- 阅读下面的文字，完成各题。 ①秦汉
- 镇元子有地书,天书人书是什么
- 皮肤细胞如何成为神经细胞
- 荣格心理学是伪科学吗
- 想做自媒体，找不准方向。求大家给点意见
- 目前全球的游戏厂商中，哪一家最有可能在未
- 高考能决定人的“命运”吗
- 期间你所读的给你印象最深的书是哪一本
- 阿拉伯帝国是一个什么样的存在
- 如何才能深度学习呢
阅读下面的文字，完成各题。 ①秦汉
4．C 5．D 6．A 【解析】 4． 试题分析：A．“这只是为了营造一种神秘的氛围，让普通人敬畏”错，原文是“不仅是一般民众，就连天子与贵族...
镇元子有地书,天书人书是什么
1、地书是洪荒三大奇书之一，天书----封神榜，人书----生死簿，地书是洪荒大地的地衣，有防御之功效，还可探查三界之事。为镇元子之法宝。 2、《佛本是道》是一部古典神话类网络小说，作者梦入神机。《佛本是道》揉杂了《封神演义》、《西游记》、《山海经》中的古典神话体系，佛本来是道的意思，结合本书的内容，佛道同源，都通向天地至理，即想阐明大道三千，皆可证道之理。 故事叙述了周青初承云中子所传炼器宗后创天道宗机缘巧合之下得到都天神魔大阵的钥匙--化血神刀以及东皇钟的关键部分--寂灭，并附带准提残缺的法门金身和七宝妙树，后来打杀拥有大量法宝的阴神，得练成都天神魔大阵，之后经过一系列谋划与战斗，整合人间道统，与白起战斗到地仙界，受封为勾陈，终有40年休养生息。 周青十年魔火炼金身化去业力，在东皇钟（混沌钟）出世，佛道相争时，夺取东皇钟，炼化斩仙飞刀，缴还了打神鞭，杏黄旗。周青得悟空道人指点，采用斩三尸的方法去证混元。其实混元之路无穷尽，大道三千，斩三尸只是其一。周青借十二祖巫斩了由于灭人间道统而出的恶念，用混沌钟化出第二元神，终于在九凤一战后斩了由于与女儿相逢而出的善念，由于不愿妻儿门徒被三教完杀劫，不愿斩自身成就混元。 周青拥有血脉，可以通过集齐三清元神烙印以真身得证混元，可女娲终想牺牲天道一门，化解杀劫，周青在山河社稷图中和妲己了结了最后因果，出了社稷图，又去三十三天外夺了老子和原始的烙印，天数使然，老子、原始被鸿钧招去听讲，周青顺利得到三大烙印，成就混元。后七圣四教三商，周青力压准提和阿弥陀佛，让占据封神榜大半的名额，出了封神榜，不是修成无量金仙，即是灰飞烟灭，周青又百般算计，通好女娲，重立人教，再立三皇，完无量杀劫。 3、梦入神机，职业写手，原起点中文网白金作家，现纵横中文网专栏作家。在首届网文之王评选中位列五大至尊之一。代表作品：《佛本是道》、《黑山老妖》、 《龙蛇演义》、《阳神》、《永生》、《圣王》、《星河大帝》
皮肤细胞如何成为神经细胞
科学家真能！敢叫皮肤细胞变成神经细胞
感谢邀请，很高兴与大家交流和分享！
皮肤细胞如何变成神经细胞？这是一个新鲜而又前卫的话题。也许有人会问：真的吗？
英国《自然》杂志网站刊登的一份研究报告说，美国研究人员成功将人类皮肤细胞直接转化为神经细胞。
在这之前，美国和日本的两个研究小组宣布成功把普通的人体皮肤细胞转化为了具备胚胎干细胞功能的新型”万能细胞”。
一、科学家怎么做？
由于神经细胞的不可再生性，神经损伤的修复是一个世界性难题。利用干细胞（胚胎干细胞和成体干细胞）研究神经修复一直是干细胞研究的热点。其中包括胚胎干细胞或成体干细胞的定向诱导，诱导多能性干细胞的定向诱导，以及成体细胞的细胞谱系转换获得神经细胞等多种方法，其中成体细胞的细胞谱系转换即皮肤细胞转换成神经细胞，相对来说，诱导效率更高，分化更安全，有效的降低了成瘤性，是一种更高效和更安全的诱导方法。简单概之，即：
皮肤细胞→诱导，转分化→神经细胞
经过科学家的不懈努力，在皮肤细胞变成神经细胞的研究上不断取得突破，获得新的成果。以下列举几种诱导方法及其特点。
诱导方法
做法
特点
