热门搜索：
当前位置： & &
小花仙【活动】贴！贴！贴春联
更新日期： 来源：7k7k作者：7K7K-乐曦
【活动】贴！贴！贴春联
活动地点：美丽湖西
在指定场景收集春联，参加贴春联活动，就可兑换风雅蔷薇套装哦！
活动奖励：
风雅蔷薇套装
活动方式：点击春联下方的&更换&，进入选择界面，选择要贴的春联后点击&确定更换&，再点击&贴上春联&就可以了~
收集春联方式：
们可前往美丽湖西、花蕾亚学园、古灵仙地、甜果林、绿灌木林场景中寻找春联。
以上就是本次贴春联活动的全部攻略啦~
热门专题传送门&p&谢邀。&/p&&p&&br&&/p&&p&关于这个问题，我们以一款上世纪80年代风靡一时的电子游戏&b&“吃豆小姐”&/b&为例看看AI到底能达到怎样的水平。来自微软今年早些时候收购的加拿大的深度学习初创企业Maluuba团队使用增强学习的技术，在Atari 2600版“吃豆小姐”游戏中表现完美，获得了999,990的历史最高分。&/p&&p&&br&&/p&&p&————这里是正式回答的分割线————&/p&&p&&br&&/p&&p&微软的研究人员在近期创建了一套基于人工智能的系统，以学习如何在20世纪80年代风靡一时的电子游戏“吃豆小姐”中获得最高分。该系统运用了“分而治之”的方法，可广泛用于对AI代理（agents）进行训练，使之掌握能够增强人类能力的复杂任务。&/p&&h2&&b&为什么选择“吃豆小姐”游戏？&/b&&/h2&&p&&br&&/p&&p&你可能很奇怪为什么要用最先进的AI研究方法来对付上个世纪80年代Atari游戏这样看似简单的东西，但事实上Maluuba公司项目经理Rahul Mehrotra表示，搞清楚如何在这类电子游戏中胜出实际上是相当复杂的，因为在玩游戏时你可能遇到各种各样的情况。&/p&&p&&br&&/p&&p&Mehrotra说：“在游戏中取胜需要很多与人类十分相似的‘智力’，所以很多从事AI研究的公司都使用电子游戏来构建智能算法。”&/p&&p&&br&&/p&&p&“吃豆小姐”游戏街机版的共同发明者之一Steve Golson说，这款游戏入门很简单但打通关却几乎不可能，因为它最初是针对街机设计的，店老板们总是希望人们不断地往里面投币。“店家希望玩家们觉得，‘哦，哦，我差一点就打通关了！我要再试一次，”Golson说。“再投一个币。”他们当初设计“吃豆小姐”时有意让她比普通的“吃豆人”更难以预测，让玩家更难打通关。而这使得它成为研究人员训练AI代理对随机环境做出反应的理想环境。“这款游戏看起来很简单，”他说，“但由于游戏中的各种随机情况，其复杂性又十分惊人。”&/p&&p&&br&&/p&&img src=&/v2-7ece7d242adcbddf4b7aa857c6447951_b.jpg& data-rawwidth=&600& data-rawheight=&338& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&/v2-7ece7d242adcbddf4b7aa857c6447951_r.jpg&&&p&&br&&/p&&h2&&b&混合奖励结构——AI代理&/b&&/h2&&p&&br&&/p&&p&蒙特利尔麦吉尔大学计算机科学副教授Doina Precup表示，这是AI研究人员的重大成就。过去他们一直在用各类电子游戏对系统进行测试，发现“吃豆小姐”是其中最难攻克的。但是，Precup同时表示，令她印象深刻的不仅仅是研究人员所取得的成绩，更在于他们所采取的方法。为了获得高分，Maluuba团队把“吃豆小姐”打通关这个终极任务拆分成了多个小任务，然后再分配给多个AI代理。&/p&&p&&br&&/p&&p&“这种让它们（AI代理）朝着一个共同目标分工协作的想法非常有趣，”Precup说。她指出，这一点与某些有关大脑工作机理的学说颇为类似，并且有可能在训练AI代理凭借有限信息完成复杂任务方面产生广泛影响。她说：“这真是非常令人兴奋，我们又朝着更加通用的人工智能迈进了一步。”&/p&&p&&br&&/p&&p&Maluuba团队将这种方法称为“混合奖励结构（Hybrid Reward Architecture）”，其中使用了150多个代理，每个代理都能与其他代理并行工作，以掌握“吃豆小姐”游戏的玩法。例如，一些代理成功找到某个特定“豆子”时会获得奖励，而另一些代理则被指定负责设法避开“鬼怪”。&/p&&p&&br&&/p&&p&接着，研究人员创建了一个上层代理——就像一家企业的高级经理，负责从所有其他代理处收集建议，并据此决定下一步如何移动吃豆小姐。上层代理会计算主张向某个方向前进的代理的数量，但也会考察了它们希望采取行动的愿望强度。&/p&&p&&br&&/p&&p&例如，假设100个代理希望向右移动，因为这是通向某个豆子的最佳路径，但是另外3个代理希望向左移动，因为右方有一个致命的鬼怪，那么上层代理会提高那些注意到鬼怪的代理的愿望权重，并决定向左移动。&/p&&p&&br&&/p&&img src=&/v2-b43d0ae28fdd11374ebf5b3b77fbf967_b.jpg& data-rawwidth=&600& data-rawheight=&338& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&/v2-b43d0ae28fdd11374ebf5b3b77fbf967_r.jpg&&&p&&br&&/p&&p&Maluuba公司的研究经理Harm Van Seijen，同时也是关于这项成就的新论文的主要作者，他表示，当每个代理都自发地采取行动时，就会实现最好的结果。例如，其它每个代理只关注获取豆子的最佳方式，而由上层代理决定如何运用来自各个代理的信息，做出对每个人都最有利的选择。&/p&&p&&br&&/p&&p&他说：“一方面它们要设法根据所有代理的偏好展开合作，但另一方面每个代理又只关心一个特定问题，这样就产生了良性互动，对大家都有好处。”&/p&&p&&br&&/p&&h2&&b&增强学习&/b&&/h2&&p&&br&&/p&&p&对于在不断发展的增强学习领域从事研究工作的人来说，这种不可预测性是特别有价值的。在AI研究中，监督学习是一种更为常用的人工智能方法，通过用越来越多包含“正确行为”的样本训练系统，使其会变得越来越擅长从事某种工作。 &/p&&p&&br&&/p&&p&而增强学习的原理却大相径庭。通过增强学习，代理所尝试做出的每个动作都会获得积极或消极的反馈，并从尝试和试错中不断学习，以最大限度地获得积极反馈，或称之为奖励。&/p&&p&&br&&/p&&p&采用监督学习的AI系统，将通过学习好的或差的的回应示例，学会在对话中给出适当回应。另一方面，对于采用增强学习方法的系统，人们期望它仅从高级别反馈（例如一个人表示自己很喜欢当前对话）中学习适当的回应，这项任务的难度要高得多。&/p&&p&&br&&/p&&p&AI专家认为，增强学习可以用于创建AI代理，让它能够独立做出更多的决定、承担更为复杂的工作，把人们解放出来去从事更有价值的工作。&/p&&p&&br&&/p&&p&例如，Mehrotra表示，他们所开发的“吃豆小姐”打通关方法可用于帮助公司的销售部门针对某个特定日期或特定时刻的潜在客户进行准确预测。系统可以使用多个代理，每个代理盯住一名客户，由一个上层代理对多项因素加以权衡，如哪些客户即将续约，哪些合同对公司最有价值，以及某一天或某一时刻潜在客户通常是否在办公室或可前往拜访等。&/p&&p&&br&&/p&&p&相应地，销售主管会得到解放，就能够把自己的时间全部放在销售事务上，这样将会增加成交几率，因为她只需要瞄准最容易接受的客户即可。&/p&&p&&br&&/p&&p&Van Seijen表示，这种“分而治之”的方法还可用于其它AI研究领域，如自然语言处理等。他说：“它确实能让我们在解决这些异常复杂的问题上取得深入进展。”&/p&&p&&br&&/p&&p&以上回答摘选自微软研究院AI头条，&a href=&///?target=https%3A//mp./s%3F__biz%3DMzAwMTA3MzM4Nw%3D%3D%26mid%3D%26idx%3D1%26sn%3D0dff3fa532df0ee45546%26chksm%3D82c0aa3bb5bf779c60c016adaed65cf27c6bbfec881e09%23rd& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&999,990历史最高分！看微软AI如何把“吃豆小姐”玩通关&i class=&icon-external&&&/i&&/a&。 &/p&&p&&br&&/p&&p&感谢大家的阅读。&/p&&p&&br&&/p&&p&本账号为微软亚洲研究院的官方知乎账号。本账号立足于计算机领域，特别是人工智能相关的前沿研究，旨在为人工智能的相关研究提供范例，从专业的角度促进公众对人工智能的理解，并为研究人员提供讨论和参与的开放平台，从而共建计算机领域的未来。&/p&&p&&br&&/p&&p&微软亚洲研究院的每一位专家都是我们的智囊团，你在这个账号可以阅读到来自计算机科学领域各个不同方向的专家们的见解。请大家不要吝惜手里的“邀请”，让我们在分享中共同进步。&/p&&p&&br&&/p&&p&也欢迎大家关注我们的微博和微信 (ID:MSRAsia) 账号，了解更多我们的研究。&/p&
谢邀。 关于这个问题，我们以一款上世纪80年代风靡一时的电子游戏“吃豆小姐”为例看看AI到底能达到怎样的水平。来自微软今年早些时候收购的加拿大的深度学习初创企业Maluuba团队使用增强学习的技术，在Atari 2600版“吃豆小姐”游戏中表现完美，获得了999,…
&img src=&/50/v2-6e2b1bdb5a3f2df04b58cfc96d4c0c1c_b.jpg& data-rawwidth=&510& data-rawheight=&340& class=&origin_image zh-lightbox-thumb& width=&510& data-original=&/50/v2-6e2b1bdb5a3f2df04b58cfc96d4c0c1c_r.jpg&&&p&Python模拟登陆让不少人伤透脑筋，今天奉上一种万能登陆方法。你无须精通HTML，甚至也无须精通Python，但却能让你成功的进行模拟登陆。&b&本文讲的是登陆所有网站的一种方法，并不局限于微博与知乎，仅用其作为例子来讲解。&/b&&/p&&p&用到的库有“&b&selenium”和“requests”&/b&。通过selenium进行模拟登陆，然后将Cookies传入requests，最终用requests进行网站的抓取。优点就是不但规避了“selenium”其本身抓取速度慢的问题（因为仅仅用其作为登陆），又规避了利用requests登陆时需要制作繁琐的Cookies的过程（因为是从selenium直接拿来cookies）。文章前面列出了步骤与代码，后面补充了登陆微博与知乎的实例。&/p&&p&&b&文章最后给出了一个懒人的方法。想要走捷径的朋友直接看第四部知乎登陆。该方法适用于登陆所有网站，仅用知乎作为实例以方便讲解。&/b&&/p&&p&------------开始---------&/p&&p&需要材料：1.自己喜欢的webdriver （必须） 2.Anaconda（可选）。selenium是借助浏览器而运行的，因此需要额外下载一款小型浏览器。Anaconda推荐大家也去下载一个，它里面包含了众多python的库，用起来很方便，而且免费！&b&友情链接&/b&：1.&a href=&/?target=https%3A//chromedriver./index.html%3Fpath%3D2.31/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&谷歌 Web Driver下载&i class=&icon-external&&&/i&&/a& 2. &a href=&/?target=https%3A///download/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Anaconda下载&i class=&icon-external&&&/i&&/a&&/p&&h2&&b&第一部：利用selenium登陆&/b&&/h2&&p&导入selenium库&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&from selenium import webdriver
&/code&&/pre&&/div&&p&明确模拟浏览器在电脑中存放的位置，比如我存在了D盘&/p&&div class=&highlight&&&pre&&code class=&language-python3&&&span&&/span&&span class=&n&&chromePath&/span& &span class=&o&&=&/span& &span class=&s1&&r'D:\Python Program\chromedriver.exe'&/span&
&/code&&/pre&&/div&&p&用selenium的webdriver方程指明浏览器的路径，同时打开一个浏览器。模拟浏览器有多种可选,比如Firefox, Safari。本次用的是谷歌的模拟浏览器。注意：'.Chome'是大写字母。&/p&&div class=&highlight&&&pre&&code class=&language-python3&&&span&&/span&&span class=&n&&wd&/span& &span class=&o&&=&/span& &span class=&n&&webdriver&/span&&span class=&o&&.&/span&&span class=&n&&Chrome&/span&&span class=&p&&(&/span&&span class=&n&&executable_path&/span&&span class=&o&&=&/span& &span class=&n&&chromePath&/span&&span class=&p&&)&/span&
&/code&&/pre&&/div&&p&让webdriver为你填写用户名和密码&/p&&div class=&highlight&&&pre&&code class=&language-python3&&&span&&/span&&span class=&n&&wd&/span&&span class=&o&&.&/span&&span class=&n&&find_element_by_xpath&/span&&span class=&p&&(&/span&&span class=&s1&&'用户名选项卡位置'&/span&&span class=&p&&)&/span&&span class=&o&&.&/span&&span class=&n&&send_keys&/span&&span class=&p&&(&/span&&span class=&s1&&'用户名'&/span&&span class=&p&&)&/span&
