精华内容
下载资源
问答
  • 以神经网络为基础深度学习,它最大作用就是让计算机能求解那些没有明确规则或定义的问题,例如你根本无法制定出一系列明确规则或步骤去让计算机识别一幅图像中内容是什么,人工智能最大强项就是让计算机能...
  • 以神经网络为基础深度学习,它最大作用就是让计算机能求解那些没有明确规则或定义的问题,例如你根本无法制定出一系列明确规则或步骤去让计算机识别一幅图像中内容是什么,人工智能最大强项就是让计算机能...

    以神经网络为基础的深度学习,它最大的作用就是让计算机能求解那些没有明确规则或定义的问题,例如你根本无法制定出一系列明确的规则或步骤去让计算机识别一幅图像中的内容是什么,人工智能最大的强项就是让计算机能处理那些模糊不清,几乎无法用明确的规则或步骤来描述的问题。

    一个受过大量数据训练的神经网络,给定领域内的图像表示什么内容,此时它就像一个黑盒子,把数据从一端输入,然后结果自动从另一端输出,你根本不知道他内部的运行机制。如果我们只在乎得到正确的结果,那么无论神经网络的内部机理如何复杂,我们都无需关心。如果我们想知道神经网络是如何学习输入数据,并总结出某种特定规律来,那么我们现在能知道的,就是网络会不断的调整链路上权值。

    由于神经网络模拟的是大脑思维方式,人的大脑有意识,那神经网络是否也有自己的”意识“呢?原来神经网络的工作流程如下:
    数字图片 -> 神经网络 -> 数字
    如果我们反其道而行之,给定一个数字,让神经网络把该数字对应的”图片“给画出来,那么我们就可以窥探神经网络是如何通过自己的”意识“来认识这个世界了,也就是我们把上面流程改为:
    数字图片<-神经网络<-数字
    通过上面的逆流程,我们就可以大概了解世界在神经网络中的样子。
    我们已经知道,神经网络得出的结果是先把输入信号与链路权重做乘机后求和,然后在对求和结果应用激活函数,所的到的结果就是神经节点输出的信号。反过来,我们拿到最终输出结果后,先做激活函数的逆运算,得到信号与权重的乘机和,然后再除以链路权重还原回各个信号分量,将这些信号分量合成一幅图像,我们就可以得知,神经网络是如何看待这个世界的。

    我们知道网络节点的激活函数如下:
    这里写图片描述
    要把里面的x解出来,我们就需要下面的公式:
    这里写图片描述
    在python中,它对应的代码为scipy.special.logit(),于是利用这个公式,我们用如下代码把结果反解出对应的图片,相应的实现代码如下:

    import scipy.special
    import numpy
    
    class  NeuralNetWork:
        def __init__(self, inputnodes, hiddennodes, outputnodes, learningrate):
            #初始化网络,设置输入层,中间层,和输出层节点数
            self.inodes = inputnodes
            self.hnodes = hiddennodes
            self.onodes = outputnodes
    
            #设置学习率
            self.lr = learningrate
            '''
            初始化权重矩阵,我们有两个权重矩阵,一个是wih表示输入层和中间层节点间链路权重形成的矩阵
            一个是who,表示中间层和输出层间链路权重形成的矩阵
            '''
            self.wih = numpy.random.rand(self.hnodes, self.inodes) - 0.5
            self.who = numpy.random.rand(self.onodes, self.hnodes) - 0.5
    
            self.activation_function = lambda x:scipy.special.expit(x)
    
            #设置激活函数的反函数
            self.inverse_activation_function = lambda x:scipy.special.logit(x)
            pass
        def  train(self, inputs_list, targets_list):
            #根据输入的训练数据更新节点链路权重
            '''
            把inputs_list, targets_list转换成numpy支持的二维矩阵
            .T表示做矩阵的转置
            '''
            inputs = numpy.array(inputs_list, ndmin=2).T
            targets = numpy.array(targets_list, ndmin=2).T
            #计算信号经过输入层后产生的信号量
            hidden_inputs = numpy.dot(self.wih, inputs)
            #中间层神经元对输入的信号做激活函数后得到输出信号
            hidden_outputs = self.activation_function(hidden_inputs)
            #输出层接收来自中间层的信号量
            final_inputs = numpy.dot(self.who, hidden_outputs)
            #输出层对信号量进行激活函数后得到最终输出信号
            final_outputs = self.activation_function(final_inputs)
    
            #计算误差
            output_errors = targets - final_outputs
            hidden_errors = numpy.dot(self.who.T, output_errors)
            #根据误差计算链路权重的更新量,然后把更新加到原来链路权重上
            self.who += self.lr * numpy.dot((output_errors * final_outputs *(1 - final_outputs)),
                                           numpy.transpose(hidden_outputs))
            self.wih += self.lr * numpy.dot((hidden_errors * hidden_outputs * (1 - hidden_outputs)),
                                           numpy.transpose(inputs))
    
            pass
        def  query(self, inputs):
            #根据输入数据计算并输出答案
            #计算中间层从输入层接收到的信号量
            hidden_inputs = numpy.dot(self.wih, inputs)
            #计算中间层经过激活函数后形成的输出信号量
            hidden_outputs = self.activation_function(hidden_inputs)
            #计算最外层接收到的信号量
            final_inputs = numpy.dot(self.who, hidden_outputs)
            #计算最外层神经元经过激活函数后输出的信号量
            final_outputs = self.activation_function(final_inputs)
            return final_outputs
        def backQuery(self, targets_list):
             # 将结果向量转置以便反解出输入信号量
            final_outputs = numpy.array(targets_list, ndmin=2).T
    
            # 通过激活函数的反函数得到输出层的输入信号
            final_inputs = self.inverse_activation_function(final_outputs)
    
            # 获取中间层的输出信号
            hidden_outputs = numpy.dot(self.who.T, final_inputs)
            # 将信号量圆整到0.01和0.98之间
            hidden_outputs -= numpy.min(hidden_outputs)
            hidden_outputs /= numpy.max(hidden_outputs)
            hidden_outputs *= 0.98
            hidden_outputs += 0.01
    
            #通过激活函数的反函数计算中间层获得的输入信号量
            hidden_inputs = self.inverse_activation_function(hidden_outputs)
    
            # 计算输入层的输出信号量
            inputs = numpy.dot(self.wih.T, hidden_inputs)
            # 将信号量圆整到0.01和0.98之间
            inputs -= numpy.min(inputs)
            inputs /= numpy.max(inputs)
            inputs *= 0.98
            inputs += 0.01
            #input对应的就是输入神经网络的图片像素数组
            return inputs
    

    上面代码跟以前不一样之处就在于多了一个backQuery函数,它接收结果向量,让后反解出向量对应的输入图片,有了上面神经网络后,我们先对其进行训练,得到相应的神经元链路权重:

    #初始化网络
    input_nodes = 784
    hidden_nodes = 100
    output_nodes = 10
    learning_rate = 0.3
    n = NeuralNetWork(input_nodes, hidden_nodes, output_nodes, learning_rate)
    #读入训练数据
    #open函数里的路径根据数据存储的路径来设定
    training_data_file = open("/Users/chenyi/Documents/人工智能/mnist_train.csv")
    trainning_data_list = training_data_file.readlines()
    print(len(trainning_data_list))
    training_data_file.close()
    #加入epocs,设定网络的训练循环次数
    epochs = 7
    print("begin trainning")
    
    for e in range(epochs):
        #把数据依靠','区分,并分别读入
        for record in trainning_data_list:
            all_values = record.split(',')
            inputs = (numpy.asfarray(all_values[1:]))/255.0 * 0.99 + 0.01
            #设置图片与数值的对应关系
            targets = numpy.zeros(output_nodes) + 0.01
            targets[int(all_values[0])] = 0.99
            n.train(inputs, targets)
    
    
    print("trainning complete")

    有了合适的链路权值后,我们构造一个结果向量,将它输入到网络中,让网络把它认为的向量对应的图像输出来:

    label = 8
    targets = numpy.zeros(output_nodes) + 0.01
    targets[label] = 0.99
    print(targets)
    image_data = n.backQuery(targets)
    #print(image_data.reshape(28,28))
    matplotlib.pyplot.imshow(image_data.reshape(28,28), cmap="Greys", interpolation="None")

    上面代码构造了一个数字8对应的结果向量,然后传入神经网络看看网络眼中的数字8是什么样子的,上面代码执行后结果如下:

    这里写图片描述

    没错,上面模糊一片的图案就是神经网络对数组8的理解,我们慢慢观察黑色部分,发觉它确实跟数字8有点像。这个图案让我想起了两千年前古希腊哲学家柏拉图提出一个叫”理型“的哲学概念,它的意思是说,每一个种类的事物,无论其外形如何变幻,他们本身都包含着一种超越时空,永恒不变的抽象属性。举个例子,给一个孩子看一只黑马的图片,然后让他看一只白马的图片,他很容易能认出那是马,也就是说不管黑马白马的外形差异如何,两只马都具备相同的理型叫做”马“,人正是因为感受到马的”理型“,所以不管马的形态如何变幻,人总能认出它是马来,也就是说所有的马都具备同一种抽象的超越时空,永恒不变的性质,正是这个性质将它与其他事物区分开来。

    道可道,非常道。理型的概念就是”道可道“中的第一个道,也就是永恒不变的规律,通常情况下,”道“是很难用语言或某种显著方式进行表达的。神经网络通过计算大量的手写数字图片,通过计算抽取出了这些同一类数字图片的共性,这个共性其实就是柏拉图所说的理型,也就是所有手写的数字”8“,都蕴含着某种不变的性质,神经网络就是把这个性质抽取出来的方式,上面那张模糊的图案,可以认为是所有手写数字8的理型,网络读取的图片数量越大,其对理型的把握就越准确。

    如此一来”非常道“似乎就不成立了,神经网络的结构以及链路上的权重,就可以用来对”道“进行描述,或者说一切手写数字的”理型“可以用现在我们训练的神经网络来描述。

    以神经网络为基础的深度学习模仿人的意识,在一定程度上也跟人的思维哲学有了交互之处,这就是技术发展与人文思想的交相辉映吧。至此我们对神经网络的基本原理说明就告一段落,从下一章开始,我们进入神经网络的实际应用层面。

    更详细的讲解和代码调试演示过程,请点击链接

    更多技术信息,包括操作系统,编译器,面试算法,机器学习,人工智能,请关照我的公众号:
    这里写图片描述

    展开全文
  • 柏拉图式爱情

    千次阅读 2013-09-09 13:20:19
    柏拉图式恋爱,也称为柏拉图式爱情,是以西方哲学家柏拉图命名的一种精神恋爱,但并非由柏拉图直接提出的。最早是由马西里奥·斐齐诺于15世纪提出,作为苏格拉底式爱情的同义词,用来...哲学界对爱情的定义是理性的,所

    柏拉图式恋爱,也称为柏拉图式爱情,是以西方哲学家柏拉图命名的一种精神恋爱,但并非由柏拉图直接提出的。最早是由马西里奥·斐齐诺于15世纪提出,作为苏格拉底式爱情的同义词,用来指代苏格拉底和他的学生之间的爱慕关系

    哲学家的爱情与情感生活一般是不美满幸福,不少哲学家甚至于是情愿单身
    爱情是一种很美好的感觉,是生活中的精神支柱, 是浪漫温馨的温柔,甜蜜快乐的幸福。
    哲学界对爱情的定义是理性的,所以它包容了如:道德、责任、义务等等这些充满人类理性光芒的社会化的衍生物,而把繁殖的欲望降为最低的需要。
    柏拉图认为:“当心灵摒绝肉体而向往着真理的时候,这时才是最好的。而当灵魂被肉体的罪恶所感染时,人们追求真理的愿望就不会得到满足。当人类没有对肉欲的强烈需求时,心境是平和的,肉欲是人性中兽性的表现,是每个生物体的本性,人之所以是所谓的高等动物,是因为人的本性中,人性强于兽性,精神交流是美好的、是道德的。”

     

    编辑本段观点

    理想式

    理想式的爱情观(比喻极为浪漫或是根本无法实现的爱情观)
    柏拉图式爱情是一种理想式的爱情观。极为浪漫或根本无法实现的爱情观。站在爱人的身边,静静地付出,默默地守候。不奢望走近,也不祈求拥有;即便知道根本不会有结果,也仍然执着不悔。也许这种不求回报注定了一个悲剧的结局。最终,也只能是两条在远处守候的平行线,留下回忆中最为美好的片段当作永恒

    纯精神

    纯精神的而非有肉体的爱情
    柏拉图式爱情是一种纯精神的爱情观。追求心灵的沟通。当心灵摒绝肉体而向往着真理的时候,这时的思想才是最好的(美幻的);当人类没有对肉欲的强烈需求时,心境是平和的,肉欲是人性中兽性的表现,是每个生物体的本性。人之所以是所谓的高等动物,是因为人的本性中,美好而又道德的人性强于兽性。真正的爱情是一种持之以恒的情感,惟有时间才是爱情的试金石。惟有超凡脱俗的爱,才能经得起时间的考验。

    男女平等

    男女平等的爱情观
    柏拉图式爱情是一种男女平等的爱情观。爱情具有平等性,不存在依附或占有关系,相爱的双方是自愿、绝不勉强的,即无怨无悔地爱你所喜爱的人。在观念世界里,你原本的另一半就是你最完美的对象。他/她就在世界的某个角落里正等待寻找着你。“雨中站岗”、“每日一花”那是种浪费奢侈。要知道爱情在培育发展过程中,男女双方都是平等的。

