微塔學編程
㈠ 女生去學開塔吊怎麼樣
女孩子當塔吊司機還是好找工作的，如果想從這種行業，做這種工作，可以去學的。
塔吊司機是屬於特種設備駕駛人員，對人員的身體素質，操作技能要求會相對高一點。
我們都知道，近幾年不斷有發生塔吊折斷或坍塌事故，造成的傷害和損失很大。
但是，如果一個女孩子想從事這種行業，我覺得還是蠻不錯的，主要有以下幾點理由：
一，女孩子心比較細，有什麼問題會細心處理，及時上報處理缺陷，這點比男人就強得多。
二，女孩子喝酒的少，工地上喝酒上崗的男人雖然比以前少了，但是有的人還是不自覺，違章冒險作業屢見不鮮，這點女人就比男人把控得好。
三，操作方面女人比男人膽子小，很多操作上都是小心翼翼的，檢查設備也不會像男人一樣粗心大意。
除了這些，還有學歷控制，最少初中以上水平，身體方面，不能有恐高症，腦血栓等各種影響操作的疾病。
女孩做吊車司機好不好呢？網上說什麼要想學的好，跟師傅關系好，其實要看你能不能用心挖掘這行。
首先你得了解吊車的性能，特別是在什麼角度，什麼長度能吊多重的貨物，哪些角度不能吊貨物等。
然後就是一些操作方面zd的小技巧，這個得請教你朋友剩下的就是一個熟練程版度的問題。如果有條件可以多了解下一些常有故障以及一些突發事件的應急處理，另外不同貨物權的吊裝方法也有所不同，這些都需要你慢慢的去摸索。
汽車吊和履帶吊都差不多了，吊車培訓現在有不少學習，關鍵還是要自己咨詢清楚，能去學學看看是較好的，就業前景很大。
學習沒有任何要求只要花點錢和學完以後技術好一點就可以其實我也不想幹了 想找個坐辦公室的一天8小時 月薪78千的 給交五險一金的 就是一直找不到奉勸各位即將學吊車的，不要誤入歧途年紀輕輕就學吊車，把美好的青春奉獻給吊車，一入吊涯深似海，妹子從此是路人。切記切記！
㈡ 深度學習能夠學會編程嗎
深度學習本身是一個非常龐大的知識體系。本文更多想從程序員的視角出發，讓大家觀察一下深度學習對程序員意味著什麼，以及我們如何利用這樣一個高速發展的學科，來幫助程序員提升軟體開發的能力。
本文根據費良宏在2016QCon全球軟體開發大會（上海）上的演講整理而成。
前言
1973年，美國上映了一部熱門的科幻電影《WestWorld》，三年之後又有一個續集叫做《FutureWorld》。這部電影在80年代初被引進到中國叫《未來世界》。那部電影對我來講簡直可以說得上是震撼。影片中出現了很多機器人，表情豐富的面部下面都是集成電路板。這讓那時候的我覺得未來世界都是那麼遙遠、那麼神秘。
時間到了2016年，很多朋友可能都在追看HBO斥巨資拍攝的同一題材的系列劇《WestWorld》。如果前兩部電影還是局限在機器人、人工智慧這樣的話題，2016年的新劇則在劇情和人工智慧的思考方面有了很大的突破。不再渲染機器人是否會威脅到人類，而是在探討「Dreamsaremainlymemories」這一類更具哲理的問題。
「記憶究竟如何影響了智能」這個話題非常值得我們去思考，也給我們一個很好的啟示——今天，人工智慧領域究竟有了怎樣的發展和進步。
今天我們探討的話題不僅僅是簡單的人工智慧。如果大家對深度學習感興趣，我相信各位一定會在搜索引擎上搜索過類似相關的關鍵字。我在Google上以deeplearning作為關鍵字得到了2,630萬個搜索的結果。這個數字比一周之前足足多出了300多萬的結果。這個數字足以看得出來深度學習相關的內容發展的速度，人們對深度學習的關注也越來越高。
從另外的一個角度，我想讓大家看看深度學習在市場上究竟有多麼熱門。從2011年到現在一共有140多家專注人工智慧、深度學習相關的創業公司被收購。僅僅在2016年這種並購就發生了40多起。
其中最瘋狂的是就是Google，已經收購了 11 家人工智慧創業公司，其中最有名的就是擊敗了李世石九段的 DeepMind。排名之後的就要數 Apple、Intel以及Twitter。以Intel 公司為例，僅在今年就已經收購了 3 家創業公司，Itseez、Nervana 和 Movidius。這一系列大手筆的並購為了布局人工智慧以及深度學習的領域。
當我們去搜索深度學習話題的時候，經常會看到這樣的一些晦澀難懂的術語：Gradient descent（梯度下降演算法）、Backpropagation（反向傳播演算法）、Convolutional Neural Network（卷積神經網路）、受限玻耳茲曼機（Restricted Boltzmann Machine）等。
如打開任何一篇技術文章，你看到的通篇都是各種數學公式。大家看到如下左邊的圖，其實並不是一篇高水準的學術論文，而僅僅是維基網路關於玻耳茲曼機的介紹。維基網路是科普層面的內容，內容復雜程度就超過了大多數數學知識的能力。
在這樣的背景之下，我今天的的話題可以歸納成三點：第一，我們為什麼要學習深度學習；第二，深度學習最核心的關鍵概念就是神經網路，那麼究竟什麼是神經網路；第三，作為程序員，當我們想要成為深度學習開發者的時候，我們需要具備怎樣的工具箱，以及從哪裡著手進行開發。
為什麼要學習深度學習
首先，我們談談為什麼要學習深度學習。在這個市場當中，最不缺乏的就是各種概念以及各種時髦新技術的詞彙。深度學習有什麼不一樣的地方？我非常喜歡AndrewNg（吳恩達）曾經用過的一個比喻。
他把深度學習比喻成一個火箭。這個火箭有一個最重要的部分，就是它的引擎，目前來看在這個領域裡面，引擎的核心就是神經網路。大家都知道，火箭除了引擎之外還需要有燃料，那麼大數據其實就構成了整個火箭另外的重要組成部分——燃料。以往我們談到大數據的時候，更多是強調存儲和管理數據的能力，但是這些方法和工具更多是對於以往歷史數據的統計、匯總。
而對於今後未知的東西，這些傳統的方法並不能夠幫助我們可以從大數據中得出預測的結論。如果考慮到神經網路和大數據結合，我們才可能看清楚大數據真正的價值和意義。AndrewNg就曾經說過「我們相信（神經網路代表的深度學習）是讓我們獲得最接近於人工智慧的捷徑」。這就是我們要學習深度學習的一個最重要的原因。
其次，隨著我們進行數據處理以及運算能力的不斷提升，深度學習所代表的人工智慧技術和傳統意義上人工智慧技術比較起來，在性能上有了突飛猛進的發展。這主要得益於在過去幾十間計算機和相關產業不斷發展帶來的成果。在人工智慧的領域，性能是我們選擇深度學習另一個重要的原因。
這是一段Nvidia在今年公布的關於深度學習在無人駕駛領域應用的視頻。我們可以看到，將深度學習應用在自動駕駛方面，僅僅經歷了3千英里的訓練，就可以達到什麼樣的程度。在今年年初進行的實驗上，這個系統還不具備真正智能能力，經常會出現各種各樣的讓人提心吊膽的狀況，甚至在某些情況下還需要人工干預。
但經過了3千英里的訓練之後，我們看到在山路、公路、泥地等各種復雜的路況下面，無人駕駛已經有了一個非常驚人的表現。請大家注意，這個深度學習的模型只經過了短短幾個月、3千英里的訓練。
如果我們不斷完善這種模型的話，這種處理能力將會變得何等的強大。這個場景裡面最重要的技術無疑就是深度學習。我們可以得出一個結論：深度學習可以為我們提供強大的能力，如果程序員擁有了這個技術的話，無異於會讓每個程序員如虎添翼。
神經網路快速入門
如果我們對於學習深度學習沒有任何疑慮的話，接下來就一定會關心我需要掌握什麼樣的知識才能讓我進入到這個領域。這裡面最重要的關鍵技術就是「神經網路」。說起「神經網路」，容易混淆是這樣兩個完全不同的概念。
一個是生物學神經網路，第二個才是我們今天要談起的人工智慧神經網路。可能在座的各位有朋友在從事人工智慧方面的工作。當你向他請教神經網路的時候，他會拋出許多陌生的概念和術語讓你聽起來雲里霧里，而你只能望而卻步了。
對於人工智慧神經網路這個概念，大多數的程序員都會覺得距離自己有很大的距離。因為很難有人願意花時間跟你分享神經網路的本質究竟是什麼。而你從書本上讀的到的理論和概念，也很讓你找到一個清晰、簡單的結論。
今天就我們來看一看，從程序員角度出發神經網路究竟是什麼。我第一次知道神經網路這個概念是通過一部電影——1991年上映的《終結者2》。男主角施瓦辛格有一句台詞：
「MyCPUisaneural-netprocessor;alearningcomputer.」（我的處理器是一個神經處理單元，它是一台可以學習的計算機)。從歷史來看人類對自身智力的探索，遠遠早於對於神經網路的研究。
