2018-08-08 08:44:24 xizi_ghq 阅读数 59
  • Fast.ai 深度学习实战课程「中文字幕」

    本课程由 Jeremy Howard 教授开设,共8节。目的是让大家在不需要深入研究高水平数学问题的情况下,学习如何建立先进的深度学习模型。 Jeremy Howard 教授结合自己参加 Kaggle 大赛并夺魁的经验认为,传统学院派的教学方式对于大多数学习者来说已经不适用,应该以问题为引导,以实践为驱动,尽快切入到核心理论和核心工具的使用上,掌握深度学习优模型的构建方法。

    17493 人正在学习 去看看 AI100讲师

胡适的英语老师、民国时期自学成才的出版家王云五先生在年轻的时候是这样自学英语写作的:

 

找到一篇英文的名家佳作,熟读几次以后,把它翻译成中文,等过了一星期之后,再依据中文反过来翻译成英文,这个期间绝不查阅英语原文。

 

翻译后再与原文比对,找出自己翻译的错误、失误和不够精良之处。

 

如此反复练习,王云五先生练就了扎实的英文功底,为日后的英语教学和出版事业打下了坚实的基础。

 

在那个科技、信息远不如今天发达的年代,有限的学习条件迫使人们静下心来转向这种深度学习。

 

时间拨到百年之后,我们的社会发生了巨变,人类进入了前所未有的物质和信息丰富时代,新奇有趣、轻简浓缩的知识随处可见。

 

人们担忧的不再是无知识可学,而是学不完的知识。

 

 

时至今日,恐怕很少有人能像王云五先生这样主动静下心来深度学习了,甚至很多人认为,现今时代的学习已经不必如此「费尽艰辛」。

 

人们有太多的方式可以让自己轻松地获取知识,比如每天听一本书、参加牛人的线上课、订阅名家专栏或参加某某学习群……轻松高效,干货满满,只要自已持之以恒,就定能有所成就。

 

可惜的是,这种认知注定是一个错觉,因为科技和信息虽然在我们这一代发生了巨变,但人类的学习机能并未随之快速变化,我们的大脑运作模式几乎和百年前一模一样。

 

更坏的消息是,「丰富的信息和多元的方式」在带来便捷的同时,也深深地损耗着人们「深度学习」的能力,并且这种倾向越来越明显。

 

三个月前,罗振宇在2017跨年演讲中提到这样一个事实:

 

用钞票和用微信/支付宝支付,有什么区别?

 

表面是更快更方便;实质上,用钞票支付,是在理性决策;用手机支付,是在冲动消费。

 

 

购物,越来越不是理性的决策行为,用户用本能花钱,追求的是快感。

 

种种迹象表明,快速、简便、轻松的方式使得人们低层次的「原始脑」功能得到进一步强化,高层次的「现代脑」功能则进一步弱化,而深度学习能力几乎全部依赖高层次的「现代脑」(大脑皮层)。

 

商家已经看清了这一点,于是想方设法推出各种代读、领读、听读的产品,让人们瞬间体验到轻松获取知识的快感,并且产生勤奋的感觉。

 

而现实的情况是:人们越学越焦虑、越学越浮躁,懂得很多道理,却依旧过不好现在(别说是一生了)。

 

我隐隐约约看到这个世界正朝着两极发展:

 

一小部分知识精英依旧直面核心困难,努力地深度钻研,生产内容;绝大部分信息受众享受轻度学习,消费内容。

 

知识阶层在逐渐固化。如果长期陷于错误的认知或习惯于轻度学习,一旦丧失深度学习能力,将很难打破知识阶层的限制,被困在认知低层。

 

深度学习的能力已经变得越来越稀缺。

 

如果我们真的希望在时代潮流中占据一席之地,那就应该尽早抛弃轻松学习的幻想,锤炼深度学习能力,逆流而上,成为稀缺,否则人生之道路势必会越来越窄。

 

01

 

什么是深度学习?

 

1946年,美国学者埃德加.戴尔(Edgar Dale)提出了「学习金字塔」(Cone of Learning)的理论,之后美国缅因州国家训练实验室也做了相同的实验,并发布了「学习金字塔」报告。

 

 

报告称:人的学习分为「被动学习」和「主动学习」两个层次。

 

被动学习:如听讲、阅读、试听、演示,学习内容的平均留存率为5%、10%、20%、30%。

 

主动学习:如通过讨论、实践、教授给他人,能将原来被动学习的内容留存率,从5%,提升到50%、75%和90%。

 

这个模型很好地展示了不同学习深度和层次之间的对比。

 

反观自身的学习,我们同样可以清晰地划分出不同的层次。

 

以阅读为例,从浅到深依次为:

 

听书

自己读书

自己读书+摘抄金句

自己读书+思维导图/读书笔记

自己读书+践行操练

自己读书+践行操练+输出教授

 

 

当前有很多听书产品,读书达人用十几分钟解读一本书,一天听一本,一年下来就三百多本,这种便捷新颖、浓缩干货的学习看似轻松高效,实则处于被动学习的最浅层。

 

好一点的情况是自己读原书,但读完之后却不回顾或少有提炼总结,只满足于输入的过程,这类学习的知识留存率很低。卿不见几天之后就想不起来自己读了什么了吗?

 

更糟的是,这种努力会导致盲目追求阅读的速度和数量,让人产生勤奋的感觉,实际上这是低水平的勤奋,投入越多,损失越大。

 

初级阅读者不可避免会踩入这两个坑,而另一类浅层次学习的人数也不少,这类人能够自己阅读,也做读书笔记或思维导图,但遗憾的是,读书笔记的内容往往是把书中的内容梳理罗列了一番,看起来更像是一个大纲。

 

很多人醉心于此,似乎自己对全书的知识了若于胸,殊不知自己只是「农夫山泉」而已——「我们不生产知识,我们只是知识的搬运工!」

 

虽然这种做法一定程度上属于主动学习,但它仅仅是简单「知识陈述」,与高级别的「知识转换」有很大的不同。

 

更深一层的是,读书之后能去实践书中的道理,哪怕有那么一两点让生活发生改变,也是很了不起的,因为从这一刻开始,知识得到了转化。

 

从知道到做到是一个巨大的进步,然而自己知道或做到是一回事,让别人知道或做到又是另外一回事。

 

不信试着将自己知道的东西向别人清晰地讲出来,你会发现这并不容易,心里想得挺明白,讲的时候就开始语无伦次了,如果再让你把知道的东西写下来呢?你可能根本无从下笔。

 

