墨语浮生

"Don't try to understand it. Feel it." （不要试图理解它，感受它。）
——《信条》（Tenet 诺兰）

人生亦然。

深以为然！

蒋介石坚持写了57年的日记，几乎不中断。以前看到这个故事，倒没有太大的感觉，只是觉得这人太有毅力了。

现在经历了很多，慢慢明白了一个人为什么要写日记。

年轻那时，意气风发，偶尔有什么不开心的事，随时可以找些人喝酒、聊天，排解。随着成长，一方面“不如意事常八九，可与语人无二三”，生活中不如意的事反而是大多数；另一方面，大家为了生活各奔东西，很多人走着走着也散了，真正能可以倾诉的对象也凤毛麟角，人慢慢的也把自己的内心封闭了起来。

反而是日记（随笔），那小小的屏幕反而是一个最好的倾听者，通过键盘你可以自由的诉衷肠，排解心中的郁闷。

PS：写完这个随笔后的某天看到一本书，《写下来，痛苦就会过去》，是弗吉尼亚·伍尔夫二十四年间写就的日记，五百多个夜与日的私人絮语。原来这个世界还是很多知音的 ；），找个时间拜读一下。

清明时节雨纷纷，而广东的清明大多是艳阳天，那雨水也都化作眼中的泪珠。

看到路上欲断肠的行人，想到了苏东坡那首《江城子》，明白了什么叫“不思量，自难忘。千里孤坟，无处话凄凉。”

多年后，也许”纵使相逢应不识，尘满面，鬓如霜。“ 但是，”料得年年断肠处，明月夜，短松岗。“

人的一生，生离死别，总是那么让人感伤和无助。

想到了自己最喜欢的一首词，苏东坡的《定风波·莫听穿林打叶声》。
莫听穿林打叶声，何妨吟啸且徐行。竹杖芒鞋轻胜马，谁怕？一蓑烟雨任平生。
料峭春风吹酒醒，微冷，山头斜照却相迎。回首向来萧瑟处，归去，也无风雨也无晴。

道出了人生的种种，年轻时，需要潇潇洒洒，快意恩仇，任它风吹雨打。年纪大了，历经沧桑，也要有那种“也无风雨也无晴”的洒脱，不以物喜，不以己悲，宠辱不惊，得失坦然。

前段时间看了豆瓣高分的华语剧《想见你》。对其中的那句关于失望和期望的话深有感触。

确实，对于这个世界，对于某人、某事，你的失望其实是来源于你对其的期望，所以，你的过高期望往往导致你的过度失望。

而我们能够自己把控的其实是降低自己的期望，这样你的失望也自然减少，这也有利于你正面和积极的看待这个世界，减少某人和某事对你的伤害。

PS：虽然以前也经常听伍佰的歌，但却是因为《想见你》，喜欢上了“Last Dance”这首歌。

2024年初就从图书馆借阅过《DEEP LEARNING with Python》第二版的中文版。

在技术更迭日新月异的今天，计算机类书籍的生命周期往往很短，所以自己也极少购买纸质书。但阅读此书后，竟然毫不犹豫地入手了一本纸质正版书（2022 年 8 月版，其英文版出版日期是2021-12）。当时就是觉得它是一本值得收藏的好书，后来也没再次翻阅过 ；），也甚是惭愧。

如今，《DEEP LEARNING with Python, 3rd Ed.》的英文版已于 2025 年 11 月正式面世。作者在https://deeplearningwithpython.io/上面发布了在线阅读版。就像作者所说，“The third edition is available here for anyone to read online, free of charge.” 全书完全在网络免费开放阅读。借助Google的AI在线翻译，不同国度的读者都可以第一时间无障碍的阅读本书。

这就是时代的红利。

想当年，那会刚毕业，为了第一时间阅读当年最经典《Thinking in Java》这本书，一边阅读，一边拿着一本厚字典查单词，那种痛苦，历历在目。

言归正传，这套书带给我最大的感触是，其宏观的视野与对本质的洞察。作者不仅能将深度学习和相关AI的核心概念梳理得极其清晰，更能通过深入浅出的语言或形象的比喻，一针见血地揭示事物背后的逻辑和本质。我始终相信，概念与定义是事物的本质，也是一切知识体系的基础与核心。

