奥弗国际：5020亿！史上最大的MLF操作量，带来一好一坏两个消息！
来源：HFGFX · 奥弗国际
我有一个好消息一个坏消息，你想先听哪个？算了，甭纠结了，咱还是先听好消息吧！好消息就是紧巴巴过日子的央妈终于开始有所松动了。7月23日，央行开展5020亿元的一年期中期借贷便利（MLF）操作，操作利率维持3.3%不变。M
　　我有一个好消息一个坏消息，你想先听哪个？　　算了，甭纠结了，咱还是先听好消息吧！　　好消息就是紧巴巴过日子的央妈终于开始有所松动了。　　7月23日，央行开展5020亿元的一年期中期借贷便利（MLF）操作，操作利率维持3.3%不变。　　MLF是什么？这里给大家百科下。　　MLF（Medium-term Lending Facility）即中期借贷便利，它由中国人民银行于2014年9月创设，是央行提供中期基础货币的货币政策工具。　　其对象为符合宏观审慎管理要求的商业银行、政策性银行（可通过招标方式开展）。发放方式为质押方式，并需提供国债、央行票据、政策性金融债、高等级信用债等优质债券作为合格质押品。　　5020亿！此次MLF的“巨量”投放超出市场预期，其投放规模堪比一次降准，堪称史上最大MLF。　　鉴于当日并无MLF到期，只有1700亿元7天期逆回购到期，这等于说当天公开市场净投放流动性达3320亿元。因而有分析认为，此举意味着央行或许开始有所松动，货币政策将有可能从当前的稳健中性转向适当的宽松。今年后续不排除进一步定向降准的可能。　　央妈开始放水，我们的钱可能会慢慢变多起来。　　钱可能会变多呢！这确实不失为一个好消息！　　此时心里是不是美滋滋的呢？先别忙，再来看看坏消息吧！　　坏消息就是我们的钱可能更不值钱了。　　这个很好理解，你不断印钞票，经济质量下滑了，你的钱和以前肯定不是同一个价了。　　从人民币汇率来看，2016年是人民币贬值的转折点。进入2018年，人民币就进入了加速贬值通道。　　人民币贬值有多严重呢？　　我们从网上流传的一个段子就可感受出来。　　如果我们在一个月前换10万美元，就相当于在国内赚了3万元人民币。　　虽然人民币正式纳入国际货币基金特别提款权（SDR）前，已有不少专家公开表态，人民币汇率将会出现一定幅度的下跌，但人民币本轮下跌行情还是出乎很多人的预期。　　人民币贬值是肯定的了，但对于贬值的速度，大家看法不一。　　德意志银行：人民币两年内将贬值17%　　对于人民币贬值，德银最替我们悲观了。德银称，北京意图冷却楼市，加上货币政策转向宽松以及美元借贷成本增加，预计资金外流情况会加剧，人民币难逃贬值命运。该行估计明年人民币兑美元将跌至7.4，2018年将会贬值17%，到时港元及人民币会重返「一兑一」的水平。　　丹麦银行：人民币一年内贬值到7.1　　丹麦银行认为，人民币的疲软是囿于美元的强势，正如人民币贸易加权汇率近几个月一直相对稳定。未来一年，人民币将继续贬值。更大程度上，人民币疲软是因为中国2017年经济增长放缓，以及企业债务急剧上升和影子融资的增长。“未来12个月，美元兑人民币的汇率将上涨至7.1，而欧元兑人民币的汇率将上升至8.38。”　　国内专家：人民币明年可能最多贬到7.3　　国内专家普遍认为，人民币对美元贬值压力将进一步加大，今年年内对美元能守6.8也是困难重重，明年可能最多贬到7.3。　　也有专家认为未来三至五年，人民币汇率的波动区间应该在5.80至7.40之间。　　人民币“跌跌不休”，我们该怎么办？　　面对人民币贬值的大环境，如果将你的钱放在银行吃利息，按照银行目前0.3%左右的利息率，再看看人民币贬值的速度及通胀程度，你的钱贬值无疑。　　大环境我们无法改变，但我们可以把握小环境啊！　　人民币贬值，很多人想到了投资，但选择何种投资是关键。　　对于楼市，国内外投资机构普遍不看好中国楼市了，而从不久前碧桂园、万科、绿地、恒大、融创等地产巨头纷纷表示要从地产转型，更应证了这一点。或许仅有三四线城市棚改货币化维持着楼市仅有的尊严。　　针对上半年A股大跌13.9%,总市值蒸发5万亿，看来股市也不是妥善的选择，尤其是7月疫苗事件以来，医药股更是雪上加霜。　　而对于满地皆是雷的P2P行业，投资者每天就像枕着个地雷睡觉，不是担心今天爆就是担心明天爆……　　就目前环境而言，外汇是投资的首选。　　全球外汇每天5-6万亿美元的交易量，充足的流动性；买跌看涨，灵活交易；止跌止损，控制风险；24小时交易，随时出手，不用担心被套牢；高杠杆，以小博大，收益丰厚……　　外汇，已经成了国内外投资者追逐的对象，尤其在现今人民币贬值的大背景下，为防止财富缩水，越来越多的人开始将目光转向外汇行业。　　作为一家来自英国的专业的外汇经纪商，HFGFX奥弗国际，期待为您提供最优质的服务，带您遨游全球外汇市场。　　风险提示：本文所载内容仅作为信息参考，并不构成投资建议或推荐，金融投资带来高收益的同时也伴随着高风险，投资者需谨慎操作，HFGFX不承担任何依照建议进行交易导致的损失。如您对产品相关风险有任何疑问，请咨询独立专业人士。　　往期精彩　　资管新规之下，银行理财委外缩水，一年狂跌1.8万亿　　外汇保证金交易在中国能否迎来发展的春天？　　外汇人必须知道的定律——“二八定律”　　五种外汇投资通病，或许这就是你亏损的主要原因&
【免责声明】中金网发布此信息目的在于传播更多信息，与本网站立场无关。中金网不保证该信息的准确性、真实性、完整性、有效性等。相关信息并未经过本网站证实，不构成任何投资建议，据此操作，风险自担。
文中提到的相关交易商
外汇天眼&&|&&
外汇天眼&&|&&
外汇天眼&&|&&
外汇天眼&&|&&
分享给朋友吧&p&&b&（一）婴儿的身体发展&/b&&/p&&p&&br&&/p&&p&给0-1岁宝宝准备玩具之前，我们先要了解0-1岁宝宝的身体发展规律。&/p&&p&&br&&/p&&p&讲到0-1婴儿的身体，不得不提神经元的发展。&/p&&p&&br&&/p&&p&新生儿的脑部，拥有将近一千亿个神经元。&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/50/dab957ac78cf_b.jpg& data-rawwidth=&600& data-rawheight=&275& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic4.zhimg.com/50/dab957ac78cf_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&神经元之间的信息传递过程有点像电流传递。 &/p&&figure&&img src=&https://pic2.zhimg.com/50/b86e165f242_b.jpg& data-rawwidth=&1837& data-rawheight=&324& class=&origin_image zh-lightbox-thumb& width=&1837& data-original=&https://pic2.zhimg.com/50/b86e165f242_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&这里我们要介绍神经元上面这层浅黄色的包裹物。&/p&&p&&br&&/p&&p&婴儿刚刚出生时，只有一小部分神经元有这层包裹物。这层东西就像绝缘体，让神经元里传递的电流不会漏电，保证传递的信息可以准确无误地到达要去的地方。它们是由脂肪和蛋白质组成的。婴儿喝的母乳含大量的脂肪和蛋白质，大部分被用来生成这层东西。&/p&&p&&br&&/p&&p&只有被包裹好的神经元，才能准确无误完成大脑想要的动作。举个例子，一个月大的孩子，还不能有意识地动手指，因为这层包裹物还没有长到那里去。神经元传递的信息也就无法有效传递到手指。讲到这里，我们就要讲一下包裹物生长的规律了。&/p&&p&&br&&/p&&p&它生长的规律是这样的，&/p&&p&&br&&/p&&figure&&img src=&https://pic1.zhimg.com/50/a7ee86f74ae1e27136afc4ec85ad6f25_b.jpg& data-rawwidth=&156& data-rawheight=&243& class=&content_image& width=&156&&&/figure&&p&&br&&/p&&p&从头端往尾端：头部最先会动，然后是手，最后才是脚。&/p&&p&从近端往远端：身体中心部位最先会动，之后才学会末梢的运动。例如先会控制动胸部腹部，然后才是手腕，最后才是手指。&/p&&p&由简单到复杂：先学会简单的大动作，再掌握细腻的小动作。例如先学会抓握，然后才是捏。&/p&&p&&br&&/p&&p&&br&&/p&&p&这也就是为什么孩子会先动眼睛，才会动脖子；先会动肩膀，之后才会动胸部；先会动腹部，然后才会动腿，最后会动各个手指和脚的精细动作。而不是先会动腿，然后才会动脖子。这就是我们所说的发展规律。&/p&&p&&br&&/p&&p&而这层包裹物的名字叫做髓鞘。感兴趣的同学可以自己上网搜索一下。&/p&&p&&br&&/p&&p&髓鞘化的基本规律：&/p&&p&第1个月：眼睛能有意识地转动&/p&&p&第2个月：头，能抬头&/p&&p&第3个月：手臂&/p&&p&第4个月：能翻身&/p&&p&第5-6个月：靠辅助物能坐起来&/p&&p&第7个月：独立坐起来&/p&&p&第8个月：爬行&/p&&p&第9个月：按着辅助物站起来&/p&&p&第10个月:靠辅助物站立行走&/p&&p&第11-12个月：独立站立起来 &/p&&p&第12-14个月：走路&/p&&p&&br&&/p&&p&知道婴儿身体的发展规律，可以帮助我们决定0-1岁各个阶段需要怎样的玩具。&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&（二）各阶段的发展和需求&/b&&/p&&p&&br&&/p&&p&我把0-1岁分成四个阶段介绍。每个阶段，孩子都有新的发展，有新的姿势。每个阶段，也都有新的需求。&/p&&p&&br&&/p&&ol&&li&第1-3个月：躺着&/li&&li&第4-6个月：能翻身－能靠辅助物坐&/li&&li&第7-9个月：能坐－能爬行&/li&&li&第10-12个月：能站－能走&/li&&/ol&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&1.