请注意,这种困难才是真正深度学习的开始。

 

因为这必须动用原先所有的已有知识去解释新知识,当你能够把新学的知识解释清楚时,就意味着把它纳入了自己的知识体系,同时达到了教授他人的水平,并可能创造出新的知识。

 

罗振宇在60秒语音中曾提到他是这样学习的:

 

我每天要求自己写够五篇阅读心得,不用长篇大论,短短几个词就行。

 

因为真正的学习就像是缝扣子,把新知识缝接到原有的知识结构中,每天写五篇阅读心得就是逼迫自己原来的知识结构对新知识做出反应,然后把这个反应用文字固化下来,缝接的过程就完成了。

 

「缝合」是深度学习的关键,而大多数人只完成了「获取知识」,却忽略了「缝合知识」这一步,学习过程是不完整的。

 

另一些人有了一定的缝合,但缝合得不够深入,没有高质量的产出,也使得学习深度大打折扣。

 

浅层学习满足输入,深度学习注重输出。

 

 

从想法到语言再到文字,即网状的思维变成树状的结构再变成线性的文字,相当于把思想从气态变成液态再变成固态——那些固态的东西才真正属于自己。

 

毕竟任何知识都不可避免地会损耗,并且这种损耗一直存在,如果不想办法让自己学到的东西固化下来,时间一长就会烟消云散,留不下多少痕迹。

 

有了自己的东西,便一定要「教授」出去,「教授」和「缝合」会相互形成巩固和循环。

 

《暗时间》的作者刘未鹏说:「教」是最好的「学」,如果一件事情你不能讲清楚,十有八九你还没有完全理解。当然,「教」的最高境界是能用最简洁的话让一个外行人也能明白你讲的东西。

 

可见,逼迫自己通过「获取高质量知识」+「深度缝合新知识」,再用自己的语言或文字去教授他人,是为深度学习之道。

 

这是我目前能够觉知到最高层次的深度学习了,也许还有更高级的,但对绝大多数人来讲,能做到并做好这一点已经足够了。

 

02

 

如何深度学习?

 

如上,深度学习有三个要素:

 

1、获取高质量知识;

2、深度缝合新知识;

3、输出成果去教授。

 

这样的学习必然要放弃「快学」、「多学」的安全感,同时要耗费更多的时间,面临更难的处境,甚至还会「备受煎熬」。

 

但请一定相信:正确的行动往往是反直觉的,一开始舒服和容易的事往往得不到好结果,而一开始难受和困难的事才能让人真正产生收获。

 

所以,我们需要逐步改进。

 

一. 尽可能地获取并亲自啃读一手知识

 

从读书角度讲,就是读经典、读原著,甚至是学术论文。经典的一手知识已经经过时间的沉淀,价值深度已被证明,值得精耕细读。

 

把精力集中到符合自己需求的一手知识上,放弃那些「几分钟读完……」「每天一本……」「十堂……课」的干货幻念,虽然那些也能带来一些启示,但终究是支离破碎、被人咀嚼过的。

 

亲自啃读虽然更艰辛,但唯有亲历过才能感受到深度理解或认知产生的真正快感,比吸收二手知识不知道要爽多少倍。

 

读书这事最好不要请人代替,从长远看,终归是要自己获得挖矿的能力的,这样才能走得更远。

 

 

二. 尽可量用自己的话把所学知识写出来

 

每读一本有价值的好书,就用写作的方式把作者的思想用自己的语言重构出来,尽力结合自身的经历、学识、角度去解释、延伸,而不是简单地把书本的要点进行罗列。

 

简单的「知识陈述」无法达到深度缝合的效果,只有做到「知识转换」才能用旧知识体系对新知识进行深度缝合,所以在重构时只取最需要的观点就好了,其它无关的观点可以放弃,即使它们很有理。

 

真正深度的好文往往与原书没有太大的关系,只是原书触发了思考,引用了案例,最后看来,读书笔记往往是一篇全新的文章,甚至创造了新的知识。

 

这个过程是渐近的,虽然刚开始说的好像都是别人的观点,但逐渐地就会衍生出自己的观点,虽然起初会有些吃力,但只要持续练习,能关联的经历、观点、案例就会越来越多,对一个主题的思考也会越来越深入。

 

所以无需求快、求多。如有必要,可以花足够长的时间去打磨一个主题或观点。当一个趋近你当前最好水平的作品打动了别人,所产生的影响力和收获远比每天写但缺乏深度的思考要强得多。

 

我鼓励大家写作,是因为一旦能写清楚了,就必定能讲清楚,而且文章具有复利效应,可以随时被他人读到,这样也间接地达到了讨论交流和教授他人的目的。

 

三.反思生活

 

学习不止读书,生活经历同样可以被深度学习。

 

生活中每天发生的事情如水流一样经过我们,不会停留,如不留心,很难留下痕迹,就像最浅层的被动学习,留存率很低,缺少反思的生活难以产生深度。

 

《好好学习》的作者成甲就非常注重反思,他每天早上大约要花两个小时左右的时间进行复盘反思,而且要求自己的员工也这样做。

 

他在书中花了大量笔墨阐述了反思的方法和好处,他说:人与人之间的差距不是来自年龄,甚至不是来自经验,而是来自经验总结、反思和升华的能力。

 

受这个理念的影响,我从去年2月份开始,持续每天反思总结,有时几句话,有时上千字。

 

 

通过反思,我发现很多没想明白的事情在反思的时候想清楚了,很多模糊的概念在反思的时候变清晰了,很多看似并不关联的事情居然找到了底层的联通……

 

持续反思让我对生活细节的感知能力变得越来越强,生活给我留下来的东西也越来越多,或许这篇文章的立意与构思有很多要素也来自平日的反思。

 

如果让我推荐一个不可或缺的习惯,我必推反思。

 

03

 

深度学习的好处

 

深度学习除了能让我们放弃浮躁,磨练理智,还能带来诸多好处,比如跨界能力。

 

古典在《你的生命有什么可能》一书中说到,人的能力分为「知识、技能和才干」三个层次:

 

 

知识是最没有迁移能力的,你读到医科博士,也照样不会做麻婆豆腐;

 

技能通常由70%的通用技能和30%的专业技能组成,迁移性要好一些;

 

而到了才干层面,职业之间的界限就完全被打破了。

 

这就解释了为什么那些牛人能够轻易地在不同领域之间进行跨界,因为他们已经通过深度学习达到了某一领域的才干层面;

 

