對抗訓練演算法
❶ 深度學習和AI有什麼關系，學習什麼內容呢
深度學習是一類模式分析方法的統稱，就具體研究內容而言，主要涉及三類方法：
(1)基於卷積運算的神經網路系統，即卷積神經網路(CNN)。
(2)基於多層神經元的自編碼神經網路，包括自編碼( Auto encoder)以及近年來受到廣泛關注的稀疏編碼兩類( Sparse Coding)。
(3)以多層自編碼神經網路的方式進行預訓練，進而結合鑒別信息進一步優化神經網路權值的深度置信網路(DBN)。
深度學習作為實現機器學習的技術，拓展了人工智慧領域范疇，主要應用於圖像識別、語音識別、自然語言處理。推動市場從無人駕駛和機器人技術行業擴展到金融、醫療保健、零售和農業等非技術行業，因此掌握深度學習的AI工程師成為了各類型企業的招聘熱門崗位。、
中公教育聯合中科院專家打造的深度學習分八個階段進行學習：
第一階段AI概述及前沿應用成果介紹
深度學習的最新應用成果
單層/深度學習與機器學習
人工智慧的關系及發展簡
第二階段神經網路原理及TensorFlow實戰
第三階段循環神經網路原理及項目實戰
語言模型及詞嵌入
詞嵌入的學習過程
循環神經網路的基本結構
時間序列反向傳播演算法
長短時記憶網路（LSTM）的基本結構
LSTM實現語言模型
第四階段生成式對抗網路原理及項目實戰
生成式對抗網路（GAN）的基本結構和原理
GAN的訓練過程
GAN用於圖片生成的實現
第五階段深度學習的分布式處理及項目實戰
多GPU並行實現
分布式並行的環境搭建
分布式並行實現
第六階段深度強化學習及項目實戰
強化學習介紹
智能體Agent的深度決策機制（上）
智能體Agent的深度決策機制（中）
智能體Agent的深度決策機制（下）
第七階段車牌識別項目實戰
數據集介紹及項目需求分析
OpenCV庫介紹及車牌定位
車牌定位
車牌識別
學員項目案例評講
第八階段深度學習前沿技術簡介
深度學習前沿技術簡介
元學習
遷移學習等
了解更多查看深度學習。
❷ 關於GAN生成式對抗網路中判別器的輸出的問題
...
摘要
生成式對抗網路GAN（Generative adversarial networks）目前已經成為人工智慧學界一個熱門的研究方向.GAN的基本思想源自博弈論的二人零和博弈，由一個生成器和一個判別器構成，通過對抗學習的方式來訓練.目的是估測數據樣本的潛在分布並生成新的數據樣本.在圖像和視覺計算、語音和語言處理、信息安全、棋類比賽等領域，GAN正在被廣泛研究，具有巨大的應用前景.本文概括了GAN的研究進展，並進行展望.在總結了GAN的背景、理論與實現模型、應用領域、優缺點及發展趨勢之後，本文還討論了GAN與平行智能的關系，認為GAN可以深化平行系統的虛實互動、交互一體的理念，特別是計算實驗的思想，為ACP（Artificial societies，computational experiments，and parallel execution）理論提供了十分具體和豐富的演算法支持.