第1-3个月&/b&&/p&&p&&br&&/p&&p&&br&&/p&&p&这个阶段髓鞘化到了眼睛－脖子－手臂。我们可以准备一些能刺激宝宝视觉的玩具。到了两三个月時，可以增加让手能碰到有触感的玩具。&/p&&p&&br&&/p&&p&先说说新生儿的视觉。&/p&&ul&&li&新生婴儿刚开始只能区别明暗&/li&&li&喜欢复杂的形态和曲线&/li&&li&婴儿喜欢注视人的脸部嬰兒&/li&&li&鲜明的对比色和中亮度的物品最能吸引新生婴儿的凝视。&/li&&/ul&&p&&br&&/p&&p&根据这一特点，我们为新声婴儿准备的第一个玩具是 Munari吊铃。&/p&&figure&&img src=&https://pic3.zhimg.com/50/ab3f9c8edaa593d2afffff1_b.jpg& data-rawwidth=&1122& data-rawheight=&424& class=&origin_image zh-lightbox-thumb& width=&1122& data-original=&https://pic3.zhimg.com/50/ab3f9c8edaa593d2afffff1_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&全手工，无电池，无声音。随空气转动而转动的手工吊铃。它的特点是，黑白对比色，形态曲线复杂。这时候婴儿只能区别明暗，所以这款手工吊铃是专为新生婴儿准备的。&/p&&figure&&img src=&https://pic1.zhimg.com/50/0ca359f1a8dffd76b0168a_b.jpg& data-rawwidth=&344& data-rawheight=&273& class=&content_image& width=&344&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&在商场选购吊铃时，也可以根据这些特点去选择合适的。&/p&&p&&br&&/p&&p&孩子的视觉慢慢发展，我们可以开始更换别的吊铃。根据宝宝的喜好，观察他对哪个最感兴趣，就挂哪个。&/p&&p&&br&&/p&&p&以下全都是各种蒙特梭利风格的手工吊铃，感兴趣的朋友可以在家手工制作几个给宝宝用。&/p&&figure&&img src=&https://pic3.zhimg.com/50/683b36d4d6ddfc_b.jpg& data-rawwidth=&322& data-rawheight=&443& class=&content_image& width=&322&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&另外，因为髓鞘化慢慢到手臂。宝宝开始会手拍东西的有意识动作。有时候，他们也有踢腿的无意识动作。这时候，可以准备用手拍到或者用脚踢到会响的吊铃。&/p&&p&&br&&/p&&p&例如：一条丝带加一个铃铛。&/p&&p&挂在孩子手能拍到的胸前，或者脚能踢到的脚边。这是一款成本低又好玩的吊铃。&/p&&figure&&img src=&https://pic3.zhimg.com/50/55b47d908acba034f675fdfb1aa9f2cc_b.jpg& data-rawwidth=&645& data-rawheight=&324& class=&origin_image zh-lightbox-thumb& width=&645& data-original=&https://pic3.zhimg.com/50/55b47d908acba034f675fdfb1aa9f2cc_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&又例如：一条有弹力的带，加上一个圆环。变成孩子能够拍和抓的吊铃。&/p&&figure&&img src=&https://pic1.zhimg.com/50/3a9e9bfb9ee201de638e16ff_b.jpg& data-rawwidth=&570& data-rawheight=&380& class=&origin_image zh-lightbox-thumb& width=&570& data-original=&https://pic1.zhimg.com/50/3a9e9bfb9ee201de638e16ff_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&这个时候，孩子有抓握的无意识动作。我们可以准备一些给孩子抓握并且能发出声响的小玩具。&/p&&figure&&img src=&https://pic1.zhimg.com/50/378eb6a45b39_b.jpg& data-rawwidth=&500& data-rawheight=&334& class=&origin_image zh-lightbox-thumb& width=&500& data-original=&https://pic1.zhimg.com/50/378eb6a45b39_r.jpg&&&/figure&&p&&br&&/p&&p&最后，要严重推荐的一款玩具是kicking ball。这是一款可手拍，可脚踢，以后孩子会爬了之后，还可以追在它后面爬的手工棉布球。&/p&&figure&&img src=&https://pic4.zhimg.com/50/de5e9b68d3f040d305bc_b.jpg& data-rawwidth=&687& data-rawheight=&424& class=&origin_image zh-lightbox-thumb& width=&687& data-original=&https://pic4.zhimg.com/50/de5e9b68d3f040d305bc_r.jpg&&&/figure&&p&&br&&/p&&p&下面这个孩子脚边有kicking ball可以踢，头上有mobile可以看。真是忙的不亦乐乎。&/p&&figure&&img src=&https://pic3.zhimg.com/50/4d3fe4eb2fdbdfa79ef88_b.jpg& data-rawwidth=&400& data-rawheight=&300& class=&content_image& width=&400&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&孩子会坐之后，这个球可以拆下来放在篮子里面给他玩。孩子会爬之后，可以在棉布球后面追着它爬。&/p&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&2.
第4-6个月&/b&&/p&&p&&br&&/p&&p&前3个月，我们主要着重准备视觉以及手脚可触碰且发出声响的玩具。&/p&&p&&br&&/p&&p&到了4-6个月，随着髓鞘化发展，孩子逐渐可以借助辅助物坐起来。这时候，他们的姿势不再是躺着的。双手也被解放出来可以玩手里抓的玩具。&/p&&p&&br&&/p&&p&这个阶段，我们可以准备刺激手部肌肉和眼手协调的玩具。同时，这个时候孩子开始长牙齿。他们经常需要拿东西往嘴里咬。玩具最好是可以给他们咬的。&/p&&p&&br&&/p&&p&所以，这个阶段玩具的主要用途：&/p&&ul&&li&伸手&/li&&li&抓&/li&&li&触摸&/li&&li&嘴咬&/li&&li&尝试转动手腕&/li&&li&两手同时使用&/li&&/ul&&p&&br&&/p&&p&符合这些条件的，都可以作为孩子的玩具。&/p&&p&&br&&/p&&p&例如下面这些：&/p&&p&&br&&/p&&p&相扣木环 interlocking discs：&/p&&figure&&img src=&https://pic4.zhimg.com/50/69f14aefb4_b.jpg& data-rawwidth=&931& data-rawheight=&324& class=&origin_image zh-lightbox-thumb& width=&931& data-original=&https://pic4.zhimg.com/50/69f14aefb4_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&突起的橡胶球 Rubber Ball with Protrusions&/p&&figure&&img src=&https://pic4.zhimg.com/50/ed75f1b3f78fbd3219f6_b.jpg& data-rawwidth=&811& data-rawheight=&424& class=&origin_image zh-lightbox-thumb& width=&811& data-original=&https://pic4.zhimg.com/50/ed75f1b3f78fbd3219f6_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&Sphere with Little Balls (Dolio) &/p&&figure&&img src=&https://pic3.zhimg.com/50/fd8e3a5fc393_b.jpg& data-rawwidth=&631& data-rawheight=&324& class=&origin_image zh-lightbox-thumb& width=&631& data-original=&https://pic3.zhimg.com/50/fd8e3a5fc393_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&圆柱摇铃&/p&&figure&&img src=&https://pic4.zhimg.com/50/76f654bb565e8dd377a631e_b.jpg& data-rawwidth=&1127& data-rawheight=&424& class=&origin_image zh-lightbox-thumb& width=&1127& data-original=&https://pic4.zhimg.com/50/76f654bb565e8dd377a631e_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&如果要找东西给孩子长牙时拿在手里可以咬着用，也可以考虑天然食品：&/p&&ul&&li&苹果&/li&&li&生胡萝卜&/li&&li&法式面包&/li&&/ul&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&3.
第7-9个月&/b&&/p&&p&&br&&/p&&p&到了7-9个月，孩子眼手协调动作会进一步精细。以前只能伸手抓取；触摸；转动手腕；放到嘴里。现在，他可以做更精细的动作。比如，拿出来，放进去，松手。&/p&&p&&br&&/p&&p&所以，我们可以为他们准备眼手协调的新玩具，满足他们新的需求。&/p&&p&&br&&/p&&p&物体恒存盒 object permanence box&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/50/fdd884ad74fc38fd0d52d_b.jpg& data-rawwidth=&598& data-rawheight=&424& class=&origin_image zh-lightbox-thumb& width=&598& data-original=&https://pic4.zhimg.com/50/fdd884ad74fc38fd0d52d_r.jpg&&&/figure&&p&（练习眼手协调的同时，明白物体恒存的概念。眼睛看不到的东西，不代表消失了。）&/p&&p&&br&&/p&&p&圆圈套环 ring stackers&/p&&p&&br&&/p&&figure&&img src=&https://pic1.zhimg.com/50/6cc6d1f60c17bca6bc9078fca80fa278_b.jpg& data-rawwidth=&1102& data-rawheight=&424& class=&origin_image zh-lightbox-thumb& width=&1102& data-original=&https://pic1.zhimg.com/50/6cc6d1f60c17bca6bc9078fca80fa278_r.jpg&&&/figure&&p&蛋杯和蛋 egg in cups&/p&&figure&&img src=&https://pic3.zhimg.com/50/21d6ebe00cd3_b.jpg& data-rawwidth=&1530& data-rawheight=&451& class=&origin_image zh-lightbox-thumb& width=&1530& data-original=&https://pic3.zhimg.com/50/21d6ebe00cd3_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&下面这个也是很好的玩具。tracker追踪玩具。可以锻炼孩子眼睛追踪运动的物体，有利于日后的看书阅读能力；平衡能力；孩子还可以扶着他站起来。&/p&&figure&&img src=&https://pic4.zhimg.com/50/e5bdf8a3a786e97966cfb2_b.jpg& data-rawwidth=&544& data-rawheight=&424& class=&origin_image zh-lightbox-thumb& width=&544& data-original=&https://pic4.zhimg.com/50/e5bdf8a3a786e97966cfb2_r.jpg&&&/figure&&p&&br&&/p&&p&这个阶段，髓鞘化到了腿部肌肉。孩子开始会爬，也开始尝试站起来了。他们不再只是在原地坐着玩。他们需要更大空间，做更大的动作。这个时候，除了准备新玩具，爸爸妈妈们也要更加注意家里环境的安全问题，例如桌布和窗帘不要垂到地上，不然孩子会爬过去把它拉下来。&/p&&p&&br&&/p&&p&这个阶段，我们会准备一篮子的球类。最好选不会滚的太快的球。这样宝宝在后面追着爬比较容易追得上，不会太有挫折感。&/p&&figure&&img src=&https://pic1.zhimg.com/50/cfbbba953b134_b.jpg& data-rawwidth=&665& data-rawheight=&442& class=&origin_image zh-lightbox-thumb& width=&665& data-original=&https://pic1.zhimg.com/50/cfbbba953b134_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&前面说了，这个阶段孩子活动范围和活动能力大幅度加大了。他们会特别喜欢阶梯，我们可以准备一两级小台阶给他们爬上爬下。&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/50/74a85e148ed1ce2e0b07e0e8e5228394_b.jpg& data-rawwidth=&1092& data-rawheight=&424& class=&origin_image zh-lightbox-thumb& width=&1092& data-original=&https://pic4.zhimg.com/50/74a85e148ed1ce2e0b07e0e8e5228394_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&家里没有楼梯的，可以在市面上买到一些软的楼梯给孩子爬。家长必须在旁边看着，保证安全。&/p&&p&&br&&/p&&figure&&img src=&https://pic1.zhimg.com/50/5de8dd130cb8c35a8dc3_b.jpg& data-rawwidth=&600& data-rawheight=&375& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic1.zhimg.com/50/5de8dd130cb8c35a8dc3_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&准备一些可供他们抓着扶着站起来的东西。例如很重的家具，或者是专门给孩子抓着站起来的架子。&/p&&figure&&img src=&https://pic4.zhimg.com/50/ea1104fbc192a28ce529779adaa9d2cb_b.jpg& data-rawwidth=&1004& data-rawheight=&424& class=&origin_image zh-lightbox-thumb& width=&1004& data-original=&https://pic4.zhimg.com/50/ea1104fbc192a28ce529779adaa9d2cb_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&b&4.