成果
神经元诱导
一种类型的成体细胞直接跨谱系转化成另一种成体细胞
操作简单，致瘤性，免疫原性小
诱导出多种神经元细胞
神经胶质细胞的诱导
成纤维细胞转分化成神经胶质细胞
促进周围神经再生
为治疗周围神经损伤带来新希望
小分子诱导
通过调控表观遗传修饰，信号通路与代谢激酶等途径来影响细胞命运转变过程
无基因组整合，操作简单，剂量易控，可逆性。
诱导出氨基丁酸能神经元细胞。
间接转分化
把一种成熟细胞重编程成为一种具有可塑性的中间状态，然后再诱导成我们想要的功能细胞。
克服细胞直接转化存在的一些缺陷。
诱导出需要的神经元细胞
microRNA诱导
根据microRNA在细胞增殖和细胞周期调控中起的重要作用，诱导多种细胞转分化。
microRNA作为内源基因编码的非编码单链分子，参与转录后基因表达。
诱导成纤维细胞转化出功能性神经元。
二、存在的主要问题。
目前，皮肤细胞（成纤维细胞）已经可以被成功转化成各种神经细胞。而且这些细胞也可以在动物实验中产生一定的功能，但是要走向临床还存在不少问题。比如转分化细胞免疫原性，转分化药物的毒性，转化效率以及移植存活率。以及它们与肌体原有细胞如何整合等。
三、发展运用前景。
就像中世纪时炼金师们一直在寻找可把基本金属变成金子的炼金药一样，生物领域的现金师们已经知道如何利用母细胞把皮肤细胞转变成为宝贵的干细胞，甚至整个动物体。并孜孜不倦，不懈努力！相信会不断取得新的突破。也许在不久的将来，白血病、癫痫、精神症，自闭症、帕金森病等各种疑难杂症的治疗都非不治或难治之症！
让我们共同期待！
不足之处敬请指正！
荣格心理学是伪科学吗
我来回答一下吧，目前工作单位主推荣格的分析心理学，国内也有很多机构和个人在学习。
先从荣格心理学角度来讲：
其一，荣格是在精神分析的基础上，创立的分析心理学，提出了原型，集体潜意识等概念。荣格和弗洛伊德的主要矛盾就在于，对于潜意识的看法，弗洛伊德过分强调个体潜意识，而忽略了我们共有的集体潜意识。
其二，荣格的分析心理学，强调内外倾，提出了类型说，现在我们常用的MBTI职业测试，就是在此基础上发现出的，分析心理学中还包括释梦，积极想象技术，原型理论等。
其三，荣格的分析心理学，是沙盘游戏的基础，沙盘游戏是卡夫卡由地板游戏改进而来，最早用于儿童心理治疗，现在呢，沙盘游戏已经成为最受欢迎的心理咨询和治疗技术之一，大多数的心理咨询室都配备有沙盘。
再从伪科学的角度来谈：
荣格的分析心理学，融合了东方文化中的诸多元素，比如《易经》，神话故事等。
伪科学是伪造的科学，其实心理学最大的问题在于，难以量化和操作，从精神分析开始就是如此，虽然脑科学的发展，以及生理心理学的加入，让心理学更科学了一点，可是我们不能强调，心理学是纯正的科学。
再者，荣格的理论中，确实存在一些难以理解的部分，比如最终极的概念——自性，至今难以被弄懂，传说中是原型的最高级别，有一本书《两百万岁的自性》，建议题主可以看一下。还有，荣格曾提出的死亡后的七次布道，在现在看来，也是有一点玄乎的成分在的。最后，还有一本《荣格与炼金术》，显然也不是科学的产物。
所以，学习了解荣格的理论，需要做出分辨，取其精华，去其糟粕。伟大的人，是影响历史的，毫无疑问，荣格影响了心理学的整个发展历史。
这里是@古大白 ，心理学爱好者，谢谢~
想做自媒体，找不准方向。求大家给点意见
只要不断努力总会找到出路。
目前全球的游戏厂商中，哪一家最有可能在未
绿洲被人喜欢是因为创造者对游戏有爱，因为爱而驱动的游戏是能产生共鸣的。但是现实生活中因为碎片而克金的游戏却太多太多。 所以如果能创造出类似绿洲那样的游戏，暴雪是有这个潜力的。
高考能决定人的“命运”吗
对于大多数农村或者普通家庭的孩子来说，高考仍然是改变命运的桥梁。