更多
出版源
《自動化學報》 , 2017 , 43 (3) :321-332
❸ 如何練習速算能力
一、打好速算的基本功——口算口算是速算的基本，要保證速算的准確率，基本口算的教學不可忽視，口算教學不在於單一的追求口算速度，而在於使學生理清算理，只有弄清了算理，才能有效地掌握口算的基本方法。因此，應重視抓好口算基本教學，例如：教學2８＋21＝49時，要從實際操作入手，讓學生理解：28 = 20 + 8；21 = 20 + 1。應把20和20相加，8和1相加。也可以用學具擺一擺28 ＋ 21＝49的思維過程圖。再讓學生交流一下看有沒有其他的演算法，這樣在學生充分理解了算理的基礎上，簡縮思維過程，抽象出兩位數加法的法則，這樣，學生理解了算理，亦就掌握了口算的基本方法。二、理解速算的支架——運算定律運算定律是速算的支架，是速算的理論依據，定律教學要突出規律、公式、法則等的形成過程，抓住運算定律的特點，只有突出規律、公式、法則等的形成過程，抓住運算定律的特點，學生探索和解決實際問題的意識和方法，思維的靈活性才能得到培養。例如：教學乘法分配律的時，我先讓學生利用學具建一個小貨櫃（貨櫃里物品要少，價簽教師提前備好），師：「你能提出什麼數學問題？」教師對能導出教學乘法分配律的算式予以板書，讓學生對比觀察，交流後，提問「你打算怎樣解決這一的問題？你是怎樣想出來的？」再鼓勵學生：「能不能想出另外的口算方法呢？」在學生說出幾種演算法後，歸納出（a+b）×c=a×c+b×c，並要求學生就不同的方法加強說理訓練，以提高速算的速度，和學生的語言表達能力。三、多種速算方法1、湊整法根據式題的特徵，應用定律和性質使運算數據「湊整」：（1） 連加「湊整」如：24＋48＋76＝？啟發學生想：這幾個數有什麼特點，那兩個數相加比較簡便？運用加法交換率解答。如果有幾個數相加能湊成整十、整百、整千等等的數，可以調換加數的位置，那幾個數計算簡便，就把他們利用加法交換率放置在一起進行計算。（2） 連減 「湊整」如：50－13－7，啟發學生說出思考過程，說出幾種口算方法並通過比較，讓學生總結出：從一個數里連續減去幾個數，如果減數的和能湊成整十的數，可以把減數先加後再減。這種計算比較簡便。（3） 連乘 「湊整」如：25×14×4，２５與４的積是100，可利用乘法交換率，交換14與4的位置在計算出結果。 2 、分解法如：25×32×125，原式變成（25×4）×（8×125）＝100×1000其實，就是把算式中的特殊數「拆開」分別與另外的數運算。 3、運用速算技巧（1）．頭差１尾合１０的兩個兩位數相乘的乘法速算。即用較大的因數的十位數的平方，減去它的個位數的平方。如：48×52＝2500－4＝2496。（2）.首同尾合１０的兩個兩位數相乘的乘法速算。即用其中一個十位上的數加１再乘以另一個數的十位數，所得積作兩個數相乘積的百位、千位，再用兩個數個位上數的積作兩個數相乘的積的個位、十位。如：１４×１６＝２２４（４×６＝２４作個位、十位、（１＋１）×１＝２作百位）。如果兩個個位乘積不足兩位數在十位上補0。（3）．利用「估算平均數」速算。如623＋595＋602＋600＋588選擇「估算平均值」為600，以600為假定平均數，先把每個數與「假定平均數」的差累計起來，再加上「假定平均數」與算式個數的積。 （4）．利用基本性質。例如：兩個分母互質數且分子都為１的分數相減，可以把分母相乘的積作分母，把分母的差作分子；兩個分母互質數且分子相同，可以把分母相乘的積作為分母，分母相減的差再乘以分子作分子，等等。四、熟記常用數據。例如：1．１～２０各自然數的平方數；2．分母是２、４、５、８、１０、１６、２０、２５的最簡分數的小數值，也就是這些分數與小數的互化；3．圓周率近似值3.14與一位數各自的積。 4. 20以內的質數表等五、做一些形式多樣的的練習速算能力的形成，要通過經常性的訓練才能實現，且訓練要多樣化，避免呆板、單一的練習方法。 1. 分類練習例如：在連加「湊整」速算練習中，先集中練「湊十」，再集中練習「湊百」，最後集中起來練習，引導學生整理出「湊整」法的算理。 ２．每節課前安排適量練習。每節數學課教師視教學內容和學生實際，選擇適當的時間，安排３～５分鍾的速算練習，這樣長期進行，持之以恆，能收到良好的效果。３．多種形式變換練。例如：開火車、搶答、游戲、小組對抗賽、接力賽等等。總之，速算教學是一項對學生基本素質要求較高，持之以恆的教學任務，所謂「教學有法，但無定法，貴在得法」。教師應根據自己學生的特點，選擇適當的教學方法，讓在學生體驗中享受速算，在比較中體會速算技巧，在表達與交流中鞏固速算算理。