而这些才干在其它领域同样适用,所以只需要花少量的时间熟悉知识与技能就能玩得转。

 

但反过来,如果你在一个领域从未达到过才干层面,当换到其它行业时,只能从底层的知识和技能重新开始,这就非常吃力了。

 

深度学习能够帮助人们跨界,这毋庸置疑,同时它还能帮人产生灵感。

 

我们都知道爱因斯坦是在去专利局上班的路上,看到伯尼尔钟楼时,脑中突然冒出了一个假设:「如果公交车以光速移动,那么从车上看钟楼的指针会不会是静止的呢?」

 

这个假设使得20世界最伟大的发现——狭义相对论从此走入人们的视野。

 

而另一个德国化学家凯库勒,是在非常疲劳的情况下做了个白日梦,梦到一条首尾相咬的蛇,这条蛇成了他发现了苯分子结构的线索。

 

 

人们都惊叹科学家们的直觉和灵感,但假设爱因斯坦是一名理发师,凯库勒是一名管道工,他们就不会获得这些直觉和灵感。

 

因为只有他们在自己的领域探索得足够深入时,灵感才可能在潜意识的帮助下显现出来,这些原理在现代脑科学研究中都得到了应证。

 

虽然我们不是科学家,但深度学习依然能让人更大概率地收获意外的惊喜。

 

与此同时,深度学习能让我们在高处俯视,看到一般事物的更多关联,产生洞见,并且积累得越多,反应速度越快。

 

比如当我深度解读《超越感觉》,知晓正确思考的核心是让自己的主观认知尽量与客观世界保持一致后,我突然对「解放思想、实事求是」这八个字就有了全新的认识。

 

再看看祖国近年的发展,如此大的事实证明了这个真理是极其正确并重要的——而换作之前的我,肯定是看不到这个关联的。

 

不仅如此,如果自己在一些领域的认知深度积累得足够多,那么即便是面对影视节目、娱乐八卦、新闻热点这些「腐蚀」人们注意力的事物时,也同样能调动高级认知,把它们与有益的思考关联起来,产生比众人更深刻更独特的见解。

 

比如前两天我带女儿去看电影《西游记之女儿国》,剧中女儿国国王与唐僧经历生死之后对他说:「我做了一个梦,多年以后,你蓄满长发,和我一起慢慢变老,但是,你并不开心!」

 

 

我立即感慨到,这就是「未来视角」啊,国王用未来视角俯视现在,然后做出了理智的决定,克制了自己的感情放唐僧西行。

 

换作以前,我肯定是对此无感的,而在女儿眼里,能看到的只是国王好漂亮,猴子好搞笑……

 

据我所知,很多严肃的成长者同样喜欢娱乐消遣,比如李笑来喜欢看电影,师北宸喜欢看综艺……我敢说,他们身处娱乐时,依旧是「现代脑」在主导,不断地在关联认知,而非单纯地满足「原始脑」的直接需求。

 

再延伸了说,热点娱乐并非没有价值,浮浅知识也同样具有意义,但前提是:你需要先有足够的认知深度——深度之下的广度才是有效的。

 

04

 

专注深度学习

同时对浅学习保持开放

 

说了这么多深度学习,那像罗辑思维推出的那些专栏、精品课、听书等产品应该如何对待呢?彻底拒绝或远离吗?

 

我觉得并不需要,因为深度学习与浅学习其实并不冲突,浅学习也有其价值。

 

重要的是不要搞反权重关系,我们可以把它作为了解新信息的入口,但不能把成长的过程全部寄托于此。

 

更合理的态度是:专注深度学习,同时对浅学习保持开放。

 

选择一些值得关注的人,通过这些平台和他们保持连接。

 

 

他们释放的一些有价值的信息会引领我们走向更广阔的世界,但无论如何,最终要自己去读、自己去想、自己去做。

 

就像这篇文章,如果触动了你,也仅仅是为你开启了一个新的视角,最终能否获取深度学习能力只能靠你自己去行动,没有人能够替代。

 

学会深度学习,你的人生才会有更多可能。

 

----灼见

2017-09-20 09:59:32 kwame211 阅读数 2430
  • Fast.ai 深度学习实战课程「中文字幕」

    本课程由 Jeremy Howard 教授开设,共8节。目的是让大家在不需要深入研究高水平数学问题的情况下,学习如何建立先进的深度学习模型。 Jeremy Howard 教授结合自己参加 Kaggle 大赛并夺魁的经验认为,传统学院派的教学方式对于大多数学习者来说已经不适用,应该以问题为引导,以实践为驱动,尽快切入到核心理论和核心工具的使用上,掌握深度学习优模型的构建方法。

    17493 人正在学习 去看看 AI100讲师

图片来自dribbble.com by Justin Mezzell

本系列文章目前已经更新两期,分别是: 机器学习原来如此有趣!全世界最简单的机器学习入门指南、 机器学习原来如此有趣:如何故意欺骗神经网络机器学习原来如此有趣:用深度学习识别人脸

语音识别正在「入侵」我们的生活。我们的手机、游戏主机和智能手表都内置了语音识别。他甚至在自动化我们的房子。只需50美元,你就可以买到一个Amazon Echo Dot,这是一个可以让你订外卖、收听天气预报、甚至是买垃圾袋的魔术盒,而这一切你只需要大声说出:


Aleax,给我订一个pizza!


Echo Dot 在2015年的圣诞假期一经推出就大受欢迎,在亚马逊上面立刻售罄。


但其实语音识别已经存在很多年了,那为什么现在才成为主流呢?因为深度识别终于将语音识别在非受控环境下的准确度提高到了一个足以投入实用的高度。


吴恩达教授曾经预言过,当语音识别的准确度从95%提升到99%的时候,它将成为与电脑交互的首要方式。


下面就让我们来学习与深度学习进行语音室识别吧!


机器学习并不总是一个黑盒

如果你想知道神经机器翻译是如何工作的,你应该猜到了我们可以简单地将一些声音送入神经网络,然后训练它使之生成文本:



这是使用深度学习进行语音识别的最高追求,但是很遗憾我们现在还没有完全做到这一点(至少在笔者写下这一篇文章的时候还没有--我敢打赌,再过几年我们可以做到)


一个大问题是语速不同。一个人可能会很快的说出''Hello!'',而另一个人可能非常缓慢的说''heeeelllllllllllllooooo'!',产生了一个拥有更多数据也更长的声音文件。这两个文件都应该被识别为同一个文本--“Hello!”。而事实证明,把各种长度的音频文件自动对齐到一个固定长度的文本是很难的一件事情。

为了解决这个问题,我们必须使用一些特殊的技巧,并进行一些深度神经网络以外的特殊处理。让我们看看它是如何工作的吧!