    完美

    在这世上有且仅有一个人, 对你而言, 她(他)是完美的, 而且仅对你而言是完美的。也就是说, 任何一个人, 都有其完美的对象, 而且只有一个。
    柏拉图式爱情是一种完美的爱情观。感情的事没有谁对谁错。正如歌里唱的那样:“不在乎天长地久,只愿曾经拥有”。在你的意念里,这个世界上存在一个生动而又完美的他(她),他(她)对你而言是毫无瑕疵、唯一永恒的。也许他(她)不会出现在现实,但永远存活在你的心底。

    自由

    柏拉图式爱情是一种自由的爱情观。爱需要有足够的空间和时间,才能茁壮的成长。爱,不是牺牲,不是占有。拥有爱情的时候,要让对方自由;失去爱情的时候,更要让对方自由。爱就像风筝一样,你要给它飞翔自由,也要懂得适时把它拉回来。没有自由的爱情,也会慢慢趋向自然死亡。爱需要自由,正如同爱也需要呼吸是一样的。距离和神秘感,才是维系爱情温度的好方法。
    在浊世之中,心灵留出一方净土,让纯纯的柏拉图式爱情扎根,多一些简单,多一些幻想,便会多一些美好!如果你愿意,不妨泡上一杯咖啡,在阳光下继续写柏拉图式爱情的文字!
    人总是在渴望爱情,古今中外、男女老少,概莫能外。但是不同的时代、不同的地域和不同的个人,爱情的内容和形式有很大不同。原始人的爱情大概不需要写情书,因为那时还没有文字;十九世纪的人也不知道可以通过煲电话粥来卿卿我我、海誓山盟;直到二十世纪后期,人们才知道上网也可以传情达意。
    在西方爱情文明的发展过程中,现存最早的有关文献就是柏拉图(公元前427~347年)的论述,他的论述被认为是一座丰碑,“柏拉图式的爱情”作为一种观念,影响了一代又一代的西方人,东方人也将他的名字当作“精神恋爱”的代名词。

     

    编辑本段观点解读

    第一个意义最常被使用, 但其实是一个误解。不过既然大家都这样用, 也就算是另一个意义了。这误解来自于柏拉图的一个有名的著作“理想国”。该书探讨如何建构一个理想的国度, 因其或许过于理想化而难以实现, 故有人以此来诠释何谓柏拉图式的爱情。
    第二个意义也经常被使用, 但基本上也是误解。这误解来自柏拉图的形而上学, 他认为思想的东西才是真实的而我们看见的所谓的“真实世界”的东西反而不是真实的。
    第三和第四个意义才真的是柏拉图的爱情观或两性观。
    柏拉图认为人们生前和死后都在最真实的观念世界, 在那里, 每个人都是男女合体或男子与男子合体的完整的人, 到了这世界我们都分裂为二。所以人们总觉得若有所失, 企图找回自己的“另一半”(这个词也来自柏拉图的理论)。柏拉图也用此解释为什么人们会有“恋情”,以及同性恋(柏拉图认为同性恋者更加英武有力,也是由于同性恋者是两个男子的合体)。此段描述可参见柏拉图的《会饮篇》
    在他的理论中, 没有哪一半是比较重要的, 所以, 男女是平等的。而且, 在观念世界的你原本的另一半就是你最完美的对象。他/她 就在世界的某个角落, 也正在寻找着你

     

    编辑本段爱情讨论

    柏拉图

      柏拉图

    在西方哲学史和文化史上,柏拉图是一位有着举足轻重地位的人物,他的老师是苏格拉底,学生是亚里士多德。这三个人对西方的文明和思想有着深远的影响。
    有一天,柏拉图问苏格拉底:“什么是爱情?”
    苏格拉底微笑着说:“你去麦田里摘一株最大最好的麦穗回来,在这过程当中,只允许摘一次,并且只能往前走,不能回头。”柏拉图按照苏格拉底的话去做,很久才回来。
    苏格拉底问他摘到没有?
    柏拉图摇摇头说:“开始我觉得很容易,充满信心地出去,但是最后空手而归!”
    苏格拉底继续问道:“什么原因呢?”
    柏拉图叹了口起气说:“很难得看见一株不错的,却不知道是不是最好的,因为只可以摘一株,无奈只好放弃;于是,再往前走,看看有没有更好的,可是我越往前走,越发觉不如以前见到的好,所以我没有摘;当已经走到尽头时,才发觉原来最大的最饱满的麦穗早已错过了,只好空手而归咯!”
    这个时候,苏格拉底意味深长地说:“这就是‘爱情’。”
    之后又有一天,柏拉图问他的老师什么是婚姻,他的老师就叫他先到树林里,砍下一棵全树林最大最茂盛、最适合放在家作装饰用的树。其间同样只能砍一次,以及同样只可以向前走,不能回头。柏拉图于是照着老师的说话做。今次,他带了一棵普普通通,不是很茂盛,亦不算太差的树回来。老师问他,怎么带这棵普普通通的树回来,他说:“有了上一次经验,当我走到大半路程还两手空空时,看到这棵树也不太差,便砍下来,免得错过了后悔,最后又什么也带不出来。”老师说:“这就是婚姻!”
    再有一天,柏拉图问苏格拉底:“什么是幸福?”苏格拉底就叫他到田园里去摘一朵最美的花,其间同样只能摘一次,而且同样只可以向前走不能回头,柏拉图于是照着苏格拉底的话去做了。这一次,他带了一朵美丽的花回来了,苏格拉底又问了他同样的问题。这次柏拉图是这么回答的,他说我找到一朵很美的花,但是在继续走的过程中发现有更美的花,我没有动摇,也没有后悔,坚持认为自己的花是最美的,事实证明花至少在我眼里是最美的。苏格拉底又说:“这就是幸福!”人生就正如穿越麦田树林,只走一次,不能回头。要找到属于自己。最好的麦穗和大树,你必须要有莫大的勇气和相当的付出。 柏拉图认为:当心灵摒绝肉体而向往着真理的时候,这时的思想才是最好的。而当灵魂被肉体的罪恶所感染时,人们追求真理的愿望就不会得到满足。当人类没有对肉欲的强烈需求时,心境是平和的,肉欲是人性中兽性的表现,是每个生物体的本性,人之所以是所谓的高等动物,是因为人的本性中,人性强于兽性,精神交流是美好的、是道德的。 柏拉图认为人们生前和死后都在最真实的观念世界,在那里,每个人都是男女合体的完整的人,到了这世界我们都分裂为二。所以人们总觉得若有所失,企图找回自己的“另一半”(这个词也来自柏拉图的理论)。柏拉图也用此解释为什么人们会有“恋情”。在他的理论中, 没有哪一半是比较重要的, 所以, 男女是平等的。而且, 在观念世界的你的原本的另一半就是你最完美的对象。他/她就在世界的某个角落, 也正在寻找着你。柏拉图式的爱情,只是站在爱人的身边,静静的付出,默默的守候,不奢望走近,也不祈求拥有,即便知道根本不会有结果,却仍然执迷不悔,也就是这种不求回报的原因,注定了它悲剧的结局后,也只能是一条在远处守候的平行线,只留下回忆中,美好的片段,当作永恒
    之后,就产生了柏拉图式爱情。
    诚然,芸芸众生,天生一副肉眼凡胎,是如何体会人类最为高尚、最为圣洁、最为理想、最为自由、最为完美的爱情呢!