&span class=&n&&wd&/span&&span class=&o&&.&/span&&span class=&n&&find_element_by_xpath&/span&&span class=&p&&(&/span&&span class=&s1&&'密码选项卡位置'&/span&&span class=&p&&)&/span&&span class=&o&&.&/span&&span class=&n&&send_keys&/span&&span class=&p&&(&/span&&span class=&s1&&'密码'&/span&&span class=&p&&)&/span&
&/code&&/pre&&/div&&p&让webdrive点击登陆，若是按钮就选择用click(),若是表单就选择submit()。&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&wd.find_element_by_xpath('登陆按钮所在位置').click() #若是按钮
wd.find_element_by_xpath('登陆按钮所在位置').submit() #若是表单
&/code&&/pre&&/div&&p&登陆完成，所有的cookies现在都存在了'wd'里面，可随时调用。&/p&&h2&&b&第二部：将selenium的cookies传入requests&/b&&/h2&&p&导入requests库,并构建Session()&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&import reqeusts
req = requests.Session()
&/code&&/pre&&/div&&p&从‘wd'里调出cookies&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&cookies = wd.get_cookies()
&/code&&/pre&&/div&&p&将selenium形式的cookies转换为requests可用的cookies。&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&for cookie in cookies:
req.cookies.set(cookie['name'],cookie['value'])
&/code&&/pre&&/div&&p&大功告成！尝试用requests来抓取网页。&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&req.get('待测试的链接')
&/code&&/pre&&/div&&p&&b&以上就是python模拟登陆的万能方法，你无需分析传递给网站的Cookies。只需要告诉python在什么地方填写用户名与密码就可以。十分的便利。&/b&&/p&&h2&&b&第三部：微博模拟登陆&/b&&/h2&&div class=&highlight&&&pre&&code class=&language-python3&&&span&&/span&&span class=&kn&&import&/span& &span class=&nn&&requests&/span&
&span class=&kn&&from&/span& &span class=&nn&&selenium&/span& &span class=&k&&import&/span& &span class=&n&&webdriver&/span&
&span class=&n&&chromePath&/span& &span class=&o&&=&/span& &span class=&s1&&r'浏览器存放位置'&/span&
&span class=&n&&wd&/span& &span class=&o&&=&/span& &span class=&n&&webdriver&/span&&span class=&o&&.&/span&&span class=&n&&Chrome&/span&&span class=&p&&(&/span&&span class=&n&&executable_path&/span&&span class=&o&&=&/span& &span class=&n&&chromePath&/span&&span class=&p&&)&/span& &span class=&c1&&#构建浏览器&/span&
&span class=&n&&loginUrl&/span& &span class=&o&&=&/span& &span class=&s1&&'/login.php'&/span&
&span class=&n&&wd&/span&&span class=&o&&.&/span&&span class=&n&&get&/span&&span class=&p&&(&/span&&span class=&n&&loginUrl&/span&&span class=&p&&)&/span& &span class=&c1&&#进入登陆界面&/span&
&span class=&n&&wd&/span&&span class=&o&&.&/span&&span class=&n&&find_element_by_xpath&/span&&span class=&p&&(&/span&&span class=&s1&&'//*[@id=&loginname&]'&/span&&span class=&p&&)&/span&&span class=&o&&.&/span&&span class=&n&&send_keys&/span&&span class=&p&&(&/span&&span class=&s1&&'userword'&/span&&span class=&p&&)&/span& &span class=&c1&&#输入用户名&/span&
&span class=&n&&wd&/span&&span class=&o&&.&/span&&span class=&n&&find_element_by_xpath&/span&&span class=&p&&(&/span&&span class=&s1&&'//*[@id=&pl_login_form&]/div/div[3]/div[2]/div/input'&/span&&span class=&p&&)&/span&&span class=&o&&.&/span&&span class=&n&&send_keys&/span&&span class=&p&&(&/span&&span class=&s1&&'password'&/span&&span class=&p&&)&/span& &span class=&c1&&#输入密码&/span&
&span class=&n&&wd&/span&&span class=&o&&.&/span&&span class=&n&&find_element_by_xpath&/span&&span class=&p&&(&/span&&span class=&s1&&'//*[@id=&pl_login_form&]/div/div[3]/div[6]/a'&/span&&span class=&p&&)&/span&&span class=&o&&.&/span&&span class=&n&&click&/span&&span class=&p&&()&/span& &span class=&c1&&#点击登陆&/span&
&span class=&n&&req&/span& &span class=&o&&=&/span& &span class=&n&&requests&/span&&span class=&o&&.&/span&&span class=&n&&Session&/span&&span class=&p&&()&/span& &span class=&c1&&#构建Session&/span&
&span class=&n&&cookies&/span& &span class=&o&&=&/span& &span class=&n&&wd&/span&&span class=&o&&.&/span&&span class=&n&&get_cookies&/span&&span class=&p&&()&/span& &span class=&c1&&#导出cookie&/span&
&span class=&k&&for&/span& &span class=&n&&cookie&/span& &span class=&ow&&in&/span& &span class=&n&&cookies&/span&&span class=&p&&:&/span&
&span class=&n&&req&/span&&span class=&o&&.&/span&&span class=&n&&cookies&/span&&span class=&o&&.&/span&&span class=&n&&set&/span&&span class=&p&&(&/span&&span class=&n&&cookie&/span&&span class=&p&&[&/span&&span class=&s1&&'name'&/span&&span class=&p&&],&/span&&span class=&n&&cookie&/span&&span class=&p&&[&/span&&span class=&s1&&'value'&/span&&span class=&p&&])&/span& &span class=&c1&&#转换cookies&/span&
&span class=&n&&test&/span& &span class=&o&&=&/span& &span class=&n&&req&/span&&span class=&o&&.&/span&&span class=&n&&get&/span&&span class=&p&&(&/span&&span class=&s1&&'待测试的链接'&/span&&span class=&p&&)&/span&
&/code&&/pre&&/div&&p&解释下关键的几个步骤：&/p&&p&1.找位置。推荐使用谷歌浏览器来查找每个元素的Xpath，参看这个：&a href=&/?target=http%3A//blog.csdn.net/li6727975/article/details/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&从Chrome获取XPATH路径&i class=&icon-external&&&/i&&/a&。&/p&&p&2. 选择click函数还是submit函数。推荐每个都试一下，总会有一个成功的。&/p&&p&3.登陆微博是被要求输入验证码怎么办？有时登陆微博会被要求输入验证码，这个时候我们可以加一行手动输入验证码的代码。例如：&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&wd.find_element_by_xpath('//*[@id=&pl_login_form&]/div/div[3]/div[6]/a').click() #点击登陆
wd.find_element_by_xpath('//*[@id=&pl_login_form&]/div/div[3]/div[3]/div/input').send_keys(input(&输入验证码： &))
wd.find_element_by_xpath('//*[@id=&pl_login_form&]/div/div[3]/div[6]/a').click()#再次点击登陆
&/code&&/pre&&/div&&p&输入验证码的时候需要点击两次登陆。因为验证码的输入框只有在点击了一次登陆后才会弹出来！&b&根据每个网站的不同而灵活应用selenium是十分重要的！&/b&但这个和分析那些Cookies比起来简直是太小儿科了。&/p&&h2&&b&第四部：知乎模拟登陆&/b&&/h2&&p&知乎经常更新，因此即使方法写好了也可能不好用。因此我想到了一个终极方法，&b&半手动登陆&/b&。仅用selenium打开一个浏览器，然后手动输入账号密码，有验证码就填验证码。等到成功登陆之后使用“get_cookies()”函数来调出它的Cookies。这个方法虽然看起来笨了点，但是效率比那些几百行的代码不知道要高多少！而且你还可以用手机扫描二维码登陆！只要这些登陆操作是在selenium所打开的浏览器内进行，selenium就可以完全记录下这些Cookies。代码如下&b&：&/b&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&import time
import requests
from selenium import webdriver
chromePath = r'浏览器储存的位置'
wd = webdriver.Chrome(executable_path= chromePath)
time.sleep(45)#设定45秒睡眠，期间进行手动登陆。十分关键，下面有解释。
cookies = wd.get_cookies()#调出Cookies
req = requests.Session()
for cookie in cookies:
req.cookies.set(cookie['name'],cookie['value'])
req.headers.clear()
test = req.get('待测试的链接')