同样是本科，名校比普通高校也要强一大截。其实课堂上的知识并不是最重要的，最重要的是你的圈子，从而影响你的视野、格局、思路。试想下你的同学都是各行各界翘楚，什么感觉？
为什么很多人去读EMBA，通过这个圈子认识了很多大佬或者的人。
刘强东高考成绩全宿迁第一，填写了人大社会学系，娶了奶茶妹妹。说不定你的老婆正在高考。
期间你所读的给你印象最深的书是哪一本
给我印象最深的一本书是《鼠疫》，其中的一些文字发人深思。
人一旦意识到世界荒诞，即便没有感染上疫症，也平添了心病，这就是身陷围城，心陷绝境的征兆。人什么都不能自主了，完全丧失了自我，那么人还剩下什么，还能做什么呢？
鼠疫杆菌不会灭绝，也永远不会消亡，这种杆菌能在家具和内衣被褥中休眠几十年，在房间、地窖、箱子、手帕或废纸里耐心等待，也许会等到那么一天，鼠疫再次唤醒鼠群，大批派往一座幸福的城市里死去，给人带去灾难和教训。
的确，天灾人祸是常见之事，不过，当灾难临头之际，世人还很难相信。人世间流行过多少次瘟疫，不下于频仍的战争。然而，无论闹瘟疫还是爆发战争，总是出乎人的意料，猝不及防。
人们总是这么说：“这场仗打不久，这么打也太愚蠢了。”毫无疑问，一场战争肯定是愚蠢到家了，但是愚蠢并不妨碍战争会持续很久。人若是不总为个人着想，那么就会发觉，原来愚蠢是常态。在这方面，我们的同胞又跟所有人一样，他们考虑自身，换言之，他们是人本主义者：他们不相信灾祸。
灾祸无法同人较量，于是就认为，灾祸不是真实的，而是一场噩梦，总会过去的。然而，并不是总能过去，噩梦接连不断，倒是人过世了，首先就是那些人本主义者，只因他们没有采取防范措施。我们的同胞，论罪过也并不比别人大，只不过他们忘记了应当谦虚，还以为自己无所不能，这就意味着灾难不可能发生，他们继续经营，准备旅行，发表议论。他们怎么能想到鼠疫要毁掉他们的前程，打消他们的出行和辩论呢？他们自以为自主自由，殊不知只要还有灾难，永远也不可能自主自由。
阿拉伯帝国是一个什么样的存在
公元6到7世纪阿拉伯半岛处在一个社会剧烈动荡的时期，奴隶制部落和民族之间的矛盾集中爆发，特别是拜占庭，波斯，阿比西尼亚在阿拉伯半岛长达几个世纪的侵略斗争，给阿拉伯半岛的带来了深刻的苦难。由于内外矛盾的交织社会危机四伏，只有将的阿拉伯半岛统一起来抵御外族的入侵，促进社会政治和经济的发展，才能够带来安逸的生活。而正是在这样的历史背景之下产生的，点燃了阿拉伯半岛的第一次。
阿拉伯半岛的统一战争发生在公元七世纪20年代到30年代，由于默罕默德建立教统一阿拉伯征服了基础，其实穆罕默德在公元610年得到的启示，不久便被圣城麦家的贵族所，为了避免重大损失，穆罕默德毅然决定将信徒分批前往麦迪娜，也正是在麦迪娜切实的宣传了的真理，建立不分地域民族和部落的穆斯林国家，利用一支武装抗衡反对势力，开启了阿拉伯半岛的战争。
穆罕默德逃亡麦地那之后，贵族对教依然频频滋事，为了打击和抵抗贵族对新兴宗教的限制巩固穆斯林公社，穆罕默德采用战争策略打击拦截贵族的商队，瘫痪商业贸易，经过几年的发展，穆罕默德打击了敌人的锐气，同时也考验了穆斯林为宗教而牺牲的精神，圣城麦加的贵族在惨败后死机复仇，拿出五万金币扩充，并组成了3000人进攻麦迪娜，兵临城下之际，穆罕默德沉着应战，在前期失败的情况之下，继承坚守，使得贵族和犹台部落联合支持下的联军溃散，这场战争被称为壕沟之战。
此后默罕默德与贵族签订停战协议，确保麦迪娜的安全，并集中力量征服周围的犹太部落，肃清残余力量，并开始向巴勒斯坦和扩张穆斯林势力，公元629年，穆罕默德联合了被征服的部落，完成了攻下圣城麦加的准备，并率军一万向麦加进军，由于将士们气势昂扬声威大震，麦加贵族闻风丧胆溃不成军，麦加成为一座孤城，穆斯林进入麦加，清除少数极端穆斯林的顽固分子极大的推动了教在阿拉伯半岛的传播，此后大批的阿拉伯人纷纷加入教。