     

    编辑本段其他观点

    柏拉图亚里士多德是古希腊哲学家中 最有影响的人,而在他们两个人中间,柏拉图对于后代所起的影响尤其来得大。柏拉图著书以他的老师苏格拉底之口表述说,当心灵摒绝肉体而向往着真理的时候,这时的思想才是最好的。而当灵魂被肉体的罪恶所感染时,人们追求真理的愿望就不会得到满足。
    在欧洲,很早就有被我们中国人称之为“精神恋爱”的柏拉图式的爱,这种爱认为肉体的结合是不纯洁的是肮脏的,认为爱情和情欲是互相对立的两种状态,因此,当一个人确实在爱着的时候,他完全不可能想到要在肉体上同他所爱的对象结合。
    在今天的人们看来,柏拉图的爱情观让人不可思议。而有一位美国学者却对今人所理解的这种柏拉图的爱情观,提出了新的见解。美国东西部社会学会主席、《美国家庭体制》一书的作者伊拉·瑞斯(Ira·reiss)经研究后认为,柏拉图推崇的精神恋爱,实际上指的是同性之间的一种爱,也就是“同性恋”!古希腊人认为,同性恋的过程更多地是灵交、神交,而非形交。而在女性很少受教育的古希腊社会,男人很难从女人中找到精神对手。这就是柏拉图偏重男性之间的爱情的原因。柏拉图坚信“真正”的爱情是一种持之以恒的情感,而惟有时间才是爱情的试金石,惟有超凡脱俗的爱,才能经得起时间的考验。柏拉图在对话录《会饮篇》中提到最崇高的爱情是精神之爱,是爱的双方对真善美的共同追求,而这种共同追求仅限于男人之间。“柏拉图之爱”的真正意义就是男子之间的同性爱,只有这种爱才是高尚而珍贵的。在雅典,同性爱被法律赋予了最大限度的保护和支持,甚至被认为是对无节制生育的一种控制方法而加以提倡,同性恋是当时的雅典的骄傲之一,公元前4世纪,著名演说家爱斯基尼斯曾在法庭上公开陈说:“迷恋上一位貌美如花、风姿翩翩而又举止得体的少年,是一件非常自然的事情,这是任何一位感情丰富而又明智的男性必然会产生的爱情,是不可违抗的。”
    而美国的社会学者对“柏拉图式的爱情”是只有神交的“纯爱情”,还是虽有形交却偏重神交的高雅爱情,也众说纷纭。但有一点是可以肯定的,即柏拉图认为爱情能够让人得到升华。他说,对活得高尚的男人来说,指导他行为的不是血缘,不是荣誉,不是财富,而是爱情。世上再也没有一种情感像爱情那样深植人心。一个处在热恋中的人假如作出了不光彩的行为,被他的父亲、朋友或别的什么人看见,都不会像被自己的恋人看见那样,使他顿时苍白失色。
    爱情,无疑是使人向善、向上的力量。

     

    展开全文
  • 以神经网络为基础深度学习,它最大作用就是让计算机能求解那些没有明确规则或定义的问题,例如你根本无法制定出一系列明确规则或步骤去让计算机识别一幅图像中内容是什么,人工智能最大强项就是让计算机能...

    以神经网络为基础的深度学习,它最大的作用就是让计算机能求解那些没有明确规则或定义的问题,例如你根本无法制定出一系列明确的规则或步骤去让计算机识别一幅图像中的内容是什么,人工智能最大的强项就是让计算机能处理那些模糊不清,几乎无法用明确的规则或步骤来描述的问题。

    一个受过大量数据训练的神经网络,给定领域内的图像表示什么内容,此时它就像一个黑盒子,把数据从一端输入,然后结果自动从另一端输出,你根本不知道他内部的运行机制。如果我们只在乎得到正确的结果,那么无论神经网络的内部机理如何复杂,我们都无需关心。如果我们想知道神经网络是如何学习输入数据,并总结出某种特定规律来,那么我们现在能知道的,就是网络会不断的调整链路上权值。

    由于神经网络模拟的是大脑思维方式,人的大脑有意识,那神经网络是否也有自己的”意识“呢?原来神经网络的工作流程如下:
    数字图片 -> 神经网络 -> 数字
    如果我们反其道而行之,给定一个数字,让神经网络把该数字对应的”图片“给画出来,那么我们就可以窥探神经网络是如何通过自己的”意识“来认识这个世界了,也就是我们把上面流程改为:
    数字图片<-神经网络<-数字
    通过上面的逆流程,我们就可以大概了解世界在神经网络中的样子。
    我们已经知道,神经网络得出的结果是先把输入信号与链路权重做乘机后求和,然后在对求和结果应用激活函数,所的到的结果就是神经节点输出的信号。反过来,我们拿到最终输出结果后,先做激活函数的逆运算,得到信号与权重的乘机和,然后再除以链路权重还原回各个信号分量,将这些信号分量合成一幅图像,我们就可以得知,神经网络是如何看待这个世界的。

    我们知道网络节点的激活函数如下:
    这里写图片描述
    要把里面的x解出来,我们就需要下面的公式:
    这里写图片描述
    在python中,它对应的代码为scipy.special.logit(),于是利用这个公式,我们用如下代码把结果反解出对应的图片,相应的实现代码如下:

    import scipy.special
    import numpy
    
    class  NeuralNetWork:
        def __init__(self, inputnodes, hiddennodes, outputnodes, learningrate):
            #初始化网络,设置输入层,中间层,和输出层节点数
            self.inodes = inputnodes
            self.hnodes = hiddennodes
            self.onodes = outputnodes
    
            #设置学习率
            self.lr = learningrate
            '''
            初始化权重矩阵,我们有两个权重矩阵,一个是wih表示输入层和中间层节点间链路权重形成的矩阵
            一个是who,表示中间层和输出层间链路权重形成的矩阵
            '''
            self.wih = numpy.random.rand(self.hnodes, self.inodes) - 0.5
            self.who = numpy.random.rand(self.onodes, self.hnodes) - 0.5
    
            self.activation_function = lambda x:scipy.special.expit(x)
    
