《你不可不知的人性》作者: 刘墉

名称：《你不可不知的人性》作者:刘墉描述：《你不可不知的人性(全本·珍藏)》的目的不是只要你知道人性的丑恶，更希望你在“了解”之后，能有“谅解”。如果作者之前写的《我不是教你诈》是“战术”，那么《你不可不知的人性(全本·珍藏)》就是“战略”，甚至可以说，它讨论了“战争”——是什么人性，造成战争。人性是丑恶的，它贪婪自私、急功近利、喜新厌旧、猜忌犹疑，而且随着年龄和遭遇，一层层变化、一层层染色，染得连自己都不一定认识。但是相对地，人性也有善良的一面。这是一本兼具深度、广度、力度与温度的力作。刘墉以“身边的小故事”和古今实例，一层层剖析真正的人生。它像一把手术刀，切到人心深处，先让你看清人性的毒瘤，再把毒瘤切除。它绝对是尖锐、露骨、血淋淋的，只是在血淋淋之后，希望带给你一种豁达。链接：https://pan.quark.cn/s/142812f0aea3大小：N标签：#电子书#你不可不知的人性#quark频道：@yunpanshare群组：@yunpangroup

你有过低估了人性的恶的遭遇吗？ 我用这个案例来说明人性中的恶有时候会超乎想像，这并不意味著我们因此要消极以对，恰恰相反，能认识到

你有过低估了人性的恶的遭遇吗？我用这个案例来说明人性中的恶有时候会超乎想像，这并不意味著我们因此要消极以对，恰恰相反，能认识到人性中的恶才能避免让自己受到伤害，更积极一点就是有能力不去激发别人的这种恶，而是有能力去抑制。我们也常听过这样一句话，叫一念天堂一念地狱，也就是说无论是善还是恶，都是一种选择，看似一念的选择，其实是有很多因素促成的，我们不要成为促成别人选择恶的因素。更重要的当然是能够觉察到自己人性中的恶是否被激活，倘若被激活，有能力抑制甚至消灭掉。

陈诚一生反共意志坚定，早年对中共党性泯灭人性、中共组织不同于中国人，就有着较为清醒的意识。

陈诚一生反共意志坚定，早年对中共党性泯灭人性、中共组织不同于中国人，就有着较为清醒的意识。陈诚在其回忆录中将中共红军直称为“赤匪”，指出它是苏俄共产国际在中国制造的一种匪患，并称诞生于1921年的中国共产党是一个出卖民族利益的组织。陈诚在解读孙中山“容共”策略时分析道，“容共”不是容纳共产主义，更不是允许共产党加入国民党。因为当时李大钊等共产党徒提出加入国民党时，是说一个一个加入的，而不是把一个团体加入国民党。“以国父之宽容大度，对于‘人’是不曾有所歧视的。至于一经作了共产党，便不复再有人性，这岂是国父当初始料之所能及？”“共产党徒以个人名义加入本党之后，立即展开挑拨离间的分化作用，于是乃有‘左派’、‘右派’、‘中派’等等名称出现。在‘革命的向左转’的口号之下，共产党在本党阵营中已隐然露出他们的本来面目。”陈诚指出，单就中共嗜杀来说，创造了“前无古人，后无来者”的纪录。饥饿也是一种慢性屠杀。中共与普世价值的“人道”为敌，是因为他们“否定人是人，而肯定人也是物”。陈诚明确地说：“自始至终，恐怖主义和共产统治就没有分过家。”并引用吴稚晖先生的话批评共党“‘好话说尽，坏事做完’，最为要言不烦”。陈诚在回忆录中对中共的评价切实而又深刻，他品论说，中共的“匪格”实属下下，因为他们总是假托人民公意，欺人自欺，残酷卑鄙。---做梦都是灭共复国的上将陈诚作者:宗家秀欢迎您加入

LightNet 是一个基于流行的暗网平台的深度学习框架，旨在为计算机视觉任务创建高效、高速的卷积神经网络（CNN）。该框架经过

LightNet是一个基于流行的暗网平台的深度学习框架，旨在为计算机视觉任务创建高效、高速的卷积神经网络（CNN）。该框架经过改进和优化，可为各种深度学习挑战提供更通用、更强大的解决方案。LightNet融合了多项前沿技术和优化来提高CNN模型的性能。主要特点包括：●多任务学习除了暗网中的对象检测之外，LightNet还经过扩展以支持语义分割学习，从而可以对图像内的对象进行更准确、更详细的分割。此功能支持训练CNN模型来识别和分类图像中的各个像素，从而实现更精确的对象检测和场景理解。例如，语义分割可用于识别图像中的各个对象，例如汽车或行人，并用相应的对象类别标记图像中的每个像素。这对于各种应用都很有用，包括自动驾驶和医学图像分析。●2:4结构化稀疏性2:4结构化稀疏技术是一种减少CNN模型参数数量同时保持其性能的新颖方法。这种方法使模型更加高效并且需要更少的计算，从而缩短训练和推理时间。例如，使用2:4结构化稀疏性可以减少CNN模型的内存占用和计算要求，从而更容易部署在手机或嵌入式系统等资源受限的设备上。●通道修剪通道剪枝是一种优化技术，可以减少CNN模型中的通道数量，而不会显着影响其准确性。此方法有助于减小模型大小和计算要求，从而在保持性能的同时缩短训练和推理时间。例如，通道修剪可用于减少CNN模型中的通道数量，以便在低功耗处理器上进行实时处理，同时仍保持高精度。这对于在计算资源有限的设备上部署模型非常有用。●训练后量化（维护中）训练后量化(PTQ)是一种减少训练后CNN模型的内存占用和计算要求的技术。此功能目前正在维护中，将在未来版本中提供。●量化感知训练（未来支持）虽然PTQ被认为足以满足NVIDIAGPU上的LightNet，但对于不支持每通道量化的AI处理器，我们可能会考虑根据需要添加对量化感知训练(QAT)的支持。#框架

