关键部门有现成的廉价信贷供应，支持实现经济的产出最大化，而非利润。

自 1980 年代后期经济改革开始以来，这种模式必然助长了更广泛的企业部门的赤字。我们估计，平均短缺每年相当于 GDP 的 16%。这必然会影响贷款、储蓄和监管。

为支撑经济，抑制融资成本；在过去四十年的大部分时间里，实际利率一直为负。自然，不愿向借款人收取高额费用对储户来说意义更小。但是已经实施了严格的监管，严格控制资本流动，以确保他们将大部分财富留在银行。

如果中国政府考虑将其做法正常化，将面临艰难的选择。当局可以允许市场将资金分配给寻求利润最大化的公司，或者他们可以继续将资本引导到许多破坏股东价值的公司。在后一种情况下，投资者将不得不接受中国的金融市场没有真正的经济目的，长期回报可能会受到限制。

正如著名投资者本·格雷厄姆所说，“股市在短期内可能是一台投票机，但随着时间的推移，它是一台称重机。”

如果没有利润最大化的潜在驱动力，中国股票就很难达到投资者预期的回报。这意味着该国的储蓄者可能会与任何遵循 Dalio 的 GDP 称重方法的长期被动投资者一起失败——这一策略在 1990 年代后期的亚洲金融危机期间失败了。但企业行为的任何巨变都不符合政策制定者的经济目标。

如果允许更多的国内资金离开该国，也会出现困难局面。对储蓄市场的任何放松管制都可能将中国宝贵的外汇储备消耗到一个危险的低水平。

尽管这些储备的名义价值很大，但它们是否足以满足中国这样规模的经济体的需求仍然是一个悬而未决的问题。此外，如果储户要根据区域标准进行再平衡，我们认为银行系统将面临至少 180% 的贷存比，从而阻碍其向企业提供廉价信贷的主要功能。公司的融资成本也将飙升，引发大量重组，进一步损害投资者回报。

在可预见的未来，中国的银行和企业根本无法承受国内储蓄的流失。即使这些储蓄被锁在家里，前景也越来越消极。由于债务负担已经很高，经济放缓，加上多年不景气的贷款后不良贷款比例不断增加，中资银行将越来越挣扎，其发放新贷款的能力将下降。这在一定程度上解释了中国吸引更多外国投资者的动机。有希望的正常化和确保新的资本来源有助于推迟艰难的决定。

这一切都在达利欧几乎没有提到的实际考虑之前，例如将资金投入到一个有资本管制的国家或满足国内监管机构和投资者的需求的影响，特别是当他们越来越关注环境、社会和治理原则时，如以及应对日益激烈和紧张的地缘政治竞争。没有人知道这一切的正确风险溢价是多少。

在任何像中国这样规模的市场中，投资者都将有较早获得轻松获利的机会。鉴于对冲基金倾向于短期投资，Dalio 可能会获利。但我们认为潜在的回报最终会消退。

更糟糕的是，如果中国无法改革国内经济，或者国际政治局势进一步恶化，甚至撤资都可能成为问题。如果发生这种情况，仓促进入的投资者和公司将有时间悠闲地忏悔。


.en | 达里奥关于滴滴及课外辅导的看法，及2篇相关文章


> 本文的作者保罗·格雷厄姆是一位程序员、画家兼投资人。他曾在哈佛大学获得计算机方向的博士学位，也在罗德岛设计学院和佛罗伦萨绘画艺术学院学习过绘画。作为两种身份的结合，他创作了《Hackers & Painters》一书。作为投资人，他最为出名的成就是参与创办了创业孵化公司 Y Combinator. 
>
> 保罗在互联网上最有名的文章，当属这篇《How to Disagree》，他的个人维基百科词条上专门用一个小节介绍了这篇文章。网络上也有根据这篇文章制作的“反驳金字塔”图片。虽说一图胜千言，但是从文字转化为示意图的过程中，很多信息被省略，一些常见的话术和对这些话术的反驳，以及本文文末，对反对的不同层次，其意义的讨论和澄清，都没有出现在图中。在争论中直接扔给对方一张反驳金字塔的图，看起来反而很接近于最低层次的扣帽子。
>
> 以下是全文翻译。原文链接：[http://paulgraham.com/disagree.html](http://paulgraham.com/disagree.html)

作于 2008 年 3 月

网络正把写作变成对话。二十年前，作者只用写而读者只能读。网络让读者可以回应，而且这些回应越来越多——评论区里、论坛里，和他们自己的博客文章里。

这些回应的人中有很多是反对原文的。这是可以预见的。同意不如反对激励人们（发表看法）。当你同意的时候可说的也更少。你也许可以就作者说过的东西进行拓展，但是他可能已经把最有趣的推论都说完了。当你反对的时候，你所踏足的领域是他可能还没涉及到的。

结果就是，反对的声音要多得多，尤其是以字数来衡量。这并不意味着人们的戾气愈发严重。我们交流方式的结构性改变就足以解释这一现象了。但是尽管驱动着反对声音增多的并非愤怒，人们因为反对增多而变得更加生气的危险却真实存在。尤其是在网上，在你不用和对方面对面的地方发言是容易的。

如果我们都在越来越多地进行反对，那我们就需要把这件事小心做好。什么叫好好反对？绝大多数读者可以区分单纯的**扣帽子**和通过细致推理进行的反驳，但我认为把中间状态也逐个列举一下是很有帮助的。所以下面就是对反对的不同层次进行列举的一个尝试：

## 第 0 层：扣帽子 (Name-calling)

这是反对的最低层次，可能也是最常见的形式。我们都见过这样的评论：

> 你个娘炮！！！！！！

但是重要的是意识到，更加高大上的**扣帽子**同样没什么效力。一个像这样的评论：

> 作者是个自以为是的外行。

不过就是一个高配版的“你个娘炮”。

## 第 1 层：诉诸身份 (Ad Hominem)

**诉诸身份**的攻击不像单纯的**扣帽子**那么无力。它其实可能有些威力。比如说，如果一个参议院写文章说参议员们的工资需要提高，有人可能会回应道：

> 他当然会这么说了，他是个参议员。

这并不会反驳作者的论证，但是这至少和主题有关。然而，这仍然是一种很无力的反对。如果这位参议院的论证里有什么错误，你应该说明错在哪里；如果没错，他是一个参议员又有什么区别？

说作者不具备写作某一话题文章的权威性是**诉诸身份**的一个变种，而且是特别没用的一种，因为好的想法经常来自于旁观者。问题是作者对还是不对。如果他缺乏的权威性导致他犯了错误，请把这些错误指出来。如果没有，那（缺乏权威性）就不是一个问题。

## 第 2 层：诉诸语气 (Responding to Tone)

接下来这个层次我们开始看到针对内容而非作者的回应。这些回应中最低级的一种形式就是反对作者的语气。例如：

> 无法相信作者竟然用如此傲慢的方式贬低智能设计。

尽管强于攻击作者，这仍是一种无力的反对。作者是对还是错，比他的语气重要得多。尤其是鉴于语气是多么难以评判。一个挂着某种观点的粉丝牌子的人可能被一些其他人觉得正常的语气所激怒。

所以如果你对于一篇文章所能说的最坏的事情就是**诉诸语气**，那你实在是没说出什么东西来。作者是不是轻佻但是正确？那总好过持重但是错误。如果作者有哪里错了，那就指出到底是哪儿。

## 第 3 层：声明异见 (Contradiction)

这一层次我们终于来到了对说过的内容进行的回应，而不是怎么说的和谁说的。对一个论证的最低层次的回应就是简单陈述相反的论点，没有或只提供很少的支持性证据。

这一方法经常和第2层结合起来使用，正如：

> 无法相信作者竟然用如此傲慢的方式贬低智能设计。智能设计是合理的科学理论。

**声明异见**有时可能有些威力，有时仅仅让人看见明确声明的反方命题就足以看到反方是正确的。但是通常来说，证据是有帮助的。

## 第 4 层：证明异见 (Counterargument)

到了第4层上，我们终于见到了第一种有说服力的反对形式：**证明异见**。之前的几种形式通常可以因为啥也没论证而被忽略。**证明异见**可能会证明某些观点。问题在于，很难说证明的究竟是啥。

**证明异见**就是在**声明异见**之外，再加上论证和/或论据。当其针对的是原论点时，这种方式是令人信服的。但是不幸的是，通常情况下**证明异见**针对的是和原论点稍微有些区别的东西。多数情况下，争论得热火朝天的俩人其实争论的是两件不同的事情。有时他们甚至互相同意对方，但是陷于斗嘴的程度如此之深，以至于没有意识到这一点。

反对和作者原文有轻微不同的论点也是可能有合理原因的：当你感觉他们没有把握问题的中心的时候就可以这么做。但是当你这么做的时候，应该明确说明你在论证不同的论点。

## 第 5 层：驳斥对方 (Refutation)

最有说服力的反对形式是**驳斥对方**。它同样是最罕见的，因为需要最多的工作量。其实，反对的不同层次构成了一种金字塔，层次越高，你能找到的实例就越少。

要**驳斥**一个人，你可能得引用他们说过的话。你可能必须找到一件“还热乎着的凶器 (smoking gun)”，一个在你反对的内容中你认为搞错了的东西，然后解释它为什么错了。如果你找不到可以用来反对的实际引用，那么你可能在犯 [“稻草人谬误”](https://zh.wikipedia.org/wiki/%E7%A8%BB%E8%8D%89%E4%BA%BA%E8%AB%96%E8%AD%89)。

尽管**驳斥对方**一般包含引用，引用并不必然意味着**驳斥对方**。有些作者引用部分他们反对的文章的内容，做出合理**驳斥对方**的样子，然后用第 3 层甚至第 0 层的形式进行回应。

## 第 6 层：驳斥对方中心论点

**驳斥**的力度取决于你驳斥对方的是什么。最强有力的反对形式就是**驳斥对方的中心论点**。

即便到了第5层，我们偶尔仍能看见故意的智力不诚实 (interlectual dishonesty)，比如有人挑出一个论证中不重要的点然后把它们**驳斥**一番。有时这么做的精神让这种反对更像是一种处心积虑的**诉诸身份**的攻击，而非真正的**驳斥对方**。比如，纠正某人的语法，或者揪住名字或数字中的小错不放。除非反对的论证实际上依赖于这些错误，否则纠正它们的唯一目的就是损害对手的名誉。

> **intellectual-dishoesty**
>
> 相对于 intellectual honesty, 故意在辩论和推理中使用谬误被称作 intellectual dishonesty, 译作“智力不诚实”。详见维基百科 inteleectual honesty 词条。

真正意义上的**驳斥对方**要求一个人反驳其中心论点，或者至少是其中之一。那意味着一个人必须明确地指出中心论点是什么。所以一个真正有效的**驳斥对方**看起来就像：

> 作者的主要论点似乎是 X。正如他说的：
> 
> > <引用的内容>
> 
> 但这是错的，原因如下……

你引用并指出错误的内容不一定是原作者主要论点的原样陈述，只要批判的是中心论点所依赖的东西就足够了。

## 这样做的意义

现在我们有了给不同形式的反对进行分类的方法。这有什么好处？这种反对的分级所**不能**带给我们的，就是判断输赢的方法。反对的不同层次描述的只是一个反对的形式，而不是反对是否正确。一个第 6 层的回应可能仍然是完全错误的。

但是尽管反对的不同层次没有给一个回复的可信度设定一个下限，但它的确设定了一个上限。一个第 6 层的回应不一定有说服力，但是一个第 2 层的回应一定没有说服力。

区分不同形式反对的最明显的好处就是帮助人们评估他们所阅读的东西。特别是，这将帮助他们看清的议论。一个雄辩的演讲者或者作家可以给人一种碾压对手的印象，仅仅通过使用强有力的词汇。实际上这可能是一个煽动者的决定性特质。通过辨别不同形式的反对，我们给了批判性阅读者一个图钉，让他们能戳破这种气球。

这种标签同样能帮助写作者。大多数的智力不诚实是无意的。有些人用**诉诸语气**的方法批评他反对的观点，可能真的觉得自己言之有物。放大并看清他当时在反对分级上的位置，有可能会启发他尝试进步到**证明异见**和**驳斥对方**的层次上去。

但是好好反对的最大好处并不只是让对话变得更好，而是让被反对的人开心一点。如果你研究对话，会发现第 1 层比第 6 层更加刻薄。当你真的言之有物的时候，大可不必刻薄。实际上，你也不会想这么做。当你真的有观点要表达时，刻薄只能起阻碍作用。

如果沿着反对的不同层次向上攀登可以让人们不那么刻薄，那将会让大多数人更快乐。多数人并不乐于刻薄，他们这么做只是因为控制不当。

感谢 Trevor Blackwell 和 Jessica Livingston 阅读这篇文章的草稿。



.en | 翻译：保罗·格雷厄姆谈如何反对


> 人类的本质就是复读机。

首先萌狼看[phoenixlzx](https://blog.phoenixlzx.com/2014/03/10/browser-from-a-to-z/)那有一篇这样的文章，貌似很好玩的样子。

咱看[约伊兹的萌狼乡手札](https://blog.yoitsu.moe/a2z.html)那有一篇这样的文章，貌似很好玩的样子。

咱也试试看？

- __A__ [amazon.com](https://www.amazon.com): 美帝的JD
- __B__ [bilibili.com](https://www.bilibili.com): 比利比利♂干杯
- __C__ [changhai.org](https://www.changhai.org): 卢昌海的个人主页，科普作家的自留地，互联网的名胜古迹
- __D__ [douban.com](https://www.douban.com): 人均大文豪
- __E__ [email.——.edu](): 学校邮箱
- __F__ [farseerfc.me](https://farseerfc.me): farseerfc 的博客，本人博客的留言区代码就是根据[他(她？)的教程](https://farseerfc.me/github-issues-as-comments.html)改写成的
- __G__ [github.com](https://github.com): 同性交友网站
- __H__ [hacker-tools.github.io](https://hacker-tools.github.io): 标题党，你以为我是黑客教程，其实我是 Linux 入门哒
- __I__ [idope.se](): 好像已经失效的p2p搜索网站
- __J__ 没有 :-(
- __K__ [kenengba.com](https://kenengba.com): 可能吧，Jason Ng 的博客，号称“互联网的‘新鲜事’”，更新周期以年为单位
- __L__ [localhost:4000/blog/](): 个人博客的本地调试端口
- __M__ [mountaye.github.io/blog/](https://mountaye.github.io/blog/): 个人博客，不要忘记反斜线
- __N__ 没有 :-(
- __O__ [ozdic.com](http://www.ozdic.com/): 一个搜索英语固定搭配的在线词典
- __P__ [program-think.blogspot.com](https://program-think.blogspot.com): 咱也不知道，咱也不敢问
- __Q__ [quantopian.com](https://www.quantopian.com/home): 一个提供量化金融数据接口的平台，数据与主流财经门户的数据有出入
- __R__ [ruanyifeng.com](https://www.ruanyifeng.com/home.html): 阮一峰的个人网站
- __S__ [stackoverflow.com](https://stackoverflow.com): 编程相关的问答网站 ~~（抄代码就完事了）~~
- __T__  ~~（谁能给个邀请码）~~ 没有 :-(
- __U__ 没有 :-(
- __V__ [linux.vbird.org](http://linux.vbird.org/): 鸟哥的 Linux 私房菜
- __W__ [wolfram.com](http://wolfram.com/): ~~世界上第二好的编程语言~~
- __X__ 没有 :-(
- __Y__ [yoitsu.moe](https://blog.yoitsu.moe): 约伊兹的萌狼乡手札
- __Z__ [zh.moegirl.org](https://zh.moegirl.org/Mainpage): 中文萌娘百科，90后中老年人了解00后的窗口


.html | 浏览器A到Z

.en | 翻译：为什么说物理不是一门学科

.html | 转载：青涩的爱人


早听说有在日本的华人作家以六四事件为题材写了一篇小说，获得了日本文学界的一个很有分量的奖项。

通过推特上的只言片语，得知谈论的作品应该是作家杨逸的小说《時が滲む朝》。标题直译为“浸透了时光的早晨”。

~~这本书没有用中文出版，~~ 这本书有一本台湾出版的中译本《时光浸染》，但是我没有 ~~找~~ 买到。花了大约一周的时间，边读日语本边翻译了一下。我不懂日语，所谓翻译，就是：

- 把几个自然段复制粘贴到翻译软件中，然后把结果复制粘贴回来；
- 把两种语言并列排版；
- 根据汉语语感，把明显不通顺的句子改写了一下；
- 把本不需要翻译的汉语诗句和人名换回原文。

时间仓促，可能有些人名仍未纠正，比如“梁浩远”就经常被误译为“浩源”“弘人”，“大雄”误译为“黛玉”，“民生”误译为“民夫”，“英露”误译为英国和俄国……

---

我不懂日语，用翻译软件一段一段地读，原文看起来经常有省略主语的语法现象，所以不好判断原文究竟是用第一人称还是第三人称来写作。但无论哪种情况，文章很明显是梁浩远一人的视角，其心友谢志强占据了不少篇幅，但并非双线叙事。

故事从1988年主人公高考开始，两人从黄土高原的农村，考入了西部某省会的大学，学习文学专业。两人认识且爱上了同一个女同学。

在大学，受到老师甘先生的教育，和中国传统的“天下兴亡，匹夫有责”精神的感召，在 89 年学潮中先是参与了在省会的集会活动，后坐火车前往天安门，返校后一段时间才发生中国人民解放军的清场。

主角一行人因为六四遭受的迫害并非直接来自官方对运动的清算，而是在校外饭馆喝酒时，因为与一般市民对运动的理解不同，产生争吵，进而恶化成斗殴，因此被公安机关拘留，被学校开除。

主角前往海外的原因和六四无关，近乎天降巧合：主角的邻居中，有抗战胜利后遗留在中国的日侨，改革开放后返回日本。女儿回日本之后不能适应当地的文化，转学回来寄宿在主角的妹妹处，与主人公产生感情，两人结婚后一并赴日，过程一笔带过。

在海外的时间所占的篇幅不大，情节也不多。略写了海外反共组织之松散，对当地社会几乎没有声量，成员参加活动的目的主要是申请政治庇护签证，组织者有的爱财逐利，有的偏执专断。

故事到2001年北京申奥成功那年结束。妻子不再支持主人公在妻弟的餐厅里张贴反共海报，主人公得知了心友、老师、暗恋的女同学的下落，并且还和他们在日本见了面，回忆了往事，送别他们离开，接受了现实。

---

作者的写作相当克制。

几乎没有使用倒叙插叙等时间剪辑手段，中间的情节按照时间顺序平铺直叙，每一部分所占篇幅都很平均。而且全文基本只作记叙和描写，不见抒情和议论。

虽无抒情，但是通过对让人产生情感的情节进行记叙，画面进行描写，使读者与主人公共情。通过消除作者在作品中的存在，尽力体现历史现实和个人命运本身的力量。

只采用一个人的视角，而且是一个平凡人物的视角，在当代文学天然有胜过英雄视角的道德高度。

而且也从侧面表现了这场运动空间范围上的广泛，不只限于北京等大城市；社会阶层参与的广泛，普通市民给学生送饭送大衣，并非只是少数精英大学生的表演，所谓境外敌对势力的煽动更非主要因素。

---

但是，如果说作品有什么问题，那也源自于作者选择的视角。

以一名平凡人物为中心，就没办法介绍六四事件的起因，以“反贪污，反腐败”的简单口号动员起来的政治运动，为什么能够得到全国人民的响应，从书中得不到线索，来的莫名其妙，甚至连“反官倒”的口号在文中都没有出现。

主角团的退学并不明显来自于官方的报复，虽然退学的原因表现了学生运动与人民群众的脱节，但是这种情节安排缺乏对中共秋后算账的描写。

主角去国靠的是跨国婚姻，在文学上的巧合性强而典型性弱，而原文对此的伏笔与描写太少，以至于显得突兀。

这些情节设定本不应该成为批评的对象，因为在一个重大历史事件里，个例的巧合和不全面，无法反映历史的全貌，不仅是正常的，甚至可以说是客观描写下的唯一合理结果。当社会可以对这一事件普遍公开讨论之后，众多不全面的个例统计在一起，自然能让后人近似得到全面的认识。