            #设置激活函数的反函数
            self.inverse_activation_function = lambda x:scipy.special.logit(x)
            pass
        def  train(self, inputs_list, targets_list):
            #根据输入的训练数据更新节点链路权重
            '''
            把inputs_list, targets_list转换成numpy支持的二维矩阵
            .T表示做矩阵的转置
            '''
            inputs = numpy.array(inputs_list, ndmin=2).T
            targets = numpy.array(targets_list, ndmin=2).T
            #计算信号经过输入层后产生的信号量
            hidden_inputs = numpy.dot(self.wih, inputs)
            #中间层神经元对输入的信号做激活函数后得到输出信号
            hidden_outputs = self.activation_function(hidden_inputs)
            #输出层接收来自中间层的信号量
            final_inputs = numpy.dot(self.who, hidden_outputs)
            #输出层对信号量进行激活函数后得到最终输出信号
            final_outputs = self.activation_function(final_inputs)
    
            #计算误差
            output_errors = targets - final_outputs
            hidden_errors = numpy.dot(self.who.T, output_errors)
            #根据误差计算链路权重的更新量,然后把更新加到原来链路权重上
            self.who += self.lr * numpy.dot((output_errors * final_outputs *(1 - final_outputs)),
                                           numpy.transpose(hidden_outputs))
            self.wih += self.lr * numpy.dot((hidden_errors * hidden_outputs * (1 - hidden_outputs)),
                                           numpy.transpose(inputs))
    
            pass
        def  query(self, inputs):
            #根据输入数据计算并输出答案
            #计算中间层从输入层接收到的信号量
            hidden_inputs = numpy.dot(self.wih, inputs)
            #计算中间层经过激活函数后形成的输出信号量
            hidden_outputs = self.activation_function(hidden_inputs)
            #计算最外层接收到的信号量
            final_inputs = numpy.dot(self.who, hidden_outputs)
            #计算最外层神经元经过激活函数后输出的信号量
            final_outputs = self.activation_function(final_inputs)
            return final_outputs
        def backQuery(self, targets_list):
             # 将结果向量转置以便反解出输入信号量
            final_outputs = numpy.array(targets_list, ndmin=2).T
    
            # 通过激活函数的反函数得到输出层的输入信号
            final_inputs = self.inverse_activation_function(final_outputs)
    
            # 获取中间层的输出信号
            hidden_outputs = numpy.dot(self.who.T, final_inputs)
            # 将信号量圆整到0.01和0.98之间
            hidden_outputs -= numpy.min(hidden_outputs)
            hidden_outputs /= numpy.max(hidden_outputs)
            hidden_outputs *= 0.98
            hidden_outputs += 0.01
    
            #通过激活函数的反函数计算中间层获得的输入信号量
            hidden_inputs = self.inverse_activation_function(hidden_outputs)
    
            # 计算输入层的输出信号量
            inputs = numpy.dot(self.wih.T, hidden_inputs)
            # 将信号量圆整到0.01和0.98之间
            inputs -= numpy.min(inputs)
            inputs /= numpy.max(inputs)
            inputs *= 0.98
            inputs += 0.01
            #input对应的就是输入神经网络的图片像素数组
            return inputs
    

    上面代码跟以前不一样之处就在于多了一个backQuery函数,它接收结果向量,让后反解出向量对应的输入图片,有了上面神经网络后,我们先对其进行训练,得到相应的神经元链路权重:

    #初始化网络
    input_nodes = 784
    hidden_nodes = 100
    output_nodes = 10
    learning_rate = 0.3
    n = NeuralNetWork(input_nodes, hidden_nodes, output_nodes, learning_rate)
    #读入训练数据
    #open函数里的路径根据数据存储的路径来设定
    training_data_file = open("/Users/chenyi/Documents/人工智能/mnist_train.csv")
    trainning_data_list = training_data_file.readlines()
    print(len(trainning_data_list))
    training_data_file.close()
    #加入epocs,设定网络的训练循环次数
    epochs = 7
    print("begin trainning")
    
    for e in range(epochs):
        #把数据依靠','区分,并分别读入
        for record in trainning_data_list:
            all_values = record.split(',')
            inputs = (numpy.asfarray(all_values[1:]))/255.0 * 0.99 + 0.01
            #设置图片与数值的对应关系
            targets = numpy.zeros(output_nodes) + 0.01
            targets[int(all_values[0])] = 0.99
            n.train(inputs, targets)
    
    
    print("trainning complete")

    有了合适的链路权值后,我们构造一个结果向量,将它输入到网络中,让网络把它认为的向量对应的图像输出来:

    label = 8
    targets = numpy.zeros(output_nodes) + 0.01
    targets[label] = 0.99
    print(targets)
    image_data = n.backQuery(targets)
    #print(image_data.reshape(28,28))
    matplotlib.pyplot.imshow(image_data.reshape(28,28), cmap="Greys", interpolation="None")

    上面代码构造了一个数字8对应的结果向量,然后传入神经网络看看网络眼中的数字8是什么样子的,上面代码执行后结果如下:

    这里写图片描述

    没错,上面模糊一片的图案就是神经网络对数组8的理解,我们慢慢观察黑色部分,发觉它确实跟数字8有点像。这个图案让我想起了两千年前古希腊哲学家柏拉图提出一个叫”理型“的哲学概念,它的意思是说,每一个种类的事物,无论其外形如何变幻,他们本身都包含着一种超越时空,永恒不变的抽象属性。举个例子,给一个孩子看一只黑马的图片,然后让他看一只白马的图片,他很容易能认出那是马,也就是说不管黑马白马的外形差异如何,两只马都具备相同的理型叫做”马“,人正是因为感受到马的”理型“,所以不管马的形态如何变幻,人总能认出它是马来,也就是说所有的马都具备同一种抽象的超越时空,永恒不变的性质,正是这个性质将它与其他事物区分开来。

    道可道,非常道。理型的概念就是”道可道“中的第一个道,也就是永恒不变的规律,通常情况下,”道“是很难用语言或某种显著方式进行表达的。神经网络通过计算大量的手写数字图片,通过计算抽取出了这些同一类数字图片的共性,这个共性其实就是柏拉图所说的理型,也就是所有手写的数字”8“,都蕴含着某种不变的性质,神经网络就是把这个性质抽取出来的方式,上面那张模糊的图案,可以认为是所有手写数字8的理型,网络读取的图片数量越大,其对理型的把握就越准确。

    如此一来”非常道“似乎就不成立了,神经网络的结构以及链路上的权重,就可以用来对”道“进行描述,或者说一切手写数字的”理型“可以用现在我们训练的神经网络来描述。

    以神经网络为基础的深度学习模仿人的意识,在一定程度上也跟人的思维哲学有了交互之处,这就是技术发展与人文思想的交相辉映吧。至此我们对神经网络的基本原理说明就告一段落,从下一章开始,我们进入神经网络的实际应用层面。

    展开全文
  • 柏拉图式爱情 (精神爱情)