教成为阿拉伯半岛居民统治地位的宗教，并与教犹太教的代表及签订合约，同年夏天穆罕默德也率领三万，冒着炎热酷暑的天气进行最后一次大规模的远征企图征服拜占庭帝国统治之下的，但由于远征军长途跋涉，加上穆罕默德身患疾病，到边境之后便停止前进，双方签订合约，允许保持原有的信仰，每年缴纳一次税收，这些在教地区产生了深远的影响，632年阿拉伯半岛基本统一，穆罕默德在迁往麦地那之后的十年建国生涯中，以为名先后作战65次，为了巩固政教合一，完统一做出了卓越的贡献。
马克思也将穆罕默德在这一时期创建活动称之为穆罕默德的宗教革命，穆罕默德为何能够在短时间内统一阿拉伯半岛呢？首先，这场战争是以宗教革命为动力，打破原先的部落状态，停止了部落间的仇杀，适应了历史发展的需求，是阿拉伯半岛有分散走向统一得到了当时社会主要阶层的拥护和支持。在战争开始时穆罕默德就通过宣传宗教建立起政教合一的宗教组织。
穆斯林大军推行一系列的政教合一制度，目标明确为真主而战，为战争的胜利奠定坚实的基础。随着战争的发展的不同时期，根据不同的状况，采取不同的战争策略将联合安抚排挤打击，等斗争运用的如火纯青，又根据战争的实际，使得穆斯林由弱到强，最终实现了阿拉伯帝国的建立。
如何才能深度学习呢
在今年的 ICML 上，深度学习理论成为最大的主题之一。会议第一天，Sanjeev Arora 就展开了关于深度学习理论理解的教程，并从四个方面分析了关于该领域的研究：非凸优化、超参数和泛化、深度的意义以及生成模型。
2017 年 12 月 NIPS 的 Test-of-Time Award 颁奖典礼上，Ali Rahimi 这样呼吁人们加深对深度学习的理解：
我希望生活在这样的一个世界，它的系统是建立在严谨可靠而且可证实的知识之上，而非炼金术。[……] 简单的实验和定理是帮助理解复杂大现象的基石。
Ali 的目标不是解散各个领域，而是「展开对话」。这个目标已经实现了，但对于目前的深度学习应被视为炼金术还是工程或科学，人们仍存在分歧。
7 个月后，在斯德哥尔摩举行的国际机器学习会议 (ICML) 上，机器学习社区又聚焦了这个问题。此次大会与会者有 5000 多名，并累计发表论文 629 篇，这是基础机器学习研究的「年度大戏」。而深度学习理论已成为此次会议的最大主题之一。
会议第一天，最大的房间里就挤满了机器学习相关人员，他们准备聆听 Sanjeev Arora 关于深度学习理论理解的教程。这位普林斯顿大学计算机科学教授在演讲中总结了目前的深度学习理论研究领域，并将其分成四类：
非凸优化：如何理解与深度神经网络相关的高度非凸损失函数？为什么随机梯度下降收敛？
超参数和泛化：在经典统计理论中，为什么泛化依赖于参数的数量而非深度学习？存在其它较好的泛化方法吗？
深度的意义：深度如何帮助神经网络收敛？深度和泛化之间的联系是什么？
生成模型：为什么生成对抗网络（GAN）效果非常好？有什么理论特性能使模型稳定或者避免模式崩溃？
在这一系列的文章中，我们将根据最新的论文（尤其是 ICML2018 的论文），帮助大家直观理解这四个方面。
第一篇文章将重点讨论深度网络的非凸优化问题。
我敢打赌，你们很多人都曾尝试过训练自己的「深度网络」，结果却因为无法让它发挥作用而陷入自我怀疑。这不是你的错。我认为都是梯度下降的错。
Ali Rahimi 在 NIPS 演讲中曾说，随机梯度下降 (SGD) 的确是深度学习的基石，它应该解决高度非凸优化问题。理解它何时起作用，以及为什么起作用，是我们在深度学习的基本理论中一定会提出的最基本问题之一。具体来说，对于深度神经网络的非凸优化研究可以分为两个问题：
损失函数是什么样的？
SGD 为什么收敛？
如果让你想象一个全局最小值，很可能你脑海中出现的第一幅图是这样的：