1852年，義大利學者因為一個偶然的失誤，將人類的頭顱掉到硝酸鹽溶液中，從而獲得第一次通過肉眼關注神經網路的機會。這個意外加速了對人類智力奧秘的探索，開啟了人工智慧、神經元這樣概念的發展。
生物神經網路這個概念的發展，和今天我們談的神經網路有什麼關系嗎？我們今天談到的神經網路，除了在部分名詞上借鑒了生物學神經網路之外，跟生物學神經網路已經沒有任何關系，它已經完全是數學和計算機領域的概念，這也是人工智慧發展成熟的標志。這點大家要區分開，不要把生物神經網路跟我們今天談到的人工智慧有任何的混淆。
90年代中期，由Vapnik等人提出了支持向量機演算法（Support Vector Machines，支持向量機）。很快這個演算法就在很多方面體現出了對比神經網路的巨大優勢，例如：無需調參、高效率、全局最優解等。基於這些理由，SVM演算法迅速打敗了神經網路演算法成為那個時期的主流。而神經網路的研究則再次陷入了冰河期。
在被人摒棄的十年裡面，有幾個學者仍然在堅持研究。其中很重要的一個人就是加拿大多倫多大學的Geoffery Hinton教授。2006年，他的在著名的《Science》雜志上發表了論文，首次提出了「深度信念網路」的概念。
與傳統的訓練方式不同，「深度信念網路」有一個「預訓練」（pre-training）的過程，這可以方便的讓神經網路中的權值找到一個接近最優解的值，之後再使用「微調」(fine-tuning)技術來對整個網路進行優化訓練。這兩個技術的運用大幅度減少了訓練多層神經網路的時間。在他的論文裡面，他給多層神經網路相關的學習方法賦予了一個新名詞— 「深度學習」。
很快，深度學習在語音識別領域嶄露頭角。接著在2012年，深度學習技術又在圖像識別領域大展拳腳。Hinton與他的學生在ImageNet競賽中，用多層的卷積神經網路成功地對包含一千個類別的一百萬張圖片進行了訓練，取得了分類錯誤率15%的好成績，這個成績比第二名高了將近11個百分點。
這個結果充分證明了多層神經網路識別效果的優越性。從那時起，深度學習就開啟了新的一段黃金時期。我們看到今天深度學習和神經網路的火熱發展，就是從那個時候開始引爆的。
利用神經網路構建分類器，這個神經網路的結構是怎樣的？
其實這個結構非常簡單，我們看到這個圖就是簡單神經網路的示意圖。神經網路本質上就是一種「有向圖」。圖上的每個節點借用了生物學的術語就有了一個新的名詞 – 「神經元」。連接神經元的具有指向性的連線（有向弧）則被看作是「神經」。這這個圖上神經元並不是最重要的，最重要的是連接神經元的神經。每個神經部分有指向性，每一個神經元會指向下一層的節點。
節點是分層的，每個節點指向上一層節點。同層節點沒有連接，並且不能越過上一層節點。每個弧上有一個值，我們通常稱之為」權重「。通過權重就可以有一個公式計算出它們所指的節點的值。這個權重值是多少？我們是通過訓練得出結果。它們的初始賦值往往通過隨機數開始，然後訓練得到的最逼近真實值的結果作為模型，並可以被反復使用。這個結果就是我們說的訓練過的分類器。
節點分成輸入節點和輸出節點，中間稱為隱層。簡單來說，我們有數據輸入項，中間不同的多個層次的神經網路層次，就是我們說的隱層。之所以在這樣稱呼，因為對我們來講這些層次是不可見的。輸出結果也被稱作輸出節點，輸出節點是有限的數量，輸入節點也是有限數量，隱層是我們可以設計的模型部分，這就是最簡單的神經網路概念。
如果簡單做一個簡單的類比，我想用四層神經網路做一個解釋。左邊是輸入節點，我們看到有若干輸入項，這可能代表不同蘋果的RGB值、味道或者其它輸入進來的數據項。中間隱層就是我們設計出來的神經網路，這個網路現在有不同的層次，層次之間權重是我們不斷訓練獲得一個結果。
最後輸出的結果，保存在輸出節點裡面，每一次像一個流向一樣，神經是有一個指向的，通過不同層進行不同的計算。在隱層當中，每一個節點輸入的結果計算之後作為下一層的輸入項，最終結果會保存在輸出節點上，輸出值最接近我們的分類，得到某一個值，就被分成某一類。這就是使用神經網路的簡單概述。
除了從左到右的形式表達的結構圖，還有一種常見的表達形式是從下到上來表示一個神經網路。這時候，輸入層在圖的最下方，輸出層則在圖的最上方。從左到右的表達形式以AndrewNg和LeCun的文獻使用較多。而在Caffe框架里則使用的則是從下到上的表達。
簡單來說，神經網路並不神秘，它就是有像圖，利用圖的處理能力幫助我們對特徵的提取和學習的過程。2006年Hinton的那篇著名的論文中，將深度學習總結成三個最重要的要素：計算、數據、模型。有了這三點，就可以實現一個深度學習的系統。
程序員需要的工具箱
對於程序員來說，掌握理論知識是為了更好的編程實踐。那就讓我們看看，對於程序員來說，著手深度學習的實踐需要准備什麼樣的工具。
硬體
從硬體來講，我們可能需要的計算能力，首先想到的就是CPU。除了通常的CPU架構以外，還出現了附加有乘法器的CPU，用以提升計算能力。此外在不同領域會有DSP的應用場景，比如手寫體識別、語音識別、等使用的專用的信號處理器。還有一類就是GPU，這是一個目前深度學習應用比較熱門的領域。最後一類就是FPGA（可編程邏輯門陣列）。
這四種方法各有其優缺點，每種產品會有很大的差異。相比較而言CPU雖然運算能力弱一些，但是擅長管理和調度，比如讀取數據，管理文件，人機交互等，工具也豐富。DSP相比而言管理能力較弱，但是強化了特定的運算能力。
這兩者都是靠高主頻來解決運算量的問題，適合有大量遞歸操作以及不便拆分的演算法。GPU的管理能力更弱一些，但是運算能力更強。但由於計算單元數量多，更適合整塊數據進行流處理的演算法。
FPGA在管理與運算處理方面都很強，但是開發周期長，復雜演算法開發難度較大。就實時性來說，FPGA是最高的。單從目前的發展來看，對於普通程序員來說，現實中普遍採用的計算資源就還是是CPU以及GPU的模式，其中GPU是最熱門的領域。
這是我前天為這次分享而准備的一個AWS 上p2的實例。僅僅通過幾條命令就完成了實例的更新、驅動的安裝和環境的設置，總共的資源創建、設置時間大概在10分鍾以內。而之前，我安裝調試前面提到的那台計算機，足足花了我兩天時間。
另外，從成本上還可以做一個對比。p2.8xLarge 實例每小時的費用是7.2美元。而我自己那台計算機總共的花費了是¥16,904元。這個成本足夠讓我使用350多個小時的p2.8xLarge。在一年裡使用AWS深度學習站就可以抵消掉我所有的付出。隨著技術的不斷的升級換代，我可以不斷的升級我的實例，從而可以用有限的成本獲得更大、更多的處理資源。這其實也是雲計算的價值所在。
雲計算和深度學習究竟有什麼關系？今年的8月8號，在IDG網站上發表了一篇文章談到了這個話題。文章中做了這樣一個預言：如果深度學習的並行能力不斷提高，雲計算所提供的處理能力也不斷發展，兩者結合可能會產生新一代的深度學習，將帶來更大影響和沖擊。這是需要大家考慮和重視的一個方向！
軟體
深度學習除了硬體的基礎環境之外。程序員會更關心與開發相關的軟體資源。這里我羅列了一些曾經使用過的軟體框架和工具。
Scikit-learn是最為流行的一個python機器學習庫。它具有如下吸引人的特點：簡單、高效且異常豐富的數據挖掘/數據分析演算法實現； 基於NumPy、SciPy以及matplotlib，從數據探索性分析，數據可視化到演算法實現，整個過程一體化實現；開源，有非常豐富的學習文檔。
Caffe專注在卷及神經網路以及圖像處理。不過Caffe已經很久沒有更新過了。這個框架的一個主要的開發者賈揚清也在今年跳槽去了Google。也許曾經的霸主地位要讓位給他人了。
Theano 是一個非常靈活的Python 機器學習的庫。在研究領域非常流行，使用上非常方便易於定義復雜的模型。Tensorflow 的API 非常類似於Theano。我在今年北京的QCon 大會上也分享過關於Theano 的話題。
Jupyter notebook 是一個很強大的基於ipython的python代碼編輯器，部署在網頁上，可以非常方便的進行互動式的處理，很適合進行演算法研究合數據處理。