第10-12个月&/b&&/p&&p&&br&&/p&&p&这个时候，孩子眼手协调进一步发展。同时，可以辨识形状，进行配对。手部肌肉也能做更加精确的动作。&/p&&p&&br&&/p&&p&形状配对盒 （先只要三个形状就好。等宝宝掌握了三个，再换有更多形状的。）&/p&&figure&&img src=&https://pic3.zhimg.com/50/bdaee306beac82cf615ebe_b.jpg& data-rawwidth=&806& data-rawheight=&424& class=&origin_image zh-lightbox-thumb& width=&806& data-original=&https://pic3.zhimg.com/50/bdaee306beac82cf615ebe_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&彩虹圆环套环&/p&&figure&&img src=&https://pic2.zhimg.com/50/dbbc1dbb694a9d235d68d_b.jpg& data-rawwidth=&875& data-rawheight=&424& class=&origin_image zh-lightbox-thumb& width=&875& data-original=&https://pic2.zhimg.com/50/dbbc1dbb694a9d235d68d_r.jpg&&&/figure&&p&&br&&/p&&p&俄罗斯娃娃&/p&&figure&&img src=&https://pic1.zhimg.com/50/fda145fa1f4e96_b.jpg& data-rawwidth=&1038& data-rawheight=&424& class=&origin_image zh-lightbox-thumb& width=&1038& data-original=&https://pic1.zhimg.com/50/fda145fa1f4e96_r.jpg&&&/figure&&p&（打开，盖上，学习大小的概念）&/p&&p&&br&&/p&&p&当然，你也可以利用家里的材料，自制玩具：&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/50/dc36fa3a2b83131fed6e5eef1ca5a705_b.jpg& data-rawwidth=&965& data-rawheight=&324& class=&origin_image zh-lightbox-thumb& width=&965& data-original=&https://pic4.zhimg.com/50/dc36fa3a2b83131fed6e5eef1ca5a705_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&这个阶段，神经元慢慢髓鞘化到腿脚。通过肌肉的多次锻炼，孩子们开始能站能走。这个时候，他们需要更多走动的空间，以及可以锻炼到腿部肌肉的玩具。&/p&&p&&br&&/p&&p&&br&&/p&&p&推车 push wagon &/p&&p&（要选宽点重点的，不容易翻倒。孩子走路还不太稳，需要扶着推车。如果推车太轻太窄小，容易不稳。）&/p&&figure&&img src=&https://pic1.zhimg.com/50/4019ddec7d5977786dab1f_b.jpg& data-rawwidth=&381& data-rawheight=&370& class=&content_image& width=&381&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&baby trike&/p&&figure&&img src=&https://pic2.zhimg.com/50/28729dbd55f92caa63b85_b.jpg& data-rawwidth=&591& data-rawheight=&324& class=&origin_image zh-lightbox-thumb& width=&591& data-original=&https://pic2.zhimg.com/50/28729dbd55f92caa63b85_r.jpg&&&/figure&&p&&br&&/p&&p&climbing arch&/p&&figure&&img src=&https://pic2.zhimg.com/50/5093cbf5e636d3e2195031_b.jpg& data-rawwidth=&567& data-rawheight=&324& class=&origin_image zh-lightbox-thumb& width=&567& data-original=&https://pic2.zhimg.com/50/5093cbf5e636d3e2195031_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&pull along duck&/p&&figure&&img src=&https://pic4.zhimg.com/50/6a6f865c5efd50dd62c40df1e2bb9b52_b.jpg& data-rawwidth=&806& data-rawheight=&424& class=&origin_image zh-lightbox-thumb& width=&806& data-original=&https://pic4.zhimg.com/50/6a6f865c5efd50dd62c40df1e2bb9b52_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&这个时候，孩子也可以开始艺术创作了：&/p&&p&蜡笔&br&&/p&&figure&&img src=&https://pic1.zhimg.com/50/ed45a6d962d6e5ba2f881c7cc74444d8_b.jpg& data-rawwidth=&558& data-rawheight=&375& class=&origin_image zh-lightbox-thumb& width=&558& data-original=&https://pic1.zhimg.com/50/ed45a6d962d6e5ba2f881c7cc74444d8_r.jpg&&&/figure&&p&画架&br&&/p&&figure&&img src=&https://pic3.zhimg.com/50/6b20bf6f6_b.jpg& data-rawwidth=&408& data-rawheight=&603& class=&content_image& width=&408&&&/figure&&p&&b&（三）说话，读书和音乐&/b&&/p&&p&&br&&/p&&p&0-1岁是新生儿建立对环境的信任的阶段。爸爸妈妈的声音可以给孩子安全感。大人应该多和宝宝互动，多和他们说话唱歌和读书。&/p&&figure&&img src=&https://pic4.zhimg.com/50/2ee080b5_b.jpg& data-rawwidth=&1122& data-rawheight=&424& class=&origin_image zh-lightbox-thumb& width=&1122& data-original=&https://pic4.zhimg.com/50/2ee080b5_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&音乐也是非常重要的一部分。爸妈可以玩乐器，唱歌，播音乐给孩子听。到宝宝可以用手抓乐器时，他就可以加入爸爸妈妈一起玩音乐。&/p&&p&&br&&/p&&p&家里可以常备一个小篮子装各种小乐器。比如：铃鼓／拨浪鼓／响葫芦／迷你非洲鼓／沙锤／口琴／雨声筒／钟琴&/p&&figure&&img src=&https://pic1.zhimg.com/50/ec3e92fb03c_b.jpg& data-rawwidth=&929& data-rawheight=&424& class=&origin_image zh-lightbox-thumb& width=&929& data-original=&https://pic1.zhimg.com/50/ec3e92fb03c_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&（四）最后的几点补充&/b&&/p&&p&&br&&/p&&p&&b&1. 大自然&br&&/b&以上都是在室内可以使用的玩具。不过，大家不要忘了，大自然是最好的游乐场，大自然有最好的玩具。比如树上的叶子，随着风动来动去，是一个天然的mobile吊铃。&/p&&p&&br&&/p&&p&找个晴天周末，带上孩子到户外看花，看蝴蝶，看叶子。这些都是最好的玩具。那里，还有鸟声，有风声。大人的陪伴，也是非常重要的。&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&2. 家庭自制玩具&/b&&/p&&p&另外，不要以为昂贵的玩具，就是最好的玩具。其实，每个玩具的背后，都是为了满足孩子用到某一个技能或动作的需求。比如，抓住／松手／拿出来／塞进去／摇一摇／抽出来／放进去。&/p&&p&&br&&/p&&p&有心的爸妈其实完全可以用家里现成的材料，做成孩子感兴趣的玩具。比如存钱罐和硬币组合在一起，就是一个拿出来放进去／拿捏的玩具。又比如一个空的纸巾盒和几块小方布，也是一个抽出来放进去／抽取的玩具。纸巾盒小方布不仅可以满足孩子抽纸巾这个动作的需求，还可以省下家里的纸巾，不会再被宝宝浪费掉。大家不妨试一下。&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&3.家长的观察能力&/b&&/p&&p&大人的观察能力也是非常重要的。每个孩子的发展进度都是不一样的。我们要学会观察宝宝，判断他这个阶段对什么感兴趣，能够做什么动作。手部能做到抓握还是拿捏还是抽取。只有通过细心的观察，我们才能为他们准备最适合他们这个阶段的玩具。&/p&&p&&br&&/p&&p&对1-2岁的玩具感兴趣的，可以读读这篇文章。&/p&&p&&a href=&http://www.zhihu.com/question//answer/& class=&internal&&有哪些适合给1到2周岁宝宝使用的玩具？ - KateZeng 的回答&/a&&/p&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&微博：&a href=&//link.zhihu.com/?target=http%3A//weibo.com/katecasa& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&@KateZeng&/a&&/b&&/p&&p&&b&微信公众号：&/b&&a href=&//link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s%3F__biz%3DMzI3NjEzMTI1NA%3D%3D%26mid%3Didx%3D1%26sn%3Dd9de731256cce5c50c08ed%26chksm%3D07adfbf2cc13e959fef84f735aa6f24cf518%26scene%3D25%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&katecasa&/a&&/p&&p&&br&&/p&&p&&b&如果觉得有帮助的话，记得点赞哦～&/b&&/p&
（一）婴儿的身体发展 给0-1岁宝宝准备玩具之前，我们先要了解0-1岁宝宝的身体发展规律。 讲到0-1婴儿的身体，不得不提神经元的发展。 新生儿的脑部，拥有将近一千亿个神经元。 神经元之间的信息传递过程有点像电流传递。 这里我们要介绍神经元上面这层浅黄…
&p&（从超导容错计算的角度，先来八卦下这个圈子里的事儿~ 再来说一下自己的理解）&/p&&br&&p&&b&# 2015 年&/b&&/p&&p&&b&Google: 我们搞出了9-qubit的量子芯片，可以通过多次稳定子测量来纠正错误维持某个状态哦！ ヾ(^▽^*)))&/b&&/p&&p&&b&Delft: 我们搞出了5-qubit的量子芯片。可以纠正单个位翻转错误哦！ （?v｀）&/b&&/p&&p&&b&IBM:
我们搞出了4-qubit的量子芯片，可以检测任意的错误哦！ o(^▽^)o&/b&&/p&&p&&b&Schoelkopf (Yale): （得意) (我的俩徒儿真不错~） o(*￣︶￣*)o&/b&&/p&&br&&p&&b&微软：VQE算法果然牛逼！量子化学模拟可高效优化，且不需要量子纠错编码哟！100个qubit就可以玩的飞起！不是一亿，也不是一万，就是100！你没听错，100个qubit带你飞，100个qubit带你去看没有看到过世界！&/b&&/p&&p&Google: 这算法貌似不错，以后可以玩一玩。&/p&&p&IBM: 哦？只需要少数量子比特，且不需要纠错编码，有搞头啊！
Intel: （哦，我在找学校搞投资，还没登场） &/p&&p&Delft: 我去，纠错编码都可以不要，还可以这么玩！&/p&&br&&p&&b&Intel: 兄弟们，我来啊！我们也要开始搞量子计算啦！一亿美元，十年，5000万内部投资，5000万投给Delft！&/b&&/p&&p&IBM: (装作喜欢对方的样子) 赞！又多了一个小伙伴！&/p&&p&Google: (装作喜欢对方的样子) 赞！又多了一个小伙伴！&/p&&p&Microsoft: 英雄所见略同，我也正好与Delft有合作哦！&/p&&br&&p&&b&Google: 我们的D-wave比经典计算机快了一亿倍哦！&/b&&/p&&p&不明真相的群众: 哇！好牛逼！量子计算机的时代到来了！(Google股票大涨一波）&/p&&p&Intel: 我不作声。&/p&&p&ETH的同学们：老板(Matthias Troyer) 说了，目标是：在一个CPU的核上进行优化程序，速度超过D-wave就好了。CPU可以好选Intel的。&/p&&p&Matthias Troyer: （在某些演讲中）从已实现的量子算法来看，我们没有实现quantum speedup，倒是证明了Quantum slowdown。&/p&&br&&p&&b&# 2016 年&/b& &b&IBM: （搞个大新闻！）我们的量子云计算平台上线啦！欢迎来玩啊！&/b&&/p&&p&Google: w(?Д?)w 我艹 ！可以这么玩！&/p&&p&Delft: 炫酷！&/p&&p&微软：牛逼！&/p&&p&不明真相的群众：哇塞！好屌啊！我可以用量子计算机来打dota吗？(IBM股票大涨一波）&/p&&br&&p&&b&欧盟：继石墨烯和人脑项目之后，我们要搞一个量子旗舰项目啦！10亿欧元，2018开始！&/b&&/p&&p&兔子： 幸亏我们也投了钱。&/p&&p&美国：呀，那帮欧洲佬下决心了！&/p&&p&ETH: （咦，挺热闹，忽悠一票？）小伙伴们，是不是咱儿个今年就可以搞出一台可编程的量子计算机？把今年的主题就整成&b&实现可编程的量子计算机&/b&，可好？&/p&&p&Google: 听起来像那么回事儿。不过我不和你玩。（私下里：Dear Dr. Prof. Martinis，要不就从你开始带着大家写FPGA。别忘了，Google的代码标准很好用哦！）&/p&&p&Intel + Delft: 咦，这主意不错，可以玩一玩。&/p&&p&IBM: 我可以图形编程！我还要搞QASM2.0。（不过我的控制不够灵活，我会告诉你？）&/p&&p&微软： 终于意识到要编程啦？ 编程语言和模拟器我们早就做好了，那个叫LiQUi|&，也提供给你们啦！嗯，我们还有个连接硬件的东西，叫Solid。嗯，你们知道就好，我不说了。&/p&&br&&p&&b&IARPA：各位大佬们，我出钱，五年之内搞个逻辑量子比特玩一玩？逻辑可靠性大于99.9%? 大家估摸着要多少量子比特？&/b&&/p&&p&Delft: 嗯，49吧！五年呗？来搞一波！&/p&&p&IBM: 49！我也来！&/p&&p&Sydney: 好啊！&/p&&p&...: 好啊！&/p&&p&Google: 我不和你们玩。我们自己玩。&/p&&br&&p&&b&(Gossip:) 听说Google的John Martinis说明年就要有100 qubit的量子芯片了？&/b&&/p&&p&Google: （装糊涂）他有说过吗？&/p&&p&微软：其中有多少个qubit可以被操作呢？&/p&&p&Delft: （一脸懵逼）这货是要嘲讽全世界？&/p&&p&IBM: 先看看。&/p&&p&Intel: （我不做声）&/p&&br&&p&&b&Nature封面重磅：Maryland +IonQ利用5-qubit的离子阱实证了一台小型可编程的量子计算机！&/b&&/p&&p&ETH: 我艹！牛逼！&/p&&p&Delft: 我艹，让离子阱抢了个先！&/p&&p&Google: 嗯。 &/p&&p&微软: 文章中的程序呢？软件在哪里？&/p&&p&Intel: （我不做声）&/p&&br&&p&&b&Google: 我们利用两个qubit执行VQE算法计算了氢分子的基态能量哦！&/b&&/p&&p&IBM: 这个牛逼！&/p&&p&Delft: 好工作！&/p&&p&微软：啊，终于不再是计算机的模拟了！不知道有没有用我们的软件？&/p&&p&Intel: ( ￣ー￣) （我不做声。你们知道他们用的模拟器是我们的么？）&/p&&br&&p&&b&微软：我们在Delft又成立了一个新的Station Q，继续拓扑量子计算啦！&/b&&/p&&p&Delft: 欢迎投钱！要涨工资了！&/p&&p&Intel: 恭喜恭喜！&/p&&p&IBM: 哦。&/p&&p&Google: 对我们有啥影响？&/p&&p&不明真相的群众:
Majorana都不知道有没有，微软怎么就已经开始烧钱了？&/p&&br&&p&&b&# 2017 年&/b&&/p&&p&&b&IBM: （最近股票又不行了，得来个新闻）我要在近期造一台50 qubit的量子计算机。&/b&&/p&&p&Google + UCSB: （我的量子比特比你多，我不告诉你）
微软: 哦。 &/p&&p&Intel: 我不作声。&/p&&p&Delft: =.=|| 这师弟真是调皮。大家不都是这么想的么，愣是要搞个大新闻 &/p&&p&不明真相的群众：哇塞！好屌啊！量子时代真的到来了！IBM果然牛逼！(IBM股票大涨一波）&/p&&br&&p&&b&Google: 这两天闲来无事，发现一个算法Quantum Sampling，性能很好哦，只要49个qubit，25步操作，其性能就可以超过任何超级计算机哦！哎呀，量子计算这么牛逼，该怎么形容呢？（沉思）嗯，要不就叫量子霸权(quantum supremacy)吧？&/b&&/p&&p&Intel: 我艹，这个牛逼！&/p&&p&IBM: 量子霸权躁起来！&/p&&p&微软: 牛逼！&/p&&br&&p&&b&中科大：那个，那个，各位，（举起稚嫩的右手）我把10个超导量子比特纠缠了。。。&/b&&/p&&p&Delft: （震惊）我艹！第一个纠缠两位数超导量子比特的居然是中国！还他么并行RB了！&/p&&p&Google: 我艹！这货以前不是玩光子的吗！&/p&&p&Intel: (我不作声)&/p&&p&IBM: 点个赞。&/p&&br&&p&// 下面是正经回答 ^_^&/p&&p&先说结论：量子计算从未像现在一样触手可及，令人着迷！实质性的理论难题已被攻克，工程难题日益突出，量子工程(engineering)成竞争热点。量子霸权堪比商业竞争核武器！&/p&&br&&p&量子算法的长足进展是促成量子计算机商业化的重要助力。一二十年前量子算法的研究重点在于找到比最优经典算法更优的量子算法。这些能解决实际问题的算法很多都包含了很多步骤（成万上亿步），需要很长时间。可是qubit只能维持很短的状态，无法在如此长的时间内保持状态。因此基于冗余的量子纠错编码成为了必须，导致需求极大数量的qubit（可达十亿百亿）。这种算法在近三五十年内想想都难以实现。&/p&&p&针对qubit的天然脆弱性，现在量子算法的研究重点转移到了寻找只需少数qubit，而且执行步骤很少，或者每次执行时间很短的算法。其中的一个佼佼者是用于量子化学模拟的VQE (Variational Quantum Eigensolver) 算法。这类算法中，有的每次独立的执行只有十多步，而且所需的qubit数量很少，100个qubit就可以解决任何超级计算机无法解决的问题。年，微软的Dave Wecker等人连续发表了四篇论文，通过算法上的优化， 将某模拟算法的复杂度直接降低了十多个量级，将执行时间从来原来需要人类无法接受长度缩短到了分秒级，大大促进了量子计算机实用化的进程。2016年，Google和UCSB的Martinis组首次在两qubit上实现了模拟氢分子的VQE算法，实证了其可行性。&/p&&p&2016年开始，另一个算法Quantum Sampling被提出。Martinis组证明了，这类算法对比与经典算法可获得指数级的加速。只需要49个qubit, 25个并行步骤的操作！这里说明一下，为了获得与 &img src=&//www.zhihu.com/equation?tex=n& alt=&n& eeimg=&1&& 个qubit同等大小的状态空间， 经典计算机需要&img src=&//www.zhihu.com/equation?tex=4%5Ctimes+2%5En& alt=&4\times 2^n& eeimg=&1&& 字节的内存。因此，为了描述49个qubit所表示的状态空间，经典计算机需要用大于2PB的内存！而现在最快的超级计算机太湖之光的内存仅有1.31PB。因此Quantum Sampling如果真的能够运行，那么其速度是迄今为止任何经典计算机无法比拟的！（49这个数字还有另外一个特殊意义，见下文。）&/p&&br&&p&而从量子芯片的制造来说，人们已经相当了解如何去操作一个或两个qubit。现在的一个核心难题是可扩展性(scalability)。换言之：如何在同一个芯片上造更多的量子芯片，每个qubit都能以很高的可信度工作，且qubit之间能够可靠的纠缠在一起？在超导量子计算领域，虽然Yale的底子极深 (IBM的Jerry Chow在Schoelkopf组读的博士，Delft的Leo DiCarlo在改组做的博后，过去好些年Nature Science多了去），但扩展性上，以Martinis为首的Google+UCSB，以Chow为首的IBM，和以DiCarlo为首的TU Delft可能是走得最远的。年极为火热，Google最先做出直线排列的9-qubit芯片，Delft 5-qubit, IBM 4-qubit，各有特色。&/p&&p&Scalability的问题本质上是一个工程性的极大的难题：1）芯片尺寸小（毫米级），而微波导线的接头大 (8mm)，但是粗略来说，平均每个超导qubit需要连接2根微波导线；2）芯片环境苛刻（20mK超低温)，导线从常温环境中传到过来的热量必须少； 3）qubit非常脆弱，导线的噪声必须小；4）qubit的寿命、操作的可靠性对芯片制造中的噪声、误差极为敏感，稍微复杂的工艺将给qubit的可靠性带来极大的影响；5）芯片中的元部件多，布局布线更为复杂。&/p&&p&在今年的APS会议上，Google提出了一种将元部件放置于两块片子上的堆叠结构，Delft采用了直接从芯片上接触3D引线的结构。这都是在可扩展性上的努力。IBM的芯片中qubit采用固定频率，使得每个qubit只需要一根引线，则是另一条途径。&/p&&p&值得一提的是，去年IBM和Delft都拿到了美国IARPA经费的支持，其目标是在五年内，基于某种量子纠错编码（基本上就是Surface code)，造出可靠性达到99.9%的逻辑qubit。一个逻辑qubit由多个物理qubit构成。一个距离为3的Surface Code逻辑qubit需要17个物理qubit，距离为5就需要49个物理qubit。而据估计，为了达到99.9%的可靠性，距离为5势在必行。因此，IBM说要造具有50个qubit的量子计算机，其实在圈子内不算新闻，因为这也是Google+UCSB和Intel+Delft都要做，而且都在做的事。前面说过，Quantum Sampling算法只需要49个qubit，而这即将被实现，不由的令人觉得量子计算机马上可以被造出来，量子霸权近在咫尺！&/p&&p&在量子比特数量增加之后，制造工艺的水平将对芯片上可集成的qubit的数量和qubit的质量产生极大的影响，而拥有自家流水线工艺的Intel和IBM将毫无疑问成为scalability这场竞赛中的强有力的竞争者。&/p&&br&&p&除了算法和芯片，量子计算中再重要的问题就是控制。简而言之：如何控制qubit去执行所设计的算法？可编程性是很重要的。当量子比特数量增加之后，控制的复杂度也是极具增加。它不仅要求大量的并行，还要求纳秒级别的时间精度控制！这是一个量子工程(Quantum Engineering)问题，它需要软件和经典硬件（体系结构）的支持。以前软件上的研究和硬件的研究相对独立，也出现了诸多的编程语言和编译器。但控制硬件的研究相对较少。美国的Raytheon BBN，瑞士的Zurich Instrument，荷兰TU Delft和TNO联合成立的虚拟机构QuTech专门针对量子计算机的控制有一定的研究，并且都有自家产品。&/p&&br&&p&总结来说，量子计算机的前景比较乐观。量子计算机商业化的可行性不断增加。如果一切的一切的细节都是perfectly的顺利，谁又能说五年之内量子霸权未必不能实现呢 （虽然说实话，反正我是难以相信的 ?（????）?）且看Quantum Engineering的进展吧！&/p&&br&&p&好了，扯了这么多，但没有追求什么严谨性。如有不对，还请包容、指正。&/p&