    千次阅读 2017-02-17 11:44:28
    柏拉图式爱情,也称为精神恋爱,以西方哲学家柏拉图命名的一种人与人之间的精神爱情,追求心灵沟通,排斥肉欲,理性的...哲学界对爱情的定义是理性的,所以它包容了如:道德、责任、义务等等这些充满人类理性光芒的社会
    柏拉图式爱情,也称为精神恋爱,以西方哲学家柏拉图命名的一种人与人之间的精神爱情,追求心灵沟通,排斥肉欲,理性的精神上的纯洁爱情。
    最早由Marsilio Ficino于15世纪提出,作为苏格拉底式爱情的同义词,用来指代苏格拉底和他学生之间的爱慕关系。柏拉图式爱情根植于古希腊理性主义传统和同性恋爱风尚。
    哲学界对爱情的定义是理性的,所以它包容了如:道德、责任、义务等等这些充满人类理性光芒的社会化的衍生物
    柏拉图认为:“当心灵摒绝肉体而向往着真理的时候,这时才是最好的。而当灵魂被肉体的罪恶所感染时,人们追求真理的愿望就不会得到满足。当人类没有对肉欲的强烈需求时,心境是平和的,肉欲是人性中兽性的表现,是每个生物体的本性,人之所以是所谓的高等动物,是因为人的本性中,人性强于兽性,精神交流是美好的、是道德的。”
    中文名
    柏拉图式爱情
    外文名
    Plato's love
    别    称
    柏拉图式恋爱
    同义词
    苏格拉底式爱情
    提出者
    马西里奥·斐齐诺

    历史背景

    编辑
    按照会饮篇的理论而言,柏拉图式的爱情主要是指一个成年男子和美少年之间的爱情,而这个也和当时希腊风气相关。希腊学者认为男性和男性之间的爱情才是真正属天的爱情,而男女的婚姻制度不过是为了社会的建构。这个说法完全不正确,柏拉图恋爱的本质应该以“美”[1] 为标准的恋爱,达到精神上的融合从而忽视肉体的交流。不考虑性别作为第一要素是因为当时女人普遍受教育程度低,男子受教育程度高,所以二者无法进行思想沟通,达不到平衡,这样才造成了古希腊男子与男子交好的风气。这种崇尚男男之爱的思想基于认为女性没有与之平等交流的价值思想。其本质是藐视女性的思想价值。[1] 
    柏拉图亚里士多德古希腊哲学家中最有影响的人,而在他们两个人中间,柏拉图对于后代所起的影响尤其来得大。
    柏拉图著书以他的老师苏格拉底之口表述说,当心灵摒绝肉体而向往着真理的时候,这时的思想才是最好的。而当灵魂被肉体的罪恶所感染时,人们追求真理的愿望就不会得到满足。
    在欧洲,很早就有被我们中国人称之为“精神恋爱”的柏拉图式的爱,这种爱认为肉体的结合是不纯洁的是肮脏的,认为爱情和情欲是互相对立的两种状态,因此,当一个人确实在爱着的时候,他完全不可能想到要在肉体上同他所爱的对象结合。
    在今天的人们看来,柏拉图的爱情观让人不可思议。
    美国东西部社会学会主席、《美国家庭体制》一书的作者伊拉·瑞斯(Ira·reiss)经研究后认为,柏拉图推崇的精神恋爱,实际上指的是同性之间的一种爱。古希腊人认为,同性恋的过程更多地是灵交神交,而非性交。这就是柏拉图偏重同性之间的爱情的原因。
    柏拉图坚信“真正”的爱情是一种持之以恒的情感,而惟有时间才是爱情的试金石,惟有超凡脱俗的爱,才能经得起时间的考验。柏拉图在对话录《会饮篇》中提到最崇高的爱情是精神之爱,是爱的双方对真善美的共同追求,而这种共同追求仅限于同性之间,只有这种爱才是高尚而珍贵的。在雅典,同性爱被法律赋予了最大限度的保护和支持,甚至被认为是对无节制生育的一种控制方法而加以提倡,同性恋是当时的雅典的骄傲之一。
    而美国的社会学者对“柏拉图式的爱情”是只有神交的“纯爱情”,还是虽有形交却偏重神交的高雅爱情,也众说纷纭。
    但有一点是可以肯定的,即柏拉图认为爱情能够让人得到升华。对一个活得高尚的人来说,指导他行为的不是血缘,不是荣誉,不是财富,而是爱情。世上再也没有一种情感像爱情那样深植人心。一个处在热恋中的人假如作出了不光彩的行为,被他的父亲、朋友或别的什么人看见,都不会像被自己的恋人看见那样,使他顿时苍白失色。
    爱情,无疑是使人向善、向上的力量。[1] 

    观点

    编辑

    理想式

    理想式的爱情观(比喻极为浪漫或是根本无法实现的爱情观)
    柏拉图式爱情是一种理想式的爱情观。极为浪漫或根本无法实现的爱情观。站在爱人的身边,静静地付出,默默地守候。不奢望走近,也不祈求拥有;即便知道根本不会有结果,也仍然执着不悔。也许这种不求回报注定了一个悲剧的结局。最终,也只能是两条在远处守候的圆弧,留下回忆中最为美好的片段当作永恒

    纯精神

    纯精神的而非有肉体的爱情
    柏拉图式爱情是一种纯精神的爱情观。追求心灵的沟通。当心灵摒绝肉体而向往着真理的时候,这时的思想才是最好的(梦幻的);当人类没有对肉欲的强烈需求时,心境是平和的,肉欲是人性中兽性的表现,是每个生物体的本性。人之所以是所谓的高等动物,是因为人的本性中,美好而又道德的人性强于兽性。真正的爱情是一种持之以恒的情感,惟有时间才是爱情的试金石。惟有超凡脱俗的爱,才能经得起时间的考验。

    双方平等

    双方平等的爱情观
    柏拉图式爱情是一种双方平等的爱情观。爱情具有平等性,不存在依附或占有关系,相爱的双方是自愿、绝不勉强的,即无怨无悔地爱你所喜爱的人。在观念世界里,你原本的另一半就是你最完美的对象。他就在世界的某个角落里正等待寻找着你。“雨中站岗”、“每日一花”那是种浪费奢侈。要知道爱情在培育发展过程中,双方都是平等的。

    完美

    在这世上有且仅有一个人, 对你而言, 他是完美的, 而且仅对你而言是完美的。也就是说,任何一个人, 都有其完美的对象,而且只有一个。
    柏拉图式爱情是一种完美的爱情观。感情的事没有谁对谁错。正如歌里唱的那样:“不在乎天长地久,只愿曾经拥有”。在你的意念里,这个世界上存在一个生动而又完美的他,他对你而言是毫无瑕疵、唯一永恒的。也许他不会出现在现实,但永远存活在你的心底。