人工智能的未来：自学习机器可能取代当前的神经网络

人工智能的未来：自学习机器可能取代当前的神经网络基于物理学的新型自学机器可以取代目前的人工神经网络并节约能源。人工智能（AI）不仅性能惊人，而且需要大量能源。承担的任务越复杂，能耗就越大。德国埃尔兰根马克斯-普朗克光科学研究所的科学家维克托-洛佩斯-帕斯托尔和弗洛里安-马夸特开发出了一种更高效的人工智能训练方法。他们的方法利用物理过程，有别于传统的数字人工神经网络。负责开发为ChatGPT提供动力的GPT-3技术的OpenAI公司没有透露训练这个知识渊博的高级人工智能聊天机器人所需的能量。根据德国统计公司Statista的数据，这将需要1000兆瓦时，大约相当于200个三人或三人以上的德国家庭的年消耗量。虽然这种能源消耗使GPT-3能够了解在其数据集中，"deep"一词后面更有可能出现的是"sea"还是"learning"，但无论如何，它都无法理解这些短语的深层含义。神经形态计算机上的神经网络在过去几年中，为了降低计算机，特别是人工智能应用的能耗，一些研究机构一直在研究一种全新的概念，即未来计算机如何处理数据。这一概念被称为神经形态计算。虽然这听起来类似于人工神经网络，但实际上与人工神经网络关系不大，因为人工神经网络是在传统的数字计算机上运行的。这意味着，软件或更准确地说算法是以大脑的工作方式为模型的，但数字计算机是硬件。它们依次执行神经元网络的计算步骤，一个接一个，区分处理器和内存。马克斯-普朗克光科学研究所所长、埃尔兰根大学教授弗洛里安-马夸特（FlorianMarquardt）说："当一个神经网络用多达1TB的数据训练数千亿个参数（即突触）时，仅这两个组件之间的数据传输就会消耗大量能量。"如果人脑的工作能效与使用硅晶体管的计算机类似，那么人脑就完全不同，在进化过程中可能永远不会具有竞争力。它很可能会因过热而失效。大脑的特点是并行而非顺序地完成思维过程的众多步骤。神经细胞，或者更准确地说，突触，既是处理器，又是存储器。世界各地的各种系统都被视为神经细胞的神经形态对应物的可能候选者，其中包括利用光而不是电子进行计算的光子电路。它们的元件同时充当开关和存储单元。自学物理机器独立优化突触弗洛里安-马夸特与马克斯-普朗克光科学研究所的博士生维克托-洛佩斯-帕斯托尔（VíctorLópez-Pastor）一起，为神经形态计算机设计出了一种高效的训练方法。他解释说："我们提出了自我学习物理机器的概念。核心思想是以物理过程的形式进行训练，其中机器的参数由过程本身进行优化。在训练传统人工神经网络时，需要外部反馈来调整数十亿个突触连接的强度。不需要这种反馈，训练效率就会高得多。在自学习物理机器上实施和训练人工智能，不仅可以节约能源，还能节省计算时间。我们的方法不管自学机器中的物理过程是什么，都能发挥作用，我们甚至不需要知道具体的过程。不过，这个过程必须满足几个条件，最重要的是，它必须是可逆的，也就是说，它必须能够以最小的能量损失向前或向后运行。""此外，物理过程必须是非线性的，即足够复杂。只有非线性过程才能完成输入数据和结果之间的复杂转换。一个弹球在盘子上滚动而不会与另一个弹球相撞，这是一个线性动作。但是，如果它受到另一个弹球的干扰，情况就会变成非线性的。"光学神经形态计算机的实际测试光学中也有可逆非线性过程的例子。事实上，维克多-洛佩斯-帕斯托尔（VíctorLópez-Pastor）和弗洛里安-马夸特（FlorianMarquardt）已经与一个实验小组合作开发了一台光学神经形态计算机。这台机器以叠加光波的形式处理信息，由合适的元件调节互动的类型和强度。研究人员的目标是将自学物理机器的概念付诸实践。弗洛里安-马夸特说："我们希望能在三年内推出第一台自学物理机器。到那时，神经网络的突触数量和训练数据量都将大大超过今天的水平。因此，人们可能会更加希望在传统数字计算机之外实现神经网络，并用训练有素的神经形态计算机取而代之。我们相信，自学物理机器很有可能被用于人工智能的进一步发展。"...PC版：https://www.cnbeta.com.tw/articles/soft/1399137.htm手机版：https://m.cnbeta.com.tw/view/1399137.htm