&/code&&/pre&&/div&&p&&b&req.headers.clear() &/b&是删除原始req里面标记有python机器人的信息。这个信息会被一些网站（比如知乎）捕捉到。造成登陆爬取失败。务必要删除！&/p&&p&&b&time.sleep()&/b&可以暂停执行下面的程序。在此期间你可以进行手动登陆，扫描二维码等。然后在45秒过后再让python执行后面的“cookies = wd.get_cookies()”。selenium的get.cookies方程可以抓取到你进行手动登陆过后的cookies。时间值的设定根据自己需要的时间。如果你在程序中已经将网站名、用户名、密码、等全部输入就剩下一个验证码需要手动的话，仅设定几秒钟就可以了！&b&加入time.sleep的好处就是程序本身是不需要停止执行的！下面的所有程序可以无缝衔接。&/b&&/p&&p&感谢大家读到这，文章最初说的懒人方法就是我登陆知乎用到的这种方法，半手动。但是也不要觉得它不好，毕竟我们的目的是&b&爬取网站的内容，尽快解决登陆问题。开始爬取工作才是正确的方向。这个方法可以帮您迅速登陆网站，节省大量时间。&/b&这个方法万能的原理就是它调用了真实的浏览器。那么只要在正常情况下浏览器能够访问的网站就都可以用这个方法登陆。&/p&&p&-------------------------------------------&/p&&h2&正文结束-以下是常见问题集锦以及代码赠送&/h2&&p&&b&问题1：如果网站禁用selenium怎么办？&/b&&/p&&p&解决方案：这种情况极少。网站如果采用这种反爬虫手段的话很容易误伤真正的用户。如果真的遇到这种情况，只需要隐藏掉selenium中显示你是机器人的信息就可以了。参考链接：&a href=&/?target=https%3A///questions//can-a-website-detect-when-you-are-using-selenium-with-chromedriver& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Can a website detect when you are using selenium with chromedriver?&i class=&icon-external&&&/i&&/a&&/p&&p&&b&问题2：如何让新打开的webdriver带有曾经保存过的cookies？&/b&&/p&&p&解决方案：将获取的cookies保存在本地。下次登陆的时候直接导入本地的cookies。参考链接：&a href=&/?target=https%3A///questions//how-to-save-and-load-cookies-using-python-selenium-webdriver& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&How to save and load cookies using python selenium webdriver&i class=&icon-external&&&/i&&/a&&/p&&p&&br&&/p&&h2&友情赠送写好的登陆代码-知乎&/h2&&div class=&highlight&&&pre&&code class=&language-python3&&&span&&/span&&span class=&kn&&from&/span& &span class=&nn&&selenium&/span& &span class=&k&&import&/span& &span class=&n&&webdriver&/span&
&span class=&kn&&from&/span& &span class=&nn&&requests&/span& &span class=&k&&import&/span& &span class=&n&&Session&/span&
&span class=&kn&&from&/span& &span class=&nn&&time&/span& &span class=&k&&import&/span& &span class=&n&&sleep&/span&
&span class=&n&&req&/span& &span class=&o&&=&/span& &span class=&n&&Session&/span&&span class=&p&&()&/span&
&span class=&n&&req&/span&&span class=&o&&.&/span&&span class=&n&&headers&/span&&span class=&o&&.&/span&&span class=&n&&clear&/span&&span class=&p&&()&/span&
&span class=&n&&chromePath&/span& &span class=&o&&=&/span& &span class=&s1&&r'D:\Python Program\chromedriver.exe'&/span&
&span class=&n&&wd&/span& &span class=&o&&=&/span& &span class=&n&&webdriver&/span&&span class=&o&&.&/span&&span class=&n&&Chrome&/span&&span class=&p&&(&/span&&span class=&n&&executable_path&/span&&span class=&o&&=&/span& &span class=&n&&chromePath&/span&&span class=&p&&)&/span&
&span class=&n&&zhihuLogInUrl&/span& &span class=&o&&=&/span& &span class=&s1&&'/signin'&/span&
&span class=&n&&wd&/span&&span class=&o&&.&/span&&span class=&n&&get&/span&&span class=&p&&(&/span&&span class=&n&&zhihuLogInUrl&/span&&span class=&p&&)&/span&
&span class=&n&&wd&/span&&span class=&o&&.&/span&&span class=&n&&find_element_by_xpath&/span&&span class=&p&&(&/span&&span class=&s1&&'/html/body/div[1]/div/div[2]/div[2]/div[1]/div[1]/div[2]/span'&/span&&span class=&p&&)&/span&&span class=&o&&.&/span&&span class=&n&&click&/span&&span class=&p&&()&/span&
&span class=&n&&wd&/span&&span class=&o&&.&/span&&span class=&n&&find_element_by_xpath&/span&&span class=&p&&(&/span&&span class=&s1&&'/html/body/div[1]/div/div[2]/div[2]/form/div[1]/div[1]/input'&/span&&span class=&p&&)&/span&&span class=&o&&.&/span&&span class=&n&&send_keys&/span&&span class=&p&&(&/span&&span class=&s1&&'username'&/span&&span class=&p&&)&/span&
&span class=&n&&wd&/span&&span class=&o&&.&/span&&span class=&n&&find_element_by_xpath&/span&&span class=&p&&(&/span&&span class=&s1&&'/html/body/div[1]/div/div[2]/div[2]/form/div[1]/div[2]/input'&/span&&span class=&p&&)&/span&&span class=&o&&.&/span&&span class=&n&&send_keys&/span&&span class=&p&&(&/span&&span class=&s1&&'password'&/span&&span class=&p&&)&/span&
&span class=&n&&sleep&/span&&span class=&p&&(&/span&&span class=&mi&&10&/span&&span class=&p&&)&/span& &span class=&c1&&#手动输入验证码 &/span&
&span class=&n&&wd&/span&&span class=&o&&.&/span&&span class=&n&&find_element_by_xpath&/span&&span class=&p&&(&/span&&span class=&s1&&'/html/body/div[1]/div/div[2]/div[2]/form/div[2]/button'&/span&&span class=&p&&)&/span&&span class=&o&&.&/span&&span class=&n&&submit&/span&&span class=&p&&()&/span&
&span class=&n&&sleep&/span&&span class=&p&&(&/span&&span class=&mi&&10&/span&&span class=&p&&)&/span&&span class=&c1&&#等待Cookies加载&/span&
&span class=&n&&cookies&/span& &span class=&o&&=&/span& &span class=&n&&wd&/span&&span class=&o&&.&/span&&span class=&n&&get_cookies&/span&&span class=&p&&()&/span&
&span class=&k&&for&/span& &span class=&n&&cookie&/span& &span class=&ow&&in&/span& &span class=&n&&cookies&/span&&span class=&p&&:&/span&
&span class=&n&&req&/span&&span class=&o&&.&/span&&span class=&n&&cookies&/span&&span class=&o&&.&/span&&span class=&n&&set&/span&&span class=&p&&(&/span&&span class=&n&&cookie&/span&&span class=&p&&[&/span&&span class=&s1&&'name'&/span&&span class=&p&&],&/span&&span class=&n&&cookie&/span&&span class=&p&&[&/span&&span class=&s1&&'value'&/span&&span class=&p&&])&/span&
&/code&&/pre&&/div&&p&&/p&
Python模拟登陆让不少人伤透脑筋，今天奉上一种万能登陆方法。你无须精通HTML，甚至也无须精通Python，但却能让你成功的进行模拟登陆。本文讲的是登陆所有网站的一种方法，并不局限于微博与知乎，仅用其作为例子来讲解。用到的库有“selenium”和“requests”…
&img src=&/50/v2-fd8ba48f77ce149b7dfe_b.png& data-rawwidth=&1504& data-rawheight=&956& class=&origin_image zh-lightbox-thumb& width=&1504& data-original=&/50/v2-fd8ba48f77ce149b7dfe_r.png&&&h2&&b&一.前言&/b&&/h2&&p&CNN作为一个著名的深度学习领域的“黑盒”模型，已经在计算机视觉的诸多领域取得了极大的成功，但是，至今没有人能够“打开”这个“黑盒”，从数学原理上予以解释。这对理论研究者，尤其是数学家来说当然是不可接受的，但换一个角度来说，我们终于创造出了无法完全解释的事物，这也未尝不是一种进步了！&/p&&p&当然，虽然无法完全“打开”这个“黑盒”，但是仍然出现了很多探索这个“黑盒”的尝试工作。其中一个工作就是今天我们讨论的重点：&b&可视化CNN模型&/b&，这里的可视化指的是可视化CNN模型中的卷积核。&/p&&p&可视化工作分为两大类，一类是非参数化方法:这种方法不分析卷积核具体的参数，而是先选取图片库，然后将图片在已有模型中进行一次前向传播，对某个卷积核，我们使用对其响应最大的图片块来对之可视化;而另一类方法着重分析卷积核中的参数，使用参数重构出图像。&/p&&p&&b&这一篇文章着重分析第一类可视化方法&/b&。&/p&&h2&&b&二.发展&/b&&/h2&&p&最初的可视化工作见于AlexNet[1]论文中。在这篇开创Deep Learning新纪元的论文中，Krizhevshy直接可视化了第一个卷积层的卷积核：&/p&&img src=&/v2-e2fc569e066d7d7a4ef0_b.png& data-rawwidth=&593& data-rawheight=&589& class=&origin_image zh-lightbox-thumb& width=&593& data-original=&/v2-e2fc569e066d7d7a4ef0_r.png&&我们知道，AlexNet[1]首层卷积层(conv1)的filters是(96,3,11,11)的四维blob,这样我们就可以得到上述96个11*11的图片块了。&b&显然，这些重构出来的图像基本都是关于边缘，条纹以及颜色的信息。&/b&但是这种简单的方法却只适用于第一层卷积层，对于后面的卷积核我们就无法使用这种方法进行直接可视化了。&p&最开始使用图片块来可视化卷积核是在RCNN[2]论文中，&br&&/p&&img src=&/v2-6dbcaacdfd569e76b1de9_b.png& data-rawwidth=&994& data-rawheight=&533& class=&origin_image zh-lightbox-thumb& width=&994& data-original=&/v2-6dbcaacdfd569e76b1de9_r.png&&&p&Girshick[2]的工作显示了数据库中对AlexNet模型较高层(pool5)某个channel具有较强响应的图片块；&/p&&p&之后，在ZFNet[4]论文中,系统化地对AlexNet进行了可视化，并根据可视化结果改进了AlexNet得到了ZFNet,拿到了ILSVRC2014的冠军。