（从超导容错计算的角度，先来八卦下这个圈子里的事儿~ 再来说一下自己的理解） # 2015 年Google: 我们搞出了9-qubit的量子芯片，可以通过多次稳定子测量来纠正错误维持某个状态哦！ ヾ(^▽^*)))Delft: 我们搞出了5-qubit的量子芯片。可以纠正单个位翻转错…
好问题。&br&&br&这个问题我的答案是：根本没戏。&br&&br&其实从哈耶克对计划经济的批判来看，赫维茨的“信息效率”这条思路只是模型化了哈耶克的一部分见解，而另一部分见解没有，也不可能在机制设计模型当中体现出来，所以我补充一下。&br&&br&虽然对于很多人来说，哈耶克的人物形象似乎是一个“意识形态斗士”，但其实哈耶克毕生的研究集中在了“瓦尔拉斯均衡的稳定性”问题上，虽然哈耶克本人不做数学模型，但这还是一个非常主流的问题。即使这些研究是深受1930年代哈耶克经历的同勒纳和兰格进行的“社会主义计算问题大辩论”和同凯恩斯进行的“货币政策与经济危机”大辩论的影响，换言之，即使这些研究的最终目的是意识形态的，但哈耶克的分析却是非常严谨的。&br&&br&在1937年的《经济学与知识》和1945年的《社会中知识的运用》当中，哈耶克指出：&br&&br&1. 按照他所在的奥地利学派的观点，所谓的均衡分析，特别是他的老师米塞斯的均衡分析，是一种“pure logic of choice”，这一点在后来阿罗和德布鲁对瓦尔拉斯均衡的一系列伟大的研究当中体现的淋漓尽致。这也是米塞斯用一条叫做“人的行动是有目的的”的假设就敢重写经济学的原因，更是现在很多奥地利学派经济学家声称经济学研究已经结束了的原因。&br&&br&2. 经济学是否应该止于这种“关于选择的纯逻辑”，依赖于一个经验命题：市场有没有自动地、快速地趋向均衡价格的能力。当我们去看现在的瓦尔拉斯均衡理论，我们发现，均衡的存在性、唯一性和规范意义下的福利性质（福利经济学第一、第二基本定理）都是可以研究的，唯独均衡的动态性质，即经济是如何从非均衡状态走向均衡的问题，数理经济学家翻遍了偏微分方程的各种原理，也得不出一个一般意义的结论。Saari (1995, pp. 284，渣翻译，多担待)：&br&&blockquote&我们总能从晚间新闻里、脱口秀里、报纸上、日常政治辩论中听到一种神奇的力量，一种能够稳定地将价格拉向均衡的力量，一种使经济达到我们乐于见到的供求平衡状态的力量。这种被吹嘘出来的力量试图通过影响政府甚至是健康政策来彰显它的重要性。但是，这种力量真实存在吗？我不知道……但是，其实别人也不知道。即便它已经被用来影响公共政策了，其实根本就不存在能证实它的数学理论，这也是为什么你我都不知道的原因。&br&&/blockquote&但是，现代实验经济学家因为有了全新的工具，似乎对这个问题有发言权。在02年诺奖得主V. Smith最经典的文章《对‘哈耶克命题’的实证检验》中，在一个双向拍卖实验中，参与人非常轻松地找到了使市场出清的价格水平。&br&&br&3. 关于市场有没有自动地、快速地趋向均衡价格的能力，关键在于市场利用知识的效率。所谓的利用知识的效率，是指知识的发现、传播和储存。为什么呢？因为价格能够使市场供求平衡，当且仅当价格真实地反映了资源的相对稀缺性，此时，“价格接受”才是正确的、理性的行为。而当所有决策者都是price taker的时候，大家的认知资源获得了极大的节约。&br&&br&哈耶克认为，价格是否能反应知识的相对稀缺性，在于：1. 相对稀缺性能否被经济活动中的参与人所识别，和 2. 识别出来的相对稀缺性能否转化成“共识”，即预期的收敛性问题。其中第二条非常关键，比如去年的股市波动中，微博上的各路人马，包括机构的首席经济学家们、民间股神们、学了三天金融学就指点江山的半瓶醋大学生们，都提出了对这波大起大落的不同的解释，不同的解释就代表着不同的预期。而且因为一些因素，心理的或者是阴谋的，当新信息持续补入市场时，这些预期并没有收敛。&br&&br&4. 市场利用知识的效率，关键在于大家的知识结构有没有专业化的分工。让更擅长获取某种知识的人全力去搜索他擅长获取的那种知识，这是因为，知识是散在的。“散在知识”是哈耶克一生我认为最重要的观点，因为市场中的知识，比如：“某个街区有大量上夜班的人，所以开一家24小时便利店会改善他们的生活”，是以碎片的形式沿时间和空间分散在各个角落的。&br&&br&另外一个问题是，知识的获取本身是报酬递增的，让有大量数学基础的人去证明哥德巴赫猜想要比让一个初中生去证明哥德巴赫猜想，研究的报酬是不同的。而报酬递增必然导致分工，这是从斯密到马歇尔到杨格再到后来的演化经济学家们一直坚持研究的课题。&br&&br&5. 专长于搜索“价格不能反映真实的相对稀缺性”的人就是企业家，价格不能反映真实的相对稀缺性，用更通俗的话说就是“套利机会”。另一位奥地利学派的扛鼎人物柯兹纳的市场过程理论中，企业家的本质是“警觉性”(alertness)，是对市场中的利润机会时刻保持敏感的能力。这种能力的报酬就是企业家的收入，这种报酬激励着有这方面专长的人去做这方面的工作。&br&&br&所以，在奥地利学派经济学家看来，市场经济因为有企业家所以至少存在着趋向均衡的趋势，企业家沿真实的时间不断获取知识的过程，就是经济收敛到均衡状态的过程，即便在任何一个时间截面上，我们都不能说经济就是“均衡的”。但计划经济中，这些散在的知识必须由一个“经济大脑”来做，无论它多么聪明，多么博闻，也不可能比分散在世界各个角落里的专业化的头脑有效率。&br&&br&有了这五点，再去看赫维茨对经济机制设计的分析，即“如何用尽可能少的信息去实现目标”的问题，就可以看出弊病了。就像 &a data-hash=&1d1c9784aab4fe479924& href=&//www.zhihu.com/people/1d1c9784aab4fe479924& class=&member_mention& data-editable=&true& data-title=&@猪月& data-hovercard=&p$b$1d1c9784aab4fe479924&&@猪月&/a& 所说的，机制设计似乎仅仅能在某些局部问题当中被应用，而全局问题，必须从哈耶克的“自发秩序”的角度来理解。市场这种制度，被证明是，且仅可能是一种“涌现秩序”（emerging order），也就是说，在一个大规模互动构成的制度变迁过程中，博弈的参与人根本不可能想象哪种结果会出现，而市场的出现就是这样一件非常巧合的事情。&br&&br&好了，我们回到题主的问题，题主问的是，计划经济在信息使用效率的低廉导致了计划经济的崩溃，那么信息技术的进步能不能解决这个问题呢？&br&&br&显然易见的反驳是：根据我们上面的分析，将数据和信息技术留给私人、留给企业家似乎更能提升信息使用的效率。以data science为例，当市场中的企业家所做出的判断，如果有数据作为参考，可能确实能提升判断正确的可能性（虽然我对这一点持悲观的态度）。在合理的制度安排下，包括良好的市场道德、对私有资源的自由处置权等等，分工借由比较优势原理，永远比某一个大脑大包大揽来的更有效率。用数据去探索某一个市场、某一项资源的情况，也必然比动用数据去研究整个经济体来的更有效率。&br&&br&所以，我认为政府更应该做的事是，提供开放数据库给私人部门，因为这东西正外部性太大了。&br&&br&当然，我能理解为什么很多中国人渴望计划经济、渴望开明专制的原因。扯几句私货，据我观察，中国人在国民性里面隐藏着渴望“责任分担”的动机，而市场经济恰恰是每个人都要百分之百为自己的决策正确与否负责的体制。市场是无情的，你投资失败了就是失败了，你跳楼也好，精神崩溃也罢，市场都不会给你任何的补偿。长期父爱主义和权威政治的熏陶，致使中国人总是希望能够在遇到损失时有别人出来承担责任，这是维系一个这么大的几千年的农业国家长期稳定有序所必须付出的代价。而计划经济的确是一个每个人都不需要为自己的判断负责的制度，经济状况差，是你计划错了，和我没什么关系。&br&&br&因此，我猜有人会问，你上面的论证还是基于“数据不是万能的”来展开的，如果数据就是万能的呢？因为随着信息技术趋向无所不能，市场和计划的效率差距是收敛的，在无所不能的信息技术面前，任何获取信息的成本都是零，市场和经济当局使用信息技术的效率必然趋同。而市场经济本身固有的问题，使得计划经济能够是一个更好的选择。&br&&br&其实，在马克思主义经济学中，长期就有对“计算机社会主义”可行性的论证，即如果我们能开发出一台万能的、无所不知的计算机，那么是不是就可以高枕无忧地运行计划经济了呢？&br&&br&答：还是不行。因为，数据和计算机永远不能解决创新问题。&br&&br&当然，题主问的是数据的问题，这里借着AlphaGo大战李世乭，先扯几句计算机。&br&&br&说回刚才的企业家的问题。其实对“企业家精神”这个概念的理解，有三派看法 (Klein, 2008)：比如柯兹纳认为企业家精神是指警觉性，而对奈特和米塞斯来说企业家精神是指“判断力”，对熊彼特来说，企业家精神是指“创新”。&br&&br&这三种理解大同小异，都指向了一点，那就是企业家要做的是将想象中的东西变成实际存在的商品的能力，这种能力包含着想象力。而想象力，据我所知，没有办法被万能计算机所解决。为什么呢，计算机本质是一个封闭的数据处理装置，它需要设计者预先想象到所有的可能性，即逻辑上可能出现的所有结果，这些结果必须是“可列举的”，或者“可想象的”。在这些可列举的领域中，计算机必将战胜人类，这是不可否认的，比如国际象棋和围棋软件可以战胜最聪明的人类，就说明了这一点。&br&&br&但是，创造出来的东西，本质上是一种“维度扩张”，也就是做出别人都未曾想到过的东西，这种依赖于纯粹灵感的东西，计算机就捉襟见肘了。这也是很多人指出面对机器与人之间的竞争，人类必须学会做创造性的工作的原因。&br&&br&说到数据，状况可能还不如计算机。我在之前的专栏&a href=&http://zhuanlan.zhihu.com/lastvc/& class=&internal&&开放宇宙、企业家与挨千刀的概率论 - Mr. Bias 的经济学轻科普 - 知乎专栏&/a&里面论证过，创新的市场价值，事前是不可能用数据来研究的。因为创新是一种对旧秩序的毁灭，并且这种毁灭是不可逆的。一件东西，出现了就是出现了，不可能再让世界重新回到这件物品出现之前的状态了，因此，数据分析的最基本要求“大量重复”不可能成立。&br&&br&数据的本质是从过去发生的事情推测未来，但是加入创新这个维度之后，未来从根本上不可预测。在计划经济问题中，如果我们给定了所有的商品，让数据和计算机去精确计算投入产出表、精确计算每个人的需求都是可能的，但是计算机和数据科学不能做根本性的创新。这里的“根本性”是指，计算机和数据科学可以发现一块儿Muji的毛巾要怎么定价、应该设计得多大，这也算是创新，但不是根本性的。但是要计算机和数据科学去发明，无中生有地做纯粹的想象，本身是不可能的。这个工作还是需要人类自己来做。&br&&br&历史经验告诉我们，创造必须是个人的头脑高度分工的结果，斯密在论证分工的三个好处时就说，大量重复的体力劳动，迫使烦躁无比的劳动者自己开始想办法用机器取代手工。任何由经济当局大包大揽的研究计划无一例外地失败了，迄今为止我们的政府自己来做的创新也仅限于军工、超级计算机等等几类。似乎，政府提供必要的基础知识教育，让民间自己去创新，私人在利润的驱动下去创新，并且为创新附带的奈特不确定性负责，似乎是最好的模式。&br&&br&而在这个过程中，数据和计算机只能起到辅助作用。&br&&br&以上。
好问题。 这个问题我的答案是：根本没戏。 其实从哈耶克对计划经济的批判来看，赫维茨的“信息效率”这条思路只是模型化了哈耶克的一部分见解，而另一部分见解没有，也不可能在机制设计模型当中体现出来，所以我补充一下。 虽然对于很多人来说，哈耶克的人…