将声音转换为比特(Bit)


显然,语音识别的第一步是--我们需要将声波输入到电脑中。


我们应该怎么将声波转换为数字呢?让我们使用我说的「hello」这个声音片段举个例子:


声波是一维的,它在每个时刻都有一个基于其高度的值。让我们把声波的一小部分放大看看:

为了将这个声波转换成数字,我们只记录声波在等距点的高度:



这被称为采样(sampling)。我们每秒读取数千次,并把声波在该时间点的高度用一个数字记录下来。这基本上就是一个未压缩的 .wav 音频文件。


“CD 音质”的音频是以 44.1khz(每秒 44100 个读数)进行采样的。但对于语音识别,16khz(每秒 16000 个采样)的采样率就足以覆盖人类语音的频率范围了。


让我们把“Hello”的声波每秒采样 16000 次。这是前 100 个采样:

每个数字代表声波在一秒钟的16000分之一处的振幅。


数字采样小助手


因为声波采样只是间歇性的读取,你可能认为它只是对原始声波进行粗略的近似估计。我们的读数之间有间距,所以我们必然会丢失数据,对吧?


但是,由于采样定理(Nyquist theorem),我们知道我们可以利用数学,从间隔的采样中完美重建原始声波——只要我们的采样频率比期望得到的最高频率快至少两倍就行。


我提这一点,是因为几乎每个人都会犯这个错误,并误认为使用更高的采样率总是会获得更好的音频质量。其实并不是。


预处理我们的采样声音数据


我们现在有一个数列,其中每个数字代表 1/16000 秒的声波振幅。


我们可以把这些数字输入到神经网络中,但是试图直接分析这些采样来进行语音识别仍然很困难。相反,我们可以通过对音频数据进行一些预处理来使问题变得更容易。


让我们开始吧,首先将我们的采样音频分成每份 20 毫秒长的音频块。这是我们第一个 20 毫秒的音频(即我们的前 320 个采样):


将这些数字绘制为简单的折线图,我们就得到了这 20 毫秒内原始声波的大致形状:


虽然这段录音只有 1/50 秒的长度,但即使是这样短暂的录音,也是由不同频率的声音复杂地组合在一起的。其中有一些低音,一些中音,甚至有几处高音。但总的来说,就是这些不同频率的声音混合在一起,才组成了人类的语音。


为了使这个数据更容易被神经网络处理,我们将把这个复杂的声波分解成一个个组成部分。我们将分离低音部分,再分离下一个最低音的部分,以此类推。然后将(从低到高)每个频段(frequency band)中的能量相加,我们就为各个类别的音频片段创建了一个指纹(fingerprint)。


想象你有一段某人在钢琴上演奏 C 大调和弦的录音。这个声音是由三个音符组合而成的:C、E 和 G。它们混合在一起组成了一个复杂的声音。我们想把这个复杂的声音分解成单独的音符,以此来分辨 C、E 和 G。这和语音识别是一样的道理。


我们需要傅里叶变换(Fourier Transform)来做到这一点。它将复杂的声波分解为简单的声波。一旦我们有了这些单独的声波,我们就将每一份频段所包含的能量加在一起。


最终得到的结果便是从低音(即低音音符)到高音,每个频率范围的重要程度。以每 50hz 为一个频段的话,我们这 20 毫秒的音频所含有的能量从低频到高频就可以表示为下面的列表:



但是把它们画成图表时会更容易理解:

你可以看到,在我们的 20 毫秒声音片段中有很多低频能量,然而在更高的频率中并没有太多的能量。这是典型「男性」的声音。


如果我们对每个20毫秒的音频块都重复这个过程,我们最后会得到一个频谱图(从左到右每一列都是一个29毫秒的音频块)

频谱图很酷,因为你可以在音频数据中实实在在地看到音符和其他音高模式。对于神经网络来说,相比于原始声波,从这种数据中寻找规律要容易得多。因此,这就是我们将要实际输入到神经网络中去的数据表示方式。


从短音频中识别字符


现在我们已经让音频转变为一个易于处理的格式了,现在我们将要把它输入深度神经网络。神经网络的输入将会是 20 毫秒的音频块。对于每个小的音频切片(audio slice),神经网络都将尝试找出当前正在说的声音所对应的字母。

我们将使用一个循环神经网络——即一个拥有记忆,能影响未来预测的神经网络。这是因为它预测的每个字母都应该能够影响它对下一个字母的预测。例如,如果我们到目前为止已经说了「HEL」,那么很有可能我们接下来会说「LO」来完成「Hello」。我们不太可能会说「XYZ」之类根本读不出来的东西。因此,具有先前预测的记忆有助于神经网络对未来进行更准确的预测。


当通过神经网络跑完我们的整个音频剪辑(一次一块)之后,我们将最终得到一份映射(mapping),其中标明了每个音频块和其最有可能对应的字母。这是我说那句「Hello」所对应的映射的大致图案:


我们的神经网络正在预测我说的那个词很有可能是「HHHEE_LL_LLLOOO」。但它同时认为我说的也可能是「HHHUU_LL_LLLOOO」,或者甚至是「AAAUU_LL_LLLOOO」。


我们可以遵循一些步骤来整理这个输出。首先,我们将用单个字符替换任何重复的字符:


· HHHEE_LL_LLLOOO 变为 HE_L_LO


· HHHUU_LL_LLLOOO 变为 HU_L_LO


· AAAUU_LL_LLLOOO 变为 AU_L_LO


然后,我们将删除所有空白:


· HE_L_LO 变为 HELLO


· HU_L_LO 变为 HULLO


· AU_L_LO 变为 AULLO


这让我们得到三种可能的转写——「Hello」、「Hullo」和「Aullo」。如果你大声说出这些词,所有这些声音都类似于「Hello」。因为神经网络每次只预测一个字符,所以它会得出一些纯粹表示发音的转写。例如,如果你说「He would not go」,它可能会给出一个「He wud net go」的转写。


解决问题的诀窍是将这些基于发音的预测与基于书面文本(书籍、新闻文章等)大数据库的可能性得分相结合。扔掉最不可能的结果,留下最实际的结果。


在我们可能的转写「Hello」、「Hullo」和「Aullo」中,显然「Hello」将更频繁地出现在文本数据库中(更不用说在我们原始的基于音频的训练数据中了),因此它可能就是正解。所以我们会选择「Hello」作为我们的最终结果,而不是其他的转写。搞定!