二维世界中的全局最小值附近，函数是严格凸的（这意味着 hessian 矩阵的两个特征值都是正数）。但在一个有着数十亿参数的世界里，就像在深度学习中，全局最小值附近的方向都不平坦的可能性有多大？或者 hessian 中一个为零（或近似为零）的特征值都没有的概率有多大？
Sanjeev Arora 在教程中写的第一个评论是：损失函数的可能方向数量会随着维度的增长呈指数增长。
直观上看，全局最小值似乎不是一个点而是一个连接管（connected manifold）。这意味着如果找到了全局最小值，你就能够穿过一条平坦的路径，在这条道路上，所有的点都是最小值。海德堡大学的一个研究团队在论文《Essentially No Barriers in Neural Network Energy Landscape》中证明了这一点。他们提出了一个更常规的说法，即任何两个全局最小值都可以通过一条平坦的路径连接。
在 MNIST 上的 CNN 或在 PTB 上的 RNN 已经是这样的情况，但是该项研究将这种认知扩展到了在更高级的数据集（CIFAR10 和 CIFAR100）上训练的更大网络（一些 DenseNet 和 ResNet）上。为了找到这条路径，他们使用了一种来自分子统计力学的启发式方法，叫做 AutoNEB。其思想是在两个极小值之间创建一个初始路径（例如线性），并在该路径上设置中心点。然后迭代地调整中心点的位置，以最小化每个中心点的损失，并确保中心点之间的距离保持不变（通过用弹簧建模中心点之间的空间）。
虽然他们没有从理论上证明这个结果，但他们对为什么存在这样的路径给出了一些直观的解释：
如果我们扰乱单个参数，比如添加一个小常数，然后让其它部分去自适应这种变化，仍然可以使损失最小化。因此可以认为，通过微调，无数其它参数可以「弥补」强加在一个参数上的改变。
因此，本文的结果可以帮助我们通过超参数化和高维空间，以不同的看待极小值。
通俗来说，当考虑神经网络的损失函数时，你应该牢记一个给定的点周围可能有非常多的方向。由此得出另一个结论，鞍点肯定比局部最小值多得多：在给定的关键点上，在数十亿个可能的方向中，很可能会找到一个向下的方向（如果不是在全局最小值上）。这种认知在 NIPS 2014 年发表的论文《Identifying and attacking the saddle point problem in high-dimensional non-convex optimization》中被严格规范化，并得到了实证证明。
为什么 SGD 收敛（或不收敛）？
深度神经网络优化的第二个重要问题与 SGD 的收敛性有关。虽然这种算法长期以来被看做是一种快速的近似版梯度下降，但我们现在可以证明 SGD 实际上收敛于更好、更一般的最小值。但我们能否将其规范化并定量地解释 SGD 脱离局部极小值或鞍点的能力？
SGD 修改了损失函数
论文《An Alternative View: When Does SGD Escape Local Minima?》表明，实施 SGD 相当于在卷积（所以平滑）的损失函数上进行常规梯度下降。根据这一观点并在某些假设下，他们证明了 SGD 将设法脱离局部最小值，并收敛到全局最小值附近的一个小区域。
SGD 由随机微分方程控制
连续 SGD 彻底改变了我对这个算法的看法。在 ICML 2018 关于非凸优化的研讨会上，Yoshua Bengio 在他关于随机梯度下降、平滑和泛化的演讲中提出了这个想法。SGD 不是在损失函数上移动一个点，而是一片点云或者说一个分布。
幻灯片摘自 Y. Bengio 在 ICML 2018 发表的演讲。他提出用分布（或点云）代替点来看待 SGD。