这个问题属于博弈论里的expert testing的范畴。简单的说，困境在于，对于一个对气象知识完全无知的天气预报，通过策略性行为，至少可以让你的任何检验犯第一类错误的错误和犯第二类错误的和概率等于一。&br&&br&样本空间&img src=&//www.zhihu.com/equation?tex=%5COmega& alt=&\Omega& eeimg=&1&&是未来的天气状况。自然作为双人博弈的一方的纯策略空间是&img src=&//www.zhihu.com/equation?tex=%5COmega& alt=&\Omega& eeimg=&1&&，天气预报作为双人博弈的另一方的&b&纯&/b&策略空间是&img src=&//www.zhihu.com/equation?tex=%5CDelta%28%5COmega%29& alt=&\Delta(\Omega)& eeimg=&1&&。一个检验&img src=&//www.zhihu.com/equation?tex=T%3A+%5CDelta%28%5COmega%29+%5Cto+2%5E%7B%5COmega%7D& alt=&T: \Delta(\Omega) \to 2^{\Omega}& eeimg=&1&&对于任何一个天气预报给出的&img src=&//www.zhihu.com/equation?tex=p+%5Cin+%5CDelta%28%5COmega%29& alt=&p \in \Delta(\Omega)& eeimg=&1&&规定一个&img src=&//www.zhihu.com/equation?tex=%5COmega& alt=&\Omega& eeimg=&1&&的子集作为Rejection Region，也就是，哪些实现&img src=&//www.zhihu.com/equation?tex=%5Comega+%5Cin+%5COmega& alt=&\omega \in \Omega& eeimg=&1&&可以认定天气预报给出的&img src=&//www.zhihu.com/equation?tex=p& alt=&p& eeimg=&1&&是没有参考价值的。等价的，这个检验可以写成&b&零和博弈&/b&的形式：&img src=&//www.zhihu.com/equation?tex=T%3A+%5COmega+%5Ctimes+%5CDelta%28%5COmega%29+%5Cto+%5C%7B0%2C1%5C%7D& alt=&T: \Omega \times \Delta(\Omega) \to \{0,1\}& eeimg=&1&&。其中0代表判定天气预报被判定没有价值，1代表相反。&br&&br&接下来我们可以把第一类错误和maximin value，第二类错误和minimax value联系起来：&br&&br&自然先选择一个混合策略&img src=&//www.zhihu.com/equation?tex=p+%5Cin+%5CDelta%28%5COmega%29& alt=&p \in \Delta(\Omega)& eeimg=&1&&。 检验&img src=&//www.zhihu.com/equation?tex=T& alt=&T& eeimg=&1&&显然不希望，当天气预报也给出&img src=&//www.zhihu.com/equation?tex=p& alt=&p& eeimg=&1&&这个分布的时候，拒绝这个正确的分布。&img src=&//www.zhihu.com/equation?tex=T& alt=&T& eeimg=&1&&需要满足使天气预报对于&img src=&//www.zhihu.com/equation?tex=p& alt=&p& eeimg=&1&&的最优选择是&img src=&//www.zhihu.com/equation?tex=p& alt=&p& eeimg=&1&&。不犯第一类错误的概率可以表示为：&br&&img src=&//www.zhihu.com/equation?tex=%5Cint_%7B%5COmega%7DT%28%5Comega%2C+p%29dp& alt=&\int_{\Omega}T(\omega, p)dp& eeimg=&1&&&br&maximin value，也就是如果考虑自然目的是拆天气预报台的第一类错误是&br&&img src=&//www.zhihu.com/equation?tex=%5Cinf_%7Bp+%5Cin+%5CDelta%28%5COmega%29%7D%5Cint_%7B%5COmega%7DT%28%5Comega%2C+p%29dp& alt=&\inf_{p \in \Delta(\Omega)}\int_{\Omega}T(\omega, p)dp& eeimg=&1&&&br&&br&另一方面，让天气预报对天气完全无知的情况先选择了一个混合策略&img src=&//www.zhihu.com/equation?tex=%5Cmu+%5Cin+%5CDelta+%28%5CDelta+%28%5COmega%29%29& alt=&\mu \in \Delta (\Delta (\Omega))& eeimg=&1&&, 自然接着选择了&img src=&//www.zhihu.com/equation?tex=%5Comega& alt=&\omega& eeimg=&1&&,第二类错误的概率是&br&&img src=&//www.zhihu.com/equation?tex=%5Cint_%7B%5CDelta%28%5COmega%29%7D+T%28%5Comega%2C+p%29d%5Cmu+& alt=&\int_{\Delta(\Omega)} T(\omega, p)d\mu & eeimg=&1&&&br&minimax value是&br&&img src=&//www.zhihu.com/equation?tex=%5Cinf_%7B%5Comega+%5Cin+%5COmega%7D%5Csup_%7B%5Cmu+%5Cin+%5CDelta%28%5CDelta%28%5COmega%29%29%7D%5Cint_%7B%5CDelta%28%5COmega%29%7D+T%28%5Comega%2C+p%29d%5Cmu+& alt=&\inf_{\omega \in \Omega}\sup_{\mu \in \Delta(\Delta(\Omega))}\int_{\Delta(\Omega)} T(\omega, p)d\mu & eeimg=&1&&&br&&br&&br&注意&img src=&//www.zhihu.com/equation?tex=%5Cint_%7B%5COmega%7DT%28%5Comega%2C+p%29dp+%5Cleq+%5Cmin_%7B%5Comega+%5Cin+%5COmega%7D%5Cmax_%7B%5Cmu+%5Cin+%5CDelta%28%5CDelta%28%5COmega%29%29%7D%5Cint_%7B%5CDelta%28%5COmega%29%7D+T%28%5Comega%2C+p%29d%5Cmu+& alt=&\int_{\Omega}T(\omega, p)dp \leq \min_{\omega \in \Omega}\max_{\mu \in \Delta(\Delta(\Omega))}\int_{\Delta(\Omega)} T(\omega, p)d\mu & eeimg=&1&&,也就是maximin小于等于minimax，所以犯第一类错误的概率和犯第二类错误的概率和小于等于1。而对于某些&img src=&//www.zhihu.com/equation?tex=%5COmega& alt=&\Omega& eeimg=&1&&,借助minimax theorem我们可以取到等号，这时的检验天气预报准确性的任务就会变得如同按下葫芦浮起瓢了。
这个问题属于博弈论里的expert testing的范畴。简单的说，困境在于，对于一个对气象知识完全无知的天气预报，通过策略性行为，至少可以让你的任何检验犯第一类错误的错误和犯第二类错误的和概率等于一。 样本空间\Omega是未来的天气状况。自然作为双人博弈…
先开门见山：银行体系存款准备金制度的真实运行模式。&br&&br&答主今年选修了一门人民银行货币政策司很nice的高层领导的课程，感觉受益匪浅，算是明白了货币政策的真实运行机制。其中，准备金制度在实际中是如何运行的，着实让答主惊奇地发现之前的认识，也很有可能是绝大多数人的认识，以及市面上许多货币银行学教科书对此的解释，是错误的。（注：下述内容与举例均为那位领导授课时讲的内容，读者不必怀疑答主为自圆其说而编造例子。那位领导上课时就说到，其实现在许多教科书都编错了。）&br&&br&Q1：商业银行所上缴的准备金，其来源是哪里？&br&Q2：中央银行是如何控制商业银行贷款扩张的？&br&&br&看到这两个“司空见惯”的问题，即便是一些金融学专业出身的同学，可能也会信誓旦旦地做出大概类似于下述观点的回答（以下内容中“银行”专指商业银行）：&br&&br&A1：准备金来自银行所吸纳的存款，银行从存款中拿出一部分上缴到开在央行的准备金账户；&br&A2：央行规定存贷比，银行贷款不能超过存款的一定比例。&br&&br&如果读者对上述Q1与Q2的理解类似于A1与A2，那么接下来，就是见证大开眼界的时候了——&br&&br&首先有一个大前提，不论你信或不信，都必须接受——&br&“现代货币制度是信用货币制度，所以是贷款创造存款。即：在信用货币时代，世界上先有的是一笔贷款，之后这笔贷款自动创造出了等额的存款。”&br&&br&一看到这个大前提，估计有许多人就会表示疑惑：难道不应该是先有一个客户甲存款，然后客户乙向银行申请贷款，银行把这笔存款借给乙，于是才产生的贷款吗？&br&&br&实际上，这种思维还停留在实物货币时代：因为这种思维相当于默许了“货币发行准备”这个概念的存在（能放贷款是因为银行有一笔存款作为放款保证）。然而信用货币时代，货币完全是凭当（政）局（府）的信用发行的，换言之，信用货币相当于“凭空产生”，可以发行任意多。&br&&br&好，前期铺垫差不多了。下面我们就来看看央行在实际操作中，是如何实践准备金制度的。&br&&br&正确A1：全部的准备金都是银行向央行借来的，没有一分钱的存款被用来上缴准备金。&br&&br&举个例子：B是这个世界上的第一家银行，除了必要的办公地点、人员与设备，它现在两手空空，什么都没有。这时候，第一个客户甲来B申请一笔100元的贷款，B在对甲进行资信等状况的审核后，（凭空）借给了甲100元，并打在了甲开在B的账户上。于是B的资产（贷款）与负债（存款）同时扩张了100元（但很显然是因为有了贷款，才“顺便”带来了存款。）。但是央行C规定，所有存款都得上缴准备金，并规定法定存准率为5%。显然，B要上缴100*5%=5元的法定存准金。&br&&br&问题的关键来了：B放到C的这5元法定存准金，是来自于哪儿呢？按照A1，是B从100元存款中拿出5元上缴给C。但其实在实务中，央行有明文规定，存款不得用于缴纳准备金。&br&&br&令人大开眼界是事实是：B向C申请借款10元，并将这10元就直接放在B开在C的准备金账户里，其中5元作为法定存准金而存在，剩余5元作为超额准备金而存在（具体向C借多少取决于B的意愿）。例子说完。&br&&br&读到这儿你可能会想：好家伙！这不是空手套白狼么？央行向银行收的准备金，居然是央行借给银行的？而且还直接就放在银行开在央行的账户，相当于央行就是动了动嘴皮子说，好了我已经给你10元了，就把神圣的、对金融稳定有着重大影响的准备金缴上了？对，就是这样，不用怀疑，实务中就是这么操作的（当然是配合着电子记账的）。&br&&br&答主认为有些读者读到这儿会惊叹：那存款准备金还有什么意义？全是空中楼阁啊！&br&&br&是时候回答Q2了。&br&&br&正确A2：央行通过存款准备金制度控制银行的贷款扩张。&br&&br&根据那个大前提，信用货币制度下，只要没有外力约束，银行可以创造任意多的货币（一直发贷款就好了，贷款自动创造等额存款）。而存款准备金制度，正是这个所谓的“外力约束”。&br&&br&同样先举一个例子：接着刚才那个例子说。B现在还有5元的超额准备金。这时，第二个客户乙也向B申请贷款，贷款金额为200元。B审核合格后，借给了乙200元，并以乙开在B的账户上的存款的形式呈现。现在，B一共创造了100+200=300元的存款，需要上缴法定存准金300*5%=15元。&br&&br&这时B发现，为了满足法定存准金需要，不但放款前趴在C账户里的5元超额准备金被消耗掉了（转化为法定存准金了），而且还不够，还有5元的法定存准金缺口。于是，为了满足监管（外力约束）的需要，B不得不再次向C申请借入20元（申请金额完全取决于B的意愿。注意向央行借款也是要付利息的，B在决定借多少钱之前，应仔细考察超额准备金的便利性与借款利息成本之间的权衡）。&br&&br&如果C顺利地满足了B的借款申请，那么对B来说两全其美：既满足了监管需要（缴足了法定存准金），还多出来20-5=15元的超额准备金，这15元超额准备金可以支持B再放贷15/5%=300元（自动产生存款300元）。例子说完。&br&&br&问题的关键又来了：如果在上例中，C不同意再借给B哪怕1元钱了呢？&br&&br&显然此时银行就无法通过向央行借款的途径来满足监管需要了，于是银行被迫去银行间同业市场拆借其他银行的“闲钱”，以满足法定存准金需求。&br&&br&问题的关键又来了：如果央行对所有银行都收紧了借款供应，从而多数银行都处于准备金短缺状态了呢？&br&&br&答案就是2013年6月份的“钱荒”，银行间同业市场利率暴涨至看似令人无法理解的高度。因为大家都借不到钱了。&br&&br&所以，央行正是通过准备金制度，来控制银行的贷款扩张。只要央行表态说，最近要控制信贷过快增长，&u&银行就会知道央行不会那么轻易地满足银行的借款需求了&/u&，为了满足法定存准金要求，银行就自动地不敢多贷款了，以免超额准备金被快速耗尽。否则，届时因法定存准金不足而被约谈甚至整改的惩罚在所难免。&br&&br&顺便说一句，所谓的“银行体系流动性”，专指银行的超额准备金，而不是银行的存款或现金或其他。所以上一段中标注了下划线的那句话，说得专业点儿就是：央行不再无条件满足银行的流动性需求。&br&&br&这才是银行体系准备金制度的真实运行模式及其存在意义。