Torch 是一個非常出色的機器學習的庫。它是由一個比較小眾的lua語言實現的。但是因為LuaJIT 的使用，程序的效率非常出色。Facebook在人工智慧領域主打Torch，甚至現在推出了自己的升級版框架Torchnet。
深度學習的框架非常之多，是不是有一種亂花漸欲迷人眼的感覺？我今天向各位程序員重點介紹的是將是TensorFlow。這是2015年穀歌推出的開源的面向機器學習的開發框架，這也是Google第二代的深度學習的框架。很多公司都使用了TensorFlow開發了很多有意思的應用，效果很好。
用TensorFlow可以做什麼？答案是它可以應用於回歸模型、神經網路以深度學習這幾個領域。在深度學習方面它集成了分布式表示、卷積神經網路(CNN)、遞歸神經網路(RNN) 以及長短期記憶人工神經網路（Long-Short Term Memory, LSTM）。
關於Tensorflow 首先要理解的概念就是Tensor。在辭典中對於這個詞的定義是張量，是一個可用來表示在一些向量、標量和其他張量之間的線性關系的多線性函數。實際上這個表述很難理解，用我自己的語言解釋Tensor 就是「N維數組」而已。
使用 TensorFlow, 作為程序員必須明白 TensorFlow這樣幾個基礎概念：它使用圖 (Graph) 來表示計算任務；在被稱之為 會話 (Session) 的上下文 (context) 中執行圖；使用 Tensor 表示數據；通過 變數 (Variable) 維護狀態；使用 feed 和 fetch 可以為任意的操作(arbitrary operation) 賦值或者從其中獲取數據。
一句話總結就是，TensorFlow 就是有狀態圖的數據流圖計算環境，每個節點就是在做數據操作，然後提供依賴性和指向性，提供完整數據流。
TensorFlow安裝非常簡單，但官網提供下載的安裝包所支持的CUDA 的版本是7.5。考慮到CUDA 8 的讓人心動的新特以及不久就要正式發布的現狀。或許你想會考慮立即體驗CUDA 8，那麼就只能通過編譯Tensorflow源代碼而獲得。目前TensorFlow已經支持了Python2.7、3.3+。
此外，對於使用Python 語言的程序員還需要安裝所需要的一些庫，例如：numpy、protobuf等等。對於卷積處理而言，cuDNN是公認的性能最好的開發庫，請一定要安裝上。常規的Tensorsorflow的安裝很簡單，一條命令足矣：
$ pip3 install —upgrade https://storage.233.wiki/tensorflow/linux/cpu/tensorflow-0.11.0rc0-cp35-cp35m-linux_x86_64.whl
如果想評估一下或者簡單學習一下，還可以通過Docker進行安裝，安裝的命令如下：
$ docker run -it -p 8888:8888 gcr.io/tensorflow/tensorflow
TensorFlow有很多優點。首先，目前為止，深度學習的開發框架裡面TensorFlow的文檔做的最好，對程序員學習而言是非常好的一點。第二，TensorFlow有豐富的參考實例，作為參考學習起來非常容易。
第三，開發者社區活躍，在任何一個深度學習的社區里，都有大量關於TensorFlow的討論。第四，谷歌的支持力度非常大，從2015年到現在升級速度非常快，這是其他開源框架遠遠達不到的結果。
參考TensorFlow的白皮書，我們會看到未來TensorFlow還將會有巨大的發展潛力。讓我特別感興趣是這兩個方向。第一，支持跨多台機器的 parallelisation。盡管在0.8版本中推出了並行化的能力，但是目前還不完善。隨著未來不斷發展，依託雲計算的處理能力的提升這個特性將是非常讓人振奮的。
第二，支持更多的開發語言，對於開發者來說這是一個絕大的利好，通過使用自己擅長的語言使用TensorFlow應用。這些開發語言將會擴展到java、Lua以及R 等。
在這里我想給大家展示一個應用Tensorflow 的例子。這個例子的代碼託管在這個網址上 https://github.com/anishathalye/neural-style。白俄羅斯的現代印象派藝術家Leonid Afremov善於用濃墨重彩來表現都市和風景題材，尤其是其雨景系列作品。他習慣用大色塊的鋪陳來營造光影效果，對反光物體和環境色的把握非常精準。
於是我就找到了一張上海東方明珠電視塔的一張攝影作品，我希望通過Tensorflow 去學習一下Leonid Afremov 的繪畫風格，並將這張東方明珠的照片處理成那種光影色彩豐富的作品風格。利用Tensorflow 以及上面提到的那個項目的代碼，在一個AWS 的p2類型的實例上進行了一個一千次的迭代，於是就得到了下圖這樣的處理結果。
這個處理的代碼只有350行里，模型使用了一個成名於2014年ImageNet比賽中的明星 VGG。這個模型非常好，特點就是「go depper」。
TensorFlow 做出這樣的作品，並不僅僅作為娛樂供大家一笑，還可以做更多有意思的事情。將剛才的處理能力推廣到視頻當中，就可以看到下圖這樣的效果，用梵高著名的作品」星月夜「的風格就加工成了這樣新的視頻風格。
可以想像一下，如果這種處理能力在更多領域得以應用，它會產生什麼樣的神奇結果？前景是美好的，讓我們有無限遐想。事實上我們目前所從事的很多領域的應用開發都可以通過使用神經網路和深度學習來加以改變。對於深度學習而言，掌握它並不是難事。每一個程序員都可以很容易的掌握這種技術，利用所具備的資源，讓我們很快成為深度學習的程序開發人員。
結束語
未來究竟是什麼樣，我們沒有辦法預言。有位作家Ray Kurzweil在2005年寫了《奇點臨近》一書。在這本書裡面他明確告訴我們，那個時代很快到來。作為那個時代曙光前的人群，我們是不是有能力加速這個過程，利用我們學習的能力實現這個夢想呢？
中國人工智慧的發展
人工智慧的時代無疑已經到來，這個時代需要的當然就是掌握了人工智慧並將其解決具體問題的工程師。坦率的說，市場上這一類的工程師還屬於鳳毛麟角。職場上的薪酬待遇可以看得出來這樣的工程師的搶手的程度。人工智慧這門學科發展到今天，就學術自身而言已經具備了大規模產業化的能力。
所以說，對於工程師而言當務之急就是盡快的掌握應用人工智慧的應用技術。當下在互聯網上關於人工智慧的學習資料可以說已經是「汗牛充棟」，那些具備了快速學習能力的工程師一定會在人工智慧的大潮當中脫穎而出。
中國發展人工智慧產業的環境已經具備。無論從創業環境、人員的素質乃至市場的機遇而言完全具備了產生產業變革的一切條件。與美國相比較，在人工智慧的許多領域中國團隊的表現也可以說是不逞多讓。就人工智慧的技術層面而言，中國的工程師與全球最好的技術團隊正處於同一個起跑線上。
時不我待，中國的工程師是有機會在這個領域大展身手的。不過值得注意的是，要切忌兩點：一是好高騖遠，盲目與國外攀比。畢竟積累有長短，術業有專攻，我們要立足於已有的積累，尋求逐步的突破。二是一擁而上，盲目追求市場的風口。人工智慧的工程化需要大量的基礎性的積累，並非一蹴而就簡單復制就可以成功。
中國的科研技術人員在人工智慧領域的成就有目共睹。在王詠剛的一篇文章裡面，他統計了從2013年到2015年SCI收錄的「深度學習」論文，中國在2014年和2015年超已經超過了美國居於領跑者的位置。
另外一讓我感到驚訝的事情，Google的JeffDean在2016年發表過一篇名為《TensorFlow:Asystemforlarge-scalemachinelearning》的論文。文章的22個作者裡面，明顯是中國名字的作者占已經到了1/5。如果要列舉中國人/華人在人工智慧領域里的大牛，吳恩達、孫劍、楊強、黃廣斌、馬毅、張大鵬……很容易就可以說出一大串。
對於中國來說目前的當務之急是人工智慧技術的產業化，唯有如此我們才可以講科研／智力領域的優勢轉化為整體的、全面的優勢。在這一點上，中國是全球最大的消費市場以及製造業強國，我們完全有機會藉助市場的優勢成為這個領域的領先者。
矽谷創新企業
矽谷雖然去過許多回，但一直無緣在那裡長期工作。在人工智慧領域的市場我們聽到的更多是圍繞Google、Apple、Intel、Amazon這樣的一些大型科技公司的一舉一動。但是在美國市場上還有一大批小型的創業企業在人工智慧這個領域有驚艷的表現。僅以矽谷區域的公司為例：