稍等一下!


你可能会想「但是如果有人说Hullo」怎么办?这个词的确存在。也许「Hello」是错误的转写!



当然可能有人实际上说的是「Hullo」而不是「Hello」。但是这样的语音识别系统(基于美国英语训练)基本上不会产生「Hullo」这样的转写结果。用户说「Hullo」,它总是会认为你在说「Hello」,无论你发「U」的声音有多重。


试试看!如果你的手机被设置为美式英语,尝试让你的手机助手识别单词「Hullo」。这不行!它掀桌子不干了,它总是会理解为「Hello」。


不识别「Hullo」是一个合理的行为,但有时你会碰到令人讨厌的情况:你的手机就是不能理解你说的有效的语句。这就是为什么这些语音识别模型总是处于再训练状态的原因,它们需要更多的数据来修复这些少数情况。


我能建立自己的语音识别系统吗?


机器学习最酷炫的事情之一就是它有时看起来十分简单。你得到一堆数据,把它输入到机器学习算法当中去,然后就能神奇地得到一个运行在你游戏本显卡上的世界级 AI 系统...对吧?


这在某些情况下是真实的,但对于语音识别并不成立。语音识别是一个困难的问题。你得克服几乎无穷无尽的挑战:劣质麦克风、背景噪音、混响和回声、口音差异等等。你的训练数据需要囊括这所有的一切,才能确保神经网络可以应对它们。


这里有另外一个例子:你知不知道,当你在一个嘈杂的房间里说话时,你会不自觉地提高你的音调,来盖过噪音。人类在什么情况下都可以理解你,但神经网络需要训练才能处理这种特殊情况。所以你需要人们在噪音中大声讲话的训练数据!


要构建一个能在 Siri、Google Now! 或 Alexa 等平台上运行的语音识别系统,你将需要大量的训练数据 。如果你不雇上数百人为你录制的话,它需要的训练数据比你自己能够获得的数据要多得多。由于用户对低质量语音识别系统的容忍度很低,因此你不能吝啬。没有人想要一个只有八成时间有效的语音识别系统。


对于像谷歌或亚马逊这样的公司,在现实生活中记录的成千上万小时的人声语音就是黄金。这就是将他们世界级语音识别系统与你自己的系统拉开差距的地方。让你免费使用 Google Now!或 Siri,或是只要 50 美元购买 Alexa 而没有订阅费的意义就是:让你尽可能多地使用它们。你对这些系统所说的每一句话都会被永远记录下来,并用作未来版本语音识别算法的训练数据。这才是他们的真实目的!


不相信我?如果你有一部安装了 Google Now! 的 Android 手机,请点击这里收听你自己对它说过的每一句话:


你可以通过 Alexa 在 Amazon 上找到相同的东西。然而,不幸的是,苹果并不让你访问你的 Siri 语音数据。


因此,如果你正在寻找一个创业的想法,我不建议你尝试建立自己的语音识别系统来与 Google 竞争。相反,你应该想个办法,让人们把自己讲了几个小时的录音交给你。这种数据可以是你的产品。

2017-11-22 19:53:30 duan_zhihua 阅读数 515
  • Fast.ai 深度学习实战课程「中文字幕」

    本课程由 Jeremy Howard 教授开设,共8节。目的是让大家在不需要深入研究高水平数学问题的情况下,学习如何建立先进的深度学习模型。 Jeremy Howard 教授结合自己参加 Kaggle 大赛并夺魁的经验认为,传统学院派的教学方式对于大多数学习者来说已经不适用,应该以问题为引导,以实践为驱动,尽快切入到核心理论和核心工具的使用上,掌握深度学习优模型的构建方法。

    17493 人正在学习 去看看 AI100讲师

王家林大神人工智能大数据新课: From Zero to Hero – 从1000个代码案例中学习人工智能和大数据

举例来说,我们在课程中有个人工智能项目,该项目使用循环神经网络的深度学习技术例如GRU, LSTM,RNN等进行英语单词和句子的发音预测和教学,这就是一位人工智能英语老师,有可能是未来最强大的人工智能英语老师,像Alphago改变整个围棋界一个改变全球的英语发音和口语教学。同时结合大数据技术,我们或许可以创造10亿位世界上最好的教英语发音和口语的人工智能英语专家级老师,提供针对每位英语学习爱好者一对一的个性化学习服务!

点击打开链接

第000讲:课程内容解析(从1000个代码案例中学习人工智能和大数据实战)
第001讲:解密大数据时代必须掌握Scala语言的原因
第002讲:搭建并测试Scala使用IDEA和Eclipse两种方式进行开发
第003讲:Scala Worksheet的使用及从零开始动手编写并测试第一个Scala程序
第004讲:从零起步讲解如何关联和阅读Scala语言源代码
第005讲:从零起步彻底解密第一个Scala程序
第006讲:手把手讲解如何以可运行的Jar包的方式在任何有JVM的地方运行Scala程序


王家林大神近1300页的新书即将举行新书发布会---《大数据商业实战三部曲》



本书基于Spark 2.2.0最新版本(2017年7月11日发布),以Spark商业案例实战和Spark在生产环境下几乎所有类型的性能调优为核心,以Spark内核解密为基石,分为上篇、中篇、下篇,对企业生产环境下的Spark商业案例与性能调优抽丝剥茧的剖析。上篇基于Spark源码,从一个动手实战案例入手,循序渐进的全面解析了Spark 2.2新特性及Spark内核源码;中篇选取Spark开发中最具有代表的经典学习案例,深入浅出,在案例中综合应用Spark的大数据技术;下篇性能调优内容基本完全覆盖了Spark在生产环境下的所有调优技术。

本书适合所有的Spark学习者和从业人员使用。对有分布式计算框架应用经验的人员,本书也可以作为Spark高手修炼的参考书籍。同时本书也特别适合作为高等院校的大数据教材使用。



第004讲:从零起步讲解如何关联和阅读Scala语言源代码 从println语句一步一步解析源码:
 println("AI & Big Data")

 def println(x: Any) = Console.println(x)

 def println(x: Any) { out.println(x) }

    public void println(Object x) {
        String s = String.valueOf(x);
        synchronized (this) {
            print(s);
            newLine();
        }
    }

private void newLine() {
        try {
            synchronized (this) {
                ensureOpen();
                textOut.newLine();
                textOut.flushBuffer();
                charOut.flushBuffer();
                if (autoFlush)
                    out.flush();
            }
        }
        catch (InterruptedIOException x) {
            Thread.currentThread().interrupt();
        }
        catch (IOException x) {
            trouble = true;
        }
    }