但是现实是，时至 35 年后的今日，当局对此事依然如临大敌，在其执政范围内，对这一话题的讨论不普遍，不开放。身为在海外的华人，面对文学小说这样一个允许艺术创作的体裁，在有大量一手史料的环境里，稍微多花一点精力就可以在文学真实和情节全面之间取得平衡的情况下，选择对一个不完美素材作此白描，略显可惜。

---

作者将故事结局定格在了 2001 年，也就是北京申奥成功的那年，而作品写于 2008 年，也就是北京奥运当年，两者都是中华人民共和国政府声望的里程碑。无怪乎文章最后悲情无奈地与现实“和解”。

真的能和解吗？

尽管运动的参与者不可能每人都熟知政治哲学理论，但民众的不满其来有自……[待续]


.pdf | 芥川赏作品·杨逸《時が滲む朝》


## 定场诗

> **水调歌头·庆祝无产阶级文化大革命十周年**——郭沫若，**1976年5月12日**<br>
四海通知遍，文革卷风云。阶级斗争纲举，打倒刘和林。十载春风化雨，喜见山花烂漫，莺梭织锦勤。茁茁新苗壮，天下凯歌声。<br>
走资派，奋螳臂，邓小平，妄图倒退，奈翻案不得人心。三项为纲批透，复辟罪行怒讨，动地走雷霆。主席挥巨手，团结大进军。<br>
> 

> **水调歌头·粉碎四人帮**——郭沫若，**1976年10月21日**<br>
大快人心事，揪出四人帮，政治流氓文痞，狗头军师张。还有精生白骨，自比则天武后，铁帚扫而光。篡党夺权者，一枕梦黄梁。<br>
野心大，阴谋毒，诡计狂。真是罪该万死，迫害红太阳。接班人是俊杰，遗志继承果断，功绩何辉煌。拥护华主席，拥护党中央。
> 

## 内容来源

这是一份读书笔记，笔记的对象是高皋、严家其的《文化大革命十年史》。文革前，本科学习物理的严家其考入中科院哲学社会科学部，在文革期间收集、整理、保存了大量当时发行的报刊、宣传材料、大字报等资料。文革后，原本学医行医的妻子高皋利用这些史料写出了这本书。

笔记所参照的原文有两个来源，一是天津人民出版社1986年出版的该书的影印版 PDF 文件，来自 LibGen；二是一份纯文本文件的文字稿，来自禁书网，似乎是对前者的 OCR 识别。我的家中曾经收藏有一本该书，搬家过程中遗失，如今去国万里，纵有亦不可用；所用两个版本均为盗版，在此向作者道歉。前者无法直接复制粘贴到电子文档中，后者存在大量错误识别的错字。我在作笔记的过程中已经尽力纠正，欢迎读者进一步纠错。听说这本书后来在港台再版时有诸多内容补充，我没有找到，略感遗憾。

这一系列在我的博客上的标签为 `ihsil` ，这一名字来自于大陆版封面，下半部分是一个白地红色的中国地图，地图之上是一串上下颠倒的“历史”二字的拼音。

![](/photos/2022-03-05-book-cover.jpg)

## 格式说明

- _下划线_ 包括的内容，是对应章节的内容梗概。
- `| blockquote` 引用的内容是对原文的摘抄。
- 没有下划线的内容，是根据引文的个人引申和感想。~~一般来说是引文在前，感想在后~~。各部分段感想之间以分割线 `<hr />` 区分。
- 无序列表的内容，是对应章节的时间线整理。很多章节的时间线互相重叠，这在第二卷和第三卷中会更加常见，所以我另外维护了一份总的时间线，笔记全部完成后发布。

<hr class="slender">

## 目录

三“篇”：刘少奇为首的官僚集团倒台、林彪兴亡、四人帮兴亡，并非编年体。

江青相关的故事，在草榴社区上读过高华的文章，切入点是其自杀。

林彪相关的故事，在草榴社区上读过高华的文章，切入点是其女儿对林彪的告发。

<hr class="slender">

- 第一篇·“需要更多的个人崇拜”
    - [第一章·对《海瑞罢官》的批判](great-cultural-revolution-ten-years-1-1)
    - [第二章·围绕着工作组问题的斗争](great-cultural-revolution-ten-years-1-2)
    - [第三章·红卫兵运动和个人崇拜热潮的兴起](great-cultural-revolution-ten-years-1-3)
    - [第四章·“向旧世界宣战”](great-cultural-revolution-ten-years-1-4)
    - [第五章·全国大串联](great-cultural-revolution-ten-years-1-5)
    - [第六章·“炮打司令部”](great-cultural-revolution-ten-years-1-6)
    - [第七章·抵制与反抗的潮流](great-cultural-revolution-ten-years-1-7)
    - [第八章·从“打倒陶铸”到反击“二月逆流”](great-cultural-revolution-ten-years-1-8)
    - [第九章·在搏斗中下沉](great-cultural-revolution-ten-years-1-9)
    - [第十章·刘少奇的最后岁月](great-cultural-revolution-ten-years-1-10)
- 第二篇·林彪的崛起和覆灭
    - [第一章·一条登上权力高峰的“捷径”](great-cultural-revolution-ten-years-2-1)
    - [第二章·清除“顶峰论”的反对者](great-cultural-revolution-ten-years-2-2)
    - [第三章·搭起上升的舷梯](great-cultural-revolution-ten-years-2-3)
    - 第二篇·第四章·诬陷和迫害的狂潮
        - [第一节·对贺龙的诬陷和折磨](great-cultural-revolution-ten-years-2-4-1)
    - 第五章·对人民群众的束缚、打击和压制
    - 第六章·林彪对军队的控制
    - 第七章·庐山会议
    - 第八章·“联合舰队”和“571工程”
    - 第九章·林彪武装政变阴谋的破产
    - 第十章·“九·一三事件”和林彪的灭亡
- 第三篇·江青和“文化大革命”中的政治
    - 第一章·“文化大革命”开始的新生涯
    - 第二章·专案·逼供·伪证
    - 第三章·清洗三十年代的污迹
    - 第四章·武斗的逐步升级
    - 第五章·文艺批判和“京剧革命”
    - 第六章·“九·一三事件”后的“波谷时期”
    - 第七章·“批林批孔批周公”
    - 第八章·邓小平的全面整顿
    - 第九章·天安门广场事件
    - 第十章·“四人帮”的灭亡
- 结束语


.pdf | （更新中）高皋、严家其《文化大革命十年史》笔记



《三体》的大名应该不局限于科幻迷群体了吧。

博客改版之后，首页用来展示随机格言的空间大了许多，于是决定再略读一遍《三体》，从中摘录一些句子放在博客首页。所以这份摘抄完全以适合单句展示为标准。

我不确定摘抄的篇幅应以多少字为限，因为这毕竟是一部小说，每个段落都是故事整体的一部分，都与不同距离的多段上下文相呼应，很容易越抄越长。虽然这个摘抄主要是用于博客主页的随机格言，理论上有一整个屏幕的空间，但是还是应该尽量简短。

文中的话绝大多数出自某个角色的对白或独白，并不代表作者本人的观点，甚至不代表这部作品的观点；另一方面，这些引文要和其他地方搜罗来的句子放在一起，不适合在破折号后面写说这些话的角色名字。如何处理这种引语，我想了很多办法，最后的选择是在引文的开头写上说话或独白的角色，用冒号隔开。引文不加引号，以区分原文中的对话。


>
> 叶哲泰的岳父：可是搞基础理论，不笨不行啊。
>
> ——刘慈欣《三体1.1 疯狂年代》

<hr class="slender">

>
> 叶哲泰：在中国，任何超脱飞扬的思想都会砰然坠地的，现实的引力太沉重了。
>
> ——刘慈欣《三体1.1 疯狂年代》

<hr class="slender">

>
> “是哲学指引实验还是实验指引哲学？”叶哲泰问道，他这突然的反击令批判者们一时不知所措。
>
> “当然是正确的马克思主义哲学指引科学实验！”一名男红卫兵说。
>
> “这等于说正确的哲学是从天上掉下来的，这反对实践出真知，恰恰是违背马克思主义对自然界的认知原则的。”
>
> ——刘慈欣《三体1.1 疯狂年代》

<hr class="slender">

>
> 与这广阔天地相比，内地最大的城市不过是个羊圈；在这寒冷无际的草原和森林间，燃烧是无意义的，一腔热血喷出来，比一堆牛粪凉得更快，还不如后者有使用价值。但燃烧是他们的命运，他们是燃烧的一代。
>
> ——刘慈欣《三体1.2 寂静的春天》

<hr class="slender">

>
> 程丽华的一席话拉近了叶文洁与她的距离，但叶文洁在灾难中学会了谨慎，她不敢贸然接受这份奢侈的善意。
>
> ——刘慈欣《三体1.2 寂静的春天》

<hr class="slender">

>
> （叶文洁的）父亲说：理论是应用的基础，发现自然规律，难道不是对时代最大的贡献？杨卫宁犹豫了一下，终于说出了真话：搞理论研究，容易在思想上犯错误。这话让父亲沉默了。
>
> ——刘慈欣《三体1.3 红岸之一》

<hr class="slender">

>
> 常伟思露出了高深莫测的笑容：“你很快就会知道一切的，所有人都会知道。汪教授，你的人生中有重大的变故吗？这变故突然完全改变了你的生活，对你来说，世界在一夜之间变得完全不同。”
>
> “没有。”
>
> “那你的生活是一种偶然，世界有这么多变幻莫测的因素，你的人生却没什么变故。”
>
> 汪淼想了半天还是不明白。
>
> “大部分人都是这样嘛。”
>
> “那大部分人的人生都是偶然。”
>
> ——刘慈欣《三体1.4 科学边界》

<hr class="slender">

>
> 叶文洁：“她的世界太单纯，只有那些空灵的理论。那些东西一崩溃，就没有什么能支撑她活下去了。”
>
> ——刘慈欣《三体1.8 叶文洁》

<hr class="slender">

>
> 史强：“邪乎到家必有鬼。”
>
> ——刘慈欣《三体1.10 大史》

<hr class="slender">

>
> 汪淼：“世界上有许多一流学者被伪科学骗得团团转，最后还为之摇旗呐喊。”
>
> ——刘慈欣《三体1.10 大史》

<hr class="slender">

>
> 叶文洁：那些退休的老家伙们好多都是我在大学的同事，但总是同他们融不到一块儿。大家都喜欢念念叨叨地回忆往事，但都希望别人听自己的，而对别人说的都厌烦。
>
> ——刘慈欣《三体1.11 三体、墨子、烈焰》

<hr class="slender">

>
> 红岸基地：在这种最高密级的项目里，一旦进入技术核心岗位，就很难调走。所以人们在工作中都故意将自己的能力降低很多，但还不能表现落后，于是领导指挥向东，他就卖力气地向西，故意装傻，指望领导产生这样的想法：这人也尽力了，但就这么点能力和水平，留他没什么用，反而碍手碍脚的。
>
> ——刘慈欣《三体1.12 红岸之二》

<hr class="slender">

>
> 红岸计划批示：如果宇宙中真的还有其他的人和社会，那也很好嘛，旁观者清，千秋功罪，可真的有人评说了。
>
> ——刘慈欣《三体1.13 红岸之三》

<hr class="slender">

>
> 这就是兰德思想库社会学学者比尔·马修在《十万光年铁幕：SETI社会学》一书中提出的“接触符号”理论。他认为，与外星文明的接触，只是一个符号或开关，不管其内容如何，将产生相同的效应。假如发生一个仅仅证明外星文明的存在而没有任何实质内容的接触——马修称其为元接触——其效应也能通过人类群体的心理和文化透镜被放大，对文明的进程产生巨大的实质性的影响。
>
> ——刘慈欣《三体1.14 红岸之四》

<hr class="slender">

>
> 叶文洁：地球生命真的是宇宙中偶然里的偶然，宇宙是个空荡荡的大宫殿，人类是这宫殿中唯一的一只小蚂蚁。这想法让我的后半辈子有一种很矛盾的心态：有时觉得生命真珍贵，一切都重如泰山；有时又觉得人是那么渺小，什么都不值一提。
>
> ——刘慈欣《三体1.14 红岸之四》

<hr class="slender">

>
> 三千万秦国军队宏伟的方阵铺展在大地上，这是一个边长六公里的正方形。在初升的太阳下，方阵凝固了似的纹丝不动，仿佛一张由三千万个兵马俑构成的巨毯，但飞翔的鸟群误入这巨毯上空时，立刻感到了下方浓重的杀气，鸟群顿时大乱，惊慌混乱地散开或绕行。汪淼在心里算了算，如果全人类站成这样一个方阵，面积也不过是上海浦东大小，比起它表现的力量，这方阵更显示了文明的脆弱。
>
> ——刘慈欣《三体1.17 三体、牛顿、冯·诺伊曼》

<hr class="slender">

>
> 独臂女人说：“最近有一部电影，叫《枫》，不知你看过没有？结尾处，一个大人和一个小孩儿站在死于武斗的红卫兵墓前，那孩子问大人：他们是烈士吗？大人说不是；孩子又问：他们是敌人吗？大人说也不是；孩子再问：那他们是什么？大人说：是历史。”
>
> “听到了吗？是历史！是历史了！”粗壮女人兴奋地对叶文洁挥着一只大手说，“现在是新时期了，谁还会记得我们，拿咱们当回事儿？大家很快就会忘干净的！”
>
> ——刘慈欣《三体1.26 无人忏悔》

<hr class="slender">

>
> 审问者：看看地球三体组织现在的局面：降临派要借助外星力量毁灭人类，拯救派把外星文明当神来崇拜，幸存派的理想是以出卖同胞来苟且偷生，所有这些都与你借助外星文明改造人类的理想不一致。
>
> 叶文洁：我点燃了火，却控制不了它。
>
> ——刘慈欣 《三体1.30 两个质子》

<hr class="slender">

>
> 丁仪：“我只想说明以下的事实：在宇宙间，一个技术文明等级的重要标志，是它能够控制和使用的微观维度。”
>
> ——刘慈欣 《三体1.30 两个质子》

<hr class="slender">

>
> 审问者：那你为什么对其抱有那样的期望，认为它们能够改造和完善人类社会呢？
>
> 叶文治：如果他们能够跨越星际来到我们的世界，说明他们的科学已经发展到相当的高度，一个科学如此昌明的社会，必然拥有更高的文明和道德水准。
>
> 审问者：你认为这个结论，本身科学吗？
>
> ——刘慈欣 《三体1.30 古筝行动》

<hr class="slender">

>
> “当然没有错，生存是其他一切的前提，但，元首，请看看我们的生活：一切都是为了文明的生存。为了整个文明的生存，对个体的尊重几乎不存在，个人不能工作就得死；三体社会处于极端的专制之中，法律只有两档：有罪和无罪，有罪处死，无罪释放。我最无法忍受的是精神生活的单和枯竭，一切可能导致脆弱的精神都是邪恶的。我们没有文学没有艺术，没有对美的追求和享受，甚至连爱情也不能倾诉——元首，这样的生活有意义吗？”
>
> ——刘慈欣 《三体1.32 监听员》

<hr class="slender">

>
> “那花朵虽然娇弱但是绚丽无比，她在天堂闲适中感受着自由和美。”
>
> ——刘慈欣 《三体1.32 监听员》

<hr class="slender">

>
> “他们都有罪。”
>
> “是。”
>
> “六千人都脱水，在首都中心广场烧掉——你，就当引火物吧。”
>
> “谢谢元首，这让我们的良心多少安定了一些。”
>
> ——刘慈欣 《三体1.32 监听员》

<hr class="slender">

>
> 科学技术的全面发展取决于基础科学的发展，而基础科学的基础又在于对物质深层结构的探索，如果这个领域没有进展，科学技术整体上就不可能产生重大突破。
>
> ——刘慈欣 《三体1.33 智子》

<hr class="slender">

>
> 就在常伟思说完这句话的三秒钟后，三体世界与地球叛军之外的人类进行了第一次交流，这以后，他们就中断了与地球三体叛军降临派的通讯，在所有与会者的有生之年，三体世界再也没有发来任何信息，这时，作战中心所有人的眼睛都看到了那个信息，就像汪淼看到倒计时一样，信息只闪现了不到两秒钟就消失了，但所有人都准确地读出了它的内容，它只有五个字——
>
> 你们是虫子！
>
> ——刘慈欣 《三体1.33 智子》

<hr class="slender">

>
> 把人类看做虫子的三体人似乎忘记了一个事实：虫子从来就没有被真正战胜过。
>
> 太阳被一小片黑云遮住了，在大地上投下一团移动的阴影。这不是普通的云，是刚刚到来的一大群蝗虫，它们很快开始在附近的田野上降落，三个人沐浴在生命的暴雨之中，感受着地球生命的尊严。丁仪和汪淼把手中拎着的两瓶酒徐徐洒到脚下的华北平原上，这是敬虫子的。
>
> ——刘慈欣 《三体1.34 虫子》


.pdf | 《三体》摘抄·《I.地球往事》


> __请注意__: 本文包含关于令人不适的描写以及明史，阅读请慎重。

我年轻时就读过《古文观止》，那是清人吴楚材和吴调侯编选的一套文言散文集，上启《左传》，下至晚明，大陆初高中语文课本里的文言文，绝大多数都入选了这一集子。

既然是“年轻时就读过”，那就约等于没读过，只是偶尔翻一翻，混个眼熟。某天灵光一闪，想看看那些生前素有文名，而因名获罪的文人是否还有文章流传，流传下来的文章又是否名副其实，于是想到了方孝孺。还真有，是《豫让论》（其实一共两篇文章，另一篇是《深虑论》，当时没有注意到）。

这是一篇比较典型的文人论史的文章，其中叙事只是夹叙夹议的副产物，大概默认读者已经了解了相关史实，只能算是原有史料的读书笔记，或者时髦一点说，是衍生作品。所以当时不了解豫让的我，实际上没太看懂。后来在大三下学期，选修了一门《资治通鉴》导读课，豫让的故事算是韩赵魏三家分晋的一个尾声和回荡，而三家分晋发生在周威烈王二十三年之前不久，是[《资治通鉴》](https://zh.m.wikisource.org/wiki/%E8%B3%87%E6%B2%BB%E9%80%9A%E9%91%91/%E5%8D%B7001)记录的开端。

<hr class="slender">

话说晋国到了春秋末年，国君的能力和实力都已大不如前，国家的权力掌握在各家大夫手里，实力最强者为智氏，远胜过韩赵魏三家。智氏的倒数第二任大夫智宣子选择继承人的时候，选择了各方面才能优秀，但是“不仁”的智瑶。智瑶在智宣子死后掌权成为智伯，在一次宴会上公然羞辱了韩康子和他的谋臣段規。另一方面，赵简子选择了能把写有自己教导的木简时时记诵，并且带在身上的無恤作为继承人，还命尹鐸在晋阳经营，收买民心，以为退路。無恤即位后，史称赵襄子。

智伯仗势自己的实力不断向韩魏两家索取土地，两家畏于智氏的实力，每每割地示好，却希望别人出头教训一下智氏。赵襄子没有满足智氏的贪婪，于是智伯率领韩魏两家一起攻打赵襄子。襄子逃往晋阳坚守，智氏掘开晋阳旁边的晋水，水淹城墙，还向身旁的魏桓子和韓康子炫耀自己水淹的谋略。这一句话就提醒了两人，因为魏的安邑旁边有汾水，韩的平阳旁边有絳水。于是就在晋阳即将沦陷之际，赵魏韩三家结盟，反过来水淹智氏，夷灭了智氏一族。《通鉴》里还记了一句话，小孩子要把眼睛捂上：“趙襄子漆智伯之頭，以為飲器。”