&b&这篇文章可以视为CNN可视化的真正开山之作，我们下面将重点分析一下这一篇：&a href=&/?target=https%3A//arxiv.org/abs/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&[] Visualizing and Understanding Convolutional Networks&i class=&icon-external&&&/i&&/a&&/b&&/p&&p&然后再2015年，Yosinski[5]根据以往的可视化成果(包括参数化和非参数化方法)开发了一个可用于可视化任意CNN模型的toolbox:&a href=&/?target=https%3A///yosinski/deep-visualization-toolbox& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&yosinski/deep-visualization-toolbox&i class=&icon-external&&&/i&&/a&,通过简单的配置安装之后，我们就可以对CNN模型进行可视化了。&/p&&br&&h2&&b&三.论文解读&/b&&/h2&&h2&&b&Abstract&/b&&/h2&&p&CNN模型已经取得了非常好的效果，但是正如前面所言，CNN在大多数人眼中，只是一个“黑盒”模型，它为什么表现得这么好，以及如何提升CNN的精度，这些都是不清楚的。这篇文章研究了这些问题。文中介绍了一种新的可视化方法,借助它,我们可以深入了解中间层和分类器的功能。通过使用类似诊断的方式，作者还得到了比AlexNet更好的结构:ZFNet；最后，作者还通过在ImageNet上训练，然后在其他数据集上进行fine-tuning,得到了非常好的结果。&/p&&h2&&b&1.Introduction&/b&&/h2&CNN在图像分类和物体检测领域大放异彩，主要是以下几项因素的作用:1).数以百万计带标签的训练数据的出现;2).GPU的强大计算能力，使得训练大的模型成为可能。&p&尽管如此，从科学的角度来看，这是令人很不满意的。因为我们并不能解释这个复杂的模型，也就不理解为什么它能达到这么好的效果，而不了解这个模型如何工作和为什么有作用，我们改进模型就只能使用试错法。&b&这篇论文提出了一种新的可视化技术，揭示了模型中任意层的feature map与输入之间的响应关系。&/b&&/p&&br&&h2&&b&2.Approach&/b&&/h2&&p&&b&2.1 Visualization with a Deconvnet&/b&&/p&&p&为了了解卷积操作，我们需要首先了解中间层的特征激活值。我们使用了一种新的方式将这些激活值映射回输入像素空间，表明了什么样的输入模式将会导致feature map中一个给定的激活值。我们使用反卷积网络来完成映射[6]。一个反卷积网络可以被看成是一个卷积模型，这个模型使用和卷积同样的组件(过滤和池化)，但是却是相反的过程，因此是将特征映射到像素。在[6]中，反卷积网络被提出作为一种进行非监督学习的方法，但是在这里，它没有学习能力，仅仅用来探测一个已经训练好的卷积神经网络。&/p&&img src=&/v2-8a1d615f43ac0cf4797bf03_b.png& data-rawwidth=&1081& data-rawheight=&679& class=&origin_image zh-lightbox-thumb& width=&1081& data-original=&/v2-8a1d615f43ac0cf4797bf03_r.png&&&p&如上图所示，反卷积可视化以各层得到的特征图作为输入，进行反卷积，得到结果，用以验证显示各层提取到的特征图。为检验一个给定CNN的激活，我们就将该激活的feature map后接一个反卷积网络，然后通过：反池化、反激活、反卷积。重复上述过程直到原始输入层。&/p&&p&&b&Unpooling:&/b&&/p&&p&在卷积神经网络中，max-pooling操作是不可逆的，然而我们可以通过一系列switch变量来记录池化过程中最大激活值的坐标位置。在反池化的时候，只把池化过程中最大激活值所在的位置坐标的值激活，其它的值置为0，当然这个过程只是一种近似，因为我们在池化的过程中，除了最大值所在的位置，其它的值也是不为0的。过程如下图所示:&/p&&img src=&/v2-e29ada78a1_b.png& data-rawwidth=&1057& data-rawheight=&389& class=&origin_image zh-lightbox-thumb& width=&1057& data-original=&/v2-e29ada78a1_r.png&&&b&Rectification:&/b&&p&CNN使用ReLU确保每层输出的激活之都是正数，因此对于反向过程，我们同样需要保证每层的特征图为正值，也就是说这个反激活过程和激活过程没有什么差别，都是直接采用relu函数。&/p&&p&&b&Filtering:&/b&&/p&&p&卷积过程使用学习到的过滤器对feature map进行卷积，为近似反转这个过程，反卷积使用该卷积核的转置来进行卷积操作&/p&&p&&b&注意在上述重构过程中我们没有使用任何对比度归一化操作&/b&&/p&&h2&&b&3.Training Details&/b&&/h2&&p&略&/p&&h2&&b&4.Convnet Visualization&/b&&/h2&&p&使用前面描述的方法，现在我们使用在ImageNet验证集上使用反卷积进行特征图的可视化.&/p&&p&&b&1.Feature Visualization&/b&:&/p&&img src=&/v2-8ee7beface8a73baced9a_b.jpg& data-rawwidth=&873& data-rawheight=&335& class=&origin_image zh-lightbox-thumb& width=&873& data-original=&/v2-8ee7beface8a73baced9a_r.jpg&&&img src=&/v2-a55b7f106ada2ff4061615_b.jpg& data-rawwidth=&800& data-rawheight=&302& class=&origin_image zh-lightbox-thumb& width=&800& data-original=&/v2-a55b7f106ada2ff4061615_r.jpg&&&img src=&/v2-3ccbccdc85c7_b.png& data-rawwidth=&1197& data-rawheight=&745& class=&origin_image zh-lightbox-thumb& width=&1197& data-original=&/v2-3ccbccdc85c7_r.png&&&p&以上就是对模型的可视化结果。对于一个给定的feature map,我们展示了响应最大的九张响应图，每个响应图向下映射到像素空间，&b&揭示出其不同的结构激发映射并且揭示出其对输入变形的不变性。在这些可视化结果边上我们展示了对应的图片块。这些具有比仅仅关注图片块中判别结构的可视化具有更大的变化&/b&。例如,在layer5的第一行第二列，这些图片块似乎没有什么共同之处，但是从左边的可视化结果我们可以看出，这个特殊的feature map关注的是背景中的草，而不是前景中的物体。&/p&&p&&b&来自每个层中的投影显示出网络中特征的分层特性。&/b&第二层响应角落和其他的边缘/颜色信息，层三具有更复杂的不变性，捕获相似的纹理，层四显示了显著的变化，并且更加类别具体化，层五则显示了具有显著姿态变化的整个对象。&/p&&p&---------------------------------------------------------------------------------------------------------------------------&/p&&p&这里的内容是这篇文章极其重要的贡献，虽然还是不能完全解释CNN这个黑盒，但是通过可视化，我们发现了CNN学习到的特征呈现分层特性，底层是一些边缘角点以及颜色的抽象特征，越到高层则越呈现出具体的特征，这一过程正与人类视觉系统类似。这也为如何得到更好的模型给出了指导，一个最简单的思路便是使网络更深，使得每层的特征更加层次分明，这样就能学到更加泛化的特征，后来的VGGNet以及ResNet则证明了这一点。上图中左侧的图像就是根据反卷积网络得到的结果，下面我们详细解释一下右侧的图片块是如何得到的。&/p&&p&首先我们介绍一下感受野(Receptive Field)[7]：&/p&&p&感受野是一个非常重要的概念，receptive field往往是描述两个feature maps A/B上神经元的关系，假设从A经过若干个操作得到B，这时候B上的一个区域&img src=&/equation?tex=area_b& alt=&area_b& eeimg=&1&&只会跟a上的一个区域&img src=&/equation?tex=area_a& alt=&area_a& eeimg=&1&&相关，这时候&img src=&/equation?tex=area_a& alt=&area_a& eeimg=&1&&成为&img src=&/equation?tex=area_b& alt=&area_b& eeimg=&1&&的感受野。用图片来表示：&br&&/p&&p&&img src=&/v2-17ffc80d7ed7feeffc06ceeb_b.jpg& data-rawwidth=&883& data-rawheight=&502& class=&origin_image zh-lightbox-thumb& width=&883& data-original=&/v2-17ffc80d7ed7feeffc06ceeb_r.jpg&&在上图里面，map3里1x1的区域对应map2的receptive field是那个红色的7x7的区域，而map2里7x7的区域对应于map1的receptive field是蓝色的11x11的区域，所以map3里1x1的区域对应map 1的receptive field是蓝色的11x11的区域。&br&&/p&&p&那么很容易得出来，receptive field的计算公式如下：&/p&&ul&&li&对于Convolution/Pooling layer:&/li&&/ul&&img src=&/equation?tex=r_i%3Ds_i+%5Ccdot+%28r_%7Bi%2B1%7D-1%29%2Bk_i& alt=&r_i=s_i \cdot (r_{i+1}-1)+k_i& eeimg=&1&&&br&&p&其中&img src=&/equation?tex=r_i& alt=&r_i& eeimg=&1&&表示第i层layer的输入的某个区域，&img src=&/equation?tex=s_i& alt=&s_i& eeimg=&1&&表示第i层layer的步长，&img src=&/equation?tex=k_i& alt=&k_i& eeimg=&1&&表示kernel size，&b&注意，不需要考虑padding size。&/b&&/p&&ul&&li&对于Neuron layer(ReLU/Sigmoid/…)&/li&&/ul&&br&&img src=&/equation?tex=r_i%3Dr_%7Bi%2B1%7D& alt=&r_i=r_{i+1}& eeimg=&1&&&br&很容易看出，除了不考虑padding之外，上述过程与反卷积计算feature map的尺寸的公式是一样的。&p&而上述计算图片块的过程正是应用了感知野的概念，我们举个例子:&/p&&p&&img src=&/v2-a72fe7e8f5bb74f5ef7f2_b.png& data-rawwidth=&1213& data-rawheight=&349& class=&origin_image zh-lightbox-thumb& width=&1213& data-original=&/v2-a72fe7e8f5bb74f5ef7f2_r.png&&首先图片经过AlexNet做一次前向传播，之后在conv5层可以得到一个feature map,我们对这个feature map做一次max pooling，只保留其中响应最大的值(1x1)，然后根据以上感受野的计算公式一路计算回输入图像中:&/p&&p&AlexNet结构如下:&/p&&p&&img src=&/v2-1b9f838faaf9ca2fcabaed_b.png& data-rawwidth=&417& data-rawheight=&958& class=&content_image& width=&417&&其中ReLU和LRN层感受野不会产生变化，所以我们只需要考虑pool层和conv层:&/p&&p&conv5: &img src=&/equation?tex=r_6%3D+s_6+%5Ccdot+%28r_7-1%29%2Bk_6%3D1+%5Ccdot+%281-1%29%2B3%3D3& alt=&r_6= s_6 \cdot (r_7-1)+k_6=1 \cdot (1-1)+3=3& eeimg=&1&&&/p&&p&conv4: &img src=&/equation?tex=r_5%3D+1+%5Ccdot+%283-1%29%2B3%3D5& alt=&r_5= 1 \cdot (3-1)+3=5& eeimg=&1&&&/p&&p&conv3: &img src=&/equation?tex=r_4%3D1+%5Ccdot+%285-1%29%2B3%3D7& alt=&r_4=1 \cdot (5-1)+3=7& eeimg=&1&&&/p&&p&pool2:
&img src=&/equation?tex=r_3%3D2+%5Ccdot+%287-1%29%2B3%3D15& alt=&r_3=2 \cdot (7-1)+3=15& eeimg=&1&&&/p&&p&conv2: &img src=&/equation?tex=r_2%3D1+%5Ccdot+%%2B5%3D19& alt=&r_2=1 \cdot (15-1)+5=19& eeimg=&1&&&br&&/p&&p&pool1:
&img src=&/equation?tex=r_1%3D2+%5Ccdot+%%2B3%3D39& alt=&r_1=2 \cdot (19-1)+3=39& eeimg=&1&&&/p&&p&conv1: &img src=&/equation?tex=r_0%3D4+%5Ccdot+%%2B11%3D163& alt=&r_0=4 \cdot (39-1)+11=163& eeimg=&1&&&br&&/p&&p&所以，conv5层一个feature map中响应最大的值所对应的输入图中的感受野是163x163的尺寸，我们从原图中切割出163x163的图片块即可。这就是论文中图片块的来源。&/p&&p&---------------------------------------------------------------------------------------------------------------------------&/p&&p&&b&2.Feature Evolution during Training:&/b&&/p&&p&&img src=&/v2-31b167d9a7b3f8dcc866f7_b.png& data-rawwidth=&776& data-rawheight=&310& class=&origin_image zh-lightbox-thumb& width=&776& data-original=&/v2-31b167d9a7b3f8dcc866f7_r.png&&上图显示了训练过程中的特征演变，对于一个layer中给定的feature map,图中给出在训练epochs在[1,2,5,10,20,30,40,64]时，训练集对该feature map响应最大的可视化图片。可以看出，较低层(L1,L2)只需要几个epochs就可以完全收敛，而高层(L5)则需要很多次迭代，需要让模型完全收敛之后。&b&这一点正好与深层网络的梯度弥散现象正好相反，但是这种底层先收敛，然后高层再收敛的现象也很符合直观&/b&&/p&&p&&b&3.Feature Invariance:&/b&&/p&&img src=&/v2-24bb4c99d9038441bcbea_b.png& data-rawwidth=&1522& data-rawheight=&871& class=&origin_image zh-lightbox-thumb& width=&1522& data-original=&/v2-24bb4c99d9038441bcbea_r.png&&上图显示出了相对于未变换的特征，通过垂直平移，旋转和缩放的5个样本图像在可视化过程中的变化。小变换对模型的第一层有着显著的影响，但对顶层影响较小，对于平移和缩放是准线性的。&b&网络输出对于平移和缩放是稳定的。但是一般来说，除了具有旋转对称性的物体来说，输出来旋转来说是不稳定的.（这说明了卷积操作对于平移和缩放具有很好的不变性，而对于旋转的不变性较差)&/b&&br&&p&&b&4.1 Architecture Selection&/b&&/p&&img src=&/v2-29b430d6ffc_b.png& data-rawwidth=&1522& data-rawheight=&648& class=&origin_image zh-lightbox-thumb& width=&1522& data-original=&/v2-29b430d6ffc_r.png&&&p&可视化训练模型不但可以洞察CNN的操作，也可以帮助我们在前几层选择更好的模型架构。通过可视化AlexNet的前两层(图中b,d)，我们就可以看出问题:&br&&/p&&p&1)第一层filter是非常高频和低频的信息，中间频率的filter很少覆盖&/p&&p&2)第二层的可视化有些具有混叠效应，由于第一层比较大的stride&/p&&br&&p&为了解决这些问题：&/p&&p&1)将第一层的filter的尺寸从11*11减到7*7&/p&&p&2)缩小间隔，从4变为2。&/p&&p&这两个改动形成的新结构，获取了更多的信息，而且提升了分类准确率。&/p&&p&&b&4.2 Occlusion Sensitivity&/b&&/p&&img src=&/v2-230cffee15d0b_b.png& data-rawwidth=&1597& data-rawheight=&900& class=&origin_image zh-lightbox-thumb& width=&1597& data-original=&/v2-230cffee15d0b_r.png&&&br&对于图片分类方法，一个自然的问题就是模型究竟是真正确定物体在图片中的位置，或者只是使用了周围的上下文信息，上图尝试通过使用一个灰色方形系统地遮挡输入图中的不同部分来回答这个问题，并监视分类器的输出。示例清楚地表明，模型是在场景中定位物体，因为当物体被遮挡住时被正确识别的概率显著下降了。&p&&b&4.3 Correspondence Analysis &/b&&/p&&p&深度模型与许多现有的识别方法的区别在于，它没有用于建立不同图像中的特定对象部分之间的显式机制。然而，一个有趣的可能性是，深层模型可能隐式地计算它们。&/p&&img src=&/v2-393fec564f92fde1abb40_b.png& data-rawwidth=&736& data-rawheight=&575& class=&origin_image zh-lightbox-thumb& width=&736& data-original=&/v2-393fec564f92fde1abb40_r.png&&&img src=&/v2-80ee3af2e105ff18b616f_b.png& data-rawwidth=&750& data-rawheight=&538& class=&origin_image zh-lightbox-thumb& width=&750& data-original=&/v2-80ee3af2e105ff18b616f_r.png&&&p&为了验证这一点，我们随机选择了5张包含狗正脸的图片；然后遮蔽相同的部分来观察。&/p&&p&观察方法：首先计算图片遮蔽前后特征，两个特征向量做差，通过sign来确定符号；然后通过海明距离来计算5张照片两两之间的一致性，然后求和。&/p&&p&由实验结果可以得出，layer5的特征一致性中，眼和鼻子的数值较低，说明眼和鼻子比其他部分，有更强的相关性，这也说明深度网络能够隐式地建立对应关系。但是在layer7中眼，鼻子和随机的数值较为相似，可能是因为高层尝试去区分狗的种类。&br&&/p&&h2&&b&5 Experiments&/b&&/h2&&p&略&/p&&h2&&b&四.可视化实践&/b&&/h2&&p&论文终于解读完了，上述论文是Deep Learning发展中一篇很重要的论文，因为他尝试从可视化的角度去解释CNNs中的机制，通过各种实验也确实发现了很多有趣而重要的结论，如CNN中特征学习的分层性质，训练过程中的特征演变，CNN对于平移和缩放的不变性。&/p&&p&接下来我们使用[5]中的Deep Visualization toolbox对CNN进行可视化。&/p&&br&&a href=&/p/?refer=startdl& class=&internal&&知乎专栏&/a& 首先我们按照这篇文章在VirtualBox Ubuntu14.04中安装配置好caffe,&p&&b&pile the deconv-deep-vis-toolbox branch of caffe&/b&&/p&&div class=&highlight&&&pre&&code class=&language-bash&&&span&&/span&$ git remote add yosinski /yosinski/caffe.git
$ git fetch --all
$ git checkout --track -b deconv-deep-vis-toolbox yosinski/deconv-deep-vis-toolbox
$ make clean
$ make -j pycaffe
&/code&&/pre&&/div&&p&&b&2.Install prerequisites&/b&&/p&&div class=&highlight&&&pre&&code class=&language-bash&&&span&&/span&$ sudo apt-get install python-opencv scipy python-skimage
&/code&&/pre&&/div&&p&&b&3.Download and configure Deep Visualization Toolbox code&/b&&/p&&div class=&highlight&&&pre&&code class=&language-bash&&&span&&/span&$ git clone /yosinski/deep-visualization-toolbox
$ &span class=&nb&&cd&/span& deep-visualization-toolbox
&/code&&/pre&&/div&&div class=&highlight&&&pre&&code class=&language-bash&&&span&&/span&$ cp models/caffenet-yos/settings_local.template-caffenet-yos.py settings_local.py
&/code&&/pre&&/div&&p&然后我们修改settings_local.py中的caffe路径，改成我们的安装路径即可&/p&&div class=&highlight&&&pre&&code class=&language-bash&&&span&&/span&$ vim settings_local.py
&/code&&/pre&&/div&&div class=&highlight&&&pre&&code class=&language-bash&&&span&&/span&$ &span class=&nb&&cd&/span& models/caffenet-yos/
$ ./fetch.sh
$ &span class=&nb&&cd&/span& ../..
&/code&&/pre&&/div&&p&&b&4.Run it&/b&&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&$ ./run_toolbox.py
&/code&&/pre&&/div&不出意外的外，应该会出现这样的toolbox：&p&&img src=&/v2-6fcdd1cc535d03b38f2ffa_b.png& data-rawwidth=&1498& data-rawheight=&953& class=&origin_image zh-lightbox-thumb& width=&1498& data-original=&/v2-6fcdd1cc535d03b38f2ffa_r.png&&左上角是输入图片，中间的部分是对图片经过网络(这里是CaffeNet)进行前向传播之后得到feature map的可视化，我们可以通过上下左右控制光标移动，按'h'键可以查看按键的功能，我们尝试移动一下光标，看一下conv5的第151个feature map,&img src=&/v2-f2f79f49faa84a2a2181938_b.png& data-rawwidth=&1503& data-rawheight=&954& class=&origin_image zh-lightbox-thumb& width=&1503& data-original=&/v2-f2f79f49faa84a2a2181938_r.png&&左边的中间区域是feature map的放大版本，右侧上方的九张图片是参数化的可视化方法(gradient ascent),这里暂且不提，右侧中间区域就是使用在上面提到的方法，得到的这个feature map的前9张响应图片块，下方是对这几张图片进行反卷积的结果&/p&&p&接下来，我们按‘b'键，对这个feature map进行反卷积，&/p&&p&&img src=&/v2-a7b54c4faddfa_b.png& data-rawwidth=&1500& data-rawheight=&953& class=&origin_image zh-lightbox-thumb& width=&1500& data-original=&/v2-a7b54c4faddfa_r.png&&左下方出现的就是特征可视化的结果。&/p&&p&再使用'e’键，可以load下一幅图片，&/p&&p&&img src=&/v2-fd8ba48f77ce149b7dfe_b.png& data-rawwidth=&1504& data-rawheight=&956& class=&origin_image zh-lightbox-thumb& width=&1504& data-original=&/v2-fd8ba48f77ce149b7dfe_r.png&&注意，右侧的结果是不会产生变化的，因为那些图片是提前计算好的。&/p&&p&所以如果我们想使用这个工具可视化自己的CNN的话，我们需要：&/p&&p&1.提前准备好右边的图片(将数据集通过CNN，找出Top9张图片并将其deconv)&/p&&p&2.仿照model文件夹下文件，准备好相应model和配置文件&/p&&p&3.仿照settings_local.py编写settings_local.template-&your_network&.py&/p&&h2&&b&五.总结&/b&&/h2&&p&通过非参数的可视化方法，我们从一定角度上探索了CNN这个“黑盒”，我们知道了CNN是从底层到高层，从抽象到具体来学习特征的，同时这个可视化也为我们改进网络结构提供了可能！&/p&&h2&&b&References&/b&&/h2&&p&1. Krizhevsky, A., Sutskever, I., Hinton, G.: Imagenet classification with deep convolutional neural networks. In: NIPS (2012) &/p&&p&2. Girshick, R., Donahue, J., Darrell, T., Malik, J.: Rich feature hierarchies for accurate object detection and semantic segmentation. arXiv: (2014) &/p&&p&3. Y. LeCun, B. Boser, J.S. Denker, D. Henderson, R.E. Howard, W. Hubbard, L.D. Jackel, et al. Hand-written digit recognition with a back-propagation network. In Advances in neural information processing systems, 1990. &/p&&p&4. Zeiler, Matthew D and Fergus, Rob. Visualizing and understanding convolutional neural networks. arXiv preprint arXiv:, 2013. &/p&&p&5. J. Yosinski, J. Clune, A. M. Nguyen, T. Fuchs, and H. Lipson, “Understanding
neural networks through deep visualization,” CoRR, vol.