Captricity，提供了手寫數據的信息提取；
VIVLab，針對語音識別開發了虛擬助手服務；
TERADEEP，利用FPGA提供了高效的卷積神經網路的方案；
還有提供無人駕駛解決方案的NetraDyne。
這個名單還可以很長，還有許許多多正在利用人工智慧技術試圖去創造歷史的團隊正在打造他們的夢想。這些團隊以及他們正在專注的領域是值得我們去學習和體會的。
㈢ dell 微塔式是指什麼
戴爾微塔式指的是戴爾微塔式機箱。戴爾微塔式機箱機箱也就是常說的mini（迷你）塔式機箱。
塔式機箱（英Tower case），即通常說的立式機箱。塔式機箱按照大小可分為全塔、中塔和mini塔三類，不過業界並沒有在大小方面就此形成統一的分類標准。通常全塔機箱擁有4個以上的光碟機位，中塔機箱擁有3-4個光碟機位，而mini塔僅有1-2個光碟機位。
如圖所示帶六個光碟機位的機箱：
㈣ 學計算機技術將來能幹什麼工作
學計算機適合做的工作
1：軟體編程方向
大體上分成軟體設計、編程語言和軟體測試。包括需求分析、結構設計、開發流程、生命周期等等相關內容全部在關注范圍。此方向幾乎屬於CS內部第一大的方向了，錄取名額很多，獎學金也有一些。問題的關鍵是，這個專業是培養coder的，而計算機專業的從業者大部分就是coder。因此學這個專業工作機會較多，但是起步階段的收入居於中等。
㈤ 求常見編程術語的通俗解釋
XML 首先，你要了解XML。我不是說僅僅是XML規格本身，還包括一系列相關的基於XML的語言：最重要的是XHTML、XSLT、XSL、DTDs、XML Schema (XSD)、XPath、XQuery和SOAP。那些在過去5年內從未碰過鍵盤的人，可能不知道XML為何物。XML是一種文本文件，使用與HTML類似的標記。XML能定義一個樹狀結構，並能描述所含的數據。 XML最好的一點是既能存結構化數據也能存非結構化數據。它既能存貯和描述「規格的」(regular)表格數據，也能容納和描述「粗糙的」(ragged)文件數據。 XHTML是現今寫HTML的首選方法。因為它是形式完好（well formed）的XML，比起古老的、通常是畸形（malformed）的HTML文件，XHTML格式的文件更容易處理。 XSLT和XSL是用於把XML文件轉成其它格式的語言。可轉換的格式包括：文本文件、PDF文件、HTML、以逗號為分隔符的文件，或其它XML文件。 DTD和XML Schema描述XML文件所能包含的內容的類型，並讓你「驗證」XML文件內容的合理性，而不用寫特殊代碼以確保內容符合規則要求。 XPath和XQuery是用於從XML文件中抽取單個項目或一組項目的查詢語言。XQuery擴展了XPath，因而更重要。XQuery與XML的關系正像SQL與關系資料庫的關系。 SOAP是Web服務之間的一個標准通訊協議。盡管你不需要對SOAP標准一清二楚，你應該熟悉一般的schema和它的工作原理，以便能應用這門技術。
2. Web服務 Web服務是XML流行後的一個直接產物。因為你能用XML描述數據和物件，因為你能用schema確保XML文件內容的合理性，因為XML是基於文本的規范，XML為跨平台通訊標准提供了一個極其方便的基本格式。如果你還從來沒碰到Web服務，你可能很快就會碰到，在未來5年內，你幾乎肯定會碰到。熟悉Web服務十分重要，因為它是目前所有跨不同機器、不同語言、不同平台和不同地點的通訊協議中最簡單的一個。不管你需要與否，Web服務是邁向互用性的重要一步。 XML工作組主席John Bosak曾說XML「給Java一些事做」。實際上，Web服務讓所有語言都有了一些事做。Web服務讓在大型機上運行的COBOL應用軟體能調用在手持設備上運行的Java應用程序、能讓Java applet與.NET伺服器交談、能讓微機軟體與Web伺服器無縫連接，並提供了一個相對容易的方法，讓企業不光能向外界提供數據，還能提供功能，而且是一種與語言、平台和位置都獨立的方法。 3. 面向對象的編程 很多程序員仍認為OOP是象牙塔里的技術。但如果你想一下是什麼語言在過去的10年裡佔主導地位，你就會理解OOP不是象牙塔里的技術。OOP從Smalltalk開始，傳到C++和Pascal (Delphi)。Java使OOP大踏步地邁向主流，幾年後的VB.NET和C#則完全確立了OOP的優勢地位。盡管這些語言中的多數並不要求你必須會OOP，但我覺得如果你不了解OOP的基本概念也不知道如何應用這些概念，你能找到的編程工作將越來越少。
4. Java、C++、C#和VB.NET 我把這些語言列在一起，並不是建議你成為每一種語言的專家。我的理由是：學習編程最有效的方法之一是看代碼，而你能看到的大量的代碼很可能不是用你所喜愛的語言編寫的。 在過去幾年，各語言的能力越來越接近。現在，你可以用VB.NET寫Windows服務、Web應用程序或命令行程序。即使你只使用一種語言，你也應該學一些其它語言，以便能看懂那些樣例，並將其翻譯到你所用的語言。這4種語言是基本核心，還有其它一些滿足不同需要、頗具用途的語言，如FORTRAN、COBOL、APL、ADA、Perl和Lisp。
5. javascript 盡管名字有些相像，但Java與javascript並無關聯。為什麼一個腳本語言會如此重要呢？因為所有主流瀏覽器都用javascript。如果你需要寫Web應用程序，你就有足夠的理由學javascript。javascript可以用作ASP或ASP.NET的伺服器語言，也可以當做用於擴展XSLT的功能語言(functional language)。javascript是Mozilla/Netscape中用於激活基於XUL的程序介面的首選語言。javascript的一個變種ActionScript是Flash MX的編程語言。將來，javascript很可能成為新設備的編程語言，以及大型應用軟體中的宏語言。 與javascript相對照的是VBScript。盡管Microsoft的軟體對VBScript有良好的支持，但VBScript在未來的開發工作中很可能是一個糟糕的選擇。就是Microsoft也傾向於用javascript（或Microsoft自己的變種：JScript）寫客戶端程序。在選擇腳本語言時，請選擇javascript。 6. 正則表達式（Regular Expressions） 查尋關系資料庫可以用SQL，查詢XML可以用XPath和XQuery，查詢純文本文件則可以用正則表達式。例如，你可以用一個命令從一個HTML文件中查找並刪除所有的注釋。各種開發語言內置的一些簡單的文本查詢功能，如"IndexOf"函數或VB中經典的"InStr"函數或"Like"操作符，根本不能與正則表達式相提並論。現在，各種主要的開發語言都提供使用正則表達式的途徑。盡管正則表達式本身既難懂更難讀（是回到早期計算機時代的一種倒退），但它卻是一個功能強大而且未被充分利用的工具。
7. 設計模式 正像OOP通過把對象分類以簡化編程一樣，設計模式對一些普遍的對象之間的交互進行分類，並賦予一個恰當的名稱。OOP用得越多，設計模式就越有用。一些最常用的模式的名稱已經變成了軟體開發領域共同使用的術語，所以要跟上信息的主流，你就要對設計模式有相當的理解。
8. Flash MX 如果你需要在客戶端得到比HTML和CSS更多的圖形和更強的編程功能，Flash是你的答案。用Flash編程比開發Java applets或寫.NET代碼要快得多，也容易得多。 在最新版本 (MX) 中，Flash不僅僅是畫圖和製造動畫的工具，它已經成為一個編程功能強大的開發環境：能調用SOAP Web服務，也能調用遠端伺服器上的ColdFusion、Java或.NET程序。Flash無處不在。它的引擎存在於世界上大多數客戶端計算機，包括手持設備、置頂盒、甚至是新的書寫板電腦。所以使用Flash能大大擴展你的程序的應用范圍。