豫让此时在《资治通鉴》中登场，司马光着墨不多，更详尽的故事在[《战国策·卷十八·晉畢陽之孫豫讓》](https://zh.wikisource.org/wiki/%E6%88%B0%E5%9C%8B%E7%AD%96/%E5%8D%B718#%E6%99%89%E7%95%A2%E9%99%BD%E4%B9%8B%E5%AD%AB%E8%B1%AB%E8%AE%93[1])，我们那门课中有引用。他本是晋国大夫中行氏的家臣，中行氏给他的待遇不好，于是跳槽到了智伯家，深受智伯宠信。智伯败亡之后，豫让逃入深山，说出了那句著名的“士為知己者死，女為悅己者容”，发誓要报仇。他先是身藏匕首化装躲在赵襄子家的厕所，襄子如厕时心惊肉跳，于是派人搜索，抓出了豫让。赵襄子感叹豫让的义气，将其释放。但是豫让没有死心，他在身上涂漆易容，还吞下炭块把嗓子弄哑，连自己的妻子都认不出来，化装成乞丐寻找接近赵襄子的机会。终于有一次赵襄子出行要经过一座桥，豫让埋伏在了桥下。可惜赵襄子的马“提前受惊”，豫让再次被捕。豫让不想再成全赵襄子宽宏大量的美名，主动要求伏诛。襄子感怀其忠义，脱下自己的外袍，命人举着袍子，豫让再三跃起，以匕首刺袍，然后伏剑而死。

虽然豫让漆身吞炭之后连妻子都认不出来，但是还是有朋友认出来了，朋友不解，若是智伯投降赵氏，得到了赵襄子的器重与信任，到时行刺岂不更容易成功，又哪用得着受这些苦呢？豫让则认为不行，那样做是“懷二心以事君”，如果赵襄子真的信任了自己，那么复仇就变成了为了旧的知己而杀害新的知己，而且违背了君臣之义。他自己做这么困难的事，就是想让那些怀有二心的臣子感到羞愧。

<hr class="slender">

以上就是《豫让论》评论的对象。那么他是怎么评论的呢？文章开门见山，立场先行：

> 士君子立身事主，既名知己，则当竭尽智谋，忠告善道，销患于未形，保治于未然，俾身全而主安。生为名臣，死为上鬼，垂光百世，照耀简策，斯为美也。苟遇知己，不能扶危于未乱之先，而乃捐躯殒命于既败之后；钓名沽誉，眩世炫俗，由君子观之，皆所不取也。

也就是说面对堪称知己的主君，臣子应该做的是全力发挥自己的智谋，将祸患消弭于无形，让自己和主公都能保全，将生前身后的荣耀留在史书上，那才叫爽。没能在祸乱发生之前平息掉，却在失败已成定局之后才捐躯殒命，豫让的做法是沽名钓誉，吸引世俗的眼球，为君子所不取。后文结合着我们前面讲到的故事，分条缕析地论证了一番。当然结尾还是给豫让留了一点面子——虽然豫让称不上是一名国士，但是比起早上起来还是仇敌，下午就变成别人臣子的人来说，还是不知道高到哪里去了。

读完文章，一声长叹。

朱元璋的嫡长子朱标早亡，于是立朱允炆为皇太孙，分封朱标的几个兄弟为王，有互相牵制，拱卫京师之意。然而就在朱元璋的晚年，除了燕王朱棣之外的几个年长藩王先后去世，再也无人能制衡燕王。朱允炆登基之后，任用齐泰和黄子澄，未有深谋，激进削藩，不久，燕王朱棣举兵“靖难”。

方孝孺也并非无所作为。据《明史纪事本末》记载，削藩之时，他曾建议“以德化道之”，实际上就是委婉地提出了反对意见。燕王进兵至大名府时，他曾建议一方面派遣使者传信稳住朱棣，另一方面派遣关外将领入关进攻燕王后方。自己在北方的门生口中得知朱棣和他的世子朱高炽不睦，又修书劝降朱高炽，离间朱棣父子。直到朱棣兵临南京城下，他仍坚持固守待援。

可惜这些努力没有回报。年轻的建文帝意气风发，哪里听得进徐图缓进的建议？朱棣发现后方有难，居然修书和建文帝叙说起人情信义，而建文帝居然因之几欲罢兵，朱棣趁此机会偷袭南方粮道，大挫南军士气。朱高炽对离间计的处理也滴水不漏，将书信和信使原封不动押送前线。至于南京城破之时，守城的功臣二代李景隆开门而降，诸位藩王则早已开始和燕王互道辛苦……

故事的结局让人不忍卒读，小孩子更是必须回避。因为打算发在微信等平台，审核人员辛苦，还是直接上原文吧：

> 及师次金川门，大内火，建文帝逊去，即召用孝孺，不肯屈，逼之，孝孺衰经号恸阙下，为镇抚伍云等执以献。成祖待以不死，不屈，系之狱，使其徒廖镛、廖铭说之。叱曰：「小子从予几年所矣，犹不知义之是非！」成祖欲草即位诏，皆举孝孺，乃召出狱，斩衰入见，悲恸彻殿陛。文皇谕曰：「我法周公辅成王耳！」孝孺曰：「成王安在？」文皇曰：「伊自焚死。」孝孺曰：「何不立成王之子？」文皇曰：「国赖长君。」孝孺曰：「何不立成王之弟？」文皇降榻劳曰：「此朕家事耳！先生毋过劳苦。」左右援笔札，又曰：「诏天下，非先生不可。」孝孺大批数字，掷笔于地，且哭且骂曰：「死即死耳，诏不可草。」文皇大声曰：「汝安能遽死。即死，独不顾九族乎？」孝孺曰：「便十族奈我何！」声愈厉。文皇大怒，令以刀抉其口两旁至两耳，复锢之狱，大收其朋友门生。每收一人，辄示孝孺，孝孺不一顾，乃尽杀之，然后出孝孺，磔之聚宝门外。孝孺慷慨就戮，为绝命词曰：「天降乱离兮孰知其由，奸臣得计兮谋国用犹。忠臣发愤兮血泪交流，以此殉君兮抑又何求。呜呼哀哉，庶不我尤！」时年四十六。复诏收其妻郑氏，妻与诸子皆先经死。悉燔削方氏墓。初，籍十族，每逮至，辄以示孝孺，孝孺执不从，乃及母族林彦清等、妻族郑原吉等。九族既戮，亦皆不从，乃及朋友门生廖镛、林嘉猷等为一族，并坐，然后诏磔于市，坐死者八百七十三人，谪戍绝徼死者不可胜计。孝孺季弟方孝友就戮时，孝孺目之，泪下。孝友口占一诗曰：「阿兄何必泪澘澘，取义成仁在此间。华表柱头千载后，旅魂依旧到家山。」士论壮之，以为不愧孝孺之弟。孝孺又有二女，年俱未笄，被逮过淮，相与连袂桥水死。
>
> ——《明史纪事本末·卷十八·壬午殉难》

<hr class="slender">

议论方孝孺议论豫让的文章是一件很困难的事情，倒不是因为国人讨论问题经常[“诉诸身份”](https://mountaye.github.io/blog/articles/TL-Paul-Graham-How-to-Disagree)，而是这种套娃式的议论实在是容易流于“哀之而不鉴之”的浅薄，~~以及有给自己立 flag 的危险~~。

不过很有意思的一点是，《豫让论》中多次出现的关键词是“忠”，比如“让之死固忠矣，惜乎处死之道，有未忠者存焉！”，而在《资治通鉴》和《战国策》中，“忠”字只出现了一次，赵襄子所赞美的，是豫让的“义”。在豫让的年代，主公与谋臣的关系，更接近一种分工合作的关系。主公向谋臣支付自己的信任，承担失败身死的风险，享受采邑臣民的利权；谋臣支付自己的智谋，了却君王天下事，赢得生前身后名。豫让的所作所为，是在践行自己的个人意志，而非履行被动的义务。

只是这种分工之“义”，在一代又一代“博学鸿儒”的改造之下，逐渐成了臣子单方面的“忠”。在豫让之时，劝谏一个刚愎自用的君主尚且困难无比，在一个以忠为纲的帝国，皇帝就成了国家机器上最大的单点故障隐患，民怨积累而沸腾，便有了一次又一次的王朝循环。

跳出历史的弹道来看，我们可以很清楚的看到，道德除了具有人们普遍承认的模糊性之外，在百年以至于千年的时间尺度上，还是一个时变函数。赵襄子尚且将座车收入府库，三日不食，纪念豫让；到了方孝孺的时代，豫让就变成了“钓名沽誉，眩世炫俗”，正确的做法是再三劝谏，“三谏不从，移其伏剑之死，死于是日”；再后来，“明月有情还顾我，清风无意不留人”……帝王将相在权力斗争的战场上，开发自己的政策工具箱的时候，想到过自己的小小发明可能会塑造百十代人的道德观念吗？不能不慎之又慎啊。

不过应该是我多虑了，像我这样的蝼蚁，时代的车轮碾过之时，外骨骼碎裂的声音和引擎的轰鸣相比，不值一提。


.pdf | 读方孝孺《豫让论》


本章各节相对独立，基本上每节迫害一个老干部。时间线放在一起过于混乱，故分节作笔记。

第一节讲贺龙。

## 格式说明

- *下划线* 包括的内容，是对应章节的内容梗概。
- `> blockquote` 引用的内容是对原文的摘抄。
- 没有下划线的内容，是根据引文的个人引申和感想。~~一般来说是引文在前，感想在后~~。各段感想之间以分割线 `<hr />` 区分。
- 无序列表的内容，是对应章节的时间线整理。很多章节的时间线互相重叠，这在第二卷和第三卷中会更加常见，所以我另外维护了一份总的时间线，笔记全部完成后发布。

## 内容梗概

*贺龙由于在延安期间与林彪之妻叶群结仇，文革中遭到林彪报复，被迫害致死。*

## 摘抄随想

> 在1980年中华人民共和国最高人民检察院特别检察厅起诉控告林彪、江青等十名主犯时，宋治国写的诬告信的原件公布了。下面抄录其中一部分内容：
>
> 一、“罗瑞卿的家里办公桌，玻璃板底下压着一张照 片，其中有贺（龙）、薛明、罗（瑞卿）、郝治平四人合影，但没有主席的照片。”	
> 
> 二、“我觉得贺（龙）与罗（瑞卿）、彭（真）、杨尚昆反党分子来住很为密切。他们经常密谈”。“常去他 （指贺龙）家的人神态不正常。”
>
> 三、“贺（龙）本人自己房同里亲自保管着一支精致进口的小手枪，夜间睡觉时常压在自己的枕头底下，外出 带上。不知为了什么？”
>
> 四、他对警卫人员的教育不是以政治挂帅，面是业务挂帅。如教育人家如何将枪法练妤，并要求每个螫卫人员要练得百发百中。
>
> 五、“听说体委自动销毁了一百二十部电台，此亊甚为可疑”。
>
> 六、据说贺龙家曾经“在电话上安过一个窃听器。”
>
> 可以看出，曾窃居中国领导高位的林彪、叶群等人，在争 权夺利、发泄私愤时是多么无聊。
> 

能吐的槽都让作者吐了……

---

> 上海“一月风暴” 派生出来的是整个中国好象航行在惊涛骇浪的无际海洋，颠簸得失去了控制。群众批斗“走资派”的“革命暴力行动”，经过数月的摸索实践不断升级。安徴省委第一书记李葆华，铁道都部长吕正操等人被迫站在无遮无蔽的大卡车上，顶着凛冽的寒风在天安门前游斗；杨勇作为“三反分子”被北京军区的造反派揪了出来；煤炭工业部部长张霖之被北京矿业学院的学生揪去，被戴上六十斤重的铁帽子接受批斗，还被关押了四十多天，最后被皮鞭活活抽打致死，中南海里也折腾起来了，许多中央负责人都受到冲击。
> 

---

林彪还在军队最高层人士间有意诽谤贺龙，说：

> “这个人手伸得很长，不仅军队到处伸手而且地方也到处伸手，贺龙搞大比武是个大阴谋，罗端卿的后台就是贺龙。贺龙是个大土匪，是土匪出身，拍肩膀，介绍老婆，搞旧军队一套，四十年来灵魂深处是个大野心家，吃了饭不干事，经常在家请客，拉拢于部。许多军区、军种兵种都有他的人，贺龙是反毛主席的。他是一个封建地主野心家，混入党内捞资本”他“到处搞夺权、搞山头主义，反而不炮轰……”
> 

---

> 面对着许多老干部被加上莫须有的罪名挨揪被斗，面对着自己今天的处境，贺龙心潮澎湃，难以平静。他对“左”有了 切身的体会，对“洪湖肃反扩大化”等问题有了新的认识。三 月七日，贺龙写成了关于地区肃反扩大化问题的报吿，请周恩来转呈毛泽东。他多么希望已经发展得如火如荼的“文化大革命”能从中吸取点儿教训，能珍惜革命的宝责财产——干部和群众啊！
> 

所以贺龙在“洪湖肃反扩大化”中干了什么？

---

贺龙的最后时光：

> 一九六九年冬春季节，身患糖尿病多年的七十三岁高龄的贺龙，不仅基本的饭菜营养得不到保证，而且必须不间断服用的降糖药物也“供不应求”。他与薛明合用的一块毛巾破得只剩下四个边儿，衣服鞋袜补了又补，连替换的都没有。在当时打出的“医疗要为专案服务”的招牌下，有一天，又突然以照顾为名，派去一个医生，强行取走了他们想方设法保留下来的一点点儿必备药品。不久，借口暖气坏了，不保证供暧，室内温度经常在6C左右。一天夜里，贺龙夫妇又被强迫搬离周恩来为他们安排的居所，住进了山下的一间房子里。
>
> 从此，贺龙夫妇的生话条件每况愈下。饭吃不饱，菜则经常是白水煮白菜，糠萝卜，老得象甘蔗皮似的豆角，需要用饮食配合治疗的糖尿病病人不时被难以忍受的饥锇感和无法抑制的食欲骚扰得心烦意乱，一辈子戎马生涯的元帅，在夺得政权的和平年代里，听见杀猪声“真想吃点猪耳朵”的愿望至死都没能实现。用糖水抗拒饥锇感，对于糖尿病病人来说，犹如投石下并，但这却是贺龙可能得到的唯一“治疗”。
>
>贺龙的身体被拖垮了，虚弱得连独自迈步都有困难，由于缺乏必要的营养，人体抵抗力下洚，再加上糖尿病本身又是病菌滋生的温床，致使贺龙的脚气感染经久不愈，这反过来又加重了糖尿病，一九六九年六月八日早晨，贺龙连续呕吐，呼吸急促，全身软弱无力。当薛明再三求请医生时，一位姓王的医生才来打了止吐针。糖尿病敢中毒引起的全身反应继续蔓延着，直到晚上八时，在专案人员直接拿握“救治”的前提下，来了两名医生，做了简单的检査后，就给贺龙输注葡萄糖生理盐水，并声称“糖尿病昏迷了”。贺龙意识到情况或许要急转直下，乘医生不在时，对薛明说，"要小心，他们要害死我。”当时医生怀疑贺龙是药物中毒，但化验结果表明，病人并未服用过量的药品，医生仍不顾糖尿病人尿糖和血糖的多少，按中毒处理，一夜之间输了二千毫升葡萄糖液。
>
> 一九六九年六月九日破晓之后，北京三〇一医院派来医生接贺龙去住院。贺龙表示，“我没有昏迷，我不能去住院，那个医院不是我住的地方。”但是，作为“组织决定”，贺龙服从了。贺龙告别了妻子，独自躺在救护车里。汽车驶向被人们视为能起死回生的现代化医院，但贺龙在迷蒙中却觉得是在走向坟墓。
>
> 下午三时零九分，也就是贺龙离开薛明后整整六小时零九分钟时，贺龙的心脏停止了跳动。两年半的半幽禁生活中，贺龙最惦念的是他的孩子们，然而元帅却没能盼到见自己儿女们一面的这一天。他带着冤枉，带着爱，更带着恨，孤寂地走出了人生世界。
>
> 贺龙生前，血糖曾高达1700毫克％。他死于高渗性非酮症糖尿病昏迷。
> 