abs/, 2015.&/p&&p&6. Zeiler, M., Taylor, G., Fergus, R.: Adaptive deconvolutional networks for mid and high level feature learning. In: ICCV (2011)&/p&&p&7. Marcher:&a href=&/?target=http%3A///posts//cnn-trick/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Concepts and Tricks In CNN&i class=&icon-external&&&/i&&/a&&/p&
一.前言CNN作为一个著名的深度学习领域的“黑盒”模型，已经在计算机视觉的诸多领域取得了极大的成功，但是，至今没有人能够“打开”这个“黑盒”，从数学原理上予以解释。这对理论研究者，尤其是数学家来说当然是不可接受的，但换一个角度来说，我们终于创…
&p&一群禽兽利用网游性侵幼女已七年。我知道王者荣耀很火，但希望大家能关注到“小花仙”，关注自己身边的孩子。&/p&&p&这款网络游戏已经变成了性侵幼女的大本营，长达七年之久，很多玩过此游戏的女孩子受到了不可挽回的伤害，而事情曝光后，直到今天那些性侵者依然逍遥法外。&/p&&br&&blockquote&我向来是不惮以最坏的恶意，来推测中国人的
然而我还不料，也不信竟会凶残到这地步。
——鲁迅 纪念刘和珍君&/blockquote&&br&&p&这个案子是2017年5月爆出来的，6月又受到一波关注，但现在后续处理音讯全无。&/p&&p&不管别人如何，我会一直关注这件事。&/p&&p&是的，我在盯着你们，垃圾。&/p&&img src=&/v2-ffc18f450e6d705c69c37f6c26c5d1fc_b.jpg& data-rawwidth=&640& data-rawheight=&352& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&/v2-ffc18f450e6d705c69c37f6c26c5d1fc_r.jpg&&&br&&p&这款游戏叫做“小花仙”，由淘米公司运营，本来是一款面向少女儿童的换装游戏。&/p&&p&看这个游戏Q萌的画风就知道，它面向的是少女儿童，女孩子们在游戏里给自己的人物换装。&/p&&p&但是，这个游戏中好看的装饰价格都很贵，靠任务领取的基本货币“灵豆”数量非常少，要攒很久才能买一套装饰。&/p&&img src=&/v2-5d06ec33c_b.jpg& data-rawwidth=&640& data-rawheight=&752& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&/v2-5d06ec33c_r.jpg&&&br&&p&游戏里的一套衣服换算成人民币要几十块钱左右，而游戏里这样的套装又多到数不胜数。&/p&&img src=&/v2-d9d36fa727ca76fe389eecf68d908682_b.jpg& data-rawwidth=&491& data-rawheight=&367& class=&origin_image zh-lightbox-thumb& width=&491& data-original=&/v2-d9d36fa727ca76fe389eecf68d908682_r.jpg&&&br&&p&如果孩子要买套装，要么就辛辛苦苦攒个灵豆，一套一套地慢慢买，要么就只能花真金白银买了。但是这款游戏面向的是较低年龄段的孩子们，她们手里没有那么多能支配的钱。&/p&&p&于是，这个游戏里就混入了一批专门瞄准这些孩子的男人，他们用购买套装的米米卡作为交换，让女孩子给他们自己的裸照，或者同他们裸聊，甚至要求孩子同他们发生关系。&/p&&img src=&/v2-87fb8e033ce_b.jpg& data-rawwidth=&454& data-rawheight=&266& class=&origin_image zh-lightbox-thumb& width=&454& data-original=&/v2-87fb8e033ce_r.jpg&&&br&&p&他们一般会在世界频道发布“视频给米卡”、“看板给米卡”等类似信息，这里的视频指的是裸聊，女孩子可以点击世界频道的链接，在游戏中加好友联系上这些人。&/p&&img src=&/v2-97d713cd860b39da17e7bb20a85fd35f_b.jpg& data-rawwidth=&311& data-rawheight=&800& class=&content_image& width=&311&&&br&&p&有的人会直接在自己的留言板上留下自己的QQ号等信息，等着女孩子自己找上门来。&/p&&img src=&/v2-4f2606bdcdb5da020bec_b.jpg& data-rawwidth=&580& data-rawheight=&327& class=&origin_image zh-lightbox-thumb& width=&580& data-original=&/v2-4f2606bdcdb5da020bec_r.jpg&&&br&&p&这些人在游戏中已经存在了很多年，小花仙贴吧的吧友“贪噬者”，曾经假装成懵懂少女，按照世界频道和留言板的信息找到那些人联系，他发现，所有联系上的人，不仅真的会向这些年纪尚幼的女孩下手，有的甚至是得手多次的惯犯！&/p&&p&他和那些人联系之后，对方会毫不掩饰地直接要求裸聊&/p&&img src=&/v2-3c2e1b77bbb5b60527f8_b.png& data-rawwidth=&360& data-rawheight=&365& class=&content_image& width=&360&&&br&&img src=&/v2-dfbe840d978c21220dcdef_b.png& data-rawwidth=&348& data-rawheight=&369& class=&content_image& width=&348&&&br&&img src=&/v2-510e8efe8ddbbe06cbf05f8254b6abf0_b.png& data-rawwidth=&363& data-rawheight=&372& class=&content_image& width=&363&&&img src=&/v2-dfbe840d978c21220dcdef_b.png& data-rawwidth=&348& data-rawheight=&369& class=&content_image& width=&348&&&br&&p&有的人会约孩子出来，直接在现实中侵犯她们，有的人甚至非常得意地表示他已经得手很多次了！&/p&&p&（为了不污染大家的眼睛某些过于下流的词汇打上了马赛克）&/p&&img src=&/v2-cf21be0d53_b.jpg& data-rawwidth=&600& data-rawheight=&2440& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&/v2-cf21be0d53_r.jpg&&&br&&p&更有甚者，试图长期包养女童来满足自己的欲望，在他们眼里，这些祖国的花朵们都是他们可以随意处置的玩物。&/p&&img src=&/v2-8f098fac64d692e49a02f1_b.jpg& data-rawwidth=&580& data-rawheight=&393& class=&origin_image zh-lightbox-thumb& width=&580& data-original=&/v2-8f098fac64d692e49a02f1_r.jpg&&&br&&p&得手的人还会在自己的留言板上公布交易过程，邀请被他侵犯的女孩子来留言以吸引更多的女孩下手，这些懵懂的女孩子们根本不知道发生了什么，有些人甚至会真的到留言板上留言对其表示感谢。&/p&&p&这种事情已经在这个游戏中存在了整整7年之久！成为了公开的秘密。&/p&&img src=&/v2-2f5f17a35a57c74a99fae_b.png& data-rawwidth=&640& data-rawheight=&255& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&/v2-2f5f17a35a57c74a99fae_r.png&&&p&然而这公开的秘密却在七年间被游戏官方置若罔闻&/p&&p&作为游戏方应该可以知道作案者的个人信息啊，应该可以向警方报案制裁这些人啊，为什么面对就在眼皮底下发生的事他们什么都没做？！&/p&&p&那是因为游戏登录时需要填写的个人信息只是一个笑话！&/p&&p&随便一个名字，随便一个身份证号都能通过注册！比如像这个样子：&/p&&img src=&/v2-c9ab828d498a030fdc45c_b.jpg& data-rawwidth=&640& data-rawheight=&435& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&/v2-c9ab828d498a030fdc45c_r.jpg&&&br&&p&这是在逗我吗？一串8也能通过身份证检测？这个检测的意义究竟何在？！&/p&&p&“贪噬者”调查过后，将这些人的个人信息和IP地址，在游戏的官方论坛里贴出来了，淘米的客服也仅仅只是表示&/p&&p&“感谢整理，已经提交处理”&/p&&img src=&/v2-863bdfec55d36b8b4c44bfd7a32606ba_b.png& data-rawwidth=&580& data-rawheight=&255& class=&origin_image zh-lightbox-thumb& width=&580& data-original=&/v2-863bdfec55d36b8b4c44bfd7a32606ba_r.png&&&p&究竟如何处理？结果如何？官方至今没有一个明确的答复&/p&&p&后来，“黑客凯文”将此事爆料，这个事件一度上了微博的热搜受到了广泛的关注，可淘米的官方的处理方式也仅仅是把世界频道聊天和留言板功能下架了，把身份证号注册修改了而已，并没影响到性侵者继续做案，事情没有得到任何改变。&/p&&br&&img src=&/v2-bbefe32c7dfad60c_b.jpg& data-rawwidth=&615& data-rawheight=&241& class=&origin_image zh-lightbox-thumb& width=&615& data-original=&/v2-bbefe32c7dfad60c_r.jpg&&&br&&p&本该起到监管作用的游戏方就这样无所作为，这些侵犯女童的人没有得到一丝一毫的惩治，那些人可能还在游戏里用另外的方式，把自己的魔爪伸向下一个女童。&/p&&p&说到底，还是大环境上，对儿童性侵处罚过轻，人们大多对儿童性侵过于忽视。这就导致受害者得到的补偿不够，大多人更愿意选择息事宁人，而侵害者得不到严惩反而愈发猖狂。&/p&&p&反观美帝，二战结束以来，美国联邦和各州针对性侵幼童的法律修正案多达十个，2005年佛罗里达州通过了著名的《杰西卡法案》，该法案规定，如果成年人对12岁以下儿童实施性侵犯罪，量刑标准不得低于25年，最高可判终身监禁。&/p&&p&在韩国，只要是强奸犯，都会被强制戴上脚镣，这些脚镣就像随身携带的耻辱柱，时刻提醒他们自己犯下的罪，也供警方随时监控这些人的动向。&/p&&img src=&/v2-35e5fdee4be99d4906fe_b.jpg& data-rawwidth=&600& data-rawheight=&664& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&/v2-35e5fdee4be99d4906fe_r.jpg&&&br&&p&有侵犯女童这种行为的，则会采用化学阉割方式，严重的甚至会连续阉割十几年。在澳大利亚、法国、瑞典和美国多个州，对性侵女童的犯人进行化学阉割都早已被写入法律。&/p&&p&但在我们这里，对儿童进行基本的性教育都要因为家长的曲解被叫停，发生了性侵事件，当事家长都只能息事宁人不敢声张。&/p&&p&与此对应的是，我们的网络上似乎以此为潮流，甚至喊出“三年血赚，死刑不亏”这样的话。&/p&&img src=&/v2-a317f127e1e658_b.jpg& data-rawwidth=&556& data-rawheight=&132& class=&origin_image zh-lightbox-thumb& width=&556& data-original=&/v2-a317f127e1e658_r.jpg&&&br&&p&于是，在中国，性侵女童越来越屡见不鲜，就在几天前，河南宝丰一个学校就发现了教师猥亵女生事件。&/p&&img src=&/v2-d13c2d9867dea9156299fef69318ad53_b.jpg& data-rawwidth=&640& data-rawheight=&332& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&/v2-d13c2d9867dea9156299fef69318ad53_r.jpg&&&p&从全国范围来看，仅2013年到2015年三年间，全国各地被媒体曝光的性侵儿童案就达到了968起，受害儿童超过1790人！而这，还只是公开报道的数据，大部分的案件都因为种种的主观因素而没有公开，专家估计隐案比例大概是1:7，即一件曝光事件背后有7件没有曝光的事件。&/p&&p&在监管难度更大的网络中，在你看不到的角落里，诸如缤纷童年吧这种恋童癖聚集的地方，各种QQ群、微信群里，这些敢把魔爪伸向孩子的人更是数不胜数，只要其中有一小部分人付诸行动，就会成为某些孩子一生的噩梦。&/p&&br&&br&&p&正文完&/p&&p&-------------------------&/p&&p&【更新：我已经收到了淘米公司的律师函】&/p&&p&不知道他们还会怎么对付我。