2018-03-27 22:10:06 feixiaoxing 阅读数 230
  • Fast.ai 深度学习实战课程「中文字幕」

    本课程由 Jeremy Howard 教授开设,共8节。目的是让大家在不需要深入研究高水平数学问题的情况下,学习如何建立先进的深度学习模型。 Jeremy Howard 教授结合自己参加 Kaggle 大赛并夺魁的经验认为,传统学院派的教学方式对于大多数学习者来说已经不适用,应该以问题为引导,以实践为驱动,尽快切入到核心理论和核心工具的使用上,掌握深度学习优模型的构建方法。

    17493 人正在学习 去看看 AI100讲师

【 声明:版权所有,欢迎转载,请勿用于商业用途。 联系信箱:feixiaoxing @163.com


    学技术的人,最好英文水平好一点。但凡有点深度的文档,都离不开英文。想要寻找好一点的资料,最好google一下,实在不行bing一下也可以,这个时候选择合适的英文单词就很重要了。如果从初一算起,到研究生结束,一般的同学也会有十几年的英文学习精力,但是还是会发生很多同学只会考试、不会使用的情况。下面,我就想说一说英语学习有哪些地方要注意一下。


1、考过了四六级,你也看不了《飘》、《简爱》

    很多人考过了四六级、甚至是专业英语四级、八级,就迫不及待找一些英文名著来看。往往是越看越绝望,最后崩溃。这就好像,你小学二年级认识了一些汉字,就想着马上读懂鲁迅先生的文章,这不是自我找虐吗?


2、技术书籍阅读和词汇量关系不大

    大多数计算机的书籍都不复杂,上面的英文还是很简单的,基本的四级水平就可以流畅阅读了。


3、和老外沟通,不一定需要语法严谨

    很多同学和老外聊天,非常胆怯。其实没有必要,老外的英文说慢一点,其实很好懂,不信可以找点voa来听听。


4、学英文不只是背单词

    单词量还是很重要的。但是大多数情况是,很多句子你每个单词都认识,也未必了解句子的意思。


5、英文环境就在我们身边

    如果认为听、说缺少英文环境,这可以理解。但是现在亚马逊、网络上大量的高水平英文读物,不好好加以利用,不是可惜了吗?


6、合理选择英文读物

    建议不要选择那些专业的读物,比如医学著作等等。可以找一些儿童读物、畅销书、本专业的书看起,这样会越看越有信心。


7、模仿就是最好的老师

    我们可以看看小朋友是怎么学习语言的。其实就是模仿、训练、重复,以及大量的输入。几千到1-2万的单词反复看,反复使用,怎么可能学习不好英文呢?


2018-08-15 11:53:47 bamboo_cqh 阅读数 142
  • Fast.ai 深度学习实战课程「中文字幕」

    本课程由 Jeremy Howard 教授开设,共8节。目的是让大家在不需要深入研究高水平数学问题的情况下,学习如何建立先进的深度学习模型。 Jeremy Howard 教授结合自己参加 Kaggle 大赛并夺魁的经验认为,传统学院派的教学方式对于大多数学习者来说已经不适用,应该以问题为引导,以实践为驱动,尽快切入到核心理论和核心工具的使用上,掌握深度学习优模型的构建方法。

    17493 人正在学习 去看看 AI100讲师

胡适的英语老师、民国时期自学成才的出版家王云五先生在年轻的时候是这样自学英语写作的:

找到一篇英文的名家佳作,熟读几次以后,把它翻译成中文,等过了一星期之后,再依据中文反过来翻译成英文,这个期间绝不查阅英语原文。翻译后再与原文比对,找出自己翻译的错误、失误和不够精良之处。

如此反复练习,王云五先生练就了扎实的英文功底,为日后的英语教学和出版事业打下了坚实的基础。

在那个科技、信息远不如今天发达的年代,有限的学习条件迫使人们静下心来转向这种深度学习。

时间拨到百年之后,我们的社会发生了巨变,人类进入了前所未有的物质和信息丰富时代,新奇有趣、轻简浓缩的知识随处可见,人们担忧的不再是无知识可学,而是学不完的知识。

时至今日,恐怕很少有人能向王云五先生这样主动静下心来深度学习了,甚至很多人认为,现今时代的学习已经不必如此“费劲艰辛”,人们有太多的方式可以让自己轻松地获取知识,比如每天听一本书、参加牛人的线上课、订阅名家专栏或参加某某学习群……轻松高效,干货满满,只要自已持之以恒,就定能有所成就。

可惜的是,这种认知注定是一个错觉,因为科技和信息虽然在我们这一代发生了巨变,但人类的学习机能并未随之快速变化,我们的大脑运作模式几乎和百年前一模一样。

更坏的消息是,“丰富的信息和多元的方式”在带来便捷的同时,也深深地损耗着人们“深度学习”的能力,并且这种倾向越来越明显。

三个月前,罗振宇在2017跨年演讲中提到这样一个事实:

用钞票和用微信/支付宝支付,有什么区别?

表面是更快更方便;实质上,用钞票支付,是在理性决策;用手机支付,是在冲动消费。

深度学习——人生为数不多的好出路

购物,越来越不是理性的决策行为,用户用本能花钱,追求的是快感。

种种迹象表明,快速、简便、轻松的方式使得人们低层次的“原始脑”功能得到进一步强化,高层次的“现代脑”功能则进一步弱化,而深度学习能力几乎全部依赖高层次的“现代脑”(大脑皮层)。

商家已经看清了这一点,于是想方设法推出各种代读、领读、听读的产品,让人们瞬间体验到轻松获取知识的快感,并且产生勤奋的感觉。

而现实的情况是:人们越学越焦虑、越学越浮躁,懂得很多道理,却依旧过不好现在(别说是一生了)!

我隐隐约约看到这个世界正朝着两极发展:一小部分知识精英依旧直面核心困难,努力地深度钻研,生产内容;绝大部分信息受众享受轻度学习,消费内容。

就像社会阶层逐渐固化一样,知识阶层也在逐渐固化。如果长期陷于错误的认知或习惯于轻度学习,一旦丧失深度学习能力,将很难打破知识阶层的限制,永远被困在认知低层。

深度学习的能力已经变得越来越稀缺,如果我们真得希望在时代潮流中占据一席之地,那就应该尽早抛弃轻松学习的幻想,锤炼深度学习能力,逆流而上,成为稀缺,否则人生之路会势必会越来越窄。

何为深度学习?