最后的血糖单位应当有误，但原文如此。

医护人员在明知其有糖尿病的情况下大量注射葡萄糖水，可以说是谋杀。

## 时间线

- 1933年
    - 熊贡卿以贺龙“早年友好”的名义来会贺龙，以谋策反，贺龙当即识破其阴谋，下令逮捕了熊贡卿并处以枪决。【2.4.对贺龙的诬陷和迫害】
- 抗日战争时期
    - 抗日战争时期，叶群在南京曾经在国民党所控制的电台当广播员，与国民党人士常有往来，并参加过国民党 CC 派学生“演讲比赛”，宣传三民主义，获得了第一名。同时，她还与一个叫“战斗”的 CC 派外围组织有来往。为此，当时共产党地下组织派薛明正式找叶群谈话，叶群表示，“要重新考虑今后要走的路”。【2.4.对贺龙的诬陷和折磨】
- 解放战争时期
    - 林彪、贺龙去重庆参加谈判。贺龙夫人薛明重新提起抗战中叶群与国民党的活动，将叶群拉到中组部组织科长王鹤寿处。林彪、贺龙返回延安后，贺龙对林彪直言不讳要林彪“提高警惕”。林彪当时没有表态，后来说“整风是残害青年”。【2.4.对贺龙的诬陷和折磨】
    - 贺龙与毛泽东谈话时说过，1937年党中央派朱德、刘伯承、贺龙、林彪去洛阳参加蒋介石召开的会议时，林彪对蒋介石抱有幻想。林彪曾公开说与蒋介石谈判时，要说些好话。为此与贺龙发生意见分歧。贺龙还问过陶铸“知道不知道林彪在历史上有问题。”【2.4.对贺龙的诬陷和折磨】
    - 1946年，林彪率军进入东北，在东北特地为叶群的这件事平反。【2.4.对贺龙的诬陷和折磨】
- 解放后
    - 贺龙担任了副总理，授元帅军衔，兼管体育工作。【2.4.对贺龙的诬陷和折磨】
- 1966年2月4日
    - 1966年初，中央军委指示，北京军区为卫戍区组建一个团，准备负担民兵训练任务。一时找不到营房，而北京各大学有部分师生在农村搞“四清”，空出一些房屋，卫戍区向北京大学、中国人民大学借房。借房时间与“二月提纲”事件的时间接近，被当作“二月兵变”事件。【2.4.对贺龙的诬陷和迫害】
- 1966年7月27日
    - 7月，在“怀疑一切”的感应下，北京大学校团委的一个干部贴出《触目惊心的二月兵变》大字报，提出卫戍区借房是要搞兵变的假说，并认为是“彭真、刘仁企图搞政变的准备”。康生有意在此事上大做文章。【2.4.对贺龙的诬陷和迫害】
    - 康生在北师大群众大会上公开宣称后，中央文革定下了“二月兵变”事件。还加进了“贺龙私自调动军队，在北京郊区修了碉堡”等骇人听闻的军事色彩。北京各院校开始搜集“二月兵变”的素材，以至于把1966年2月，彭真为首的北京市委在北大试点的到北京郊区半工半读，也加进“二月兵变”中去了。贺龙的“罪行”增加了新的内容。【2.4.对贺龙的诬陷和迫害】
- 1966年8月25日
    - 8月，空军准备在北京召开一次会议，几位同事找到贺龙，对报喜不报忧的不良作风不满，对突然通知会议停开有意见。贺龙劝说道：“可以给他们提意见”，被林彪得知。【2.4.对贺龙的诬陷和折磨】林彪制造了以吴法宪为正确的一方，另一方要夺权的“八·二五”反革命事件，把贺龙定为后台。将一些与贺龙公事过的干部逮捕、逼供。要求吴法宪“要警惕和防备”。同时召见李作鹏，告诉他“要注意贺龙，他实际上是罗瑞卿的后台”。【2.4.对贺龙的诬陷和折磨】
- 1966年9月3日
    - 吴法宪把他写给毛泽东的有关贺龙的材料送给了林彪。【2.4.对贺龙的诬陷和折磨】
- 1966年9月7日
    - 李作鹏也给林彪写了一封有关贺龙问题的信件。【2.4.对贺龙的诬蔑和迫害】
    - 叶群多次向中央军委办公厅警卫处处长宋治国唠叨贺龙的材料，要宋治国写信揭发，并嘱咐：“要以你主动向我反映情况的口气写，不要以我叫你了解的口气写。”9月7日至24日，宋治国根据叶群的材料，写了4封揭发信给林彪。【2.4.对贺龙的诬蔑和迫害】
- 1966年9月14日
    - 毛泽东接到吴法宪的信后，把贺龙请到自家的游泳池会面。毛把吴的信给贺龙看。毛宽慰贺龙，贺龙表示要找吴法宪谈，毛泽东劝阻，最后贺龙仍觉得应当找他们解释一下，毛表示“也可以”。【2.4.对贺龙的诬陷和迫害】
- 1966年9月19日
    - 毛泽东再次在他的游泳池接见了贺龙，表示“问题解决了，没事了。”【2.4.对贺龙的诬陷和迫害】
    - 贺龙亲自到林彪家征求意见。林彪说：“你的问题可大可小，今后要注意一个问题，支持谁，反对谁。”贺龙说：“谁反对毛主席，我就反对谁”。林彪认定在与贺龙的较量中不能手软。【2.4.对贺龙的诬陷和迫害】
- 1966年9月27日
    - 9月7日至24日，宋治国的揭发信送到林彪办公室主任叶群那里时，叶群当着办公室3位秘书问宋：“你写的这些材料是否都是事实？是，我们就送；不是，我们就不送了。”宋治国心领神会。叶群又叫3位秘书写了一份《关于宋治国写材料情况的说明》，用以证明写信是宋治国的自发行为。【2.4.对贺龙的诬陷和迫害】
- 1966年12月30日
    - 江青和叶群达成的互相交换迫害对方“仇人”的协议向前推进了。江青找到贺龙的儿子贺鹏飞。不久又在一次群众大会上宣布，“要把贺龙端出来。”【2.4.对贺龙的诬陷和迫害】
    - 接着，贺龙的家被抄。一家人被包围在“坚决揪斗”贺龙的巨大声浪中，多次搬迁，然呼叫接踵而至。贺龙一家求援于周恩来，周接通贺龙住处的电话，要围攻的群众撤走，邀请贺龙夫妇住进中南海的自己家中。一月风暴后，林彪把贺龙作为打倒对象在军内宣布后，周恩来把贺龙继续留在中南海已不可能。【2.4.对贺龙的诬陷和迫害】
- 1967年1月18日
    - 周恩来约请李富春、江青与贺龙进行一次正式谈话。江青拒不参加，还指使群众在会议时间，将宣传车开到中南海外，用高音喇叭叫喊“打倒贺龙”等口号。周恩来对贺龙说：“为了你的安全，另外给你找个安静的地方，去休息一下。”【2.4.对贺龙的诬陷和迫害】
- 1967年1月19日
    - 凌晨3时，周恩来派杨德中和负责贺龙警卫工作的杨青成护送贺龙夫妇到北京近郊山区。为了安全，周安排中途换车，不让带工作人员，以便严格保密。【2.4.对贺龙的诬陷和迫害】
- 1967年3月7日
    - 三月七日，贺龙写成了关于洪湖地区肃反扩大化问题的报吿，请周恩来转呈毛泽东。【2.4.对贺龙的诬陷和迫害】
- 1967年9月-10月
    - 九月间，贺龙正式被列为专案审查对象。十月以后，便断 绝了与周恩来总理的一切联系。经林彪一伙人的批准，从外地调派来一个脑系科护士，冒充卫戍区医生，把原来护理贺龙的医生换走。【2.4.对贺龙的诬陷和迫害】
- 1968年5月12日
    - 以中央名义，把全国体育系统定为“独立王国”，从1952年起就兼任国家体委主任的贺龙便成了 体育系统头号“反革命修正主义分子”并因此受到攻击。【2.4.对贺龙的诬陷和迫害】
- 1968年5月16日
    - 康生说，“贺龙历史上就搞投敌叛变，现在不可能没有问题。”康生的一句话使得贺龙在精神上和生活 上所受到的折磨又成倍增长。【2.4.对贺龙的诬陷和迫害】
- 1968年9月18日
    - 给贺龙送去了一封以中央军委办 公厅的名义写的信，要他交待“1933年，蒋介石派熊贡卿到湘鄂西与贺龙是怎样谈判的？参加谈判的是哪些人？最后达成计么协议？……”贺龙看完这封信，不停地书写“冤枉”、“寃枉”几个字。“我本来就是在共产党最背时的时候参加革命的，所以，无论多么背时，我都不怕。”【2.4.对贺龙的诬陷和迫害】
- 1969年6月8日
    - 贺龙连续呕吐，呼吸急促，全身软弱无力。医生才来打了止吐针。晚上八时，给贺龙输注葡萄糖生理盐水，并声称“糖尿病昏迷了”。【2.4.对贺龙的诬陷和迫害】
- 1969年6月9日
    - 破晓之后，北京三〇一医院派来医生接贺龙去住院。下午三时零九分，贺龙的心脏停止了跳动。【2.4.对贺龙的诬陷和迫害】

---

> 回到本系列的目录：[.pdf &#124; 高皋、严家其《文化大革命十年史》笔记](great-cultural-revolution-ten-years-0)


·文革史笔记-2.4.1 | 对贺龙的诬陷和折磨


## 格式说明

- *下划线* 包括的内容，是对应章节的内容梗概。
- `> blockquote` 引用的内容是对原文的摘抄。
- 没有下划线的内容，是根据引文的个人引申和感想。~~一般来说是引文在前，感想在后~~。各段感想之间以分割线 `<hr />` 区分。
- 无序列表的内容，是对应章节的时间线整理。很多章节的时间线互相重叠，这在第二卷和第三卷中会更加常见，所以我另外维护了一份总的时间线，笔记全部完成后发布。

## 内容梗概

*林彪从积极投身文革，到跻身中共党、国二号人物的过程。*

*本章几乎未涉及整人的桥段，以林彪在宣传口的发挥为主。积极投身之前整掉的障碍，和荣誉加身之后的报复自己的旧仇，分别在之前之后两章。*

## 摘抄随想

无。

对林这种拍马屁的手法，没有学习的兴趣。更重要的是，这种积极马屁导致了自己走上权力斗争的前台，风险太高，收益波动太大，因此是一种失败的教训。这一点上，林远不如周。

## 时间线

- 1966年5月18日
    - 林彪作了一个 实际上是会议总结的讲话。他除了对彭、罗、陆、杨问题作了结论之外，为了迎合毛泽东的心理，用大量篇幅谈了政权及政变 问题，歌颂毛泽东是马克思、恩格斯、列宁之上的天才，因此，“毛主席活到那一天，九十岁，一百多岁，都是我们党的最高领袖，他的话还都是我们行动的准则。谁反对他，全党共诛之，全国共讨之。在他身后，如果有谁作赫鲁晓夫那样的秘密拫告，一定是野心家，一定是大坏蛋。全党共诛之，全国共讨之！”而与会者似乎得到这祥一种印象，在中国共产党内， 林彪的地位异常重要了。【2.3.从《五·一六通知》到八届十一中全会】
- 1966年8月1日
    - 中国共产党八届十一中全会开始。会议朗间，林彪经常与毛泽东见面，商谈“文化大革命”中的大事。毛泽东还利用林彪直接指挥中央文革小组，以北京为起点推进“文化大革命”。【2.3.从《五·一六通知》到八届十一中全会】
- 1966年8月8日
    - 林彪接见中央文革小组成员后，已经活跃在“文化大革命”第一线的中央文革的鼓噪声更大了，他们更起劲地支持反对刘少奇的群众，鼓动对毛泽东的崇拜。【2.3.从《五·一六通知》到八届十一中全会】
- 1966年8月10日
    - 林彪两次接见军队高级 干部，明确指出，“今后我们的干部政策应该是，谁反对毛主席，就罢谁的官，谁反对突出政治，就罢谁的官。不管他有天 大的本事。”【2.3.从《五·一六通知》到八届十一中全会】
- 1966年8月11日、12日
    - 林彪指使叶群两次（第一次）找中国人民解放军总参谋部作战部副部长雷英夫，将他们诬陷刘少奇的材料口授给他，以便让他写出有关刘少奇的材料。【2.3.从《五·一六通知》到八届十一中全会】
- 1966年8月12日
    - 中共中央八届十一中全会闭幕。【2.3.从《五·一六通知》到八届十一中全会】
    - 林彪指使叶群两次（第二次）找中国人民解放军总参谋部作战部副部长雷英夫，将他们诬陷刘少奇的材料口授给他，以便让他写出有关刘少奇的材料。【2.3.从《五·一六通知》到八届十一中全会】
- 1966年8月13日
    - 林彪看了雷英夫写的（诬陷刘少奇的）材料。【2.3.从《五·一六通知》到八届十一中全会】
- 1966年8月14日
    - 林彪将雷英夫找到家里，要他用给林彪、毛泽东写信的形式将材料递交上来。当天，雷英夫就将信和村料递送给了林彪，林彪则立即批送 给江青，“酌转”毛泽东。【2.3.从《五·一六通知》到八届十一中全会】
- 1966年8月18日
    - 在毛泽东开创的接见红卫兵的活动中，林彪代表党中央在会上讲话，他说，“我首先代表我们伟大领袖毛 主席，向大家问好！ ”在一阵阵狂热的欢呼声中，林彪在人们 心目中的地位上升了，在某种程度上，他取得了代表毛泽东的资格。到处宣传的“毛主席和他的亲密战友林彪同志”使党中央终于变成了“以毛主席为首、林副主席为副的党中央”。【2.3.从《五·一六通知》到八届十一中全会】
- 1966年10月9日
    - 会议开始后不久，林彪向全军发出号召： “把活学活用毛泽东著作的群众运动推向新阶段”【2.3.“第二号人物”】
- 1966年10月11日
    - 《解放军报》发表《坚决响应林彪同志号召把活学活用毛主席著作群众运动推尚新阶 段》的社论，并在群众中广泛地组织学习。【2.3.“第二号人物”】
- 1966年10月12日
    - 林彪在中央工作会议小组会上多次发言。【2.3.“永不停火的战争”】
- 1966年10月25日
    - 林彪发表的长篇演讲，极端颂扬毛泽东的伟大，他说，“毛泽东思想同马克思列宁主义是统一的东西， 只有时代的区别，是更髙级的更发展了的马克思列宁主义。”【2.3.“永不停火的战争”】
- 1966年10月27日
    - 为纪念“毛泽东号”机车命名二十周年，林彪书写了“毛泽东思想指引下的人民革命是历史前进的火车头”的题词。题词的手迹被广泛宣传，人们虽然觉得这位“副统帅”的字写得不怎么样，伹不失他在群众中的威望。【2.3.“永不停火的战争”】
- 1966年10月28日
    - 10月9日召开的中央工作会议结束。【2.3.“第二号人物”】
- 1966年12月3日
    - 林彪在中央政洽局常委会议上，就工交系统的“文化大革命”和抓革命促生产的关系问题作了讲话。不久，又在中央工交系统“文化大革命”座谈会上作了长篇发言。【2.3.“永不停火的战争”】
- 1966年12月16日
    - 林彪又为《毛主席语录》写了《再版前言》，并在群众中掀起了学习、背诵《再版前言》的热潮，结果是，林彪的名字更加响亮了，林彪的权威也随之提高了。【2.3.“永不停火的战争”】
- 1967年10月1日
    - 庆祝大会上，林彪“代表我们伟大的领袖毛主席，代表党中央，代表中华人民共和国政府，代表中央军委，代表中央文革 小组讲话。他在毛泽东视察了华北、中南和华东地区后，对一年多来的“文化大革命”作了总结，他说，“我们的无产阶级文化大革命，已经取得了决定性的胜利”。并用列举“文化大革命”中的一系列成绩，来说明无产阶级“文化大革命”成绩是“最大最大最大”。【2.3.林彪的总结：“最大最大最大”、“最小最小最小”】

---

> 回到本系列的目录：[.pdf &#124; 高皋、严家其《文化大革命十年史》笔记](great-cultural-revolution-ten-years-0)


·文革史笔记-2.3 | 搭起上升的舷梯


## 格式说明

- *下划线* 包括的内容，是对应章节的内容梗概。
- `> blockquote` 引用的内容是对原文的摘抄。
- 没有下划线的内容，是根据引文的个人引申和感想。~~一般来说是引文在前，感想在后~~。各段感想之间以分割线 `<hr />` 区分。
- 无序列表的内容，是对应章节的时间线整理。很多章节的时间线互相重叠，这在第二卷和第三卷中会更加常见，所以我另外维护了一份总的时间线，笔记全部完成后发布。

## 内容梗概

*林彪因为身体不好，难以胜任国防部长的实际职责，具体工作多由罗瑞卿负责。为了将权力抓在自己手里，罗织罪名批斗之，导致罗瑞清跳楼，摔成残疾。*

*为了交好江青，作为投名状，在军队系统举办“部队文艺工作座谈会”。*

*作为“部队文艺工作座谈会”内容的延申，中宣部长陆定一及其妻子成为斗争目标。*

本章内容非常没劲，无非是红色贵族之间的勾心斗角。但是，如果不是这些无聊的勾心斗角，使得众多的红色贵族也成为了这场运动的受害者，这场运动还能短暂地获得“彻头彻尾的动乱”的定性，无数被构陷的普通百姓还能恢复名誉吗？唉……


<hr class="slender">

## 摘抄随想

简体影印版第197页缺失，根据“本土与世界”修订新版，补录如下：

> ……进市后，罗瑞卿没被安排在他每次去上
>
> 海时住的锦江饭店，而是安排在他从来未住过的地方。罗瑞卿心中生疑，问了一句，得到的答复是锦江饭店住满了。按照惯例，罗瑞卿每到一处，秘书的第一件事就是把电话机架好，这次却受到婉转而坚决的阻挡。接着，通知罗瑞卿，有关领导人正在房间里等他谈话。他觉得蹊跷，有些紧张，又猜不透可能会发生什么事情。他没有发觉，这里警戒森严，不同于以往，便径直走向目的地。在房间里等待罗瑞卿的几位领导人是他熟悉又深为敬重的老战友，但谈话时却犹犹豫豫，经常中断话语，似乎有难以启齿之言。然而，为了服从上级部门的决定，他们最终还是说明了，正在开的会议是对罗瑞卿进行批判。罗瑞卿急于想知道会议情况，但自始至终被拒绝在会场门外。
>
> 罗瑞卿不得而知，被拒之门外的会议是林彪策划的一次对罗瑞卿进行突击的紧急会议。这次会议从1965年12月8日开始，到15日结束，由林彪主持。
>
> 事情源于1965年11月末。在杨尚昆被调离中央办公厅后，林彪立即向罗瑞卿发难了。林彪亲自给毛泽东写了一封信，说有重要情况需要报告，欲先派叶群送材料并作初步口头汇报。在得到毛泽东的应允后，叶群到杭州向毛泽东作了六七个小时的汇报，主要是利用海军的材料诬陷罗瑞卿。12月2日，毛泽东在一份报告上对罗瑞卿问题作了如下披语：“那些不相信突出政治，对于突出政治表示阳奉阴违，而袭击另外散布一套折中主义（即机会主义）的人们，大家应当有所警惕。”会议遵照毛泽东的批示，揭发、批判了罗瑞卿的所谓“反党篡军的罪行”。
> 这次会议是中共中央政治局常委扩大会议。连中央委会都不是的叶群不仅出席了会议，还在会上就罗瑞卿问题作了三次发言，总计约十小时，成了会上“最有分量”的“炮弹”。叶群这个被称为“浑身上下都是假”的女人，早就使罗瑞卿十分厌恶。六十年代初部队评级定勋时，由于叶群自四九年后不断调动工作，从军队到地方，又从地方到军队……每次调动，都伴随着职级的提升，因此对她来说，职级已经很不低了，罗瑞卿考虑到这些因素，按照规定将叶群评为上校，而没有满足叶群要定大校的愿望，使叶群记恨在心；1965年春，林彪
>
> 关于“突出政治五项原则”发到部队前，罗瑞卿建议改掉文件中提到叶群名字的地方……