先开门见山：银行体系存款准备金制度的真实运行模式。 答主今年选修了一门人民银行货币政策司很nice的高层领导的课程，感觉受益匪浅，算是明白了货币政策的真实运行机制。其中，准备金制度在实际中是如何运行的，着实让答主惊奇地发现之前的认识，也很有可…
Share一些自己关于深度学习模型调试技巧的总结思考（以CNN为主）。&br&&br&最近因为一些需要，参与了一些CNN建模调参的工作，出于个人习性，我并不习惯于通过单纯的trial-and-error的方式来调试经常给人以”black-box”印象的Deep Learning模型，所以在工作推进过程中，花了一些时间去关注了深度学习模型调试以及可视化的资料（可视化与模型调试存在着极强的联系，所以在后面我并没有对这两者加以区分），这篇文章也算是这些工作的一个阶段性总结。&br&&br&这里总结的内容，对于模型高手来说，应该说都是基本的know-how了。&br&&br&我本人是计算机体系结构专业出身，中途转行做算法策略，所以实际上我倒是在大规模机器学习系统的开发建设以及训练加速方面有更大的兴趣和关注。不过机器学习系统这个领域跟常规系统基础设施（比如Redis/LevelDB以及一些分布式计算的基础设施等）还有所区别，虽然也可以说是一种基础设施，但是它跟跑在这个基础设施上的业务问题有着更强且直接的联系，所以我也会花费一定的精力来关注数据、业务建模的技术进展和实际问题场景。
&br&说得通俗一些，对自己服务的业务理解得更清晰，才可能设计开发出更好的算法基础设施。
&br&&br&另外在进入文章主体之前想声明的是，这篇文章对于Deep Learning的入门者参考价值会更高，对于Deep Learning老手，只期望能聊作帮助大家技术总结的一个余闲读物而已。&br&&br&文章的主要内容源于Stanford CS231n Convolutional Neural Networks for Visual Recognition课程[1]里介绍的一些通过可视化手段，调试理解CNN网络的技巧，在[1]的基础上我作了一些沿展阅读，算是把[1]的内容进一步丰富系统化了一下。限于时间精力，我也没有能够把里面提到的所有调试技巧全部进行尝试，不过在整理这篇文章的时候，我还是参考了不止一处文献，也结合之前以及最近跟一些朋友的技术交流沟通，对这些方法的有效性我还是有着很强的confidence。&br&&br&&b&1.Visualize Layer Activations&/b&&br&通过将神经网络隐藏层的激活神经元以矩阵的形式可视化出来，能够让我们看到一些有趣的insights。
&br&在[8]的头部，嵌入了一个web-based的CNN网络的demo，可以看到每个layer activation的可视化效果。
&br&&figure&&img src=&https://pic3.zhimg.com/50/v2-51e4b21fb83929ec9aaee7cc9507351d_b.jpg& data-rawwidth=&813& data-rawheight=&502& class=&origin_image zh-lightbox-thumb& width=&813& data-original=&https://pic3.zhimg.com/50/v2-51e4b21fb83929ec9aaee7cc9507351d_r.jpg&&&/figure&&br&在[14]里为几种不同的数据集提供了CNN各个layer activation的可视化效果示例，在里头能够看到CNN模型在Mnist/CIFAR-10这几组数据集上，不同layer activation的图形化效果。
&br&&br&&b&原则上来说，比较理想的layer activation应该具备sparse和localized的特点。
&/b&&br&&b&如果训练出的模型，用于预测某张图片时，发现在卷积层里的某个feature map的activation matrix可视化以后，基本跟原始输入长得一样，基本就表明出现了一些问题，因为这意味着这个feature map没有学到多少有用的东西。
&/b&&br&&br&&b&2.Visualize Layer Weights&/b&&br&除了可视化隐藏层的activation以外，可视化隐藏层的模型weight矩阵也能帮助我们获得一些insights。
&br&这里是AlexNet的第一个卷积层的weight可视化的示例：
&br&&figure&&img src=&https://pic3.zhimg.com/50/v2-463d597a2f53_b.jpg& data-rawwidth=&816& data-rawheight=&380& class=&origin_image zh-lightbox-thumb& width=&816& data-original=&https://pic3.zhimg.com/50/v2-463d597a2f53_r.jpg&&&/figure&&br&通常，我们期望的良好的卷积层的weight可视化出来会具备smooth的特性（在上图也能够明显看到smooth的特点），参见下图（源于[13]）：
&br&&figure&&img src=&https://pic1.zhimg.com/50/v2-a59ae88f5fe3addaaabd4_b.jpg& data-rawwidth=&763& data-rawheight=&269& class=&origin_image zh-lightbox-thumb& width=&763& data-original=&https://pic1.zhimg.com/50/v2-a59ae88f5fe3addaaabd4_r.jpg&&&/figure&&br&这两张图都是将一个神经网络的第一个卷积层的filter weight可视化出来的效果图，&b&左图存在很多的噪点，右图则比较平滑。出现左图这个情形，往往意味着我们的模型训练过程出现了问题。
&/b&&br&&br&&b&3.Retrieving Images That Maximally Activate a Neuron&/b&&br&为了理解3提到的方法，需要先理解CNN里Receptive Field的概念，在[5][6]里关于Receptive Field给出了直观的介绍：
&br&&figure&&img src=&https://pic1.zhimg.com/50/v2-9d8ca244b9f_b.jpg& data-rawwidth=&464& data-rawheight=&358& class=&origin_image zh-lightbox-thumb& width=&464& data-original=&https://pic1.zhimg.com/50/v2-9d8ca244b9f_r.jpg&&&/figure&&br&如果用文字来描述的话，就是对应于卷积核所生成的Feature Map里的一个neuron，在计算这个neuron的标量数值时，是使用卷积核在输入层的图片上进行卷积计算得来的，对于Feature Map的某个特定neuron，用于计算该neuron的输入层数据的local patch就是这个neuron的receptive field。
&br&而对于一个特定的卷积层的Feature Map里的某个神经元，我们可以找到使得这个神经元的activation最大的那些图片，然后再从这个Feature Map neuron还原到原始图片上的receptive field，即可以看到是哪张图片的哪些region maximize了这个neuron的activation。在[7]里使用这个技巧，对于某个pooling层的输出进行了activation maximization可视化的工作：
&br&&figure&&img src=&https://pic4.zhimg.com/50/v2-274dcd4e0cc70bba43c499b9df45c6ce_b.jpg& data-rawwidth=&1165& data-rawheight=&458& class=&origin_image zh-lightbox-thumb& width=&1165& data-original=&https://pic4.zhimg.com/50/v2-274dcd4e0cc70bba43c499b9df45c6ce_r.jpg&&&/figure&&br&&b&不过，在[9]里，关于3提到的方法进行了更为细致的研究，在[9]里，发现，通过寻找maximizing activation某个特定neuron的方法也许并没有真正找到本质的信息。因为即便是对于某一个hidden layer的neurons进行线性加权，也同样会对一组图片表现出相近的semantic亲和性，并且，这个发现在不同的数据集上得到了验证。
&/b&&br&如下面在MNIST和ImageNet数据集上的观察：
&br&&figure&&img src=&https://pic4.zhimg.com/50/v2-182b871bc7cca8b5ccecbc65be3f91af_b.jpg& data-rawwidth=&821& data-rawheight=&255& class=&origin_image zh-lightbox-thumb& width=&821& data-original=&https://pic4.zhimg.com/50/v2-182b871bc7cca8b5ccecbc65be3f91af_r.jpg&&&/figure&&figure&&img src=&https://pic3.zhimg.com/50/v2-2dd8dc8ceef827de965a54_b.jpg& data-rawwidth=&814& data-rawheight=&252& class=&origin_image zh-lightbox-thumb& width=&814& data-original=&https://pic3.zhimg.com/50/v2-2dd8dc8ceef827de965a54_r.jpg&&&/figure&&figure&&img src=&https://pic3.zhimg.com/50/v2-eb97b6cb9fe25e9e1413123_b.jpg& data-rawwidth=&824& data-rawheight=&305& class=&origin_image zh-lightbox-thumb& width=&824& data-original=&https://pic3.zhimg.com/50/v2-eb97b6cb9fe25e9e1413123_r.jpg&&&/figure&&figure&&img src=&https://pic3.zhimg.com/50/v2-aa6f5a7d5b32ea7b3ba4a_b.jpg& data-rawwidth=&824& data-rawheight=&310& class=&origin_image zh-lightbox-thumb& width=&824& data-original=&https://pic3.zhimg.com/50/v2-aa6f5a7d5b32ea7b3ba4a_r.jpg&&&/figure&&br&&b&4.Embedding the Hidden Layer Neurons with
t-SNE&/b&&br&这个方法描述起来比较直观，就是通过t-SNE[10]对隐藏层进行降维，然后以降维之后的两维数据分别作为x、y坐标（也可以使用t-SNE将数据降维到三维，将这三维用作x、y、z坐标，进行3d clustering），对数据进行clustering，人工review同一类图片在降维之后的低维空间里是否处于相邻的区域。t-SNE降维以后的clustering图往往需要在较高分辨率下才能比较清楚地看到效果，这里我没有给出引用图，大家可以自行前往这里[15]里看到相关的demo图。
&br&使用这个方法，可以让我们站在一个整体视角观察模型在数据集上的表现。
&br&&br&&b&5.Occluding Parts of the Image&/b&&br&这个方法在[11]里被提出。我个人非常喜欢这篇文章，因为这篇文章写得非常清晰，并且给出的示例也非常直观生动，是那种非常适合推广到工业界实际应用场景的论文，能够获得ECCV 2014 best paper倒也算在意料之中。在[11]里，使用了[12]里提出的Deconvolutional Network，对卷积层形成的feature map进行reconstruction，将feature map的activation投影到输入图片所在的像素空间，从而提供了更直观的视角来观察每个卷积层学习到了什么东西，一来可以帮助理解模型；二来可以指导模型的调优设计。