9. Linux/Windows 熟悉Linux。在一台舊機器或新機器上安裝Linux。下載圖形用戶界面，在其基礎上寫一些程序。安裝Apache，寫一個Web應用程序。這個世界不再僅僅是屬於Windows，這種趨勢可能還會持續下去。如果你是一名中堅的Linux開發人員，那就拋棄你對Windows的憎惡，看看你能否做一些Windows編程。Windows能繼續在台式電腦上稱王是有其原因的，這不僅僅是因為Microsoft控制了這個市場。 沒人知道你們公司會在什麼時候決定從Linux轉向Windows（或從Windows轉向Linux），或者你想跳到一家用另一種平台的公司，或者你想出了開發一個殺手軟體的好主意，所以你要爭取擁有在不同操作系統上的編程經驗。
10. SQL 盡管SQL不像本文討論的其它技術那樣新，而且SQL的重要性在未來10年內很可能降低，但它仍然是一項基本技能。很多開發人員還沒有掌握這門技術，或掌握得不夠，不足以有效率地使用它。不要依賴具有圖形用戶界面的SQL生成器替你做事情，你要自己手工地寫查詢命令，直到你熟悉基本的SQL語法為止。了解SQL不僅能幫助你日後學習XQuery，你還有可能馬上發現能簡化或改進目前項目的方法。 培養好奇心 最後，（對，我意識到這是第11門技術），好奇心是你最重要的技能。要去嘗試各種東西。新語言或新技術對你當前或將來的工作可能有用，也可能沒用，但並不是你所學的每一件事都是為了工作。不要害怕失敗，萬事開頭難，學新技術也是如此。大多數失敗是因為人們希望太快地學到太多的東西。要對每一點進步感到滿意，不要讓時間（或缺乏時間）妨礙你。相反，你要安排時間留心、研究、試驗新的開發技術和工具。 你可能永遠也沒有必要成為這些技術的專家，而且我的選擇可能根本不適合你的特殊情況，但通過培養好奇心，你將會發現你應該了解的東西。
㈥ 用什麼編程軟體最好
ProCAM是基於Windows下的二維沖加工系統，它用圖形化界面定義工藝路線，當零件所有加工路線被給定後，就可進行後置處理了，進而生成NC加工程序和刀具文件。
一、CAD中作零件圖
打開ProCAM2D軟體，就直接進入了CAD系統。在CAD中，先畫出要編程的零件圖形，這是CAD/CAM中軟體編程的第一步。對於已有的零件設計展開圖形，只需將圖形文件類型和格式轉換成CAD/CAM系統可接受的文件類型和1:1的比例，即可直接調用，進入下一步CAM系統中鋪模。
對於規則零件，如電氣安裝板等，CAD/CAM可同時切換進行，即邊畫圖邊鋪模，甚至有些不用在CAD中作圖，便可直接在CAM中用孔的中心坐標圖形化定義模具位置進行鋪模。CAD中畫好圖形後，不要進行CAD圖形排樣，排樣最好是在CAM中鋪好模具後將CAM模型作為整體進行排樣處理。
接下來，按CAM按鈕，系統便從CAD中進入CAM系統。進入CAM時，需要根據實際使用的數控機床，選擇後處理器（或稱控制系統），這一點至關重要，不能選錯。
二、CAM中鋪模、排樣
這一步，是CAD/CAM編程過程中的重點。數控沖編程，關鍵在於鋪模，即選擇適當的模具，圖形化地確定適當的沖裁工藝路線。鋪模有手動鋪模、自動鋪模及手動和自動相結合鋪模三種方式，也就是通常所說的手動編程、自動編程和半自動編程。
鋪模之前，我們首先根據零件的尺寸精度、規格大小及鋏鉗位置等來確定，是沖裁零件的整個內外輪廓，還是只沖部分內外輪廓，或不沖外輪廓。熟練後，這一點很快就可以確定了。其次，建立模具庫Tool Library，將常用的模具及其裝載方式設置成標准模具文件Tool Files（如Punch Tools轉塔模具清單文件）並保存起來，在實際工作中可省去重復定義常用模具的步驟。如以處理器名稱附上*.ptf 後綴保存模具文件，進入CAM系統打開相應的後處理控制系統時，該標准模具庫自動打開，即可直接調用模具。當然，也可以每加工一個零件直接在轉塔中定義模具。
1. 手動編程
編程員調用適當模具，手工沿CAD圖形內外輪廓插入模具沖裁路徑，CAM中系統允許手工插入單沖點、線形、弧形、圓形及窗口模具路徑等。
手動編程的關鍵是，確定模具沿工件輪廓線的內側還是外側走，即模具偏置補償(Tool Componsation)問題。確定偏移量( Offset )，通過沖裁方向定義模具插入實體的Right邊、Left邊還是Center，進行Right offset、Left offset、Center offset和End Compensation(終點補償)、No Compensation(無補償)、Reference Compensation(參照補償)等。
在沖裁鋪模時，要考慮沖裁工藝性和工件剛性強度來加沖工藝孔和選擇恰當沖裁順序，如先沖內部後沖外部、先沖小孔後沖大孔等。在沖裁復雜較大板材時，要調用較多模具，鑒於實際模具數量、規格大小、機床轉塔旋轉工位的限制，我們最好在鋪模前做好整體全局考慮，以免鋪模中途出現麻煩。對於加工超長板材，需重新定位沖裁的工件，手動鋪模時應考慮重新定位的位置。
2. 自動編程
進入CAM系統後，調用沖模適配命令(Toolfit)，系統可對轉塔文件和模具庫文件進行搜索，自動調用適當模具，自動計算沖加工順序，然後插入CAM實體進行自動鋪模來完成加工各種工件。這里關鍵是選擇恰當的Inside Toolfit (對內沖模適配)和Outside Toolfit (對外沖模適配)，讓系統能判別哪些實體組成工件的外部邊，而哪些實體組成工件的內部邊，以便讓系統確定哪些邊要加工。
自動編程重點是，設定正確的InforBar信息欄中的沖模適配參數及Punch parameters (沖壓參數)，如可使用沖模尺寸的最小或最大准許值、最優沖模寬度、最佳扁平度和最佳圓度、較優沖模尺寸、或最大過切參數、最小拱起值、Pitch ( 節距)等，當然可用預設( default )值，但不一定是最優化的。
自動適配時，干涉檢查(Interference Checking)和沖模步進(Step Tools)也很重要。干涉檢查，是指系統對模具適配實體進行檢查，看是否有過切。如有過切，將選用其他模具。如未找到合適模具，系統不對干涉部位進行沖模適配。沖模步進命令，對工件的每一實體一步步地沖模適配時，顯示用於該實體的幾種沖模和沖模軌跡選項，以便編程人員選擇最佳沖模適配。
3. 半自動編程
由於自動鋪模的局限性和其他一些理由，自動鋪模有時很難得到最佳沖模適配，我們可以結合運用手動鋪模和自動鋪模來完成工件CAM模型的圖形化定義，實現半自動編程。
在沖加工過程中，如果我們不想插入過多的M00暫停指令來取走工件或余料的話，這里有一個很重要的技巧——插入微聯接。微聯接有角微連接和單邊微連接兩種。角微連接用於定義兩邊連接處，即尖角處的微連接；單邊微連接定義實體(邊)單側的微聯接。由於微聯接僅能夠在端點處插入，所以可在CAD圖形作好後，在欲附加單邊微連接處打斷CAD中圖素，插入微連接。微連接的類型和尺寸可在CAD系統中用形狀函數(Shape)定義，然後使用Insert Point 命令在想設微連接的直線端點處插入合適的Micro Joint(微連接)。
4. CAM模型的排樣
為了提高生產效率和原材料利用率，減少不必要的材料浪費，對較小和沖加工中必須增設夾位的零件，我們可以利用系統中的鏡像、對稱、矩陣排列和拷貝等功能進行CAM模型的排樣、工件套工件處理(俗稱套料處理)。排樣沖裁形式可採取如圖1～圖3所示的幾種方式。
圖1 雙排單邊沖裁排樣
圖2 雙排雙邊沖裁排樣
套料、排樣處理好後，可進行系統的Set Information設置，包括板材的規格尺寸、夾鉗位置等。如果工件(工件組)在板材上的定位不正確，可使用Move命令，將工件移至板材恰當位置。夾位確定可在鋪模時進行，圖形化定義其位置，以便即時、直觀准確地了解夾鉗死區情況。
圖3 接邊沖裁排樣
三、 刀具軌跡優化處理
對於手動編程的單個加工(沒有排樣、套料的) 零件，手動鋪模同時，可以人工的優化、重定位和次序化等模具路徑處理，其他像自動、半自動編程和排料、套料後的沖裁加工，都要進行模具沖裁軌跡優化處理。包括優化(Optimization)、次序化(Order utility)或重定位(Reposition)等。
1. 優化處理
優化處理是優化CAM加工軌跡次序以減少沖壓時間或使沖點之間的距離最短和換刀次數最少。優化包括：柵格優化(Grid optimization)、單個視窗優化(Single window)、除雙優化(Remove Doubles )、避開夾鉗快速移動優化和沖模分類調整等。