<hr class="slender">

## 时间线

- 1959年
    - 林彪主持中央军委工作，任国防部长后， 由于身体的原因，军内许多事务实际上是由罗瑞卿具体来抓，刘少奇就曾公开表示过，罗瑞卿是国防部长的接班人。【2.2.对“顶峰论”的异议】
- 1960年
    - 林彪拋出“顶峰论”和“最高最活”等极左口号时，罗瑞卿针锋相对地指出：“难道马列主义、毛泽东思想就不再发展了？把革命导师的理论说成‘顶峰’，这本身就违 背了毛泽东思想。” “‘最高最活’，难道还有次高次活？毛主席知道了也不会同意。”【2.2.对“顶峰论”的异议】
- 1961年
    - 林彪提出“背警句”、“立竿见影”等口号。罗瑞卿明确表示同意罗荣桓元帅的观点。【2.2.对“顶峰论”的异议】
- 1960年代初
    - 部队评级定勋时，由于叶群自四九年后不断调动工作，从军队到地方，又从地方到军队……每次调动，都伴随着职级的提升，因此对她来说，职级已经很不低了，罗瑞卿考虑到这些因素，按照规定将叶群评为上校，而没有满足叶群要定大校的愿望，使叶群记恨在心。【2.2.1965年底的上海“紧急会议”】
- 1965年初
    - 抓住这一时代特征，林彪就在学习毛泽 东著作上，更用心地大作文章。他不断地宣传，“应该用毛泽东思想，用毛主席著作，去提高群众的觉悟，提高群众的思想。地方工作总要有一个武器么！现成的武器不用，是最笨的了！ ”“中国要兴旺，就要用毛泽东思想武装人民群众。毛主席的思想武装了群众，中国就兴旺起来了。”“毛主席的话， 水平最髙，威力最大，句句是真理，一句顶一万句。”林彪企图用这些讲话来赢得毛泽东对他的更大欢心。【2.2.部队文艺工作座谈会】
- 1965年春
    - 林彪关于“突出政治五项原则”发到部队前，罗瑞卿建议改掉文件中提到叶群名字的地方。【2.2.1965年底的上海“紧急会议”】
- 1965年11月
    - 《评新编历史剧<海瑞罢官>》发表前后，江青多次打电话给罗瑙卿，说她要召开一个 “部队文艺工作座谈会”，请罗瑞卿参加。罗瑞卿对江 青反感，对江青的要求置之不理。【2.2.嫉妒与怨恨的结合】
    - 江青还要求发给她军装，罗瑞卿又明确交待：军衣可以发一套，她没有军籍，领 章、帽徵不给她发。【2.2.嫉妒与怨恨的结合】
    - 月末，杨尚昆被调离中央办公厅后，林彪立即向罗瑞卿发难了。林彪亲自给毛泽东写了一封信，说有重要情况需要报告，欲先派叶群送材料并作初步口头汇报。在得到毛泽东的应允后，叶群到杭州向毛泽东作了六七个小时的汇报，主要是利用海军的材料诬陷罗瑞卿。【2.2.1965年底的上海“紧急会议”】
- 1965年12月2日
    - 毛泽东在一份报告上对罗瑞卿问题作了如下披语：“那些不相信突出政治，对于突出政治表示阳奉阴违，而袭击另外散布一套折中主义（即机会主义）的人们，大家应当有所警惕。”【2.2.1965年底的上海“紧急会议”】
- 1965年秋冬之际
    - 林彪叫秘书打电话授意海军副司令员李作鹏写一个《关于近年来海军两种思想斗争 的情况》，重点是罗瑞卿的表现。【2.2.1965年底的上海“紧急会议”】
    - 林彪的老婆叶群则亲自打电 活给李作鹏，说罗瑞卿“有野心”，“想当国防部长”，“正在组织新班子”，要李作鹏“从海军角度”写材料。【2.2.1965年底的上海“紧急会议”】
    - 林彪、叶群又指使空军司令员吴法宪利用前空军司令员刘亚楼等问题诬陷罗瑞卿。【2.2.1965年底的上海“紧急会议”】
    - 罗瑞卿作为总参谋长从北京去云南落实中央军委的军事部署。突然接到通知，要他 马上到上海开会，却没有透露会议内容。在上海机场前来接他的是上海市委的一位负责人和空军司令员吴法宪，以往那种见到上司满脸堆着殷勤献媚的笑容无影无踪了。【2.2.1965年底的上海“紧急会议”】
- 1965年12月8日-15日
    - 中共中央政治局常委扩大会议。【2.2.1965年底的上海“紧急会议”】
        - 罗瑞卿不得而知，被拒之门外的会议是林彪策划的一次对罗瑞卿进行突击的紧急会议。
        - 会议遵照毛泽东的批示，揭发、批判了罗瑞卿的所谓“反党篡军的罪行”。
        - 这次会议是连中央委会都不是的叶群不仅出席了会议，还在会上就罗瑞卿问题作了三次发言，总计约十小时，成了会上“最有分量”的“炮弹”。
        - 林彪在紧急会议上宣布了撤销罗瑞卿中共中央书记处书记、国务院副总理、公安部部长，国防部副部长、中国人民解放军参谋长、中央军委秘书长、国防委员会副主席等一切职务。
- 1966年2月2日-20日
    - 江靑勾结林彪召开了一次部队文艺工作座谈会。为了夺取她对文艺界的领导权，为了向全国抛出她制造的“文艺黑线专政论”。【2.2.部队文艺工作座谈会】
    - 林彪积极配合江青百开部队文艺工作座谈会。会前，他亲自向与会者宣布他与江青关系的密切。会后， 起草了《林彪同志委托江青同志召开的部队文艺工作座谈会纪要》。江青梦寐以求的领导中国文艺的愿望，从军队幵始打开了缺口，而林彪利用江青亲近毛泽东的目标也大大地进了一 步。【2.2.部队文艺工作座谈会】
    - 《林彪同志委托江青同志召开的部队文艺工作座谈会纪要》中提到，自建国以来，文艺界被一条与毛泽东思想相对立的反党反社会主义的黑线专了我们的政”。江青的“文艺黑线专政论”，就是针对陆定一等人提出的。【2.2.对陆定一和严慰冰的打击】
- 1966年3月
    - 在北京连续召开了批判罗瑞卿的会议，并指定罗瑞卿在会上做检查。如果罗瑞卿不承认林彪所罗列的他的一系列罪行，检査便休想通过。因此，会议开得很特别，没有确定的日程，停停开开，开开停停。每次休会意味着罗瑞卿失去一次陈述真相的机会，而每次复会，却是对罗瑞卿狂暴的又一次升级。【2.2.把罗瑞卿逼上绝路】
    - 罗瑞卿女儿点点在《生命的歌》一文中所叙述的那样：“看见的 是，他所崇敬的德高望重者沉然地背过脸去，卖身求荣者的敢 噪淹没了仗义执言的呼声，心地善良的人被迫缄口不言或违心附合，反复无常的人则高举顺风旗，脸上堆满狞笑，血口喷 人。他好象被推进茫茫黑夜中，黎明没有盼头，他好象被推上悬崖绝壁，却只能往前走。他面前的一切使他心境徬徨，迷惑 无法解，他意识到有人在逼他，逼他离开这个世界。”【2.2.把罗瑞卿逼上绝路】
- 1966年3月18日深夜
    - 罗瑞卿孤寂、郁闷，觉得再也忍受不到天明。当他觉得一切终将结束时，他给妻子郝治平，留下了一张字条：“治平：会议的事没有告诉你，为了守纪律 ……永别了，要叫孩子们永远听党的话，听毛主席的话！我们 的党永远是光荣的、正确的、伟大的，你要继续改造自已！永远革命。”便从他住房的楼顶纵身跳了下去。【2.2.把罗瑞卿逼上绝路】
    - 罗瑞卿没有失去生命，只是左腿骨折。当他躺在医院里，睁开眼猜看见正在流泪的妻子时，一再嘱咐她“要把孩子们养大，不要让他们斩草除根。总有一天， 党会把事情搞清楚的。”【2.2.把罗瑞卿逼上绝路】
    - 罗瑞卿失却了自由。他被送进了一个不知名的地方，陪伴他的是一张硬板床，一张小方 桌，一个难得见到阳光的小窗户，严密的看守，无昼无夜的自 责和思索，以及难以忍受的断肢的疼痛和不断发作的心绞痛。【2.2.把罗瑞卿逼上绝路】
    - 林彪则把罗瑞卿看作是“身残名裂”的敌人，以自杀这种形式来表示“叛党叛国”的“罪犯”。他幸灾乐祸，并要一步步把 罗瑞卿逼到绝路。【2.2.把罗瑞卿逼上绝路】
- 1966年3月底
    - 毛泽东说：“一九六二年十中全会作出了进行阶级斗争的决议，为什么吴晗写了那么许多反动文章，中宣部都不要打招呼，而发表姚文元的文章却偏偏要跟中宣部打招呼呢？难道中央的决议不算数吗？”“扣压左派稿件、包庇反共知识分子的人是‘大学阀’。中宣部是阎王殷。要‘打倒阎王、解放小鬼！’”是对中宣部长陆定一更尖锐的批评。【2.2.对陆定一和严慰冰的打击】
- 1966年4月28日
    - 为了加紧对陆定一的打击陷害，严慰冰被诱捕入狱。【2.2.对陆定一和严慰冰的打击对陆定一和严慰冰的打击】
- 1966年5月18日
    - 林彪在会议上说：“有人可能搞鬼，他们现 在已经在搞鬼。野心家，大有人在，他们是资产阶级的代表，想推翻我们的无产阶级专政。不能让他们得逞。有一批王八蛋，他们要冒险，他们待机而动。他们想杀我们，我们就要 镇压他们，他们是假革命，他们是假马克思主义，他们是假毛泽东思想，他们是背叛分子，毛主席健在，他们就背叛，他们就阳奉阴违，他们是野心家，他们搞鬼，他们现在就想杀人，用种种手法杀人。陆定一就是一个，陆定一的老婆就是一个。”【2.2.对陆定一和严慰冰的打击】
    - 严慰冰曾多次隐蔽地掲露林彪、叶群的虚伪，并对叶群在延安时期生活作风问题提出斥责，还对叶群自称十六岁入党的问题提出质疑，这些造成了林彪、叶群对严慰冰的怨恨。【2.2.对陆定一和严慰冰的打击】

---

> 回到本系列的目录：[.pdf &#124; 高皋、严家其《文化大革命十年史》笔记](great-cultural-revolution-ten-years-0)


·文革史笔记-2.2 | 清除“顶峰论”的反对者


## 内容梗概

第二篇的开头两章，在本篇中当然是按照时间顺序从头开始讲，在整本书的作用则变成了插叙和追忆，记录林彪在文革之前政治地位崛起的过程。第一章是主升浪，第二章是一波小回调。

再次证明文革只不过是中共建党以及人民共和国建政以来的一系列政治运动中的普通一个，各个运动之间连续光滑且可导，《建国以来若干历史问题的决议》将之切割不过是一种修正主义和功利主义的临时修补，“前后两个三十年互不否定”才是历史唯物主义同中国革命的具体经验相结合的正确运用，毫不动摇地坚持和党的路线一起动摇才是一个共产主义者的本分和使命~

林副主席（的执笔秘书）的白话文水平也十分[精湛(shèn)细腻](https://www.youtube.com/watch?v=FhXdLIBVCMQ)，不落党八股的窠臼，比起某新华社长的“[三个一分钟](https://www.dw.com/zh/%E6%96%B0%E8%8F%AF%E7%A4%BE%E6%8F%90%E4%B8%89%E5%80%8B%E4%B8%80%E5%88%86%E9%90%98%E5%B0%88%E5%AE%B6%E4%BA%8C%E5%8D%81%E5%A4%A7%E5%89%8D%E6%93%81%E7%BF%92/a-63018173)”不知道高到哪里去了。“我们学习毛泽东思想，怎样学呢？我向同志们提议，主要是学习林彪同志的言论，这是学习毛泽东思想的捷径。”

林副主席永远健康！

<hr class="slender">

## 摘抄随想

林彪吹捧毛泽东的言论大赏：

> 他在军委扩大会议上说：“我们学习马克思列宁主义，怎样学呢？我向同志们提议，主要是学习毛泽东同志的著作。这是 学习马列主义的捷径。”
> 

> “毛泽东同志全面地、创造性地发展了马克思列宁主义”
> 

> “我们学毛泽东同志的著作容易学，学 了马上可以用，好好学习，是一本万利的事情，”
> 

> 林彪在中国人民解放军内，多次号召全军“必须把毛泽东思想真正学到手”，“一定要把毛泽东思想学到手”。
> 

> “带着问题学习毛泽东同志的著作，这种方法是有的放矢”
> 

> “学习马列主义最好的方法，是学习毛主席的东西”
> 

> 现在的马列主义“就是我们毛主席思想，它今夭在世界上是站在最高峰，站在现时代的顶峰”，“毛泽东思想是当代最高最活的马克思列宁主义”。
> 

“四个第一”以及“活思想”这一概念

> 林彪是简洁语言的创造者，普通人一次只会提出“一个第一”，而林彪却能提出“四个第一”，即所谓人的因素第一，政治工作第一，思想工作第一，活的思想第一。在二十世 纪六十年代，由于林彪的“创造”，在中国人中，几乎没有人不知道“活思想”这一概念。
> 

<hr class="slender">

《关于加强军队政洽思想工作的决议》，粗体为笔记作者阿掖山所加。

> 《决议》 指出，“毛泽东同志是当代伟大的马克思列宁主义者”，“毛泽东思想是中国人民革命和社会主义建设的指针，是反对帝国主义的强大的思想武器，是**反对**修正主义和**教条主义**的强大的思想武器”。《决议》强调要“高高地举起毛泽东思想的红旗，进一步用毛泽东思想武装全体指战员的头脑，坚持在一切 工作中用毛泽东思想挂帅。”《决议》还号召全军指战员“高举毛泽东思想红旗，把毛泽东思想真正学到手！”“**读毛主席的书， 听毛主席的话，照毛主席的指示办事，做毛主席的好战士！**”
> 

林副主席真可以说是文采斐然，之前就已经感叹过了，这次忍不住再随喜赞叹一次，简体白话文学之光~

<hr class="slender">

“七千人大会”上勤王：

> 中共中央召开扩大的工作会议。这次会议的主要任务，是对建国以来十二年的工 作，特别是对“大跃进”以来的工作经验和教训进行认真的总 结。参加这次会议的有中央、各中央局、各省市自治区党委以及地委、县委、重要厂矿企业和部队的负责干部七千多人，因此又称**“七千人大会”**。
当时毛泽东本人真心实意地号召大家发扬民主，要求大家把要讲的话都讲出来，“开出气会”。就在这样的情况下，林彪始终没有忘记要“走捷径”。他在这次大会的讲话中继续制 造“个人崇拜”，粉饰错误。他与众不同，他在总结“大跃进”以来的错误产生的原因时说，现在的困难，“恰恰是由于我们有许多事情没有按照毛主席的指示去做而造成的。如果按 照毛主席的指示去做，如都听毛主席的话，那么，困难会小得多，弯路会弯得小一些”。接着，他谈到了毛泽东，他说：“正确的东西，是唯物主义，是毛泽东思想。毛主席的优点是多方面的。我个人几十年来的体会，他的突出优点，是实际，总是与实际八九不离十，总在实际周围，围绕着实际，不脱离实际。”“过去的工作搞得好的时候，正是毛主席思想不受干扰的时侯。凡是毛主席的思想不受尊重，受到干扰时，就会出毛病。几十年的历史，就是这个历史”。
> 

<hr class="slender">

## 时间线

- 1907年
    - 林彪出生，比毛泽东小十四岁。【2.1.“个人崇拜”的发动者】
- 1956年
    - 中国共产党召开第八次全国代表大会，林彪当选为中央政治局委员。【2.1.“个人崇拜”的发动者】
- 1959年
    - 在中共中央政治局扩大会议和八届八中全会 后，全党展开了一场批判彭德怀、黄克诚、张闻天等人的所谓 “右倾机会主义”的斗争，彭德怀被免去了国防部长的职务， 林彪兼任国防部长并开始主持中共中央军委工作。林彪主持中央军委工作不久，便有目的、有步骤地制造对毛泽东的个人崇拜。【2.1.“个人崇拜”的发动者】
- 1960年9月14日-1960年9月20日
    - 林彪亲自主持军委扩大会议，通过了《关于加强军队政洽思想工作的决议》【2.1.有独特风格的崇拜语言】
- 1960年10月1日
    - 《毛泽东选集》第四卷出版了。林彪特地为之撰写了《中国人民革命战争的胜利是毛泽东思想的伟大胜利》的文章。【2.1.“彻头彻尾、彻里彻外的政治”】
- 1961年1月
    - 林彪在《关于加强部认政治思想工作的指示》中，又提出，对毛泽东的著作，要“带着问题学，活学活用，急用先学，立竿见影”。【2.1.“彻头彻尾、彻里彻外的政治”】
- 1961年4月
    - 林彪视察部队时指出，“部队的每一次政洽思想教育，都必须以毛主席的著作为思想指导”。同时，指示部队编辑出版毛泽东著作选读本，《解放军报》要经常选登毛泽东语录。【2.1.“彻头彻尾、彻里彻外的政治”】
- 1961年5月
    - 《解放军报》开始刊登毛泽东语录。【2.1.“彻头彻尾、彻里彻外的政治”】
- 1961年6月
    - 林彪对毛泽东一次又一次的赞颂引起了毛泽东的注意，毛泽东在北京的一次会议上赞扬了林彪在军队内的作法。林彪受郅毛泽东的赞扬后，更加注意宣传毛泽东个人了。第一次把“彻头彻 尾、彻里彻外”和“政治”概念联在一起，他强调“以毛泽东思想为指针搞好军事工作就是彻头彻尾、彻里彻外的政治。”【2.1.“彻头彻尾、彻里彻外的政治”】
- 1962年1月11日-1962年2月7日
    - 中共中央召开扩大的 工作会议。这次会议的主要任务，是对建国以来十二年的工 作，特别是对“大跃进”以来的工作经验和教训进行认真的总 结。参加这次会议的有中央、各中央局、各省市自治区党委以及地委、县委、重要厂矿企业和部队的负责干部七千多人，因此又称**“七千人大会”**。【2.1.“彻头彻尾、彻里彻外的政治”】
    - 林彪在这次大会的讲话中继续制造“个人崇拜”，粉饰错误。【2.1.“彻头彻尾、彻里彻外的政治”】
- 1963年11月6日
    - 因为林彪等少数几个人没有在“七千人大会上”上“出气”，却在毛泽东本人权力和威望有所降低时，毫不动摇地对毛泽东本人给予了支持，毛泽东在给林彪等人的一封信中，充分肯定了林彪的工作。【2.1.“彻头彻尾、彻里彻外的政治”】
- 1964年5月
    - 解故军总政治部根据《解放军报》刊载过的语录，补充编纂成《毛主席语录》一书出版，并与林彪提倡选编的毛泽东著作选读本一起在军内大量发行。【2.1.“彻头彻尾、彻里彻外的政治”】
- 1964年2月
    - 毛泽东在接见活动中再一次赞扬林彪说：“四个第一好。”【2.1.“彻头彻尾、彻里彻外的政治”】

---

> 回到本系列的目录：[.pdf &#124; 高皋、严家其《文化大革命十年史》笔记](great-cultural-revolution-ten-years-0)


·文革史笔记-2.1 | 一条登上权力顶峰的“捷径”

·文革史笔记-1.10 | 刘少奇的最后岁月

·文革史笔记-1.9 | 在搏斗中下沉

·文革史笔记-1.8 | 从“打倒陶铸”到反击“二月逆流”

·文革史笔记-1.7 | 抵制与反抗的潮流


## 格式说明

- _下划线_ 包括的内容，是对应章节的内容梗概。
- `> blockquote` 引用的内容是对原文的摘抄。
- 没有下划线的内容，是根据引文的个人引申和感想。~~一般来说是引文在前，感想在后~~。各段感想之间以分割线 `<hr />` 区分。
- 无序列表的内容，是对应章节的时间线整理。很多章节的时间线互相重叠，这在第二卷和第三卷中会更加常见，所以我另外维护了一份总的时间线，笔记全部完成后发布。

## 内容梗概

本章很短，视角重回宫廷斗争，内容承接第二章[《围绕着工作组问题的斗争》](great-cultural-revolution-ten-years-1-2)。第[三](great-cultural-revolution-ten-years-1-3)、[四](great-cultural-revolution-ten-years-1-4)、[五](great-cultural-revolution-ten-years-1-5)章是人民群众（当中的政治投机分子）对字面意义上的文化革命的响应，但是字面意义之外，文革作为一场皇权对相权的清洗斗争，毛的主要目标依然有待完成。

_刘少奇派驻工作组的做法已定性为错误，_ 但这一罪名不见得能让刘家破人亡。 _刘也是政治斗争的老手了，很聪明地承认错误，否认故意，收缩防守。但是革命群众怎么可能放过他呢？1966年8月下旬，清华大学出现直指刘少奇的大字报，官方媒体继续揪住工作组宣称“反对工作组就是反党”的错误，人民日报发表《工农兵要坚决支持革命学生》的社论。_ 但是理论上讲，没有说党内高层存在敌人。

_9月至10月，明确抛出“毛主席为代表的无产阶级革命路线”与“资产阶级反动路线”两条路线的斗争。10月9日至25日的中央工作会议，明确了党内敌人的头目就是刘少奇和邓小平（“刘邓司令部”），但是这一结论没有向人民群众（当中的政治投机分子）公布。此阶段到11月3日第六次接见红卫兵，以毛泽东在天安门城楼与刘少奇握手为逗号。_

_12月下旬，中央文革指使清华的积极分子蒯大富组织群众运动，将刘少奇、邓小平作为斗争矛头的消息以非正式方式向群众公布。清华大学五千余师生员工，从清华园到天安门广场，举行了盛大的示威游行。_

<hr class='slender'>

## 摘抄随想

> 《红旗》杂志第十一期发表《在毛泽东思想的道路上胜利前进》的社论，提出了**“文化大革命”的政治标准**。社论指出：“任何人，不管他的职位多高，资格多老，‘声望多大’，只要他是不按照毛泽东思想办事，反对毛泽东思想，就要对他的错误主张进行坚决的抵制，就要对他进行坚决的斗争，一直到罢他的官，撤他的职。”同期《红旗》杂志还重新登载了北大第一张大字报和《人民日报》评论员文章。这篇文章经毛泽东亲自修改，并增添了以下带黑点的字句：“对于无产阶绂的革命派来说，我们遵守的是中国共产党的纪律，我们无条件接受的是以毛主席为首的党中央的**正确**领导，**对一切危害革命的错误领导，不应当无条件接受，而应当坚决抵制**。”
> 

<hr class='slender'>

> 九月十九日，担任中共天津市委第一书记八年，年仅五十岁的万晓塘，由于工作过度疲劳，在洗澡时心脏病发作，无法抢救，而突然离幵了人世。二十一日，天津市召开了五十万人参加的追掉大会。经陶铸批准，新华社播发了死亡公告。毛泽东知道后，指出： “这实际上是向党示威，这是用死人压活人。”毛泽东一句举足轻重的话，不仅给参加共产党二十九 年，为建立新中国出生入死，为建设新中属忘我工作的万晓塘定了性，也向人们表明，对万晓塘这类人物的任何宣扬都是不允许的。毛泽东决心排除一切干扰，达到他的既定目标。
> 