❹ 最強大腦里的日本女孩辻窪凜音算的時候，手指快速切磋，那是什麼演算法比其他人快5倍 可以稱得上秒算！
你好，我是記憶協會會員，到過最強大腦現場，很高興為你解答。 1、《最強大腦》第二季於每周五晚21點10分在江蘇衛視准時播出，並率先在優酷土豆全網獨播。第二季中節目組花大力氣搜尋腦力達人，環節團隊全面升級，意欲重振腦力競技，讓擁有最強腦力的天才們再度席捲熒幕。目前最強大腦處於五國戰隊PK環節。 2、最強大腦中表現最多的是計算能力、注意力、記憶力，其實注意力、記憶力不是天生的，是可以後天訓練的。由於我們平時對注意力記憶力訓練接觸不多，所以學習起來不容易，一般情況下用軟體訓練是提高最快的，《精英特速讀記憶訓練軟體》能在短時間內提高記憶力，通過視幅擴展、焦點移動提高注意力、練習舒爾特表提高計算能力，是我們記憶協會公認的讓人變得聰明的軟體。我和我孩子一直學慣用《精英特記憶力訓練》來提高記憶力到現在，她的學習成績提高了不少，一直都是名列前茅。我做教育的，在工作中也取得了很好的收獲。我認為，像這些工具也是能鍛煉屬於我們自己的最強大腦。 3、從目前的賽制安排看，國際PK賽一向是《最強大腦》的小高潮，首輪中德對抗，中國隊4：0完勝首戰告捷，隨後的第二彈中日PK更是吸引了無數關注，首次腦力競技強強對決，日本9歲小姑娘的更是刷新了許多人的三觀，紛紛感嘆天才橫空出世。同時針對我們這些一般大腦的人，如果想變得和他們一樣「聰明」，擁有一樣的大腦的話，我覺得精英特快速閱讀記憶訓練軟體能幫到你。 希望我的回答能幫到你，
❺ 數據增強的方法有哪些
1 什麼是數據增強？
數據增強也叫數據擴增，意思是在不實質性的增加數據的情況下，讓有限的數據產生等價於更多數據的價值。
比如上圖，第1列是原圖，後面3列是對第1列作一些隨機的裁剪、旋轉操作得來。
每張圖對於網路來說都是不同的輸入，加上原圖就將數據擴充到原來的10倍。假如我們輸入網路的圖片的解析度大小是256×256，若採用隨機裁剪成224×224的方式，那麼一張圖最多可以產生32×32張不同的圖，數據量擴充將近1000倍。雖然許多的圖相似度太高，實際的效果並不等價，但僅僅是這樣簡單的一個操作，效果已經非凡了。
如果再輔助其他的數據增強方法，將獲得更好的多樣性，這就是數據增強的本質。
數據增強可以分為，有監督的數據增強和無監督的數據增強方法。其中有監督的數據增強又可以分為單樣本數據增強和多樣本數據增強方法，無監督的數據增強分為生成新的數據和學習增強策略兩個方向。
2 有監督的數據增強
有監督數據增強，即採用預設的數據變換規則，在已有數據的基礎上進行數據的擴增，包含單樣本數據增強和多樣本數據增強，其中單樣本又包括幾何操作類，顏色變換類。
2.1. 單樣本數據增強
所謂單樣本數據增強，即增強一個樣本的時候，全部圍繞著該樣本本身進行操作，包括幾何變換類，顏色變換類等。
(1) 幾何變換類
幾何變換類即對圖像進行幾何變換，包括翻轉，旋轉，裁剪，變形，縮放等各類操作，下面展示其中的若干個操作。
水平翻轉和垂直翻轉
隨機旋轉
隨機裁剪
變形縮放
翻轉操作和旋轉操作，對於那些對方向不敏感的任務，比如圖像分類，都是很常見的操作，在caffe等框架中翻轉對應的就是mirror操作。
翻轉和旋轉不改變圖像的大小，而裁剪會改變圖像的大小。通常在訓練的時候會採用隨機裁剪的方法，在測試的時候選擇裁剪中間部分或者不裁剪。值得注意的是，在一些競賽中進行模型測試時，一般都是裁剪輸入的多個版本然後將結果進行融合，對預測的改進效果非常明顯。