1946年,美国学者埃德加.戴尔(Edgar Dale)提出了“学习金字塔”(Cone of Learning)的理论,之后美国缅因州国家训练实验室也做了相同的实验,并发布了“学习金字塔”报告。

深度学习——人生为数不多的好出路

报告称:人的学习分为“被动学习”和“主动学习”两个层次。

  • 被动学习:如听讲、阅读、试听、演示,学习内容的平均留存率为5%、10%、20%、30%。

  • 主动学习:如通过讨论、实践、教授给他人,能将原来被动学习的内容留存率,从5%,提升到50%、75%和90%。

这个模型很好地展示了不同学习深度和层次之间的对比。

反观自身的学习,我们同样可以清晰地划分出不同的层次。以阅读为例,从浅到深依次为:

  • 听书

  • 自己读书

  • 自己读书+摘抄金句

  • 自己读书+思维导图/读书笔记

  • 自己读书+践行操练

  • 自己读书+践行操练+输出教授

深度学习——人生为数不多的好出路

当前有很多听书产品,读书达人用十几分钟解读一本书,一天听一本,一年下来就三百多本,这种便捷新颖、浓缩干货的学习看似轻松高效,实则处于被动学习的最浅层。

好一点的情况是自己读原书,但读完之后却不回顾或少有提炼总结,只满足于输入的过程,这类学习的知识留存率很低。卿不见几天之后就想不起来自己读了什么了吗?更糟的是,这种努力会导致盲目追求阅读的速度和数量,让人产生勤奋的感觉,实际上这是低水平的勤奋,投入越多,损失越大。

初级阅读者不可避免会踩入这两个坑,而另一类浅层次学习的人数也不少,这类人能够自己阅读,也做读书笔记或思维导图,但遗憾的是,读书笔记的内容往往是把书中的内容梳理罗列了一番,看起来更像是一个大纲。

很多人醉心于此,似乎自己对全书的知识了若于胸,殊不知自己只是“农夫山泉”而已——“我们不生产知识,我们只是知识的搬运工!”

虽然这种做法一定程度上属于主动学习,但它仅仅是简单“知识陈述”,与高级别的“知识转换”有很大的不同。

更深一层的是,读书之后能去实践书中的道理,哪怕有那么一两点让生活发生改变,也是很了不起的,因为从这一刻开始,知识得到了转化。

从知道到做到是一个巨大的进步,然而自己知道或做到是一回事,让别人知道或做到又是另外一回事。

不信试着将自己知道的东西向别人清晰地讲出来,你会发现这并不容易,心里想得挺明白,讲的时候就开始语无伦次了,如果再让你把知道的东西写下来呢?你可能根本无从下笔。

请注意,这种困难才是真正深度学习的开始!

因为这必须动用原先所有的已有知识去解释新知识,当你能够把新学的知识解释清楚时,就意味着把它纳入了自己的知识体系,同时达到了教授他人的水平,并可能创造出新的知识!

罗振宇在60秒语音中曾提到他是这样学习的:

我每天要求自己写够五篇阅读心得,不用长篇大论,短短几个词就行。因为真正的学习就像是缝扣子,把新知识缝接到原有的知识结构中,每天写五篇阅读心得就是逼迫自己原来的知识结构对新知识做出反应,然后把这个反应用文字固化下来,缝接的过程就完成了。

“缝合”是深度学习的关键,而大多数人只完成了“获取知识”,却忽略了“缝合知识”这一步,学习过程是不完整的。另,一些人有了一定的缝合,但缝合得不够深入,没有高质量的产出,也使得学习深度大打折扣。

浅层学习满足输入,深度学习注重输出。从想法到语言再到文字,即网状的思维变成树状的结构再变成线性的文字,相当于把思想从气态变成液态再变成固态——那些固态的东西才真正属于自己!

毕竟任何知识都不可避免地会损耗,并且这种损耗一直存在,如果不想办法让自己学到的东西固化下来,时间一长就会烟消云散,留不下多少痕迹。

有了自己的东西,便一定要“教授”出去,“教授”和“缝合”会相互形成巩固和循环。

《暗时间》的作者刘未鹏说:“教”是最好的“学”,如果一件事情你不能讲清楚,十有八九你还没有完全理解。当然,“教”的最高境界是能用最简洁的话让一个外行人也能明白你讲的东西。

可见,逼迫自己通过“获取高质量知识”+“深度缝合新知识”,再用自己的语言或文字去教授他人,是为深度学习之道。

这是我目前能够觉知到最高层次的深度学习了,也许还有更高级的,但对绝大多数人来讲,能做到并做好这一点已经足够了。

如何深度学习?

如上,深度学习有三个要素:

  • 获取高质量知识;

  • 深度缝合新知识;

  • 输出成果去教授。

这样的学习必然要放弃“快学”、“多学”的安全感,同时要耗费更多的时间,面临更难的处境,甚至还会“备受煎熬”。

但请一定相信:正确的行动往往是反直觉的,一开始舒服和容易的事往往得不到好结果,而一开始难受和困难的事才能让人真正产生收获。

所以,我们需要逐步改进。

一是尽可能地获取并亲自啃读一手知识。

从读书角度讲,就是读经典、读原著,甚至是学术论文。经典的一手知识已经经过时间的沉淀,价值深度已被证明,值得精耕细读。

把精力集中到符合自己需求的一手知识上,放弃那些“几分钟读完……”“每天一本……”“十堂……课”的干货幻念,虽然那些也能带来一些启示,但终究是支离破碎、被人咀嚼过的。

亲自啃读虽然更艰辛,但唯有亲历过才能感受到深度理解或认知产生的真正快感,比吸收二手知识不知道要爽多少倍。

读书这事最好不要请人代替,从长远看,终归是要自己获得挖矿的能力的,这样才能走得更远。

二是尽可量用自己的话把所学知识写出来。

每读一本有价值的好书,就用写作的方式把作者的思想用自己的语言重构出来,尽力结合自身的经历、学识、角度去解释、延伸,而不是简单地把书本的要点进行罗列。

简单的“知识陈述”无法达到深度缝合的效果,只有做到“知识转换”才能用旧知识体系对新知识进行深度缝合,所以在重构时只取最需要的观点就好了,其它无关的观点可以放弃,即使它们很有道。