此外，作者对 AI 的优势、局限及未来发展的论述客观且务实，不故弄玄虚，这种实事求是的态度在当下的技术浪潮中显得尤为珍贵。

简介

Introduction

技能 (Skill) 是一组指令——封装为一个简单的文件夹中——它教会 Claude 如何处理特定的任务或工作流。技能是针对你的特定需求自定义 Claude 最强大的方式之一。与其在每次对话中重复解释你的偏好、流程和领域专业知识，技能让你只需教导 Claude 一次，便能持久受益。

当你拥有可重复的工作流时，技能将变得非常强大：生成前端设计、采用一致的方法论进行研究、创建遵循团队风格指南的文档，或者编排多步骤流程。它们能够与 Claude 内置的能力（如代码执行和文档创建）良好协作。对于那些构建 MCP 集成的人来说，技能增加了另一个强大的层级，帮助将原始的工具访问转化为可靠、优化的工作流。

本指南涵盖了构建有效技能所需了解的一切——从规划和结构到测试和分发（ from planning and structure to testing and distribution ）。无论你是为自己、为团队还是为社区构建技能，你都会在其中找到实用的模式和真实的案例。

第二十章 结论

Conclusions

本章内容

• 本书的重要启示
• 可用于进一步学习和实践应用技能的资源
• Important takeaways from this book
• Resources for learning further and applying your skills in practice

我们先来概览一下本书的要点，帮助你回忆起一些已经学过的概念。然后，我们会提供一份简短的资源和学习策略清单，帮助你进一步学习机器学习，并及时了解最新进展。

成为一名高效的人工智能从业者是一个循序渐进的过程，而读完这本书仅仅是你迈出的第一步。我希望你能意识到这一点，并做好充分的准备，以便能够独立完成接下来的学习。

第十九章 人工智能的未来

The future of AI

本章内容

• 深度学习的局限性
• 智能的本质
• 当前方法缺少什么
• 未来可能会是什么样子
• The limitations of deep learning
• The nature of intelligence
• What’s missing from current approaches
• What the future might look like

要正确使用工具，不仅要了解它的功能，还要了解它的局限性。我将概述深度学习的一些关键局限性。然后，我会对人工智能的未来发展方向以及达到人类水平的通用智能需要哪些条件提出一些推测。如果您对基础研究感兴趣，这部分内容应该会特别吸引您。

第十八章 现实世界的最佳实践

Best practices for the real world

运行代码

在 Colab 上运行

在 GitHub 上查看

本章内容

• 超参数调优
• 模型集成
• 在多个 GPU 或 TPU 上训练 Keras 模型
• 混合精度训练
• 量子化
• Hyperparameter tuning
• Model ensembling
• Training Keras models on multiple GPUs or on TPU
• Mixed-precision training
• Quantization

从本书开头到现在，你已经取得了长足的进步。你现在可以训练图像分类模型、图像分割模型、矢量数据分类或回归模型、时间序列预测模型、文本分类模型、序列到序列模型，甚至文本和图像生成模型。你已经掌握了所有基础知识。

然而，你目前的模型都是在小规模下训练的——使用小型数据集和单个GPU——而且在我们考察过的每个数据集上，它们通常都没有达到最佳性能。毕竟，这本书只是一本入门读物。如果你想在现实世界中，在全新的问题上取得最先进的成果，你仍然需要跨越一道鸿沟。

本章旨在弥合机器学习学生与工程师之间的差距，并为你提供从机器学习学生成长为一名成熟的机器学习工程师所需的最佳实践。我们将回顾系统性提升模型性能的关键技术：超参数调优和模型集成。然后，我们将探讨如何利用多GPU和TPU训练、混合精度和量化等方法加速和扩展模型训练。