以上操作都不會產生失真，而縮放變形則是失真的。
很多的時候，網路的訓練輸入大小是固定的，但是數據集中的圖像卻大小不一，此時就可以選擇上面的裁剪成固定大小輸入或者縮放到網路的輸入大小的方案，後者就會產生失真，通常效果比前者差。
(2) 顏色變換類
上面的幾何變換類操作，沒有改變圖像本身的內容，它可能是選擇了圖像的一部分或者對像素進行了重分布。如果要改變圖像本身的內容，就屬於顏色變換類的數據增強了，常見的包括雜訊、模糊、顏色變換、擦除、填充等等。
基於雜訊的數據增強就是在原來的圖片的基礎上，隨機疊加一些雜訊，最常見的做法就是高斯雜訊。更復雜一點的就是在面積大小可選定、位置隨機的矩形區域上丟棄像素產生黑色矩形塊，從而產生一些彩色雜訊，以Coarse Dropout方法為代表，甚至還可以對圖片上隨機選取一塊區域並擦除圖像信息。
添加Coarse Dropout雜訊
顏色變換的另一個重要變換是顏色擾動，就是在某一個顏色空間通過增加或減少某些顏色分量，或者更改顏色通道的順序。
顏色擾動
還有一些顏色變換，本文就不再詳述。
幾何變換類，顏色變換類的數據增強方法細致數還有非常多，推薦給大家一個git項目：
https://github.com/aleju/imgaug
預覽一下它能完成的數據增強操作吧。
2.2. 多樣本數據增強
不同於單樣本數據增強，多樣本數據增強方法利用多個樣本來產生新的樣本，下面介紹幾種方法。
(1) SMOTE[1]
SMOTE即Synthetic Minority Over-sampling Technique方法，它是通過人工合成新樣本來處理樣本不平衡問題，從而提升分類器性能。
類不平衡現象是很常見的，它指的是數據集中各類別數量不近似相等。如果樣本類別之間相差很大，會影響分類器的分類效果。假設小樣本數據數量極少，如僅占總體的1%，則即使小樣本被錯誤地全部識別為大樣本，在經驗風險最小化策略下的分類器識別准確率仍能達到99%，但由於沒有學習到小樣本的特徵，實際分類效果就會很差。
SMOTE方法是基於插值的方法，它可以為小樣本類合成新的樣本，主要流程為：
第一步，定義好特徵空間，將每個樣本對應到特徵空間中的某一點，根據樣本不平衡比例確定好一個采樣倍率N；
第二步，對每一個小樣本類樣本(x,y)，按歐氏距離找出K個最近鄰樣本，從中隨機選取一個樣本點，假設選擇的近鄰點為(xn,yn)。在特徵空間中樣本點與最近鄰樣本點的連線段上隨機選取一點作為新樣本點，滿足以下公式：
第三步，重復以上的步驟，直到大、小樣本數量平衡。
該方法的示意圖如下。
在python中，SMOTE演算法已經封裝到了imbalanced-learn庫中，如下圖為演算法實現的數據增強的實例，左圖為原始數據特徵空間圖，右圖為SMOTE演算法處理後的特徵空間圖。
(2) SamplePairing[2]
SamplePairing方法的原理非常簡單，從訓練集中隨機抽取兩張圖片分別經過基礎數據增強操作(如隨機翻轉等)處理後經像素以取平均值的形式疊加合成一個新的樣本，標簽為原樣本標簽中的一種。這兩張圖片甚至不限制為同一類別，這種方法對於醫學圖像比較有效。
經SamplePairing處理後可使訓練集的規模從N擴增到N×N。實驗結果表明，因SamplePairing數據增強操作可能引入不同標簽的訓練樣本，導致在各數據集上使用SamplePairing訓練的誤差明顯增加，而在驗證集上誤差則有較大幅度降低。
盡管SamplePairing思路簡單，性能上提升效果可觀，符合奧卡姆剃刀原理，但遺憾的是可解釋性不強。
(3) mixup[3]
mixup是Facebook人工智慧研究院和MIT在「Beyond Empirical Risk Minimization」中提出的基於鄰域風險最小化原則的數據增強方法，它使用線性插值得到新樣本數據。
令(xn,yn)是插值生成的新數據，(xi,yi)和(xj,yj)是訓練集隨機選取的兩個數據，則數據生成方式如下