    自由

    柏拉图式爱情是一种自由的爱情观。爱需要有足够的空间和时间,才能茁壮的成长。爱,不是牺牲,不是占有。拥有爱情的时候,要让对方自由;失去爱情的时候,更要让对方自由。爱就像风筝一样,你要给它飞翔自由,也要懂得适时把它拉回来。没有自由的爱情,也会慢慢趋向自然死亡。爱需要自由,正如同爱也需要呼吸是一样的。距离和神秘感,才是维系爱情温度的好方法。
    在浊世之中,心灵留出一方净土,让纯纯的柏拉图式爱情扎根,多一些简单,多一些幻想,便会多一些美好!如果你愿意,不妨泡上一杯咖啡,在阳光下继续写柏拉图式爱情的文字!
    人总是在渴望爱情,古今中外、男女老少,概莫能外。但是不同的时代、不同的地域和不同的个人,爱情的内容和形式有很大不同。原始人的爱情大概不需要写情书,因为那时还没有文字;十九世纪的人也不知道可以通过抱电话机来卿卿我我、海誓山盟;直到二十世纪后期,人们才知道上网也可以传情达意。
    在西方爱情文明的发展过程中,现存最早的有关文献就是柏拉图(公元前427~347年)的论述,他的论述被认为是一座丰碑,“柏拉图式的爱情”作为一种观念,影响了一代又一代的西方人,东方人也将他的名字当作“精神恋爱”的代名词。

    观点解读

    编辑
    第一个意义最常被使用, 但其实是一个误解。不过既然大家都这样用, 也就算是另一个意义了。这误解来自于柏拉图的一个有名的著作“理想国”。该书探讨如何建构一个理想的国度, 因其或许过于理想化而难以实现,故有人以此来诠释何谓柏拉图式的爱情。
    第二个意义也经常被使用, 但基本上也是误解。这误解来自柏拉图的形而上学,他认为思想的东西才是真实的而我们看见的所谓的“真实世界”的东西反而不是真实的。
    第三和第四个意义才真的是柏拉图的爱情观。
    柏拉图认为人们生前和死后都在最真实的观念世界, 在那里,每个人都是合体的完整的人, 到了这世界我们都分裂为二。所以人们总觉得若有所失,企图找回自己的另一半(这个词也来自柏拉图的理论)。柏拉图也用此解释为什么人们会有恋情,以及同性恋为什么更好。此段描述可参见柏拉图的会饮篇
    在他的理论中, 没有哪一半是比较重要的。所以, 双方是平等的。而且,在观念世界的你原本的另一半就是你最完美的对象。他 就在世界的某个角落, 也正在寻找着你。

    爱情讨论

    编辑
    柏拉图柏拉图
    西方哲学史和文化史上,柏拉图是一位有着举足轻重地位的人物,他的老师是苏格拉底,学生是亚里士多德。这三个人对西方的文明和思想有着深远的影响。
    有一天,柏拉图问苏格拉底:“什么是爱情?”
    苏格拉底微笑着说:“你去麦田里摘一株最大最好的麦穗回来,在这过程当中,只允许摘一次,并且只能往前走,不能回头。”柏拉图按照苏格拉底的话去做,很久才回来。
    苏格拉底问他摘到没有?
    柏拉图摇摇头说:“开始我觉得很容易,充满信心地出去,但是最后空手而归!”
    苏格拉底继续问道:“什么原因呢?”
    柏拉图叹了口起气说:“很难得看见一株不错的,却不知道是不是最好的,因为只可以摘一株,无奈只好放弃;于是,再往前走,看看有没有更好的,可是我越往前走,越发觉不如以前见到的好,所以我没有摘;当已经走到尽头时,才发觉原来最大的最饱满的麦穗早已错过了,只好空手而归咯!”
    这个时候,苏格拉底意味深长地说:“这就是‘爱情’。”
    之后又有一天,柏拉图问他的老师什么是婚姻,他的老师就叫他先到树林里,砍下一棵全树林最大最茂盛、最适合放在家作装饰用的树。其间同样只能砍一次,以及同样只可以向前走,不能回头。柏拉图于是照着老师的说话做。这次,他带了一棵普普通通,不是很茂盛,亦不算太差的树回来。老师问他,怎么带这棵普普通通的树回来,他说:“有了上一次经验,当我走到大半路程还两手空空时,看到这棵树也不太差,便砍下来,免得错过了后悔,最后又什么也带不出来。”老师说:“这就是婚姻!”
    再有一天,柏拉图问苏格拉底:“什么是幸福?”苏格拉底就叫他到田园里去摘一朵最美的花,其间同样只能摘一次,而且同样只可以向前走不能回头,柏拉图于是照着苏格拉底的话去做了。这一次,他带了一朵美丽的花回来了,苏格拉底又问了他同样的问题。这次柏拉图是这么回答的,他说我找到一朵很美的花,但是在继续走的过程中发现有更美的花,我没有动摇,也没有后悔,坚持认为自己的花是最美的,事实证明花至少在我眼里是最美的。苏格拉底又说:“这就是幸福!”
    人生就正如穿越麦田和树林,只走一次,不能回头。要找到属于自己。最好的麦穗和大树,你必须要有莫大的勇气和相当的付出。 柏拉图认为:当心灵摒绝肉体而向往着真理的时候,这时的思想才是最好的。而当灵魂被肉体的罪恶所感染时,人们追求真理的愿望就不会得到满足。当人类没有对肉欲的强烈需求时,心境是平和的,肉欲是人性中兽性的表现,是每个生物体的本性,人之所以是所谓的高等动物,是因为人的本性中,人性强于兽性,精神交流是美好的、是道德的。
    柏拉图认为人们生前和死后都在最真实的观念世界,在那里,每个人都是男女合体的完整的人,到了这世界我们都分裂为二。所以人们总觉得若有所失,企图找回自己的“另一半”(这个词也来自柏拉图的理论)。柏拉图也用此解释为什么人们会有“恋情”。在他的理论中,没有哪一半是比较重要的。 所以,男女是平等的。而且,在观念世界的你的原本的另一半就是你最完美的对象。他/她就在世界的某个角落,也正在寻找着你。
    柏拉图式的爱情,只是站在爱人的身边,静静的付出,默默的守候,不奢望走近,也不祈求拥有,即便知道根本不会有结果,却仍然执迷不悔,也就是这种不求回报的原因,注定了它悲剧的结局后,也只能是一条在远处守候的平行线,只留下回忆中,美好的片段,当作永恒
    之后,就产生了柏拉图式爱情。
    诚然,芸芸众生,天生一副肉眼凡胎,是如何体会人类最为高尚、最为圣洁、最为理想、最为自由、最为完美的爱情呢!
    若是找不到这种,便可在芸芸众生中,穿越,徘徊,直至找到,然后付出,这之后并没有结果,只有过程,因为你我寿载有限,等不到结果,只有留有回忆与记忆之中。
    展开全文
  • 每篇一格言: 苟日新,日日新,又日新 ——《礼记·大学》 前言 ...这种认知能力更像是柏拉图提出哲学命题: 我是谁 ——理解概念 从哪里来 —— 认识过去 到哪里去 —— 预测未来 这种认知能力...
  • 它包括基于柏拉图式立体的一般大小排列拼图的定义:四面体,立方和十二面体拼图,以及面转八面体和轴转面二十面体。 包含的定义可以扩展为对其他已知形状进行建模,或者创建具有疯狂结构的全新排列拼图! 现场...
  • 现在有一种创建用户定义算法方法。 十二面体和二十面体小鳞片现在在几何上是完美,并且没有“折叠错误”。 “仅数据”数据输出模式允许用户将几何数据复制并粘贴到任何电子表格中。 所有选项极化(+/-)...
  • 用于多关系数据图神经网络R-GCNs