真正深度的好文往往与原书没有太大的关系,只是原书触发了思考,引用了案例,最后看来,读书笔记往往是一篇全新的文章,甚至创造了新的知识。

这个过程是渐近的,虽然刚开始说的好像都是别人的观点,但逐渐地就会衍生出自己的观点,虽然起初会有些吃力,但只要持续练习,能关联的经历、观点、案例就会越来越多,对一个主题的思考也会越来越深入。

所以无需求快、求多。如有必要,可以花足够长的时间去打磨一个主题或观点。当一个趋近你当前最好水平的作品打动了别人,所产生的影响力和收获远比每天写但缺乏深度的思考要强得多。

我鼓励大家写作,是因为一旦能写清楚了,就必定能讲清楚,而且文章具有复利效应,可以随时被他人读到,这样也间接地达到了讨论交流和教授他人的目的。

三是反思生活。

学习不止读书,生活经历同样可以被深度学习。

生活中每天发生的事情如水流一样经过我们,不会停留,如不留心,很难留下痕迹,就像最浅层的被动学习,留存率很低,缺少反思的生活难以产生深度。

《好好学习》的作者成甲就非常注重反思,他每天早上大约要花两个小时左右的时间进行复盘反思,而且要求自己的员工也这样做。

他在书中花了大量笔墨阐述了反思的方法和好处,他说:人与人之间的差距不是来自年龄,甚至不是来自经验,而是来自经验总结、反思和升华的能力。

受这个理念的影响,我从去年2月份开始,持续每天反思总结,有时几句话,有时上千字。

通过反思,我发现很多没想明白的事情在反思的时候想清楚了,很多模糊的概念在反思的时候变清晰了,很多看似并不关联的事情居然找到了底层的联通……

持续反思让我对生活细节的感知能力变得越来越强,生活给我留下来的东西也越来越多,或许这篇文章的立意与构思有很多要素也来自平日的反思。

如果让我推荐一个不可或缺的习惯,我必推反思。

深度学习的好处

深度学习除了能让我们放弃浮躁,磨练理智,还能带来诸多好处,比如跨界能力。

古典在《你的生命有什么可能》一书中说到,人的能力分为“知识、技能和才干”三个层次:

  • 知识是最没有迁移能力的,你读到医科博士,也照样不会做麻婆豆腐;

  • 技能通常由70%的通用技能和30%的专业技能组成,迁移性要好一些;

  • 而到了才干层面,职业之间的界限就完全被打破了。

这就解释了为什么那些牛人能够轻易地在不同领域之间进行跨界,因为他们已经通过深度学习达到了某一领域的才干层面,而这些才干在其它领域同样适用,所以只需要花少量的时间熟悉知识与技能就能玩得转。

但反过来,如果你在一个领域从未达到过才干层面,当换到其它行业时,只能从底层的知识和技能重新开始,这就非常吃力了。

深度学习能够帮助人们跨界,这毋庸置疑,同时它还能帮人产生灵感。

我们都知道爱因斯坦是在去专利局上班的路上,看到伯尼尔钟楼时,脑中突然冒出了一个假设:“如果公交车以光速移动,那么从车上看钟楼的指针会不会是静止的呢?”这个假设使得20世界最伟大的发现——狭义相对论从此走入人们的视野。而另一个德国化学家凯库勒是在非常疲劳的情况下做了个白日梦,梦到一条首尾相咬的蛇,这条蛇成了他发现了苯分子结构的线索。

人们都惊叹科学家们的直觉和灵感,但假设爱因斯坦是一名理发师,凯库勒是一名管道工,他们就不会获得这些直觉和灵感,因为只有他们在自己的领域探索得足够深入时,灵感才可能在潜意识的帮助下显现出来,这些原理在现代脑科学研究中都得到了应证。

虽然我们不是科学家,但深度学习依然能让人更大概率地收获意外的惊喜。

与此同时,深度学习能让我们在高处俯视,看到一般事物的更多关联,产生洞见,并且积累得越多,反应速度越快。

比如当我深度解读《超越感觉》,知晓正确思考的核心是让自己的主观认知尽量与客观世界保持一致后,我突然对“解放思想、实事求是”这八个字就有了全新的认识——原来我党一直就是这样做的——再看看祖国近年的发展,如此大的事实证明了这个真理是极其正确并重要的——而换作之前的我,肯定是看不到这个关联的。

不仅如此,如果自己在一些领域的认知深度积累得足够多,那么即便是面对影视节目、娱乐八卦、新闻热点这些“腐蚀”人们注意力的事物时,也同样能调动高级认知,把它们与有益的思考关联起来,产生比众人更深刻更独特的见解。

比如前两天我带女儿去看电影《西游记之女儿国》,剧中女儿国国王与唐僧经历生死之后对他说:“我做了一个梦,多年以后,你蓄满长发,和我一起慢慢变老,但是,你并不开心!”

我立即感慨到,这就是“未来视角”啊,国王用未来视角俯视现在,然后做出了理智的决定,克制了自己的感情放唐僧西行。因为一周前,我正好写了一篇关于未来视角的文章《用什么来拯救你的行动?

换作以前,我肯定是对此无感的,而在女儿眼里,能看到的只是国王好漂亮,猴子好搞笑……

据我所知,很多严肃的成长者同样喜欢娱乐消遣,比如李笑来喜欢看电影,师北宸喜欢看综艺……我敢说,他们身处娱乐时,依旧是“现代脑”在主导,不断地再关联认知,而非单纯地满足“原始脑”的直接需求。

再延伸了说,热点娱乐并非没有价值,浮浅知识也同样具有意义,但前提是:你需要先有足够的认知深度——深度之下的广度才是有效的。

为浅学习正名

说了这么多深度学习,那像罗辑思维推出的那些专栏、精品课、听书等产品应该如何对待呢?彻底拒绝或远离吗?

我觉得并不需要,因为深度学习与浅学习其实并不冲突,浅学习也有其价值。

重要的是不要搞反权重关系,我们可以把它作为了解新信息的入口,但不能把成长的过程全部寄托于此。

更合理的态度是:专注深度学习,同时对浅学习保持开放。

选择一些值得关注的人,通过这些平台和他们保持连接。他们释放的一些有价值的信息会引领我们走向更广阔的世界,但无论如何,最终要自己去读、自己去想、自己去做。

就像这篇文章,如果触动了你,也仅仅是为你开启了一个新的视角,最终能否获取深度学习能力只能靠你自己去行动,没有人能够替代。

没有更多推荐了,返回首页