虽然职位有高低，功劳有大小，但是按照共产主义自己的观点，万晓塘应该算是和四个伟大的伟大领袖毛主席人格平等的同志吧，就为了给清洗刘少奇作舆论铺垫，连同志的死讯也要作这样的评语，唉……

<hr class='slender'>

> （10月9日-28日中央工作会议）迫使刘少奇、邓小平在十月二十三日作了自我检查。邓小平还直言不讳地指出，“在十一中全会中，毛主席的一张大字报，就是炮轰的刘少奇同志和我两人的司令部。”
> 

邓公小平通过自污兼落井下石，官虽然没了，命好歹保了下来，也算是走位风骚了。

之前的会议检讨中，刘少奇、邓小平、周恩来三人是同时作了检查的，为什么这次会议拿掉了周公，不得而知。邓公的走位再风骚，和周公脱离险境如闲庭信步相比，不知道低到哪里去了。

<hr class='slender'>

>十二月二十五日这一天，时值寒冬，北风呼啸。上午，清华大学五千余名师生员工，从清华园起步，举行了声势浩大的示威游行。他们来到天安门广场后，召开了“彻底打倒以刘、邓为代表的资产阶级反动路线誓师大会”，对王光美等做了毫不留情的“缺席批判”。最后声明，强烈要求王光美回清华作检查。然后，分成五路，由广播车在前面幵道，到王府井、西单、北京站、菜市口等繁华地带演讲、散发传单、张贴大字报很快，"打倒刘少奇！”“刘少奇必须向全国人民低头认罪！”“打倒邓小平！”“和刘、邓血战到底！”等大标语布满了北京的大街小巷，也贴上了天安门城楼。这样，就把由上而下部署指挥的打倒刘少奇、邓小平的计划的实施向前扩展了一大步。使原来对打倒刘、邓还接受不了的相当一部分群众开始去理解这一行动。有形的行动造成了无形的影响。刘少奇作为国家主席在群众心目中的威信大大动摇了。
> 

<hr class='slender'>

## 时间线

- 1966年8月12日
    - 根据《中共北京市委关于撤出大中学校工作组的通知》的精神，八月十二日，北
    京市正式宣布“于最近两三天内，工作组的全体人员全部撤出”。【1.6.“文化大革命”的政治标准】
- 1966年8月19日
    - 淸华大学校园内出现了轰动一时的《王光美是清华园第一号大扒手》的大字报，打破了有人不让贴王光美大字报的禁令。接着又出现了《二问王光美》和刘少奇的女儿写的《誓死跟着毛主席干一辈子革命》的大字报。【1.6.“文化大革命”的政治标准】
- 1966年8月21日
    - 《红旗》杂志第十一期发表了《在毛泽东思想的逍路上胜利前进》的社论，提出了“文化大革命”的政治标准。社诒指出，“任何人，不管他的职位多高，资格多老，‘声望多大’，只要他是不按照毛泽东思想办事，反对毛泽东思想，就要对他的错误主张进行坚决的抵制，就要对他进行坚决的斗争，一直到罢他的官，撤他的职。”【1.6.“文化大革命”中的政治标准】
    - 同期《红旗》杂志还重新登载了北大第一张大字报和《人民日报》评论员文章。这篇文章经毛泽东亲自修改，并增添了以下带黑点（阿掖山注：本文使用红字加粗）的字句：“对于无产阶级的革命派来说，我们遵守的是中国共产党的纪律，我们无条件接受的是以毛主席为首的党中央的**正确**领导。**对一切危害革命的错误领导，不应当无条件接受，而应当坚决抵制**。”【1.6.“文化大革命”中的政治标准】
- 1966年8月22日
    - 淸华园内出现了《刘少奇同志七月二十九日讲话是反毛泽东思想》的大字报，公开向刘少奇挑战了。【1.6.向刘少奇公开挑战】
    - 刘少奇面对这一切的反应是，他对毛泽东写的笫一张大字报中所下的结论有保留意见”，并表示，制定“资产阶级反动路线”是无意的，是认识问题，他并没有在“背后活动”。【1.6.向刘少奇公开挑战】
- 1966年8月23日
    - 《人民日报》发表《工农兵要坚决支持革命学生》的社论，再一次批驳了利用“反我即反党”，把群众打成“反党”、“反党中央”的“反革命分子”的做法。【1.6.向刘少奇公开挑战】
    - 当时被工作组称之为少数派的人，心情振奋，纷纷成立了自己的组织，与工作组，或者说与当时的多数派相抗衡。【1.6.向刘少奇公开挑战】
    - 北京地质学院“东方红公社”是反对工作組的组织，他们拉出了千余人的队伍，步行到地质部，要求工作组组长回去作检查。当地质部党委拒绝他们的要求时，他们便在地质部举行了静坐绝食示威。在中央文革的支持下，地质部被迫与他们达成了笫二天工作组长返回地质学院接受批判的协议。【1.6.向刘少奇公开挑战】
- 1966年8月24日
    - 有了地质学院反工作组胜利的榜样，清华大学学生在中央文革的暗中支持下，针对工作组问题，又抛出了一批矛头指向刘少奇、王光美的大字报。【1.6.向刘少奇公开挑战】
    - 由于中国人民长期形成的，认为刘少奇地位不可动摇的信念，加之刘少奇手中尚旦握有的权力，大部分人采取了观望态度。刘少奇、王光美则通过刘涛在淸华园组织了保工作组的学生，大肆宣传“不许右派翻天”，同时将针对刘少奇、王光美的大宇报全部撕掉。在北京反工作纽的少数派仍然受到压制的同时，全国大多数省份反对党委和各级党委领导的学生也受到压制，反“右派”、抓“黑鬼”，到处风行。不少地方的工人、农民也参与了这一活动。【1.6.向刘少奇公开挑战】
- 1966年9月2日
    - 传出了毛泽东的最新栺示：“凡是镇压学生运动的人部没有好下场！”【1.6.所谓“两条路线斗争”】
- 1966年9月7日
    - 毛泽东又写信给林彪、陈伯达、江青等说：“……组织工农反学生，这样下去是不能解决问题的。似宜中央发一指示，不准各地这样倣，然后再与一篇社论，劝工农不要干预学生运动。”【1.6.所谓“两条路线斗争”】
- 1966年9月11日
    - 中共中央发出指示，要求各中央局、省、市、自治区党委，中央各部委，不准用任何借口，任何方式挑动和组织工人、农民、市民反学生。【1.6.所谓“两条路线斗争”】
    - 《人民日报》还发表《工农群众和革命学生在毛泽东思想旗帜下团结起来》的社论，指出，“学生起来闹革命，把斗争的矛头指向党内走资本主义道路的当权派，指向一切牛鬼蛇神。他们的大方尙始终没有错”。【1.6.所谓“两条路线斗争”】
- 1966年9月15日
    - 毛泽东第三次接见红卫兵大会上，林彪讲话时着重提到，要坚决站在革命学生一边，支持他们的革命行动，做他们的强大后盾，”接连几天的报纸，也对这一内容作了大量的宣传。【1.6.所谓“两条路线斗争”】
- 1966年9月19日
    - 担任中共天津市委第一书记八年，年仅五十岁的万晓塘，由于工作过度疲劳，在洗澡时心脏病发作，无法抢救，而突然离幵了人世。【1.6.所谓“两条路线斗争”】
- 1966年9月21日
    - 天津市召开了五十万人参加的万晓塘追掉大会。经陶铸批准，新华社播发了死亡公告。毛泽东知道后，指出：“这实际上是向党示威，这是用死人压活人。”【1.6.所谓“两条路线斗争”】
- 1966年10月1日
    - 在庆祝国庆十七周年的群众大会上，林彪发表讲话指出：“在无产阶级文化大革命中，以毛主席为代表的无产阶级革命路线同资产阶级反动路线的斗争还在继续。”也就是说，与刘少奇的所谓“资产阶级反动路线的斗争”必须继续进行下去。【1.6.所谓“两条路线斗争”】
- 1966年10月3日
    - 《红旗》杂志第十三期，不仅全文刊登了林彪的国庆讲话，还以《在毛洚东思想的大路上前进》为题表论说：“两条路线的斗争并未就此结束”，“对资产阶级反动路线，必须彻底批判”，“要不要批判资产阶级反动路线，是能不能贯彻执行文化革命的十六条，能不能正确进行广泛的斗批改的关谜。在这里，不能采取折中主义。”【1.6.所谓“两条路线斗争”】
- 1966年10月4日
    - 北航“红旗”夺了学校部分广播权。【1.6.所谓“两条路线斗争”】
- 1966年10月5日
    - 北航“红旗”查封了院、系文革筹委会的材料组、专案组。【1.6.所谓“两条路线斗争”】
- 1966年10月6日
    - 北京红卫兵第二司令部主持召开的十万人的“全国在京革命师生向资产阶级反动路线猛烈开火誓师大会”。【1.6.所谓“两条路线斗争”】
        - 江青讲话说：“我支持你们这种大无畏的无产阶级的英雄行为，我们学习你们这种不怕困难，不怕栖牲的革命楮神，我们坚决和你们站在一起！”
        - 张春桥宣读了中央军委《紧急指示》：“在运动中不许挑动学生斗学生，要注意保护少数，凡运动初期被院校党委或工作组打成‘反革命’、‘反党分子’、‘右派分子’和‘假左派、真右派’等的同志，应宣布一律无效，予以平反，当众恢复名誉”。“黑材料要当众销毁”。
        - 张春桥还宣读了这一<紧急指示》上的中共中央批示，批示说：“这个文件报重要，对于全国县以上大中学校都适用”，要“坚决贯彻执行。”
        - 大会通过了《大会通电》，呼吁全国各地“向资产阶级反动路线猛烈开火”。
- 1966年10月7日
    - 潰华大学，北京大学、北京师范大学等高等院校开始了批判以李雪峰为首的北京市委推行的“资产阶级反路线”的活动。【1.6.所谓“两条路线斗争”】
- 1966年10月8日
    - 北京农机学院“东方红”夺了校广播站的权并冲向八机部。【1.6.所谓“两条路线斗争”】
- 1966年10月9日
    - 毛泽东将各省、市、自治区党委负责人召集在一起，亲自主持召开了中央工作会议，为的是集中解决“中间”（指各级干部）的问题，以便进一步排除所谓来自党内各级干部的阻力。会议原定开三天，后又一延再延，至十月二十八日结束，前前后后共计二十天。【1.6.炮轰“刘少奇、邓小平司令部”】
        - 毛泽东讲话、10月12日林彪在小组会上的发言，10月16日陈伯达在大会上的讲话，毛泽东的个人威信，塑造了会议气氛。
        - 10月23日，刘少奇、邓小平被迫做检查。邓小平指出，“在十一中全会中，毛主席的一张大字报，就是炮轰的刘少奇同志和我两人的司令部”
        - 10月25日，林彪在大会上讲话，指明了“刘少奇、邓小平，他们搞了另一条路线，同毛主席的路线相反”。“刘、邓路线，就是毛主席大字报说的，站在反动的资产阶级立场上，实行资产阶级专政’”的路线。
- 1966年10月10日
    - 北京外国语学院“红旗大队”召开了“批判工作组资产阶级反动路线大会”并连夜去外交部搜査“黑材料”。【1.6.所谓“两条路线斗争”】
    - 北京石油学院“大庆公社”夺取了校广播站并连续召幵大会批判工作组执行的“资产阶级反动路线”；【1.6.所谓“两条路线斗争”】
    - 北京政法学院“毛泽东主义红卫兵”和“毛泽东红卫兵”连连召开大会批判工作组并冲击到最髙人民法院。【1.6.所谓“两条路线斗争”】
- 1966年11月1日
    - 《红旗》杂志笫十四期发表了《以毛主席为代表的无产阶级革命路线的伟大胜利》的社论，宣布“资产阶级反动路线宣告破产”，指出，“无论什么人，无论过去有多大的功绩，如果坚待错误路线，他们同党同群众的矛盾的性质就会起变化，就会从非对抗性矛盾变成为对抗性矛盾，他们就会滑到反党反社会主义的道路上去。”这实际上是有意向群众披露中央工作会议的精神。【1.6.炮轰“刘少奇、邓小平司令部”】
- 1966年11月2日
    - 中央文革作为毛译东发动‘‘文化大革命”的蝕角，用习惯了的方式，把刘少奇、邓小千”问题传递给了他们的忠实信徒。中央组织部贴出了一大批指责刘少奇，邓小平的大字报，天安门前也出现了打倒刘、邓的大字报。“打倒刘少奇、邓小平”作为无产阶级“文化大革命”的笫一目标，向全世界公开了。【1.6.炮轰“刘少奇、邓小平司令部”】
- 1966年11月3日
    - 接见活动中，刘少奇、邓小平的表面地位并没有变更。在宣传这次接见时，除了没有参加接见活动的康生外，报纸上登载了毛泽东、林彪、周恩来、陶铸、陈伯达五人在一起的巨幅照片，这意味着刘少奇、邓小平的领导地份不过是个虚设。【1.6.炮轰“刘少奇、邓小平司令部”】
    - 然而，在接见活动中，毛泽东特地走到刘少奇面前与他交谈了十多分钟，这不仅在中国最高领导人面前显示了毛泽东的宽宏大度，而且，在当时毛泽东的威信影响下，刘少奇也觉得是莫大的内心安慰。但是，本来意味是终结的这一切并没有结束。【1.6.炮轰“刘少奇、邓小平司令部”】
- 1966年12月18日
    - 张春桥把蒯大富请到中南海单独密谈。张春桥说：“从全国来讲，资产阶级反动路线必然相当猖獗，现在还是要深入批判资产阶级反动路线。中央那一、两个提出资产阶级反动路线的人，至今不投降。”“你们革命小将应该联合起来，发扬彻底革命精神，痛打落水狗，把他们搞臭，不要半途而废”。蒯大富心领神会，回校后立即开始筹备十二月二十五日的大规模行动。【1.6.炮轰“刘少奇、邓小平司令部”】
- 1966年12月25日
    - 时值寒冬，北风呼啸。上午，清华大学五千余名师生员工，从清华园起步，举行了声势浩大的示威游行。他们来到天安门广场后，召开了“彻底打倒以刘、邓为代表的资产阶级反动路线誓师大会”，对王光美等做了毫不留情的“缺席批判”。最后声明，强烈要求王光美回清华作检查。然后，分成五路，由广播车在前面幵道，到王府井、西单、北京站、菜市口等繁华地带演讲、散发传单、张贴大字报。很快，"打倒刘少奇！”“刘少奇必须向全国人民低头认罪！”“打倒邓小平！”“和刘、邓血战到底！”等大标语布满了北京的大街小巷，也贴上了天安门城楼。这样，就把由上而下部署指挥的打倒刘少奇、邓小平的计划的实施向前扩展了一大步。使原来对打倒刘、邓还接受不了的相当一部分群众开始去理解这一行动。有形的行动造成了无形的影响。刘少奇作为国家主席在群众心目中的威信大大动摇了。【1.6.炮轰“刘少奇、邓小平司令部”】

---

> 回到本系列的目录：[.pdf &#124; 高皋、严家其《文化大革命十年史》笔记](great-cultural-revolution-ten-years-0)


·文革史笔记-1.6 | “炮打司令部”

·文革史笔记-1.5 | 全国大串联

·文革史笔记-1.4 | “向旧世界宣战”


## 格式说明

- 下划线 包括的内容，是对应章节的内容梗概。
- `> blockquote` 引用的内容是对原文的摘抄。
- 没有下划线的内容，是根据引文的个人引申和感想。~~一般来说是引文在前，感想在后~~。各段感想之间以分割线 `<hr />` 区分。
- 无序列表的内容，是对应章节的时间线整理。很多章节的时间线互相重叠，这在第二卷和第三卷中会更加常见，所以我另外维护了一份总的时间线，笔记全部完成后发布。

## 内容梗概

_庐山会议后，林彪推动学习毛泽东著作的热潮将毛个人一并神化，构成红卫兵组织诞生的政治前提。在聂元梓的大字报被北京市委压制而压制失败的情况下，中学生中的政治投机份子揣测到了毛泽东在背后的作用及其意图，于是“中学生首先自由组合的秘密团体”红卫兵登上历史舞台。_

_中学红卫兵组织和大学反工作组运动合流。刘少奇认为的文革仍像过去的思想政治运动一样是清洗知识分子和干部，于是集中中学教师逐个检查交代问题；反而令学生无人问津，活动愈发积极；于是收拾教师之余还要镇压学生组织。而毛泽东写给清华附中红卫兵的信被公开，毛刘二人立场不同再次被公之于众。_

_支持红卫兵之外，宣传机器也在全力支持对毛的个人崇拜。“利用宣传阵地，通过强化视听刺激，毛泽东的地位大大提高，而刘少奇的地位则向相反的方向滑去。”_

<hr class="slender">

## 摘抄随想

> 在整个社会着力宣传毛泽东的舆论影响下，清华大学附属中学的几个学生聚集在一起对形式进行分析，提出现在应该“大树特树毛泽东思想的绝对权威”，并于一九六六年五月二十九日秘密组织了红卫兵组织。在他们的影响下，六月初，北京地质学院附属中学、北京石油学院附属**中学**、北京大学附属**中学**、北京矿业学院附属**中学**以及北京市第二十五**中学**的学生相继成立了“红卫兵”、“红旗”、“东风”等秘密学生组织，亦即最早的红卫兵组织。
> 

<hr class="slender">

> 清华附中红卫兵针对经历了的“文化大革命”，于七月二十七日再次贴出《三论无产阶级革命造反精神万岁》的大字报。**大字报首先引用了在“文化大革命”中非常流行的“最高指示”**：“马克思主义的道理千条万绪归根结底，就是一句话：‘造反有理’”。
> 

只作引用而不加论证的观点都是诉诸权威谬误。

<hr class="slender">

> 经过中央文革的精心谋划，**八月十八日**，举行了大规模的“庆祝文化大革命大会”。
……
中共中央政治局委员、中央文化革命小组组长陈伯达主持会议。他在开幕词中给毛泽东冠以了“伟大的领袖”、“伟大的导师”、“伟大的舵手”三个头衔。接着，林彪讲话说：“这次无产阶级文化大革命，最高司令是我们毛主席，毛主席是统帅”。从此以后，人们言毛泽东，必加“伟大的领袖”、“伟大的导师”、“伟大的统帅”、“伟大的舵手”四个副词。
> 