    千次阅读 2020-12-30 09:23:34
    本文描述如何扩展图神经网络(GNNs)最简单公式,以编码知识图谱(KGs)等多关系数据结构。 这篇文章包括4个主要部分: ... 例如,在哲学领域,我们可以定义两个由“苏格拉底”和“柏拉图”实体表示节点之间链接。.
  • 暂且不论如何定义数字货币,数字货币组成,数字货币监管等富有争议问题,就从目前局面来看,数字货币相较于法币,会更接近货币本质,比如法币是基于权威性发行,而数字货币多元化(主流币种BTC、ETH,平台币...
  • 1. 使用 # 使用 #作为标题标志,但是必须顶格使用,越少#越大,一般使用##作为小标题1234这样列出来。 语法格式: #标题 ##标题 ###标题 ...**> 柏拉图式爱情,也称为精神恋爱,以西方哲学家柏拉图命名
  • 柏拉图提出千古疑问“美是什么”开始,关于美的定义至今没有得到普遍认同。我个人理解,美即一种主观愉悦心理反应。会计之美有三:抽象之美、平衡之美、创造之美。 会计 “抽象之美”:无论是多复杂...
  • 在以前用Delphi开发项目中,会经常用到TChart这个画图控件,它本身很强大,支持各类图,如点线图,柏拉图,柱状图等等,加上可以输出成BMP,JPEG,JPG,SVG,GIF等各种格式图片,很好用,当时也封装成比较独立...
  • 关于知识的作品中,最有影响力的作品是柏拉图的《泰阿泰德篇》,书中他发展了知识的定义。我们知道,想要被定义为知识,它必须是被证实的,并且必须被我们相信是真的。苏格拉底认为这还不够,人们还必须为之找到理由...
  • ”亚里士多德给游戏的定义是:“游戏是劳作后的休息和消遣,本身并带有任何目的性的一种行为活动。”可以说,游戏是一种一直存在的社会现象,有了人类就有了游戏,人类与游戏息息相关。游戏也随着人类的进步有了新的...
  • 哲学家们,比如柏拉图也曾经考虑过这个问题,但是从来没有找到一个满意答案。我五岁儿子,奥吉最近认识了植物,动物和钟,当然也少不了恐龙和飞船。他还弄懂了如何理解他人需要和感受。他可以用知识来定义他看
  • 1983年,加德纳在《智力的结构》一书中提出了一个新的智力的定义,即“智力是在某种社会和文化环境的价值标准下,个体用以解决自己遇到的真正难题或生产及创造出有效产品所需要的能力”。在加德纳看来,智力一
  • 教育是什么?

    2009-12-15 13:55:00
    一、什么是定义定义的规则关于定义这一方法使用,我们应当归功于苏格拉底(或者在一定程度上归于柏拉图)。苏格拉底总是追问"正义是什么?""美德是什么?"而且强调要求是给这些概念下定义,而不是仅仅拿出这些概念...
  • 柏拉图的算术与几何 分析学的起源 尼多斯 的欧多克索斯 穷举法 数学天文学 门奈赫莫斯 108立方体加倍 狄诺斯特拉图与化圆为方 皮坦尼的奥 托利科斯 亚里士多德 古希腊时期的终结 第7章 亚历山大城的欧几里得 《几何...
  • 苏格拉底 《斐多篇》

    千次阅读 2017-11-16 22:02:36
    死亡的定义?灵魂和肉体的分离。哲学家从不关心物质的享乐和爱情的欢愉,真正的哲学家只关心灵魂,而试图摆脱肉体。 苏格拉底说,世界上存在绝对的善,绝对的美,和绝对的正义,这是哲学家追求的绝对的知识,而...
  • 模糊集与模糊聚类

    千次阅读 2019-03-15 16:51:18
    数据挖掘讲课任务梳理: 目录 西大数据挖掘讲课任务梳理: ...19世纪以前,是传统逻辑时代,主要是就是亚里士多的的精确数学,后来柏拉图反对这种非此即彼思维方法,他认为真假之间应该存在...
  • 操作系统知识

    2012-03-10 16:37:12
    病毒的定义是相对的,我将之定义为对于一定的环境,能够寄生,快速繁殖,能够通过变异和杂交,能够通过系统漏洞获得一定的系统控制权的智能体。信息和精神最后都映射为物质,只有透过信息和精神才能接触到物质,病毒...
  • 什么是知识?

    2018-09-05 02:29:25
    知识是符合文明方向的,人类对物质世界以及精神世界探索的结果总和。知识,至今也没有一个统一而明确的界定。有一个经典的定义来自于柏拉图:一条陈述能称得上是知识必须满足...
  • shijiao

    2019-12-22 16:56:10
    A.西方视角 教育哲学是西方和印度哲学家重要研究领域。...事实上,德威曾经提出"哲学甚至可以被定义为教育一般理论"。在以下几页中,我们将从西方和印度角度讨论教育哲学不同观点。 西方教...
  • 有一个经典的定义来自于柏拉图:一条陈述能称得上是知识必须满足三个条件,它一定是被验证过的,正确的,而且是被人们相信的,这也是科学与非科学的区分标准。由此看来,知识属于文化,而文化是感性与知识上的升华,...
  • 【面向对象思维】

    2020-07-05 22:09:45
    目录 一、面向对象的概述 二、面向对象和面向过程 三、面向对象的特征(如何定义类的参考) ...艾伦凯:你要到达那个星球,不能瞄准他现在的位置,而是要瞄准他未来的...3.类完全就是柏拉图的理念论,类是一个抽象..
  • 什么是数字?

    2020-06-04 19:29:02
    特别是,柏拉图定义了自然数一。 自然数是相等,不变和不可分割。 这些属性在直观上是可以接受。 但是,我们从未见过或碰过自然数本身。 我们怎么知道呢? 苏格拉底说我们出生前就知道。 此声明称为回忆。 ...

空空如也

空空如也

1 2 3
收藏数 47
精华内容 18
关键字:

柏拉图的定义