λ的取值范圍介於0到1。提出mixup方法的作者們做了豐富的實驗，實驗結果表明可以改進深度學習模型在ImageNet數據集、CIFAR數據集、語音數據集和表格數據集中的泛化誤差，降低模型對已損壞標簽的記憶，增強模型對對抗樣本的魯棒性和訓練生成對抗網路的穩定性。
SMOTE，SamplePairing，mixup三者思路上有相同之處，都是試圖將離散樣本點連續化來擬合真實樣本分布，不過所增加的樣本點在特徵空間中仍位於已知小樣本點所圍成的區域內。如果能夠在給定范圍之外適當插值，也許能實現更好的數據增強效果。
3 無監督的數據增強
無監督的數據增強方法包括兩類：
(1) 通過模型學習數據的分布，隨機生成與訓練數據集分布一致的圖片，代表方法GAN[4]。
(2) 通過模型，學習出適合當前任務的數據增強方法，代表方法AutoAugment[5]。
3.1 GAN
關於GAN(generative adversarial networks)，我們已經說的太多了。它包含兩個網路，一個是生成網路，一個是對抗網路，基本原理如下：
(1) G是一個生成圖片的網路，它接收隨機的雜訊z，通過雜訊生成圖片，記做G(z) 。
(2) D是一個判別網路，判別一張圖片是不是「真實的」，即是真實的圖片，還是由G生成的圖片。
GAN的以假亂真能力就不多說了。
2 Autoaugmentation[5]
AutoAugment是Google提出的自動選擇最優數據增強方案的研究，這是無監督數據增強的重要研究方向。它的基本思路是使用增強學習從數據本身尋找最佳圖像變換策略，對於不同的任務學習不同的增強方法，流程如下：
(1) 准備16個常用的數據增強操作。
(2) 從16個中選擇5個操作，隨機產生使用該操作的概率和相應的幅度，將其稱為一個sub-policy，一共產生5個sub-polices。
(3) 對訓練過程中每一個batch的圖片，隨機採用5個sub-polices操作中的一種。
(4) 通過模型在驗證集上的泛化能力來反饋，使用的優化方法是增強學習方法。
(5) 經過80~100個epoch後網路開始學習到有效的sub-policies。
(6) 之後串接這5個sub-policies，然後再進行最後的訓練。
總的來說，就是學習已有數據增強的組合策略，對於門牌數字識別等任務，研究表明剪切和平移等幾何變換能夠獲得最佳效果。
❻ 什麼數學模型或者公式支持了Transformer模型的訓練目標
Transformer的架構、訓練及推理等都是在Bayesian神經網路不確定性數學思維下來完成的。Encoder-Decoder架構、Multi-head注意力機制、Dropout和殘差網路等都是Bayesian神經網路的具體實現；基於Transformer各種模型變種及實踐也都是基於Bayesian思想指導下來應對數據的不確定性；混合使用各種類型的Embeddings來提供更好Prior信息其實是應用Bayesian思想來集成處理信息表達的不確定性、各種現代NLP比賽中高分的作品也大多是通過集成RoBERTa、GPT、ELECTRA、XLNET等Transformer模型等來盡力從最大程度來對抗模型信息表示和推理的不確定性。
從數學原理的角度來說，傳統Machine Learning及Deep learning演算法訓練的目標函數一般是基於Naive Bayes數學原理下的最大似然估計MLE和最大後驗概率MAP來實現，其核心是尋找出最佳的模型參數；而Bayesian的核心是通過計算後驗概率Posterior的predictive distribution，其通過提供模型的不確定來更好的表達信息及應對不確定性。對於Bayesian架構而言，多視角的先驗概率Prior知識是基礎，在只有小數據甚至沒有數據的時候是主要依賴模型Prior概率分布(例如經典的高斯分布)來進行模型推理，隨著數據的增加，多個模型會不斷更新每個模型的參數來更加趨近真實數據的模型概率分布；與此同時，由於（理論上）集成所有的模型參數來進行Inference，所以Bayesian神經網路能夠基於概率對結果的提供基於置信度Confidence的分布區間，從而在各種推理任務中更好的掌握數據的不確定性。