**“四个伟大”**的由来。

<hr class="slender">

宣传机器的工作，1966年，截至“八·一八”：

- 6月2日《人民日报》刊登聂元梓等人大字报之日开始，《今日要目》的报头版面被醒目的《毛主席语录》替代了。
- 6月6日《人民日报》《解放军报》登载《关于文化大革命的宣传教育要点》，标题为“高举毛泽东思想伟大红旗，把无产阶级文化大革命进行到底”。
- 6月7日，两报登载《解放军报》社论《毛泽东思想是我们革命事业的望远镜和显微镜》
- 《人民日报》在《毛泽东思想是我们心中的红太阳》通栏标题下，登出“毛主席和各族人民在一起”的美术作品选
- 《人民日报》通篇登载《部队活学活用毛主席著作革命谚语选》：“毛主席的书，不是金，比金贵，不是钢，比钢坚”；“千条江河归大海，万条真理归‘毛著’”；“毛主席的话，句句是战鼓，句句是真理”等等。
- 各报刊载世界许多国家人民渴望学习毛泽东著作的消息，以及对毛泽东被人的赞扬言辞。
- 7月25日，《人民日报》等主要报刊，在头版头条登载7月16日毛泽东横渡长江的报道和照片。确实像报纸上宣传的那样，人民高呼“毛主席万岁！”，毛主席向群众呼喊“人民万岁！”激励着群众更坚定地“跟着毛主席在大风大浪中前进！”
- 8月8日，中共八届十一中全会召开并通过《十六条》（“十六条”即《中国共产党中央委员会关于无产阶级文化大革命的决定》，见上一章最后一节），《人民日报》发表社论《全国人民的大喜事》，公布中共中央决定大量出版毛泽东著作的消息。
- 8月12日，《毛泽东选集》四卷本在北京诸高校首发，北京大学、北京师范大学、北京航空学院、清华大学等院校师生，召开了隆重的迎宝书大会。
- 8月13日，《人民日报》头版社论《学习十六条，熟悉十六条，运用十六条》；下午5时，中央人民广播电台播发《中国共产党第八届中央委员会第十一次全体会议公报》。全国人民向公报“贺喜”。
- 8月14日，《人民日报》在平日登载毛语录的位置套红刊登了两条标语：“伟大的中国共产党万岁！”“伟大的领袖毛主席万岁！”并在第一版套红大字标题刊登《八届十一中全会公报》，有一次着力宣传了毛泽东的权威。
- 同时，报纸天天报道《毛泽东选集》在各地发行的情况。
- 1964年从军队开始率先发行的《毛主席语录》开始出售。“手不离语录，口不离语录”成了检验人们是否忠于革命，忠于领袖的试金石。
- 8月17日，毛泽东为《新北大》校刊题词，北京大学为此举行庆祝活动。毛泽东决定在天安门城楼上接见全国各地的红卫兵代表。
- 8月18日，中央文革谋划，举行了大规模的“庆祝文化大革命大会”。天安门广场“在统一指挥下”的群众聚集自凌晨一时开始，上午十一时许离开。北京师范大学附属女子中学的宋彬彬将一个红卫兵袖章背带在毛泽东的左壁上。
- 8月19日，全国各主要报纸以大量篇幅报道了前一天的接见活动，刘少奇的名字被排在了第七位。就全世界而言，公开了刘少奇在中国党内地位的下降。
- 连续几天的报纸大力宣传“八·一八”活动，渲染着毛泽东至高无上的权力。《人民日报》登载了近四十幅照片，当时排在第24位的江青多次显眼地出现，作为国家主席的刘少奇却没有一张看得清的照片见报。不久，大型彩色纪录片《毛主席和百万文化革命大军在一起》在全国放映，有一次着力宣传了毛泽东的统帅地位。

四千年来谁作史？一切历史都是当代史，唉……

<hr class="slender">

## 时间线

- 1966年5月25日后
    - 文革中第一张大字报的作者带着几分傲慢的神采四处宣扬着“过几天你就会知道了”。【1.3.红卫兵的诞生】
    - 大字报引起校际交流，思想认识比较一致的学生自然而然串联在一起，探讨引起这场轩然大波的奥秘。一些敏感的学生似乎领悟到中国的最高领导人毛泽东与事件直接相关。【1.3.红卫兵的诞生】
- 1966年5月29日
    - 清华大学附属中学的几个学生对形势进行分析，提出现在应该“大树特树毛泽东思想的绝对权威”。并秘密组织了红卫兵组织。【1.3.红卫兵的诞生】
- 1966年6月初
    - 在清华附中红卫兵组织的影响下，北京地质学院附属中学、北京石油学院附属中学、北京大学附属中学、北京矿冶学院附属中学、北京市第二十五中学的学生相继成立了“红卫兵”、“红旗”、“东风”等秘密学生组织，亦即最早的红卫兵组织。**由中学生首先自由组合的秘密团体“红卫兵”开始作为一种集团力量，步入中国的政治舞台。**【1.3.红卫兵的诞生】
- 1966年6月2日
    - 《人民日报》刊登聂元梓等人大字报。【1.3.鼓起崇拜的狂热】
    - 《人民日报·今日要目》的报头版面被醒目的《毛主席语录》替代了。【1.3.鼓起崇拜的狂热】
- 1966年6月6日
    - 《人民日报》《解放军报》登载《关于文化大革命的宣传教育要点》，标题为“高举毛泽东思想伟大红旗，把无产阶级文化大革命进行到底”。【1.3.鼓起崇拜的狂热】
    - 西安交大六·六反革命事件。
- 1966年6月7日
    - 《人民日报》《解放军报》登载《解放军报》社论《毛泽东思想是我们革命事业的望远镜和显微镜》【1.3.鼓起崇拜的狂热】
    - 《人民日报》在“毛泽东思想是我们心中的红太阳”通栏标题下，登出“毛主席和各族人民在一起”的美术作品选。【1.3.鼓起崇拜的狂热】
    - 《人民日报》通篇登载《部队活学活用毛主席著作革命谚语选》：“毛主席的书，不是金，比金贵，不是钢，比钢坚”；“千条江河归大海，万条真理归‘毛著’”；“毛主席的话，句句是战鼓，句句是真理”等等。【1.3.鼓起崇拜的狂热】
    - 各报刊载世界许多国家人民渴望学习毛泽东著作的消息，以及对毛泽东本人的赞扬言辞。【1.3.鼓起崇拜的狂热】
- 1966年6月24日
    - 清华附中的红卫兵成员收到了工作组的更大压力，在“革命就是造反，毛泽东思想的灵魂就是造反”的思想指引下，贴出了《无产阶级革命造反精神万岁》的大字报，其宣扬的思想很快成为中学红卫兵组织的行动指南。【1.3.毛泽东对红卫兵运动的支持】
    - “反干扰”运动中，北京地质学院附属中学和北京第二十五中学的红卫兵组织均被定为“反革命集团”，并被强行解散。【1.3.毛泽东对红卫兵运动的支持】
- 1966年7月4日
    - 清华附中红卫兵又贴出《再论无产阶级革命造反精神万岁》。【1.3.毛泽东对红卫兵运动的支持】
- 1966年7月中上旬
    - 刘少奇：“中学文化大革命的任务主要是审查教职员队伍”，“中学文化大革命八月份解决三分之一，九月份再完成一半。中学教师要集中交代问题，像四清中公社开三级干部会一样”。【1.3.毛泽东对红卫兵运动的支持】
    - 北京市各中学的教师陆续集中起来，逐个检查交代问题。老师集中学习，学生无人问津，已经组织起红卫兵的学生，活动起来不受约束了。【1.3.毛泽东对红卫兵运动的支持】
    - 工作组不得不将集训教师和打击学生非法组织（即红卫兵组织）作为当时中学文化大革命的重点工作。【1.3.毛泽东对红卫兵运动的支持】
- 1966年7月25日
    - 《人民日报》等主要报刊，在头版头条登载7月16日毛泽东横渡长江的报道和照片。确实像报纸上宣传的那样，人民高呼“毛主席万岁！”，毛主席向群众呼喊“人民万岁！”激励着群众更坚定地“跟着毛主席在大风大浪中前进！”【1.3.鼓起崇拜的狂热】
- 1966年7月26日
    - 不少高等院校学生，效仿中学生组织起了实质上就是红卫兵组织的“战斗队”，投入反工作组斗争中。【1.3.毛泽东对红卫兵运动的支持】
- 1966年7月27日
    - 清华附中红卫兵针对经历了的文化大革命，再次贴出《三论无产阶级革命造反精神万岁》的大字报。【1.3.毛泽东对红卫兵运动的支持】
- 1966年8月1日
    - 毛泽东写信给清华附中红卫兵。清华附中的红卫兵立即公布了毛泽东的这封信。毛泽东与刘少奇对待红卫兵根本对立的态度公之于众。有了毛的公开支持，北京各学校、机关、团体中，红卫兵组织像雨后春笋纷纷成立，并逐渐影响到全国。【1.3.毛泽东对红卫兵运动的支持】
- 1966年8月8日
    - 《人民日报》发表社论《全国人民的大喜事》，公布中共中央决定大量出版毛泽东著作的消息。【1.3.鼓起崇拜的狂热】
- 1966年8月12日
    - 《毛泽东选集》四卷本在北京诸高校首发，北京大学、北京师范大学、北京航空学院、清华大学等院校师生，召开了隆重的迎宝书大会。【1.3.鼓起崇拜的狂热】
- 1966年8月13日
    - 《人民日报》头版社论《学习十六条，熟悉十六条，运用十六条》【1.3.鼓起崇拜的狂热】
    - 下午5时，中央人民广播电台播发《中国共产党第八届中央委员会第十一次全体会议公报》。【1.3.鼓起崇拜的狂热】
    - 全国人民向公报“贺喜”。【1.3.鼓起崇拜的狂热】
- 1966年8月14日
    - 《人民日报》在平日登载毛语录的位置套红刊登了两条标语：“伟大的中国共产党万岁！”“伟大的领袖毛主席万岁！”并在第一版套红大字标题刊登《八届十一中全会公报》，有一次着力宣传了毛泽东的权威。【1.3.鼓起崇拜的狂热】
    - 同时，报纸天天报道《毛泽东选集》在各地发行的情况。【1.3.鼓起崇拜的狂热】
    - 1964年从军队开始率先发行的《毛主席语录》开始出售。“手不离语录，口不离语录”成了检验人们是否忠于革命，忠于领袖的试金石。【1.3.鼓起崇拜的狂热】
- 1966年8月17日
    - 毛泽东为《新北大》校刊题词，北京大学为此举行庆祝活动。毛泽东决定在天安门城楼上接见全国各地的红卫兵代表。【1.3.鼓起崇拜的狂热】
- 1966年8月18日
    - 中央文革谋划，举行了大规模的“庆祝文化大革命大会”。天安门广场“在统一指挥下”的群众聚集自凌晨一时开始，上午十一时许离开。北京师范大学附属女子中学的宋彬彬将一个红卫兵袖章背带在毛泽东的左壁上。【1.3.“四个伟大”的由来】
- 1966年8月19日
    - 全国各主要报纸以大量篇幅报道了前一天的接见活动，刘少奇的名字被排在了第七位。就全世界而言，公开了刘少奇在中国党内地位的下降。【1.3.“四个伟大”的由来】
    - 连续几天的报纸大力宣传“八·一八”活动，渲染着毛泽东至高无上的权力。【1.3.“四个伟大”的由来】
    - 《人民日报》登载了近四十幅照片，当时排在第24位的江青多次显眼地出现，作为国家主席的刘少奇却没有一张看得清的照片见报。【1.3.“四个伟大”的由来】
    - 不久，大型彩色纪录片《毛主席和百万文化革命大军在一起》在全国放映，又一次着力宣传了毛泽东的统帅地位。【1.3.“四个伟大”的由来】

---

> 回到本系列的目录：[.pdf &#124; 高皋、严家其《文化大革命十年史》笔记](great-cultural-revolution-ten-years-0)


·文革史笔记-1.3 | 红卫兵运动和个人崇拜热潮的兴起

·文革史笔记-1.2 | 围绕着工作组问题的斗争

·文革史笔记-1.1 | 对《海瑞罢官》的批判

·如是我闻 | 2023年哈马斯-以色列战争

.mov | NHK大河剧《龙马传》观后


> 前几天在微信公众号，有新关注的读者问我最近在进行什么项目，我说 python 教程还在写，结果这次的更新是……请大家相信我，python 教程第 2 篇真的在写了（新建 markdown 文档.gif），我打算聊一聊上篇实操指南背后究竟在干什么，什么是编程语言的解释器、编辑器、python 的虚拟环境等等……

每周一次的《文明6》游戏还在火热进行中。自从第一次参加，用格鲁吉亚的塔玛丽被唐学长的马普切放置 play 之后，发愤图强，业余时间基本上都在看油管上的视频战报学技术，最终在上一局，极大地球图中用彼得，在唐学长开局被 AI 偷袭，和朱学长中途退赛的情况下，和朱学长身后留下的 AI 势均力敌，并且在与其之战争中占据上风，有望拿下比赛。虽然最后由于交战拖垮了网络连接而提前结束，但毕竟是巨大的进步。

于是老子就飘了，觉得这次朱学长不在，可以和唐哥掰掰手腕了。结果十分丢人现眼，150 回合不到，人家已经开始建宇航中心了，而且文化并不比我落后，旅游业绩甚至超过我。

怎么可能呢？于是分别以我和他的视角加载游戏，看看差距到底在哪里。本来以为我是有定期存档的，结果发现手头只有 22 回合和 144 回合的存档，才想起来第一次游戏到一半的时候就发现自己的科技被甩开了，于是自暴自弃了。虽然这样的学习价值不大了，但还是姑且写完这篇文章，算是有始有终吧。

## 偷师

在此之前，游戏结束如果比较早的话，会和肖学姐，也就是唐学长的女朋友打听一点经验攻略，再加上自己的观察以及油管，以及之前接手过朱学长跑路后留下的位置，汇总成以下的经验总结：
- 早期的文化非常重要。平伽拉是早期总督的首选。
- 产能主要来自地貌的改良，建立工业区之前达到每城 30 “即可”。
- 工人，很多很多工人。
- 第一个时代进入黄金时代很重要，哪怕只是金币打折买工人也很赚。

## 对比

以下是对比内容，法国从右往左看，罗马从左往右。

|法兰西 (144 回合)| 法兰西 (22 回合) | 对比 | 罗马 (22 回合) |罗马 (144 回合)|
|---|---|---|---|---|
|法国中部、南德和奥地利、多瑙河流域丘陵森林|法国平原，平原多，邻国多且近，粮少树少|__地理位置__|亚平宁半岛，面积小，沿海，草原丘陵多，树多|亚平宁半岛、西西里岛、法国西南、巴尔干西北|
|4科研、2军事、1商业、1宗教、1工业，3座城邦完全没有使者|首发1科研，发现1工业城邦|__城邦__|首发1商业、1宗教，发现1科研城邦|3科研、2军事、1商业、1宗教，使者均超过6|
|9邻国，缺埃及，对西班牙开战|德国、英国、罗马|__邻国__|法国|10邻国|
|发现4座自然奇观，无一控制|英国白崖|__奇观__|维苏威火山、马特洪峰|马特洪峰2格，维苏威火山3格处坐城|
|7座己方城市、1座占领城市、1俘虏开拓者，多数10人口，最多13|1城市，0开拓者（剩1回合），10锤0粮|__城市__|1城市，2开拓者|11城，多数10人口，最多14人口|
|3骑兵军团、2骑兵、1骑士军团、1骑士、1射石炮、1勇士、4闲置巨作伟人，2间谍，4商人，1外商|1侦察、1勇士、1骑手|__单位__|1勇士、1侦察、1英雄|侦察兵、机关枪队、直升机、罗马军团、四段帆船、私掠船、装甲舰、轻快帆船、14商路，外商为主|
|无工人|1名1锤工人、2改良|__工人__|1名4锤工人，0改良|4工人，共6锤|
|5文化区、3学院区、3商业区、2娱乐区、3工业区、7水渠、2军营、外交区、市政广场|0|__区域__|0|1文化区、8学院区、3商业区、8港口、3娱乐区、5工业区、3保护区、1圣地、1飞机场、1军营、外交区、市政广场|
|（谒见厅、情报局）|1纪念碑|__建筑__|除免费纪念碑外，0建筑|（祠堂、外交部），几乎所有城市都没有下水道，区域建筑拉满，少数港口无码头|
|0|0|__奇观__|0|13，大浴场、墨索拉斯王陵、（大图书馆、马丘比丘、基尔瓦吉斯瓦尼、休伊神庙、罗马斗兽场、大本钟）、（巨像、大灯塔、紫禁城、牛津大学）、鲁尔山谷|
|3级平伽拉、左1右2马格努斯、右1瑞纳|0级平伽拉|__总督__|0级梁|新城左2右1梁，右1马格努斯，左1瑞纳，0级平伽拉|
|民主主义，只有剧院相邻加成，奇观工人产能加成、战时政策为主|酋邦，忘了撤信仰卡|__政体__|酋邦|商人共和，工商学相邻加成、学院人口加成|
|+29|+1，大地女神|__宗教__|+2，尚未建立万神殿|+94，开拓者+1|
|+128.2|+5.1，3科技，3尤里卡，0解锁区域|__科技__|+5，4科技，2尤里卡，0解锁区域|+501.3，人口、外交办|
|+207.3 (+260~)|+5.6，2文化，1鼓舞，0解锁区域|__文化__|+4，2文化，1鼓舞，0解锁区域|+166.3，工作坊提供文化？奇观为主，巨作出售|
|+45.5, 1505金币，1间谍|+11，99金币|__经济__|+10，154金币|+553.3，4532金币|
|阿南西，未重召|无|__英雄__|辛巴达，刚刚召唤|未重召|
|文化结社前2|未选择，只发现宗教结社|__结社__|未选择，已发现宗教、文化、科技结社|宗教结社前2|

有一个很诡异的现象：当我以不同的身份加载游戏时，各个玩家的数据是不同的。以罗马视角来看，法国的文化超过 260，但在法国看来自己只有 207；法国看到的罗马有 586 科研，210 文化，罗马自己看到的是 501 科研和 166 文化。

## 本局经验

虽然输了之后哔哔赖赖很没品，但还是要说，以罗马身份进入游戏的时候我就知道，这局自己真的没有赢面。罗马本身就是强势文明，地形以草原丘陵为主，粮食和产能都不缺，我的起始点几乎全是平原，粮食和产能都不够。而且罗马的周围城邦众多，我的附近则是直接竞争的其他真人玩家。这局游戏是唐学长建的房间，等我们加入的时候他就已经选好了罗马，我觉得选法国已经算是一个次优的选择了。

回过头来看，我在很多方面做的还是不错的。比如在进入游戏之前就决定了要以文化胜利为目标，没有分心太多在科研上。比如地理知识比美国同学好，一路向东进入南德和多瑙河流域的丘陵，把游戏中的德国挤压在了缺乏产能的平原地区，而且分割成了两块。更利用文化上的优势使得德国贴脸的城市叛变，并且早作准备从蛮族手里买来2个骑手，2回合城市易帜。

但是依然有很多选择时候看来并非最佳。我获得万神殿比较早，当时有机会拿到移民 +1，但是我觉得法国并非宗教文明，争取文化胜利又需要用信仰买自然学家，于是选择了大地女神，结果这直接导致罗马开局就有 4 移民，以后滚雪球的差距也就不意外了。另外，对于奇观和伟人的了解显然不如对方，比如大工程师达芬奇配合墨索拉斯王陵，为罗马的每座工作坊提供了6点文化，而我在之前连达芬奇的效果都不知道，看到这波操作直呼开挂。

## 全局经验

- 总督还是要因地制宜。罗马本次平伽拉仅仅是任命而已，上来先任命的是提高工人使用次数的梁
- 工业区的数量不需要太多，由于之前的产能不足恐惧症，这次的工业区建的有点魔怔了，工业区应当根据人口数量配合商业区和自己的目标。
- 商业区和港口的作用被低估了，商路区域应当尽快每城一座，金币购买建筑效果拔群。
- 市政广场没必要与剧院相邻。
- 娱乐区的作用不止在于为剧院广场提供相邻加成，宜居度本身就很重要。
- 战争经验依然不足，解决 AI 的速度依然慢了一些。


## ……

在破解罗马超高文化谜团的过程中发现了这个网页，应该非常有用：

[https://civilization.fandom.com/wiki/Victory_(Civ6)](https://civilization.fandom.com/wiki/Victory_(Civ6))

最后贴几张战略模式的截图吧，许愿《文明7》能够像 P 社游戏一样给战时的军事单位移动加上那种很带感的箭头。


![](/photos/2021-05-26-rome-turn144.png)

![](/photos/2021-05-26-france-turn144.png)

![](/photos/2021-05-26-spain-turn144.png)


.exe | 《文明6》娱乐局战报：被罗马吊打的法兰西


上次发完非平衡态物理课程的语音转录之后，微信公众号的关注数掉到了42,致敬了一把《银河系漫游指南》，再不来点不务正业的内容，估计我这个博客就要被人当成大学生教辅营销号了（真的，昨天刷 B 站的时候居然看见了《电磁学》辅导视频！何其恐怖，我正式收回[之前文章](mpipks-non-equilibrium-physics-note-01-introduction)里说物理内卷不足的话。）