&/p&&p&事情是这样的，我第一次发布这篇文章是在6月5日，发布在我的微信公众号「酷玩实验室」，第二天一早就收到了署名是淘米的「名誉侵权」投诉，不出意外被微信系统驳回了。大概一周以后，收到了淘米发来的快递，打开是一封律师函。&/p&&p&我和几个同样报道了这件事的朋友联系后，发现大家都收到了律师函，原来律师函这种东西都是群发的，厉害了我的淘米。律师函要求我们3天内删除文章，并在公众号发布致歉声明公示三个月，否则他们将索赔100万人民币。100万对于我们这种小公众号来说，真的是不少钱。厉害了我的淘米。&/p&&p&我们几家目前的决定是先不理会律师函，但是大家积极寻找证据、保留一切的记录。&/p&&p&我对法律没有那么了解，说实话我不知道这件事之后会怎么发展，我甚至也不知道如果真的打官司我是不是能打赢。&/p&&p&但是，我只是一个写文章的，我也没想过要大义凛然拯救世界什么的，但是我就是要把我知道的事情说出来。&/p&&p&我也想问淘米的公关一句话，你们到处发律师函的时候，你们的良心不会痛吗？&/p&&p&白的就是白的，黑的就是黑的。&/p&&br&&br&&p&微信原文链接：《&a href=&///?target=https%3A//mp./s%3F__biz%3DMjM5OTYwOTM0Nw%3D%3D%26mid%3D%26idx%3D1%26sn%3D6a0c05ed7eda9c85028dc%26chksm%3Dbf3fa02ba738eb99fbebdf9c34f0400fbbf952da483bebb84c781b%26mpshare%3D1%26scene%3D1%26srcid%3D0606Qp0DjYPK1kj0wbIgkTN9%26key%3Dd1e338eab434b0bcedeec8c74b047c3d56eb9c862ee790309aab2a75fff7fdfdbd3a2a4197faedeff6c92d4f05ea07d40301fe%26ascene%3D0%26uin%3DMTkwMjU5ODMyMA%253D%253D%26devicetype%3DiMac%2BMacBookPro9%252C2%2BOSX%2BOSX%2B10.12.2%2Bbuild%%26version%3Dnettype%3DWIFI%26fontScale%3D100%26pass_ticket%3DjP5jWWURVAjQT0xqhPNBRlWt8PYPbBdNU8%252Bzufv%252F5LpQkyfNP68VCUMTzbkCagwx& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&一群禽兽利用网游性侵幼女已七年，我知道王者荣耀很火，但希望大家关注一下小花仙&i class=&icon-external&&&/i&&/a&》&/p&&p&-------------------------&/p&&p&参考资料：&/p&&blockquote&“黑客凯文”微博
小花仙贴吧吧友“贪噬者”的爆料
公众号“BB姬”文章《游戏竟成为性侵者的温床，2017年的六一，注定在悲伤中度过》&/blockquote&
一群禽兽利用网游性侵幼女已七年。我知道王者荣耀很火，但希望大家能关注到“小花仙”，关注自己身边的孩子。这款网络游戏已经变成了性侵幼女的大本营，长达七年之久，很多玩过此游戏的女孩子受到了不可挽回的伤害，而事情曝光后，直到今天那些性侵者依然逍…
&p&从TED中或许能够获得一些Mind-Blowing的知识。
前方高能，多图杀流量。&/p&&p&&b&1.如何正确地系鞋带？&/b& &a href=&///?target=http%3A///movie/2011/7/I/D/M778VMJ7N_M779H83ID.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&如何系鞋带_特里?摩尔：如何系鞋带&i class=&icon-external&&&/i&&/a&&/p&&p&&b&2.如何正确地擦手？&/b&&/p&&p&&b&&a href=&///?target=http%3A///movie/2014/12/D/4/MAD7E5IC1_MAD7MRKD4.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&怎样用纸巾擦手&i class=&icon-external&&&/i&&/a&&/b&&/p&&br&&p&&b&3.知道你为什么存不了钱吗？跟你的语言有关系。&/b&&/p&&p&&b&&a href=&///?target=http%3A///movie/2013/11/H/Q/M9CNMDS2H_M9CPO5THQ.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&说什么_基思?陈（Keith Chen）：你存钱的能力跟你用的语言有关？&i class=&icon-external&&&/i&&/a&&/b&&/p&&br&&p&&b&4.你真的认识性高潮吗？你对性高潮又知多少？&/b&&/p&&p&&b&&a href=&///?target=http%3A///movie/2011/7/C/M/M7G9OSRDP_M7G9P2DCM.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&性高潮不可不知的十点&i class=&icon-external&&&/i&&/a&&/b&&/p&&img src=&/175e8fa1d24f_b.jpg& data-rawwidth=&1440& data-rawheight=&900& class=&origin_image zh-lightbox-thumb& width=&1440& data-original=&/175e8fa1d24f_r.jpg&&&p&弱弱的问一句：爽吗？&/p&&p&&b&5.还在固执于学习英语吗？这个演讲可以给你另外一个视角。&/b&&/p&&p&&b&&a href=&///?target=http%3A///movie/2013/11/H/T/M9CNMDS2H_M9CPO2DHT.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&说什么_帕特里夏?瑞安: 不要固执于英语！&i class=&icon-external&&&/i&&/a&&/b&&/p&&br&&img src=&/a8c6aeda5081f_b.jpg& data-rawwidth=&1440& data-rawheight=&900& class=&origin_image zh-lightbox-thumb& width=&1440& data-original=&/a8c6aeda5081f_r.jpg&&&br&&p&&b&6.肢体语言可以塑造你自己，说实话，我真的觉得演讲者棒棒哒。&/b&&/p&&p&&b&&a href=&///?target=http%3A///movie/2013/4/O/D/M93FG764L_M93FH90OD.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&TED入门_肢体语言塑造你自己&i class=&icon-external&&&/i&&/a&&/b&&/p&&img src=&/a7e6f332_b.jpg& data-rawwidth=&1440& data-rawheight=&900& class=&origin_image zh-lightbox-thumb& width=&1440& data-original=&/a7e6f332_r.jpg&&&br&&p&&b&7.怎么看出别人是否对你撒谎?&/b&&/p&&p&&b&&a href=&///?target=http%3A///movie/2013/4/M/P/M92BCN8SH_M92BD0DMP.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&身体语言_别对我撒谎&i class=&icon-external&&&/i&&/a&&/b&&/p&&img src=&/1f803f23ef8b7ee9d33b3cf6e6982c3f_b.jpg& data-rawwidth=&1440& data-rawheight=&900& class=&origin_image zh-lightbox-thumb& width=&1440& data-original=&/1f803f23ef8b7ee9d33b3cf6e6982c3f_r.jpg&&&br&&p&&b&8.千万不要认为“人丑就要多读书”，很多时候，当你认为你自己特别丑时，你会什么都不敢做。&/b&&/p&&p&&b&&a href=&///?target=http%3A///movie/2015/2/Q/G/MAH5J5OT0_MAH5UEGQG.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&为什么认为自己丑会对你不利&i class=&icon-external&&&/i&&/a&&/b&&/p&&img src=&/ab59c48c44b67d6a86ea36_b.jpg& data-rawwidth=&1440& data-rawheight=&900& class=&origin_image zh-lightbox-thumb& width=&1440& data-original=&/ab59c48c44b67d6a86ea36_r.jpg&&&img src=&/2ffda199d20090e76abf_b.jpg& data-rawwidth=&1440& data-rawheight=&900& class=&origin_image zh-lightbox-thumb& width=&1440& data-original=&/2ffda199d20090e76abf_r.jpg&&&br&&p&&b&9.海底有多少惊奇的事物，我们很多还是一无所知。&/b&&/p&&p&&b&&a href=&///?target=http%3A///movie/2012/1/E/O/M8LD0V9UJ_M8M10JTEO.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&超短集_David Gallo 揭露海底惊奇&i class=&icon-external&&&/i&&/a&&/b&&/p&&img src=&/d747e9cdeae4b7de6b00ff_b.jpg& data-rawwidth=&1440& data-rawheight=&900& class=&origin_image zh-lightbox-thumb& width=&1440& data-original=&/d747e9cdeae4b7de6b00ff_r.jpg&&&img src=&/fcdcbe5dbce8e4ab49e207_b.jpg& data-rawwidth=&1440& data-rawheight=&900& class=&origin_image zh-lightbox-thumb& width=&1440& data-original=&/fcdcbe5dbce8e4ab49e207_r.jpg&&&br&&p&&b&10.大自然有多么奇妙，看过你就知道。&/b&&/p&&p&&b&&a href=&///?target=http%3A///movie/2014/7/B/S/M9UR0MGTJ_M9UR4OPBS.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&自然界鲜为人知的奇妙作为&i class=&icon-external&&&/i&&/a&&/b&&/p&&img src=&/ccd0c644a5ae0e874d12bae482ad1a21_b.jpg& data-rawwidth=&1440& data-rawheight=&900& class=&origin_image zh-lightbox-thumb& width=&1440& data-original=&/ccd0c644a5ae0e874d12bae482ad1a21_r.jpg&&&br&&p&&b&11.这个真心赞！尤其是演讲者意味深长的“多么给力的舌头”。&/b&&/p&&p&&b&&a href=&///?target=http%3A///movie/2014/1/R/L/M9G12LCRV_M9G3677RL.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&凯伦?