&br&[11]的工作主要是在AlexNet这个模型上做的，将Deconvolutional Network引入到AlexNet模型以后的大致topology如下：
&br&&figure&&img src=&https://pic2.zhimg.com/50/v2-c605dcbebd45e53b970511_b.jpg& data-rawwidth=&386& data-rawheight=&505& class=&content_image& width=&386&&&/figure&&br&&b&上图里，右边是正常的卷积神经网络，左边是Deconv Net，Deconv Net的输入是卷积神经网络的某个卷积层/pooling层的输出，另外，在Deconv Net与右边的卷积神经网络之间存在一个Switches连接通道，用于执行Deconv net里的Unpooling操作。注意上图的一个细节，Deconv Net的Unpooling操作，实际上是pooling操作的一个近似逆函数，而非精确逆函数。
&/b&&br&在AlexNet模型上使用Deconv Net对feature map进行input image space投影的效果示例如下：
&br&&figure&&img src=&https://pic4.zhimg.com/50/v2-a948cb0d9e73fcf71d2ae_b.jpg& data-rawwidth=&289& data-rawheight=&354& class=&content_image& width=&289&&&/figure&&br&&b&从上面这个示例图里能够看得出来，不同的feature map，使用Deconv Net进行reconstruction，会投影出不同描述粒度的图片，比如低层的layer reconstruction出来的会是边缘性质的图像，而高层的layer reconstruction出来的则可能会是狗的脸部，计算器的轮廓等更general性质的图像。
&/b&&br&另外，通过Deconv Net还可以观察训练过程中，feature map的演化情况，基本的作法就是将每个卷积层里，activation最大的feature map使用Deconv Net进行reconstruction，以epoch为时间粒度，观察这些feature map reconstructed image的变化趋势，比如下图：
&br&&figure&&img src=&https://pic3.zhimg.com/50/v2-5d527ad747c488e_b.jpg& data-rawwidth=&1032& data-rawheight=&304& class=&origin_image zh-lightbox-thumb& width=&1032& data-original=&https://pic3.zhimg.com/50/v2-5d527ad747c488e_r.jpg&&&/figure&&b&能够看到，低层的feature map比较快就会收敛，而高层的feature map则需要较长epoch的训练时长才会收敛。
&/b&&br&&br&接下来回到[11]里提出的&Occluding Parts of the Image”的方法，这个方法描述起来并不复杂：&b&对于一张输入图片，使用一个小尺寸的灰度方块图作为掩模，对该原始图片进行遍历掩模，每作一次掩模，计算一下CNN模型对这张掩模后图片的分类预测输出，同时，找到一个在训练集上activation最大的feature map，每作一次掩模，记录下来以掩模图片作为输入数据之后的feature map矩阵，将所有掩模所产生的这些feature map矩阵进行elementwise相加，就可以观察到掩模图片的不同区域对分类预测结果以及feature map的activation value的影响&/b&。示例图如下：
&br&&figure&&img src=&https://pic2.zhimg.com/50/v2-5778ada42ff614f5e8a872c8028a58dc_b.jpg& data-rawwidth=&391& data-rawheight=&317& class=&content_image& width=&391&&&/figure&&b&上图的第一列是原始图片。&/b&&br&&b&第二列是在训练集上选出了layer 5上的activation行为最显著的一个feature map之后，对第一列的原始图片使用一个灰度小色块进行occluding之后，所生成的该feature map的activation value进行sum up之后的可视图。
&/b&&br&&b&第三列是这个feature map（这个是在没有occluding的image上应用CNN模型生成的feature map）使用Deconv Net投影到input image space上的图像。能够看得出来，第三列所reconstruct出的image与第二列中受occluding操作影响较大的区域明显是相重合的。
&/b&&br&&br&最后说一下我的感受，卷积神经网络自从2012年以AlexNet模型的形态在ImageNet大赛里大放异彩之后，就成为了图像识别领域的标配，甚至现在文本和语音领域也开始在使用卷积神经网络进行建模了。不过以卷积神经网络为代表的深层神经网络一直被诟病“black-box”，这对于DL模型在工业界的应用推广还是带来了一定的阻碍。
&br&对于”black-box”这个说法，&b&一方面，我觉得确实得承认DL这种model跟LR、GBDT这些shallow model相比，理解、调试的复杂性高了不少&/b&。想像一下，理解一个LR或是GBDT模型的工作机理，一个没有受到过系统机器学习训练的工程师，只要对LR或GBDT的基本概念有一定认识，也大致可以通过ad-hoc的方法来进行good case/bad case的分析了。而CNN这样的模型，理解和调试其的技巧，则往往需要资深的专业背景人士来提出，并且这些技巧也都还存在一定的局限性。对于LR模型来说，我们可以清晰地描述一维特征跟目标label的关系（即便存在特征共线性或是交叉特征，也不难理解LR模型的行为表现），而DL模型，即便这几年在模型的可解释性、调试技巧方面有不少研究人员带来了新的进展，在我来看也还是停留在一个相对”rough”的控制粒度，对技巧的应用也还是存在一定的门槛。
&br&&b&另一方面，我们应该也对学术界、工业界在DL模型调试方面的进展保持一定的关注&/b&。我自己的体会，DL模型与shallow model的应用曲线相比，目前还是存在一定的差异的。从网上拉下来一个pre-trained好的模型，应用在一个跟pre-trained模型相同的应用场景，能够快速地拿到7，80分的收益，但是，如果应用场景存在差异，或者对模型质量要求更高，后续的模型优化往往会存在较高的门槛（这也是模型调试、可视化技巧发挥用武之地的地方），而模型离线tune好以后，布署到线上系统的overhead也往往更高一些，不论是在线serving的latency要求（这也催生了一些新的商业机会，比如Nervana和寒武纪这样的基于软硬件协同设计技术的神经网络计算加速公司），还是对memory consumption的需求。以前有人说过一句话“&i&现在是个人就会在自己的简历上写自己懂Deep Learning，但其实只有1%的人知道怎样真正design一个DL model，剩下的只是找来一个现成的DL model跑一跑了事&/i&”。这话听来刺耳，但其实有几分道理。&br&回到我想表达的观点，&b&一方面我们能够看到DL model应用的门槛相较于shallow
model要高，另一方面能够看到这个领域的快速进展。所以对这个领域的技术进展保持及时的跟进，对于模型的设计调优以及在业务中的真正应用会有着重要的帮助。像LR、GBDT这种经典的shallow model那样，搞明白基本建模原理就可以捋起袖子在业务中开搞，不需要再分配太多精力关注模型技术的进展的工作方式，在当下的DL建模场景，我个人认为这种技术工作的模式并不适合。也许未来随着技术、工具平台的进步，可以把DL也做得更为易用，到那时，使用DL建模的人也能跟现在使用shallow model一样，可以从模型技术方面解放出更多精力，用于业务问题本身了&/b&。
&br&&br&References:
&br&[1]. Visualizing what ConvNets Learn. &a href=&//link.zhihu.com/?target=http%3A//cs231n.github.io/understanding-cnn/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&CS231n Convolutional Neural Networks for Visual Recognition&/a&&br&&a href=&//link.zhihu.com/?target=http%3A//cs231n.github.io/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&CS231n Convolutional Neural Networks for Visual Recognition&/a&&br&[2]. Matthew Zeiler. Visualizing and Understanding Convolutional Networks. &a href=&//link.zhihu.com/?target=http%3A//videolectures.net/eccv2014_zeiler_convolutional_networks/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Visualizing and Understanding Convolutional Networks&/a&.
&br&[3]. Daniel Bruckner. deepViz: Visualizing Convolutional Neural Networks for Image Classification.
&br&&a href=&//link.zhihu.com/?target=http%3A//vis.berkeley.edu/courses/cs294-10-fa13/wiki/images/f/fd/DeepVizPaper.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&vis.berkeley.edu/course&/span&&span class=&invisible&&s/cs294-10-fa13/wiki/images/f/fd/DeepVizPaper.pdf&/span&&span class=&ellipsis&&&/span&&/a&&br&[4]. ConvNetJS MNIST Demo. &a href=&//link.zhihu.com/?target=http%3A//cs.stanford.edu/people/karpathy/convnetjs/demo/mnist.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&ConvNetJS MNIST demo&/a&&br&[5]. Receptive Field. &a href=&//link.zhihu.com/?target=http%3A//cs231n.github.io/convolutional-networks/%23conv& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&CS231n Convolutional Neural Networks for Visual Recognition&/a&&br&[6]. Receptive Field of Neurons in LeNet. &a href=&//link.zhihu.com/?target=http%3A//stats.stackexchange.com/questions/142606/receptive-field-of-neurons-in-lenet& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&deep learning&/a&&br&[7]. Ross Girshick. Rich feature hierarchies for accurate obj