2. 次序化
次序化是指調整刀具沖壓加工次序，包括：重定義次序( Reorder )、前移/後退( Before/After )等。
3. 重定位
重定位是對超出機床工作區的板材重新定位，以便對板材進行更多的沖壓加工。
四、 零件的後處理(Post Process)
刀具軌跡優化處理完後，便可進行自動化的後處理。後處理器將CAM模型中模具沖裁順序和操作信息創建為NC程序代碼，按下RUN運行，系統將生成兩個文件：NC程序文件及Setup Sheet (設置板材)文件，它們都是文本文件，可以使用Windows提供的文本編輯器進行讀寫、編輯和列印操作。
㈦ 國內的殺毒軟體都有什麼
東方微點
微點的技術特點
微點主動防禦軟體獲得五個重大技術創新
1、創立動態模擬反病毒專家系統：對病毒行為規律分析、歸納、總結，並結合反病毒專家判定病毒的經驗，提煉成病毒識別規則知識庫。模擬專家發現新病毒的機理，通過對各種程序動作的自動監視，自動分析程序動作之間的邏輯關系，綜合應用病毒識別規則知識，實現自動判定新病毒，達到主動防禦的目的。
2、自動准確判定新病毒：分布在操作系統的眾多探針，動態監視所運行程序調用各種應用編程介面（api）的動作，自動分析程序動作之間的邏輯關系，自動判定程序行為的合法性，實現自動診斷新病毒，明確報告診斷結論；有效克服當前安全技術大多依據單一動作，頻繁詢問是否允許修改注冊表或訪問網路，給用戶帶來困惑以及用戶因難以自行判斷，導致誤判、造成危害產生或正常程序無法運行的缺陷。
3、程序行為監控並舉：在全面監視程序運行的同時，自主分析程序行為，發現新病毒後，自動阻止病毒行為並終止病毒程序運行，自動清除病毒，並自動修復注冊表。
4、自動提取特徵值實現多重防護：在採用動態模擬技術的同時，有效克服特徵值掃描技術滯後於病毒出現的缺陷，發現新病毒後自動提取病毒特徵值，並自動更新本地未知特徵庫，實現「捕獲、分析、升級」自動化，有利於對此後同一個病毒攻擊的快速檢測，使用戶系統得到安全高效的多重防護。
5、可視化顯示監控信息：對所監控程序行為的信息可視化顯示，用戶可隨時了解計算機正在運行哪些程序，其中哪些是系統程序，哪些是應用程序，還可進一步了解程序是何時安裝，什麼時候運行，運行時是否修改了注冊表啟動項，是否生成新的程序文件，程序是否具有自啟動，程序由誰啟動執行，程序調用了哪些模塊，以及當前網路使用狀況等等。用戶直觀掌握系統運行狀態，並依據其分析系統安全性。既可用作系統分析工具，又可作為用戶了解計算機系統的學習工具。
主動防禦與反病毒軟體通用的病毒特徵值掃描技術的區別
微點主動防禦軟體開創了我國殺毒軟體」主動防禦」的先進理念，屬於防病毒軟體，但完全區別於目前市場上的防病毒軟體。
當前殺毒軟體多採用特徵值掃描技術，即由專業反病毒人員在反病毒公司對已可疑的程序進行人工分析研究，人工判斷該程序是否是病毒；如果該程序是病毒，由反病毒工程師人工提取該病毒的特徵碼，再通過升級的方式更新用戶計算機上殺毒軟體的病毒特徵庫，此時用戶計算機上的殺毒軟體才能判斷某個程序是病毒。也就是說，如果用戶不升級，用戶計算機上的殺毒軟體就不能防範新出現的病毒。這也就是防病毒公司始終強調用戶要實時升級的原因。可以這樣說，病毒總是出現在殺毒軟體更新病毒特徵碼之前的，因此，傳統的殺毒軟體對新病毒的防範始終滯後於病毒的出現。
微點主動防禦軟體建立了動態模擬反病毒專家系統，能夠自動准確判定新病毒，並且能夠自動提取特徵值，自動更新本地特徵值庫，實現對病毒的主動防禦。簡單來講，微點主動防禦軟體不是依賴於病毒特徵碼的判斷，是依靠動態模擬反病毒專家系統根據病毒程序運行的行為進行判定，就像一個專業反病毒人員人工判斷病毒一樣，但微點實現了程序的自動化；
微點主動防禦軟體與當前流行殺毒軟體的主要區別：微點主動防禦軟體依靠動態模擬反病毒專家系統的病毒識別規則知識庫自動准確判定新病毒，當前流行殺毒軟體依賴於專業反病毒人員手工判斷提取的病毒特徵碼。在防範新出現病毒的時間上，微點主動防禦軟體是實時發現新病毒，當前流行殺毒軟體需要等待防病毒公司更新病毒特徵碼後才能發現病毒。
已知與微點主動防禦軟體有沖突的安全產品
1、卡巴斯基(AVP)殺毒軟體v5.0.237 版
2、McAfee 殺毒軟體9.0以下的版本
3、Outpost Firewall
4、F－Secure Client 6.01 企業版
微點主動防禦軟體防火牆功能介紹
微點主動防禦軟體傳統防火牆規則包介紹
微點目前默認有五個規則包：
規則包一：開放網路，不對進出數據包做任何限制
規則包二：禁止網路，禁止任何數據包進出
規則包三：開放本機連接共享，適用於區域網內部用戶
規則包四：禁止本機連接共享，適用於區域網內部用戶
規則包五：適用於使用互聯網的用戶
雙擊規則包可以詳細查看規則包的具體規則
㈧ 為什麼編程界的名詞逼格都這么高
編程本來就是理工科範疇，要想學好編程，理解編程，要懂得很多數學，邏輯，演算法，這些東西都是學術性的東西，編程，學到後來就是把學術性理論性的東西應用到實際開發中，那你說，能不涉及到逼格很高的理論名詞嗎？
當然了，初級的時候，不會遇到很高逼格的名詞，但是即使不怎麼高，在別人聽來，仍然不明覺厲，比如：抽象，靜態，介面，回調，面向對象，面向介面，李氏代換，迪米特法則。。。。。。
㈨ 如何學好電腦
伴隨著新世紀鍾聲的敲響，我們真正跨進了以計算機為主要學習、工作、生活手段的信息時代。掌握計算機應用技術不僅是每個人的基本素質，也是今後謀生的重要技能。因此，不少人擔心"像我這種對計算機了解不多的人，會不會被淘汰"?他們非常關心怎樣才能學好計算機，從而為自己的前途和發展作準備。
說到學習哪些方面的計算機知識、怎樣學，來自方方面面的觀點真讓人眼花繚亂。有人認為計算機的發展這么快，目前所學的知識在若干年後會過時，應當學好計算機的基本操作，對於那些不斷變化的技術只要適當掌握，有時間再熟練掌握也不遲。還有人認為應該把計算機當作數學、語文那樣的一門學科來學習，系統地掌握各種基本原理和編程方法，從而成為像數學家、文學家那樣的計算機專家……五花八門的觀點不一而足。
為了解開無數學習者心中的疑問，本版新開辟了"怎樣學好電腦"欄目，首先請來了電腦教育領域的一流專家談談他們的高論，以後還將邀請這方面的專業人士來本欄目"坐堂"，當然，也歡迎對電腦學習有獨門秘技的各路英豪在我們的欄目中各顯奇招……來吧，來吧，讓所有愛電腦、學電腦的人相約在2002！
如何學好電腦
吳文虎：中國計算機學會普及委員會主任、國際信息奧林匹克中國隊總教練、清華大學計算機科學與技術系教授
多年實踐表明，學習"人類通用智力工具"，掌握有關計算機知識與技能會對提高學生的智力與能力，促其成長與成才大有益處。那麼，怎樣才能使學生學好計算機呢？首先要分析學習的對象，要討論學習的目標。對象不同方法不同，目標不同要求不同。計算機有如下六個獨特之點：
1、是最現代化、最先進的高科技產品；
2、是人人都可以拿來使用的通用智力工具；
3、不僅是可直接面對的機器，而且是可潛心進行研究探索的學科；
4、它不僅是可以讓人擺布，還能與人交流，給人忠告與建議；
5、如果將它連在網路上，它還能營造一種新的全球網路文化氛圍；
6、它發展速度極快，無論是硬體還是軟體，新東西層出不窮，讓人感到常學常新；
面對這種全新的科技成果及其所包容的學科，必須有獨特的行之有效的學習方法。
提倡自學
對初學者，老師引進門很重要，但以後就要靠自學。自學能力對於計算機學習尤為重要，原因就是計算機發展奇快，掌握了自學方法，具備了自學能力，才能應付計算機日新月異的發展形勢。有人說，"自學，談何容易！"我說別的學科自學可能較難，而計算機卻相對容易一些。為什麼這樣說呢？因為計算機越來越"平易近人"，讓人能夠看得見、摸得著。能夠讓人動的東西就好學，比如幾歲的娃娃就敢去開電視機和調台，能夠去控制VCD等，難道電視機和VCD機不是高科技產品嗎？計算機作為學習對象，理論知識和實踐環境是統一的，學習內容和進度自己可以掌握，自學當中有弄不懂的東西，大多可以通過上機加以解決。因此，我說它易於自學、便於自學。當然，有一本便於自學的指導書就更好了。
強調動手