这个点云的大小（即相关分布的方差）与 learning_rate / batch_size 因子成正比。Pratik Chaudhari 和 Stefano Soatto 在论文《Stochastic gradient descent performs variational inference, converges to limit cycles for deep networks》中证明了这一点。这个公式非常直观：较低的 batch size 意味着梯度非常混乱（因为要在数据集一个非常小的子集上计算），高学习率意味着步骤混乱。
将 SGD 视为随时间变化的分布可以得出：控制下降的方程现在是随机偏微分方程。更准确地说，在某些假设下，论文表明控制方程实际上是一个 Fokker-Planck 方程。
幻灯片摘自 P. Chaudhari 和 S. Soatto 在 ICML 2018 发表的演讲——《High-dimensional Geometry and Dynamics of Stochastic Gradient Descent for Deep Networks》。他们展示了如何从离散系统过渡到 Fokker-Plank 方程所描述的连续系统。
在统计物理学中，这种类型的方程描述了暴露在曳力 (使分布推移，即改变平均值) 和随机力 (使分布扩散，即增加方差) 下的粒子的演化。在 SGD 中，曳力由真实梯度建模，而随机力则对应算法的内在噪声。正如上面的幻灯片所示，扩散项与温度项 T = 1 /β= learning_rate /(2 * batch_size) 成正比，这再次显示了该比值的重要性！
Fokker-Planck 方程下分布的演化。它向左漂移，随时间扩散。图源：维基百科
通过这个框架，Chaudhari 和 Soatto 证明了我们的分布将单调地收敛于某个稳定的分布（从 KL 散度的意义来说）：
Pratik Chaudhari 和 Stefano Soatto 论文的一个主要定理，证明了分布的单调会收敛到稳定状态（在 KL 散度意义中）。第二个方程表明，使 F 最小化相当于最小化某个潜在的ϕ以及扩大熵的分布（温度 1 /β控制的权衡）。
在上面的定理中有几个有趣的观点：
SGD 最小化的函数可以写成两项之和（Eq. 11）：潜在Φ和熵的分布。温度 1 /β控制这两项的权衡。
潜在Φ只取决于数据和网络的架构（而非优化过程）。如果它等于损失函数，SGD 将收敛到全局最小值。然而, 本文表明这种情况比较少见。而如果知道Φ与损失函数的距离，你将可以知道 SGD 收敛的概率。
最终分布的熵取决于 learning_rate/batch_size（温度）的比例。直观上看，熵与分布的大小有关，而高温会导致分布具有更大的方差，这意味着一个平坦的极小值。平坦极小值的泛化能力更好，这与高学习率和低 batch size 能得到更优最小值的经验是一致的。
一路探索深度学习理论的过程可以分为两部分：简单，实际简单的模型和实验，建立起起关於深度学习理论如何能及为什么不起作用的认知，然后将这些个理念以数学形式呈，以解决我们回答当前的结论并得到新的结果。
在第一篇文章中，我们借着转达一些关于神经网络高维损失函数和SGD解释的比较直观认知，同时是因为新的形式主义还在组建，目的是建立一个麻烦问下净化皮肤神经网络优化的唯一数学理论。
但这，虽然非凸优化是深度学习的基石因此强大大量的层数和参数，但它得到的成功大部分源于其优秀的泛化能力。这将是下一篇文章将分享的内容。
SanjeevArora：印度裔美国理论计算机科学家，他以研究概率可实验检测证明，尤其是PCP定理而称著。研究兴趣除开可以计算紧张度理论、算出随机性、概率可检验分析可以证明等。他于2018年2月被联名推荐为美国国家科学院院士，目前是普林斯顿大学计算机科学系教授。