MIT研究人员发现深层神经网络并不会像人类一样看待世界

MIT研究人员发现深层神经网络并不会像人类一样看待世界该研究的资深作者麦克德莫特说：“这篇论文表明，你可以使用这些模型来导出非自然信号，这些信号最终可以对模型中的表征进行诊断。这项测试将成为我们这个领域用来评估模型的一系列测试的一部分。”JenelleFeather博士22岁，现任Flatiron研究所计算神经科学研究中心研究员，是这篇开放获取论文的主要作者，该论文今天发表在《自然神经科学》杂志上。麻省理工学院研究生GuillaumeLeclerc和麻省理工学院Cadence设计系统计算教授AleksanderMądry也是该论文的作者。近年来，研究人员训练了深度神经网络，可以分析数百万个输入（声音或图像）并学习共同特征，使他们能够像人类一样准确地对目标单词或物体进行分类。这些模型目前被认为是生物感觉系统的领先模型。人们相信，当人类感觉系统执行这种分类时，它会学会忽略与物体核心身份无关的特征，例如照射在物体上的光线数量或从什么角度观看物体。这被称为不变性，意味着即使对象在那些不太重要的特征上表现出差异，也会被认为是相同的。“传统上，我们对感觉系统的思考方式是，它们为同一事物的不同示例可能具有的所有变异来源建立了不变性，”Feather说。“有机体必须认识到它们是同一件事，即使它们表现为非常不同的感官信号。”研究人员想知道，经过训练来执行分类任务的深度神经网络是否可能会产生类似的不变性。为了尝试回答这个问题，他们使用这些模型来生成刺激，这些刺激在模型内产生与研究人员给予模型的示例刺激相同的反应。当这些神经网络被要求生成图像或单词并将其与特定输入（例如熊的图片）归为同一类别时，它们生成的大部分内容对于人类观察者来说是无法识别的。右侧是模型分类为“熊”的示例。图片来源：麻省理工学院研究人员他们将这些刺激称为“模型同色异体”，复兴了经典感知研究中的一个想法，即系统无法区分的刺激可以用来诊断其不变性。同色异谱的概念最初是在人类感知研究中发展起来的，用于描述看起来相同的颜色，即使它们是由不同波长的光组成的。令他们惊讶的是，研究人员发现，以这种方式产生的大多数图像和声音看起来和听起来都与模型最初给出的例子完全不同。大多数图像都是一堆看起来随机的像素，声音类似于难以理解的噪音。当研究人员向人类观察者展示图像时，在大多数情况下，人类不会将模型合成的图像分类为与原始目标示例相同的类别。“人类根本无法识别它们。它们看起来或听起来都不自然，而且不具有人们可以用来对物体或单词进行分类的可解释特征，”Feather说。研究结果表明，这些模型以某种方式发展出了自己的不变性，与人类感知系统中发现的不变性不同。这导致模型将成对的刺激视为相同，尽管它们与人类截然不同。研究人员在许多不同的视觉和听觉模型中发现了相同的效果。然而，这些模型中的每一个似乎都发展出了自己独特的不变性。当一个模型的同色异谱显示给另一个模型时，第二个模型和人类观察者一样无法识别同色异谱。“从中得出的关键推论是，这些模型似乎具有我们所说的特殊不变性，他们已经学会了对刺激空间中的这些特定维度保持不变，并且它是特定于模型的，因此其他模型不具有相同的不变性。”研究人员还发现，他们可以通过使用一种称为对抗性训练的方法，使模型的同色异聚体更容易被人类识别。这种方法最初是为了克服对象识别模型的另一个限制而开发的，即对图像引入微小的、几乎难以察觉的变化可能会导致模型误识别它。研究人员发现，对抗性训练涉及在训练数据中包含一些稍微改变的图像，产生的模型的同色异体更容易被人类识别，尽管它们仍然不如原始刺激那么容易识别。研究人员表示，这种改进似乎与训练对模型抵抗对抗性攻击的能力的影响无关。“这种特殊形式的训练有很大的效果，但我们真的不知道为什么会产生这种效果，”Feather说。“这是未来研究的一个领域。”研究人员表示，分析计算模型产生的同色异体可能是一个有用的工具，可以帮助评估计算模型对人类感官知觉系统底层组织的模仿程度。“这是一个行为测试，你可以在给定的模型上运行，看看模型和人类观察者之间是否共享不变性，它还可以用来评估给定模型中不变性的特殊性，这可以帮助发现未来改进我们模型的潜在方法。”...PC版：https://www.cnbeta.com.tw/articles/soft/1393463.htm手机版：https://m.cnbeta.com.tw/view/1393463.htm