巴斯：前所未见，野性自然&i class=&icon-external&&&/i&&/a&&/b&&/p&&img src=&/322ee6bdafed3fee15dc30_b.jpg& data-rawwidth=&1440& data-rawheight=&900& class=&origin_image zh-lightbox-thumb& width=&1440& data-original=&/322ee6bdafed3fee15dc30_r.jpg&&&img src=&/e1bd449b9fbc9d134999_b.jpg& data-rawwidth=&1440& data-rawheight=&900& class=&origin_image zh-lightbox-thumb& width=&1440& data-original=&/e1bd449b9fbc9d134999_r.jpg&&&img src=&/3fdd2dcdd1bd_b.jpg& data-rawwidth=&1440& data-rawheight=&900& class=&origin_image zh-lightbox-thumb& width=&1440& data-original=&/3fdd2dcdd1bd_r.jpg&&&img src=&/32f7dce0beaf4bd7be8ba_b.jpg& data-rawwidth=&1440& data-rawheight=&900& class=&origin_image zh-lightbox-thumb& width=&1440& data-original=&/32f7dce0beaf4bd7be8ba_r.jpg&&&img src=&/713a8efbc6db9f0fdb02cae5924ec79d_b.jpg& data-rawwidth=&1440& data-rawheight=&900& class=&origin_image zh-lightbox-thumb& width=&1440& data-original=&/713a8efbc6db9f0fdb02cae5924ec79d_r.jpg&&&img src=&/c00abe0e2b6_b.jpg& data-rawwidth=&1440& data-rawheight=&900& class=&origin_image zh-lightbox-thumb& width=&1440& data-original=&/c00abe0e2b6_r.jpg&&&br&&p&&b&12.这个演讲和BBC的植物之歌差不多。&/b&&/p&&p&&b&&a href=&///?target=http%3A///movie/2015/1/T/K/MAE6JLSD0_MAE6VVLTK.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&小植物有大学问&i class=&icon-external&&&/i&&/a&&/b&&/p&&img src=&/a996b456fed073c4fe6906_b.jpg& data-rawwidth=&1440& data-rawheight=&900& class=&origin_image zh-lightbox-thumb& width=&1440& data-original=&/a996b456fed073c4fe6906_r.jpg&&&br&&p&&b&13.蜣螂已经阻止不了人类对它们的窥视了，女生如果觉得恶心，可以越过不看。&/b&&/p&&p&&b&&a href=&///?target=http%3A///movie//9/M9AHV69RP_M9AHV8T59.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&马库斯?伯恩：蜣螂的舞蹈&i class=&icon-external&&&/i&&/a&&/b&&/p&&img src=&/45b1cd101ca884b4200a_b.jpg& data-rawwidth=&1440& data-rawheight=&900& class=&origin_image zh-lightbox-thumb& width=&1440& data-original=&/45b1cd101ca884b4200a_r.jpg&&&br&&p&&b&14.对，还是上面有提及的演讲者Louie Schwartzberg，我最喜欢他对于细微生命的摄影，虽然只有短短的几分钟，已经足够。&/b&&/p&&p&&b&&a href=&///?target=http%3A///movie//P/M778TU0B6_M779E380P.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&授粉中隐藏的美丽&i class=&icon-external&&&/i&&/a&&/b&&/p&&img src=&/08de08860ffc7cc2ecf6ca_b.jpg& data-rawwidth=&1440& data-rawheight=&900& class=&origin_image zh-lightbox-thumb& width=&1440& data-original=&/08de08860ffc7cc2ecf6ca_r.jpg&&&br&&p&&b&15.未满十八岁，请谨慎打开。&/b& &b&&a href=&///?target=http%3A///movie//E/M9UR06H6C_M9UR4JA0E.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&野生动物交配千奇百怪&i class=&icon-external&&&/i&&/a&&/b& &b&表示做不到啊！！！&/b&&/p&&p&&b&16.看完之后，你才会明白：你哭着对我说，AV里都是骗人的。&/b&&/p&&p&&b&&a href=&///?target=http%3A///movie/2014/3/V/3/M9LI8RS5V_M9LI91PV3.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&辛迪?盖洛普：4分钟解读人类体验&i class=&icon-external&&&/i&&/a&&/b&&/p&&img src=&/ec0cb1f8d5c51cddee5ca8a_b.jpg& data-rawwidth=&1440& data-rawheight=&900& class=&origin_image zh-lightbox-thumb& width=&1440& data-original=&/ec0cb1f8d5c51cddee5ca8a_r.jpg&&&p&我很纯，我很多都不懂。这是yan射的意思吗？&/p&&p&&b&17.最后，放上谷歌的黑科技，详情请查看&a href=&/question/& class=&internal&&Google（谷歌）有哪些逆天的黑科技？ - 谷歌 (Google)&/a&最高票的回答。&/b&&/p&&p&&b&&a href=&///?target=http%3A///movie/2014/5/S/D/M9PEG3P9U_M9PJF4ESD.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&我们从五百万本书里学到了什么&i class=&icon-external&&&/i&&/a&&/b&&/p&&p&&a href=&///?target=http%3A///r/1zrYwDfEVGorrXOj92-F& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&/r/1zrYwDf&/span&&span class=&invisible&&EVGorrXOj92-F&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a& (二维码自动识别)&/p&
从TED中或许能够获得一些Mind-Blowing的知识。
前方高能，多图杀流量。1.如何正确地系鞋带？ 2.如何正确地擦手？ 3.知道你为什么存不了钱吗？跟你的语言有关系。
&p&&b&当然是迷一般的度量衡！&/b&&/p&&br&&p&给车加油不用升，用加仑。&br&化妆品容量不用毫升，用盎司。&br&做饭用的量杯不用毫升，用夸脱。&/p&&p&开车路程不按公里，按英里。&br&量身高不用米，用英尺。&br&卷尺量东西不按厘米，按英寸。&br&房子面子不按平方米，按平方码。&/p&&p&买东西不按个，按打。&br&量体重不按千克，按磅。&br&港口进货不按吨，按美吨。&br&温度不按摄氏度，按华氏度。&/p&&p&一美分是cent&br&五美分是nickle&br&十美分是dime&br&二十五美分是quarter&br&一美元是dollar &/p&&p&在这个十进制的世界里，老美的度量衡简直是一股泥石流！&br&&b&从公制换算到英制无比的蛋疼，因为英制不是十进制啊！！！四进制八进制十二进制十六进制，就特么不是十进制啊！&/b&&br&一英寸是三个大麦的长度。。？？？一磅等于一颗麦穗中大麦重量的7000倍。。？？&/p&&p&太随便了吧阿喂！！！你们是有多爱大麦！！！&/p&&p&英制换算公制动不动给你来个.6666看得人头皮发麻！！&br&从摄氏到华氏为毛公式那么复杂啊！为毛啊！&br&九十多斤的孩子往磅秤上一踩瞬间变三位数吓死人了啊！&br&平方英寸平方码两个那么接近的单位就不能给合并一下吗？？&br&来来，你现在能张嘴就说出来你身高几尺几寸又几分之几吗？！！！&/p&&p&说好的容器按盎司夸脱把，妈的为什么菜谱上都是“一勺”“一茶匙”“一杯”！！那我买量杯做甚啊！！！！！&/p&&p&顺便说一句，一茶匙，一勺，一杯也是有固定容量的哟！！等于多少盎司我不知道！等需要的时候要自己查哦！！（在此墙裂推荐超市里卖的相关小工具）&/p&&p&鞋子衣服裙子短裤，给你来个6-12码懵死你！&/p&&p&但是呢，到了买裤子又变成了W28H34？！！这都什么跟什么啊！！！神马单位啊都！！&/p&&p&丫你们老美累不累！！！&/p&&p&每个从中国过来的小伙伴手机里一定有这个！！！没错！换算app！！！！&/p&&img data-rawheight=&2001& src=&/v2-9e5c6ad8ee12_b.jpg& data-rawwidth=&1125& class=&origin_image zh-lightbox-thumb& width=&1125& data-original=&/v2-9e5c6ad8ee12_r.jpg&&&br&&br&感谢&a href=&///people/45e37e8abe9a952e0a6ee33& data-hash=&45e37e8abe9a952e0a6ee33& class=&member_mention& data-hovercard=&p$b$45e37e8abe9a952e0a6ee33&&@塞伦利&/a& 同学给我提供的图&br&&img data-rawwidth=&673& data-rawheight=&983& src=&/v2-53c488fff129cbbacfdba5b_b.jpg& class=&origin_image zh-lightbox-thumb& width=&673& data-original=&/v2-53c488fff129cbbacfdba5b_r.jpg&&&br&&p&真羡慕生活在公制国家的你们。&/p&&p&有很多小伙伴私信app的名字，&b&叫“极速换算”&/b&。一开始我怕大家误会我，才打码的。既然有需要，就无所谓啦！&/p&&p&&b&把有趣的评论都放推荐了，请自行参观！&/b&&/p&
当然是迷一般的度量衡！ 给车加油不用升，用加仑。 化妆品容量不用毫升，用盎司。 做饭用的量杯不用毫升，用夸脱。开车路程不按公里，按英里。 量身高不用米，用英尺。 卷尺量东西不按厘米，按英寸。 房子面子不按平方米，按平方码。买东西不按个，按打。 …
&img src=&/50/v2-d1c0b88f1fb877d87bf3_b.png& data-rawwidth=&580& data-rawheight=&203& class=&origin_image zh-lightbox-thumb& width=&580& data-original=&/50/v2-d1c0b88f1fb877d87bf3_r.png&&转自普吧，原&a href=&/?target=http%3A///p/%2310006-tqf-1-23b84e16ea46ca37& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&天使还是魔鬼--太空骑师o图鉴_普罗米修斯吧_百度贴吧&i class=&icon-external&&&/i&&/a&&br&超长文预警&br&序：
我们从哪里来？要到哪里去？&br&是谁创造了人类？ &br&是谁要毁灭人类？
在《普罗米修斯1》之后，许多谜团，让人百思不解、欲罢不能！
而这种种疑问，都指向了一个神秘莫测的物种——太空骑师（space jockey） &br&&br&&img src=&/v2-4bbfa7b278c6e3e730a0_b.png& alt=&用户上传的图片& class=&content_image&&&br&他们是谁？是天使？是魔鬼？与异形之间又有何种联系？……
与其凭空臆测，不如赶紧趁暑假的尾巴，让Soho007e带你回到影片本身，一起搜集线索，解读编导们的意图，揭开谜团！走近这个神秘物种！
&br&第一站：造人的“普罗米修斯” &br&作为整部影片的开端，这个5分零五秒，把所有刚进影院的观众牢牢地按在了座位上。它告诉你，即将看到的这部影片，与其他单纯探索外星生物的科幻片完全不同，它赋予了整个故事史诗般的色彩。 &br&让我们带上放大镜，走进这个被编导们改了无数稿的五分钟，挖出背后的秘密——
1、来自深空的神秘访客： A、分镜头“连环画”
太空骑师的故事从远古地球开始——&br&&img src=&/v2-6ebbc655b1a1c05c4b213efeb0d9534b_b.png& alt=&用户上传的图片& class=&content_image&&&br&（1）深黑的宇宙，星河静默，一颗蓝色的下弦月冉冉升起。 &br&&img src=&/v2-c07a330e5fbb7aef3a51a1e98a8f9eba_b.png& alt=&用户上传的图片& class=&content_image&&&br&（2）接着，镜头掠过云蒸霞蔚的大气层、地热滚滚的荒原、冰原下的火山、群山环抱的静湖、古老的极地冰川，并在景物投下一大片圆形的阴影。呈现出一派原始、壮丽的地貌。 &br&&img src=&/v2-eae904ac4c2eecb46c90a_b.png& alt=&用户上传的图片& class=&content_image&&&br&（3）阴影覆盖向一条水流丰沛的瀑布，它吼叫着坠入深渊，成为一条奔腾的河流。镜头抬升，一座巨大的碟形飞船悬停于水汽之上。
&br&&img src=&/v2-2dd7cacc270f39e16cc4c30_b.png& alt=&用户上传的图片& class=&content_image&&&br&（4）一个身披麻布斗篷的人