算機這個學科實踐性特強，不動手是學不會的。計算機從誕生那天起就被人蒙上了神秘的面紗，許多專著像"天書"，讓初學者望而生畏。但是，很多小孩子為什麼能把計算機用得那麼好呢？竅門在哪兒呢？動手！一動手就會感到"原來如此"、"沒有什麼了不得"！這樣，就會越學越輕松、越學越有興趣。邊動手邊動腦是計算機學習的基本模式，可以自然而然地擯棄那種死記硬背、"紙上談兵"的學習模式，既動手又動腦，形成生動活潑的學習氛圍。動手，還能強化理論聯系實際的優良學風、培養實干精神。
注重應用
在學習計算機知識與技能的過程中，要想到"用"，"用"到自己的學習、工作和生活中。作為智力工具，作為人腦的延伸物，讓計算機幫助我們思維、論證、決策，以提高分析問題和解決問題的能力。參加信息學奧林匹克活動的孩子們為什麼能在國際大賽中摘取金牌，就是他們學以致用，在"用"中加深理解，把計算機變成了得心應手的工具。人們常說"熟能生巧"，泛指學用一般工具，對學用計算機這種智力工具，就不僅僅是"生巧"了，而且還"益智"，即有利於開發智力。計算機中濃縮著人類智慧的結晶，集成著現代人的思維方式和科學方法，通過人腦指揮電腦、電腦幫助人腦的過程，會使人越來越聰明，越來越能幹。在新世紀大智大勇，富有創造才能的人，一定是會使用電腦幫自己工作的人。
專家談「如何學好電腦」(中)
上網
計算機教育不僅僅是學科教育，更重要的是一種文化教育。目前，分布在五大洲的幾千萬台計算機已經聯到了互聯網上，形成了一種新的文化氛圍；會不會使用網路成為衡量現代人文化水準的一個新尺度。在網路文化氛圍中，獲取信息、處理信息、交流信息的能力十分重要，這也是現代人的一種基本能力，從某種意義上看，"網路就是計算機"。學習網路方面的知識與技能是十分重要的，誰不充分認識這件事的重要性，將來就會追悔莫及。另一方面，文化不等於文明，網路上存在著很多很有用的東西，但也有糟粕，怎樣區分有用的信息和無用的信息，識別香花與毒草的能力，也是現代人的一種基本能力。在上網這件事上，"因噎廢食"不可取，打點"預防針"卻是必要的。
計算機教育不僅僅是學科教育，更重要的是一種文化教育。目前，分布在五大洲的幾千萬台計算機已經聯到了互聯網上，形成了一種新的文化氛圍；會不會使用網路成為衡量現代人文化水準的一個新尺度。在網路文化氛圍中，獲取信息、處理信息、交流信息的能力十分重要，這也是現代人的一種基本能力，從某種意義上看，"網路就是計算機"。學習網路方面的知識與技能是十分重要的，誰不充分認識這件事的重要性，將來就會追悔莫及。另一方面，文化不等於文明，網路上存在著很多很有用的東西，但也有糟粕，怎樣區分有用的信息和無用的信息，識別香花與毒草的能力，也是現代人的一種基本能力。在上網這件事上，"因噎廢食"不可取，打點"預防針"卻是必要的。
劉瑞挺：全國高等院校計算機基礎教育研究會副理事長、天津南開大學計算機與系統科學系教授、《個人電腦》雜志社總編
"計算機普及要從娃娃抓起"已經成為一條公理。家長、教師、學校、社會都對孩子的電腦教育給予了極大的關懷。就在這時，少兒NIT出現了，而且，立刻引起社會的熱烈反響。教育部考試中心的咨詢電話整天不斷，已有28個省市自治區承辦。那麼，什麼是少兒NIT呢？
NIT是全國計算機應用技術證書考試的縮寫，現在要把它推廣到少年兒童中，所以稱為少兒NIT。小孩要這種證書有什麼用呢？也許還有人會火冒三丈："為什麼要用考試來摧殘幼小的心靈？"且慢，彈鋼琴不是也有考級嗎？沒有人說它在摧殘孩子。原因是這些孩子有音樂細胞，而且樂此不疲。如果，孩子並無音樂天賦，家長非罵即打地硬逼他彈琴，那就真是摧殘了。其實考試不等於就是應試教育，而且少兒NIT考試的"只記成功、不記失敗"更與摧殘毫不沾邊，它以上機培訓為主，一邊學一邊通過，乃是推動素質教育的利器。
大多數孩子都會喜歡電腦，這是由電腦的特性決定的。孩子的童心是好奇、好問、好學、好玩、好動、好鬥、好強、好勝，而電腦豐富多彩的軟體正好能滿足孩子多方面的渴望。把這些輔助智力工具盡快、盡早地交給孩子，他們會終生受益。只要孩子有一種愛好，就可以通過這一愛好讓他喜歡上電腦。愛好語文的可以用它寫文章，愛好算術的可以用它解題，愛好美術的可以用它繪畫，愛好音樂的可以用它作曲。他們可以通過不同的途徑喜歡上電腦。那麼，會不會有的孩子無論如何也不喜歡電腦呢？會的。但這又有什麼關系呢？這種孩子不會超過5%，恐怕需要特殊方式來關懷他們。
現在，少兒NIT已推出十個模塊：操作基礎、文字、表格、畫圖、上網、音樂、動畫、編程、多媒體、資料庫。每個模塊都由過程式培訓、作品設計、上機考試組成。凡獲得三個模塊證書者，可申請少兒NIT銅牌證書；獲得六個者，可申請銀牌證書；獲得十個者，可申請金牌證書。這些證書肯定能成為他們走向信息化、數字化的堅實台階，為他們成為新世紀的建設者奠定穩固的基礎。
隨著社會經濟的發展，人們正在改變著自己的觀點。有些領導說："如果放慢落後地區普及計算機的速度，就會加大與先進地區的差距，使教育更不公平"；有些家長說："我要和孩子一起學電腦"，"早買、晚買，需要就買。低檔、高檔，合用就行"；有些教師說："自古英雄出少年，電腦學得好、其他功課也學得好的孩子大有人在"。
新世紀的到來，會使電腦和網路成為我們生活中不可或缺的信息源泉。"海闊憑魚躍，天高任鳥飛"。中國孩子從小就在信息海洋中游弋的時代就要到來。
專家談「如何學好電腦」(下)
什麼年齡開始學電腦
呂品：全國中小學計算機教材審查委員、北京信息學奧林匹克學校副校長、北京西城區電教館計算機室主任
這是一個看似簡單、其實很復雜的問題。所謂簡單，即似乎只要用一個數字就可以回答：6歲、10歲或12歲。說它復雜，是因為這個"學"字可以有不同的理解和不同的層次。是學習電腦的技術還是學習專業知識？是學習操作還是學習應用？是僅僅和電腦交朋友還是要熟練地掌握？不同的層次、不同的要求就有不同的回答。對於絕大多數人來說，學習電腦不是為了成為一名計算機專家，而是為了應用。因此，我僅在這一學習層次內談談自己的看法。
學習電腦的特殊性
電腦是高科技的產品，它的內部結構、工作原理，硬體的製造技術極其復雜，是科學的象牙之塔。但是它的使用又是那麼方便、簡單，學習電腦的基本操作要比學開汽車，或學習一個學科知識容易得多。這是其他機器所根本不能相比的。現在一些所謂自動洗衣機、傻瓜相機等機器很容易使用，就是因為它們內部安裝了"微型電腦"的緣故。
由於學習電腦這種特殊性，因此學習電腦從初級到高級有多個層次。這與照相一樣，可以學慣用"傻瓜相機"一按就照的初級攝影，也可以學慣用專業相機、具備豐富專業知識的高級攝影。
從普及的角度講，可以有：與電腦交朋友、用電腦幫助學習、學習基本操作技能、學習電腦使用、學習電腦的應用、學習一些電腦基礎知識等幾個層次。
幼兒就可以"用電腦"
我國普及電腦知識已經有近20年了。積20年的工作經驗，不少人認為，從3歲半開始，就可以接觸電腦，"與電腦交朋友"。兒童從3歲～7歲為幼兒期；從生理上分析，這個階段幼兒的手的動作開始協調，可以按鍵和用滑鼠了，因此，也可以進行一些電腦的操作，在幾個幼兒園的實踐也證明了這些。
如：在北京的北海幼兒園、鐵道部幼兒園等都開展了電腦的活動。以上事實說明，學習電腦沒有年齡限制，只要有動手能力，就可以和電腦交朋友。
根據工作經驗，在幼兒中普及電腦，應注意以下幾點
一是在用電腦中學電腦即主要是把電腦作為一個開發幼兒智力的工具來使用。在使用中使幼兒喜歡電腦，願意和電腦交朋友，潛移默化地學到一些必要的電腦操作技能和知識。
二是游戲我國著名的教育家陳鶴琴曾說過："小孩子是好動的，是以游戲為生命的"。幼兒階段的主要活動是游戲，幼兒用電腦同樣也必須採用游戲的形式，才能取得好的效果。
三是為了保護幼兒身心健康特別是視力，在電腦前的持續時間最多不要超過15分鍾。
只要注意了以上幾點，電腦可以成為幼兒的"好朋友"。可以發展他們的智力和手腦並用的能力，並開發他們右腦功能。
想知道如何學好計算機嗎，今天就看看我的方法吧！
? 我是一個在大學還接觸計算機的人，在沒上大學之前，我就知道上網聊天罷了，說句心裡話 ，我就沒打算上大學，不是我媽的話，我不知道要落魄到什麼狀態，我會好好報答我媽的。