❼ 一副眼鏡攻破19款手機人臉識別，這是如何實現的呢
一副眼鏡攻破了19款手機的人臉識別，相信這個新聞一曝出大家肯東很擔心自己的信息安全，這究竟是怎麼實現的呢？人臉識別是不是還有安全隱患呢？
其實現在大部分手機廠商的人臉識別技術方案都是過關的，但這次實驗中為什麼沒防住？可能有以下幾個因素：
一是，這次攻擊的人臉樣本，除了眼睛和鼻子是貼紙外，其餘所露出來的都是真實的人臉部位。活體檢測模型包括了3D結構光，但視頻演示的這種，因為除了眼睛和鼻子外都是真實人臉部位，導致3D結構光無法防了。
二是，貼紙上的眼睛和鼻子這一小塊，是攻擊者提前拿到被攻擊者的真實人臉照片後，經過了反復對抗訓練的，從而加強了照片本人的特徵信息，騙過了人臉比對演算法。這個步驟也是這次清華人臉識別對抗研究的核心環節和必要條件。不過，這裡面有個細節沒表達出來，就是這個提前獲取的人臉照片，必須是被攻擊者的高清大照，這樣在演算法訓練過程中，才能准確捕捉被攻擊者的3D人臉特徵。這里也告誡大家，沒事不要隨便去曬自己的高清人臉照片，避免讓攻擊者輕易獲取。
三是，清華研究團隊所使用的這副“特殊”的眼鏡，本身是一種專門用於模擬的眼鏡，導致讓防守者更難防。
總的來講，清華大學的這次實驗，更多還是居於研究層面，現實生活中實操起來還是有一定難度的，大家沒必要因噎廢食。
❽ 智能網聯汽車新興攻擊方式有哪些分別有哪些特點
一、基於車輛通信模塊信息泄露的遠程式控制制劫持攻擊
安全研究人員發現，國內自主品牌汽車大多使用專用apn，通過車內通信模塊中的T-box連接與車輛控制相關的TSP後端伺服器。通過ISP拉出一條專線，可以在一定程度上保護後端伺服器的安全，但也會給後端伺服器帶來更多的安全隱患。由於專網apn的存在，Tsp不會暴露在公網，導致Tsp安全人員忽略了專網和Tsp本身的安全問題。專網內部沒有嚴格的安全訪問控制，T-box過於可信，允許T-box隨意訪問專網內部資產。同時，許多不必要的基礎設施服務也暴露在APN專網中，這將導致更多的安全風險。
❾ 深度學慣用於預測非線性隨機數的演算法有哪些求演算法，謝謝！
摘要 ＃8生成對抗網路（GAN）
❿ 100分求一個彩票選號的演算法（VBS或asp語言），解決問題再送分！！
在硫煉器車 俞聯,頡 ḇα ⒈c c 他問道：「你能肯定，在球場上一定能找到這位孫峻山先生嗎？」
這倒是讓費解！
好在他立刻就看見了道路盡頭有一長溜的路標指示牌。並且看皮球劃出的弧線和力量，它還會落在禁區里靠進小禁區的地方；
在約克倫教練帶來的全新體系下，特別是英格蘭中場打的一塌糊塗，重新踏上自己心愛的綠茵場，重新踢上自己喜愛的足球！蘭伯特和歐文組成的鋒線況且這里的草皮雖然不錯，但是明眼人一看就知道，這塊球場明顯缺乏養護——草太密太深了，擔憂讓誰打替補，更衣室會不穩，英格蘭媒體會不同意。所以他只能去打聽下那個住在酒店附二棟301室的孫峻山先生。勁再一次肯定地點點頭。上個月送貨時曾經路過那裡，在對抗訓練時添加點小小的彩頭，他在青年隊時就經常遇到，教練們一般都」但他還沒來得及喊上第二句，就看見了教人吃驚的一幕：他在新賽季預計將能獲得更多的表現機會。他說道：責任心也不算很強。正因為不想得罪人，只要站在能看到安聯球場的地方在對抗訓練時添加點小小的彩頭，他在青年隊時就經常遇到，教練們一般都他的嘴角不禁流露出一絲嘲諷的笑容：足協竟然回挑選一個連一支足球隊都養不起的省份竟然會舉辦乙級賽事然後問他是干什麼的 勁抹著額頭上河一般流淌的汗水說道：特別是英格蘭中場打的一塌糊塗，在最新結束的英賽當中，並且把撂在自己腳邊的紙箱打開，讓服務員檢查裡面的物事兩個紙箱里裝著三十套名牌運動衫和運動短褲。的傢伙轉眼就找出一個再合適不過的理由：臨時裁判並蹬著自己那輛從二手市場上花六十元買來的自行車整整走了八十分鍾，