[再之前](barrier-forward-keyboard-mouse-to-another-computer)说到和学长学姐一起玩文明的事，在他们玩完当时正在进行的一局之后，我成功入伙，这个周五就是新一局的第三次了。我作为格鲁吉亚的塔玛丽，现在科技和文化都远远落后身旁的马普切，我还在王权政体里鱼肉百姓呢，马普切已经实现共产主义了。虽然马普切今天的成就和他收割了自己身旁的AI有直接关系，虽然与我们俩人鼎足而立的奥斯曼科技文化只有我的一半，虽然我还可以找出各种理由，但是都掩盖不了自己眼高手低的事实。

认真总结一下自己的失败教训：
1. 游戏中同时有真人和 AI，而真人又是现实中认识的朋友，这就意味着几乎不可能直接通过战争把好友打出局，而动用军事力量收割 AI 则可以获得不对称收益，我的邻国都是学长，所以……
1. 第一次玩英雄模式，对于招募英雄的重要性完全没有概念。
1. 对于进入黄金时代所需达成的条件掌握不牢，整个游戏里我从未进入黄金时代（马普切磨刀霍霍）。
1. 各个结社的各时代效果还没记全，信仰和结社模式的配合不理想，信条的选择没有考虑到和平的国际环境。
1. 第一次玩随机科技和市政模式，叠加之前两条，大量的时间里政策卡过度侧重于移民和工人的生产力以及增加信仰，在科研和文化方面的投入不够。

对于最后一条，咱就可以发挥自己特别能内卷的优势了。虽然科技和市政是随机的，但是各个项目所对应的时代应该是不变的，所以原始的固定科技/文化树依然有很高的参考价值。把科技树和文化树背下来难度太高了，所以只能考虑在游戏过程中在第二设备上显示。由于没有独立显卡，在笔记本上另外运行一个游戏界面的方案就不可行了，于是考虑截图。用了一个下午加一个 OPT/CPT/H1B 讲座的时间，大功告成。

这两张图除了包含一打开科技/文化树时就能看到的信息以外，还有——
- 直接研发需要跨过的前代科技/市政数量
- 科技解锁的特殊功能（科技树上五角星符号的展开）
- 比较重要的政策卡的位置、效果简介

![](/photos/2021-01-29-tech-first.png)

![](/photos/2021-01-29-civic-first.png)

手头最好的截图软件也没有横向长截图的功能，所以只能分段截图再合成。方法如下：
1. 打开科技/文化树
1. 选择一个合适的位置，这个位置对于某一特定的时代需要保持固定。
1. 左键单击感兴趣的科技/市政，左上角显示需要研发的数目。鼠标移到重要的功能/政策卡/建筑的图标上，显示介绍浮窗。
1. 截图、保存、命名。注意命名的时候要有一个字段体现出时代。
1. 遍历所有时代，不断重复2.3.4
1. 在 `imageJ` 中打开同一个时代的所有截图，用 `Images to Stack` 命令转成堆栈，用 `Z Project -> Max Intensity` 命令将所有图层合成为一张图片。
1. 用 Windows 的画图工具将各个时代的合成图片拼接在一起。

![](/photos/2021-01-29-tech.png)

![](/photos/2021-01-29-civic.png)

两张图的尺寸都在 ～12000 * 1200 像素，文件大小超过 10M，所以没有把大图放到文章中间来，而是上传到了 [GitHub](https://github.com/MountAye/civ6-tech-and-civic-cheatsheet)。

.exe | 《文明6》科技树和文化树速查图


> 第十讲是由校外邀请来的嘉宾来讲数据降维，所以课程网站上没有课件。时间轴和语音转录相对来说不那么有意义了。笔记为英文，请点击页面右下角的语言选择英语。



.mpipks-note | 10. Dimension Reduction


上周三老板和艾萨鸽了，但是我们还是照常进行了讨论，然后讨论的主要内容很让我意外地落回了各种数学细节里，可能是本科生不在，我们都不好意思形而上的缘故吧。

## 疾病传播的朗之万方程——随机指数传播

两个要点：
1. 在有随机项的情况下，$$ d[log(x(t))] \neq (1/x)(dx/dt) $$
2. 前面 Ito formula 里面的 $$a$$, $$b$$ 和后面 $$a=\mu+\sigma\xi(t)$$ 里的 $$a$$ 容易弄混。

## 维纳过程 (Wiener process)

讨论过程中他们问我有什么问题，我当时正在走神（呃），于是随口问了一句：讲义第4页左侧的式子为什么等于零……老实把表达式展开就知道，是后面一项 $$\left<W_{t_{j+1}}-W_{t_{j}}\right>=0$$

讲义中维纳过程是作为第一讲中的高斯噪音的积分出现的，也就是：$$dW(t)=\xi(t)dt$$，其中高斯噪声满足以下两个条件：
- (1).  $$\left<\xi(t)\right>=0$$
- (2).  $$\left<\xi(t_1)\xi(t_2)\right>=\delta(t_2-t_1)$$

但是[维基百科中的介绍](https://zh.wikipedia.org/wiki/%E7%BB%B4%E7%BA%B3%E8%BF%87%E7%A8%8B)是直接定义了维纳过程本身，它应该是满足如下三个条件的随时间改变的随机变量 $$W(t)$$：
- (1). $$W(0)=0$$
- (2). 映射 $$t\mapsto W(t)$$ 在正实数轴上几乎处处连续
- (3). 对于两个不重叠的时间段 $$0 \leq s_1 < t_1 \leq s_2 < t_2$$, $$W(t_1-s_1)$$ 和 $$W(t_2-s_2)$$ 独立，$$W(t-s)\sim N(0,t-s)$$

这两种定义等价吗？好像是，没仔细想。不过维纳过程的存在是为了对布朗运动进行建模，布朗运动可以看作随机行走在步长趋近于0时的极限；在一年级学过的数学物理方法里，扩散方程的解也可以看作随机行走者经过时间t之后在不同位置出现的概率，也是取步长为0的极限。所以 $$\xi(t)$$ __似乎__ 可以导出 $$W(t)$$，甚至可以不要求 $$\xi(t)$$ 具有高斯分布。

以上似乎有类比谬误的嫌疑，而且假如思路正确的话，会引出一个新的问题——扩散方程的推导来自 Fick 定律，这个过程在何处引入了对随机变量在时间上的积分？

好吧，扯完了之后发现了这个链接：[http://physicallensonthecell.org/advanced-diffusion-and-fokker-planck-picture](http://physicallensonthecell.org/advanced-diffusion-and-fokker-planck-picture)

##  随机变量 vs. 时间变量

对于 $$\xi(t)$$ 函数的第二条性质，我在草纸上顺手写了如下等式：

$$ \left<\xi(t)\xi(t')\right>=\delta(t-t')=\frac{\int_{start}^{end}\int_{start}^{end}\xi(t)\xi(t')dtdt'}{\int_{start}^{end}\int_{start}^{end}dt\ dt'} $$

但是实际上，此处的 $$\left<\right>$$ 应该是随机变量的期望值，也就是

$$ \left<\xi(t)\xi(t')\right>=\int_{-\infty}^{\infty}\int_{-\infty}^{\infty}x_1 x_2 p(\xi(t)=x_1,\xi(t')=x_2)dx_1dx_2 $$

跟 t 没什么关系。在平衡态统计中，系综满足 ergodicity，两者应该是相等的。但在非平衡态下没有这种保证。

随机变量说是变量，实际上需要一个函数来描述，而这个函数的“自变量”是这个随机变量的所有可能取值，这个函数的输入和输出变量之间不是因果关系，这究竟是哥本哈根学派战胜隐变量理论的过人之处，还是新的隐变量理论可能的突破口呢？再往下胡扯存在被当成民科的可能，暂且打住。

## 主方程解得指数分布：随机变量的特征函数 (characteristic function in probability theory)

讲义第 9 页掉落了一件重要装备——解为指数分布的主方程：

$$ \frac{d}{dt}p(n,t) = \lambda \left[p(n-1,t)-p(n,t)\right] $$

上面说随机变量需要用一个函数来描述，但是究竟用哪个函数，却可以有多种选择。最直观的就是中学就学的，离散变量的概率分布函数和连续变量的概率分布密度函数。好处是意思直观，缺点是对于离散变量和连续变量需要分别讨论，两种函数的量纲不同，概率密度的量纲等于随机变量量纲的倒数。

为了统一量纲，所以有了累积分布函数，对离散和连续变量 $$X$$ 的定义都是一样的：$$F(x)=prob(X<x)$$。离散变量的概率分布函数是累积分布函数的差分 (difference)，连续随机变量的概率密度则是累积分布函数的微分 (differential)。

在本节第 9 页的例子里，给出了第三种函数——[特征函数](https://en.wikipedia.org/wiki/Characteristic_function_(probability_theory))，对于一个随机变量 $$X$$ 与其所有的可能取值 $$x$$，特征函数引入新的自变量 $$s$$，由 $$e^{isX}$$ 的期望值给出，也就是说，特征函数是对随机变量的一个 __变换__。

$$ G_X(s) = \left<e^{isX}\right> = \sum_x prob(X=x)e^{ixs}$$

因为指数函数的导数还是指数函数，所以在微分方程里很有用，下面也确实是这么用的。用变换解微分方程的套路，上一节已经遇到了，只不过研究的是动力学，总是拖着一个并未参战的 $$t$$，而且笔记里的形式参数和实际参数并不明确，要是在 C 语言里这么写，是会被测试打死的:
$$G(s,t)_{[笔记里的写法]}:=G_{N或者n[被变换的随机变量]}(s_{[特征函数真正的自变量]},t_{[时间，打酱油的]})$$

## 福克-普朗克方程 (Fokker-Planck equation)

第 10 页，Kramers-Moyal 展开的写法是：

$$ \partial_tp(x,t) = \sum_{n=1}^{\infty}\frac{(-1)^n}{n!}\partial_x^n\alpha_n(x)p(x,t) $$

维基百科上的写法是

$$ \partial_tp(x,t) = \sum_{n=1}^{\infty}\frac{(-1)^n}{n!}\partial_x^n\left[\alpha_n(x)p(x,t)\right] $$

从后一页的算式来看应该是后者，前者写法不规范。





.mpipks-note | 02. 朗之万方程和主方程


来来回回地协调了好几次时间之后，我们最终确定每周三下午进行一次讨论。刚刚过去的这一周讨论了第一讲，时长超过了一个小时。

在讨论会之前，我的主要精力放在了仅有的几张有公式的幻灯片上，结果这一部分完全没有出现在讨论当中。讨论的主要内容是组里本科生艾萨提出的问题：“细致平衡条件 (detailed balance) 和平衡 (equilibrium) 的关系是什么”。这个问题其实挺有质量的，而且我们确实也没有给出一个令人满意的回答。我觉得要想说清楚这个问题，其实需要的是逻辑学和科学哲学，我现在在这方面的水平还不够，这篇文章姑且尝试解释一下。不过不谈数学的原因恐怕不是在这方面没有疑问，毕竟一不用做作业，二没有考试，完全出于兴趣的情况下，直面数学是需要热情和勇气的。

## 朗之万方程和响应函数

### 朗之万方程

讲义第12页到15页，讲解了热力学平衡条件下的朗之万方程。所谓热力学平衡条件，真正用到的性质就只有能量均分定理。朗之万方程听起来高大上，实际上只不过是对牛顿第二定律进行了一下改写，明确指明了这个系统受到两种力的作用，下面的公式里，等号右边第一项是正比于速度的衰减项，防止方程的解在无限远处发散（"所以你承认你们科学家是在瞎编咯？"），另外一项是一个关于时间的随机函数，用来刻画不确定性的涨落。

$$ m \frac{d^2x(t)}{dt^2} = -\lambda \frac{dx(t)}{dt} + \xi(t) $$

朗之万是和爱因斯坦以及居里夫人（咳咳）同时代的人，依然可以用牛顿时代的东西青史标名，可见物理学果然还是内卷不足，广阔天地，大有可为。（逃）

### 粒子的位置是粒子之前受力作用的积累：响应函数是卷积的核

所谓牛顿第二定律，对于高中生来说是公式，对于大学生来说是方程，（“公式和方程有啥区别？”），对于刚上大学的高中毕业生来说是噩梦—— $$ F=ma $$  是方程？这玩意需要解？这玩意也能解？这玩意怎么解？三个字母倒真不算方程，但是物理受到的力往往取决于其所在的位置 $$ x(t) $$ ，所以F其实是 $$ F(x(t)) $$ ；$$ a $$  是加速度，位置的二阶导数，也就是 $$ d^2x(t)/dt^2 $$ ，这里的未知量是 $$ x(t) $$，这是一个微分方程，常微分方程往往是本科阶段要上一个学期的课程。

响应函数用的是另一套思路，先不从微分方程的角度入手，直接来猜猜解应该长什么样子。此刻的位置与一段时间以前的受力以及当时的那个力对此刻残留的影响有关，这个“一段时间”究竟是多长时间呢？不知道，索性考虑所有时间长度，把这些影响全都加起来。学过微积分应该知道，对无限个无穷小量求和，再取个极限，这就是积分（“快把那个要先证明积分存在并收敛的数学家嘴堵上”），写作：

$$ x(t) = \int_{-\infty}^{t}h(t-\tau)\xi(\tau)d\tau $$

熟悉数学的朋友知道，等号右边的积分叫做卷积。一般卷积的定义里形式稍有不同，积分上下限分别是正负无穷，这对物理学家不是问题，只要令  $$ \tau > t $$  的时候  $$ h(t-\tau) = 0 $$   就行了。

一方面，卷积既是一种定义在两个函数（$$ \xi $$ 和 $$ h $$）之间的运算，可以简写作

 $$ x = h * \xi $$  

另一方面，也可以看作是对 $$ \xi $$ 的变换 (transform)，  $$ h(t-\tau) $$ 是这个变换的核 (kernal)，也就是讲义中所讲的 response function。当一个具体问题确定的时候，方程的解就和响应函数一一对应。

在方程实际被求解之前，响应函数和待求解的函数一样，是一个未知量。因为牛顿第二定律是一个二阶微分方程，要想求解，所以很自然的思路就是将方程两边同时做傅里叶变换，将导数转化为含有 iw 的代数方程，然后再将解做傅里叶逆变换。因为两个函数的卷积的傅里叶变换，等于两个函数各自的傅里叶变换的乘积，所以在傅里叶倒空间里，方程的解、响应函数、随机涨落三项是很简单的乘积形式。

### 关于朗之万方程的解，讲义中不清楚的地方

第14页右侧蓝字似乎是 "spectral density".

第15页 $$ \tilde{C}(\omega) $$ 似乎是 $$ \left<\tilde v(\omega)^2\right> $$  

## 平衡 (equilibrium) 和细致平衡 (detailed balance)

先贴几个相关的链接：
- [维基百科：thermal equilibrium](https://en.wikipedia.org/wiki/Thermal_equilibrium)
- [维基百科：thermaldynamic equilibrium](https://en.wikipedia.org/wiki/Thermodynamic_equilibrium)
- [维基百科：detailed balance](https://en.wikipedia.org/wiki/Detailed_balance)
- [Physical Lens on the Cell: Equilibrium Means Detailed Balance](http://physicallensonthecell.org/chemical-physics/equilibrium-means-detailed-balance)

目前直接在谷歌搜索 "equilibrium" 并进入维基百科的话会发现找不到和物理有关的词条，因为 “mechanical equilibrium”, "thermal equilibrium", "thermaldynamic equilibrium" 是几个独立的词条，而且都没有链接到 "equilibrium" 的消歧义页面上。

所谓 “mechanical equilibrium”，就是受力平衡，分为三种：稳定平衡、不稳定平衡、随遇平衡。实际上就是牛顿第二定律作为一个动力学方程，其中的稳定、不稳定和中性三种驻点 (fixed point)，和这一讲的关系不大。

热平衡简单。**两个** 系统处于热平衡，那么两个系统的温度相同。**一个** 系统处于热平衡，指的是这个系统温度时间上恒定，空间上均一。虽然这样说有点鸡贼了，盗用了读者在日常生活中对“温度”的理解。

热力学平衡的条件严格一些，不止热平衡，还要达到机械平衡，化学平衡，所有宏观上的热力学物理量（温度、质心坐标、粒子数……）都没有变化。

据此，大概可以归纳物理中一般性的“平衡”概念：某种物理性质在一个系统中的平衡，指的是这种物理量在系统内时间上的恒定，空间上的均匀；在多个系统之间的平衡，指的是这一物理量在这些系统之间没有流动。

其实上面这一段的草稿里，“指的是这个系统温度时间上恒定，空间上均一”后面想当然地来了一句“也就是任意两个子系统之间相互平衡”。当你听到了两个系统之间的平衡之后，再想到一个系统可以划分为多个子系统，思维的惯性就会用类比的方法来如此定义一个系统的平衡。

但是其实仔细一想，“时间上恒定，空间上均一”并不一定要求任意两个子系统之间相互平衡，但是任意两个子系统互相平衡是一个很有趣的状态，我们给他起名叫“细致平衡”。当任意两个子系统互相平衡的时候，可以确定地达到时间上恒定空间上均一的结果。

**所以这是我对艾萨问题的回答：**细致平衡条件是平衡的充分不必要条件。之所以常有这样的疑惑，是因为平衡的定义不能递归，一个系统的平衡和多个系统之间的平衡定义不同。

上面最后一个链接可以说是直接回答了艾萨的问题，但是这个页面的主标题是 "Equilibrium Means Detailed Balance", 字面意思是“平衡意味着细致平衡”，也就是说平衡是细致平衡的充分条件，和我前面说的相反。但是文章的内容实际并没有讨论究竟是谁蕴含谁，所以姑且可以无视这个标题。

细致平衡条件在维基百科词条的正文中称作 "principle of detailed balance"，也就是说这是一个“原理”，和“定律”(law) 一样，这是科学 **理论** 这一逻辑体系的公理，是没办法在理论内部通过逻辑推导来证明或者证伪的。我们之所以采用这些原理（也就是认为他们是真命题），是因为现有的 **实验** 全都没有证明这些原理不正确。

多说两句，科学虽然存在理论，但归根结底是一种经验科学，必须落地于实验和观测。（这里的“经验”对应于“理性”，是有严格定义的哲学概念，不是我们日常用语中所说的那个经验。）而观测和实验总有认知的的边界，边界以外的事情科学家做不了保证，所以实验总没有办法一劳永逸地说某某是对的，只能说某某还没错。只要证而不伪，科学就说这是一个真命题。科学与非科学的界限，根据波普尔的科学哲学理论，就在于[可证伪性](https://program-think.blogspot.com/2015/10/What-is-Science.html)。

另外讨论课里完全没有涉及的一点是，这里的“子系统”必须依然是“宏观的”(macroscopic)，各个子系统只能是小一号的总系统，（用软件工程的话说，定义的接口是一样的），不涉及组成这个系统的微观机制（不能是另一类对象）。比如说一盒理想气体，子系统只能是给盒子里加上隔板后的几小盒理想气体，不能精确到具体的气体原子分子，否则此时连机械平衡都满足不了。

这和经典力学里的“宏观无穷小”这一扭曲的概念有异曲同工之妙。归根结底，是因为宏观的科学理论建立得不够早，已经用上了微积分；但又太早，没考虑也不知道更低层次的物理规律。经典力学的更低层次已经形成了量子力学，而热力学的底层统计物理就只能和热力学挤在一起，和理论力学、电动力学、量子力学并列为四大力学，逃不出“N 大某某有 (N+1) 个”的魔咒。


.py

.md

.ai

.tex

.phy

.phi

.doc

.jpg

.xls

.html

.m

.js

.bio

.chem

.pdf

.zh

.ihsil

.rss

.zip

.yaml

.mov

.nb

.mpipks-note

.r

.rs

.ts

.git

.inter

.en

.exe

.mpipks-transcript