??其實計算機不是什麼神秘的東西，只要你去接觸他，在深深剝析，你自然就會知道很多關於計算機的秘密了，我大學是學計算機的，那你一定會問我你學計算機當然會在很多哦，其實我真的很自卑，我當是的同學大多是職高的，而我還有幾個是普高的，他們就比我們優秀，在普高這來說，我是最丟的，我好沒面子啊！所以我下定決心要跟上，我就用了下面的方法，不是每個人都實用哦：
1：多多看書，你要把書看成是你的親生父母，天天都要去看才行，然後還要依賴他，主要是沒他不行啊，你想想看，你不去看的話，那來的基礎啊，做什麼事都要有底子還行啊，跟我們成長是一個意思，反正是一步一步，慢慢來。
2：你要對計算機有興趣還行，不然你是不會去認真去研究他的，有興趣就好說了，比如我就是啦，多買買計算機雜志，當然少不了黑客雜志了，他可是我每月必買啊，那怕是窮的賣褲子！哎，生活逼人啊
3：就是最重要的一點了，去實踐，經常上網是件好事，但你一定要做有用的事才有價值，什麼用呢，就是把學的運用到你的身邊，這樣你還會感覺你學的是有用的，是不是啊。那麼你就會更深層的去學了。
4：看你自己了，計算機這東東可是深不可測的啊，你就必須跟上時代的步伐，怎麼跟我就不說了吧，你自己應該知道吧！引用宋祖英的一句話"走進了新時代"，我們做這行的就天天到新時代去，日子不好啊！
?好了，我就不說了，我還要去上課啊，知道什麼課嗎？嘿嘿，編程哦，是個好玩意，偶就走了，希望偶的這點字有用，拜！！
年輕人不看可惜了，如何學好計算機科學(轉載)
計算機科學與技術反思錄
計算機科學與技術這一門科學深深的吸引著我們這些同學們，上計算機系已經有近三年了，自己也做了一些思考,我一直認為計算機科學與技術這門專業，在本科階段是不可能切分成計算機科學和計算機技術的，因為計算機科學需要相當多的實踐，而實踐需要技術；每一個人(包括非計算機專業)，掌握簡單的計算機技術都很容易（包括程序設計），但計算機專業的優勢就在於，我們掌握許多其他專業並不「深究」的東西，例如，演算法，體系結構，等等。非計算機專業的人可以很容易地做一個晶元，寫一段程序，但他們做不出計算機專業能夠做出來的大型系統。今天我想專門談一談計算機科學，並將重點放在計算理論上。
計算機理論的一個核心問題——從數學談起：
記得當年大一入學，每周六課時高等數學，天天作業不斷(那時是六日工作制)。頗有些同學驚呼走錯了門:咱們這到底念的是什麼系？不錯，你沒走錯門，這就是計算機科學與技術系。我國計算機科學系裡的傳統是培養做學術研究，尤其是理論研究的人（方向不見得有問題，但是做得不是那麼盡如人意）。而計算機的理論研究，說到底了，如網路安全，圖形圖像學，視頻音頻處理，哪個方向都與數學有著很大的關系，雖然也許是正統數學家眼裡非主流的數學。這里我還想闡明我的一個觀點：我們都知道，數學是從實際生活當中抽象出來的理論，人們之所以要將實際抽象成理論，目的就在於想用抽象出來的理論去更好的指導實踐，有些數學研究工作者喜歡用一些現存的理論知識去推導若干條推論，殊不知其一：問題考慮不全很可能是個錯誤的推論，其二：他的推論在現實生活中找不到原型，不能指導實踐。嚴格的說，我並不是一個理想主義者，政治課上學的理論聯系實際一直是指導我學習科學文化知識的航標（至少我認為搞計算機科學與技術的應當本著這個方向）。
其實我們計算機系學數學光學高等數學是不夠的（典型的工科院校一般都開的是高等數學），我們應該像數學系一樣學一下數學分析（清華計算機系開的好像就是數學分析），數學分析這門科學，咱們學計算機的人對它有很復雜的感情。在於它是偏向於證明型的數學課程，這對我們培養良好的分析能力極有幫助。我的軟體工程學導師北工大數理學院的王儀華先生就曾經教導過我們，數學系的學生到軟體企業中大多作軟體設計與分析工作，而計算機系的學生做程序員的居多，原因就在於數學系的學生分析推理能力，從所受訓練的角度上要遠遠在我們之上。當年出現的怪現象是：計算機系學生的高中數學基礎在全校數一數二(希望沒有冒犯其它系的同學)，教學課時數也僅次於數學系，但學完之後的效果卻不盡如人意。難道都是學生不努力嗎，我看未見得，方向錯了也說不一定，其中原因何在，發人深思。
我個人的淺見是：計算機系的學生，對數學的要求固然跟數學系不同，跟物理類差別則更大。通常非數學專業的所謂「高等數學」，無非是把數學分析中較困難的理論部分刪去，強調套用公式計算而已。而對計算機系來說，數學分析里用處最大的恰恰是被刪去的理論部分。說得難聽一點，對計算機系學生而言，追求算來算去的所謂「工程數學」已經徹底地走進了誤區。記上一堆曲面積分的公式，難道就能算懂了數學？那倒不如現用現查，何必費事記呢？再不然直接用Mathematics或是Matalab好了。
我在系裡最愛做的事情就是給學弟學妹們推薦參考書。中文的數學分析書，一般都認為以北大張築生老師的「數學分析新講」為最好。萬一你的數學實在太好，那就去看菲赫金哥爾茨的「微積分學教程」好了--但我認為沒什麼必要，畢竟你不想轉到數學系去。吉米多維奇的「數學分析習題集」也基本上是計算型的東東。書的名氣很大，倒不見得適合我們，還是那句話，重要的是數學思想的建立，生活在信息社會里我們求的是高效，計算這玩意還是留給計算機吧。不過現在多用的似乎是復旦大學的《數學分析》也是很好的教材。
中國的所謂高等代數，就等於線性代數加上一點多項式理論。我以為這有好的一面，因為可以讓學生較早感覺到代數是一種結構，而非一堆矩陣翻來覆去。這里不得不提南京大學林成森，盛松柏兩位老師編的「高等代數」，感覺相當舒服。此書相當全面地包含了關於多項式和線性代數的基本初等結果，同時還提供了一些有用的又比較深刻的內容，如Sturm序列，Shermon-Morrison公式，廣義逆矩陣等等。可以說，作為本科生如能吃透此書，就可以算高手。國內較好的高等代數教材還有清華計算機系用的那本，清華出版社出版，書店裡多多，一看就知道。從抽象代數的觀點來看，高等代數里的結果不過是代數系統性質的一些例子而已。莫宗堅先生的《代數學》里，對此進行了深刻的討論。然而莫先生的書實在深得很，作為本科生恐怕難以接受，不妨等到自己以後成熟了一些再讀。
正如上面所論述的，計算機系的學生學習高等數學：知其然更要知其所以然。你學習的目的應該是：將抽象的理論再應用於實踐，不但要掌握題目的解題方法，更要掌握解題思想，對於定理的學習：不是簡單的應用，而是掌握證明過程即掌握定理的由來，訓練自己的推理能力。只有這樣才達到了學習這門科學的目的，同時也縮小了我們與數學系的同學之間思維上的差距。
概率論與數理統計這門課很重要，可惜大多數院校講授這門課都會少些東西。少了的東西現在看至少有隨機過程。到畢業還沒有聽說過Markov過程，此乃計算機系學生的恥辱。沒有隨機過程，你怎麼分析網路和分布式系統？怎麼設計隨機化演算法和協議？據說清華計算機系開有「隨機數學」，早就是必修課。另外，離散概率論對計算機系學生來說有特殊的重要性。而我們國家工程數學講的都是連續概率。現在，美國已經有些學校開設了單純的「離散概率論」課程，乾脆把連續概率刪去，把離散概率講深些。我們不一定要這么做，但應該更加強調離散概率是沒有疑問的。這個工作我看還是盡早的做為好。
計算方法學（有些學校也稱為數學分析學）是最後一門由數理學院給我們開的課。一般學生對這門課的重視程度有限，以為沒什麼用。不就是照套公式嘛！其實，做圖形圖像可離不開它，密碼學搞深了也離不開它。而且，在很多科學工程中的應用計算，都以數值的為主。這門課有兩個極端的講法：一個是古典的「數值分析」，完全講數學原理和演算法；另一個是現在日趨流行的「科學與工程計算」，乾脆教學生用軟體包編程。我個人認為，計算機系的學生一定要認識清楚我們計算機系的學生為什麼要學這門課，我是很偏向於學好理論後用計算機實現的，最好使用C語言或C++編程實現。向這個方向努力的書籍還是挺多的，這里推薦大家高等教育出版社（CHEP）和施普林格出版社(Springer)聯合出版的《計算方法（Computational Methods）》,華中理工大學數學系寫的（現華中科技大學），這方面華科大做的工作在國內應算是比較多的，而個人認為以這本最好，至少程序設計方面涉及了：任意數學函數的求值，方程求根，線性方程組求解，插值方法，數值積分，場微分方程數值求解。李慶揚的那本則理論性過強，與實際應用結合得不太緊。希望能幫到你，麻煩把我的選為最佳答案，謝謝！
㈩ 微信開發者工具微塔代碼怎麼做實名認證
摘要 您好，很榮幸為您解答，以下是我為您整理的答案——1、打開手機微信。