Posts

30岁之前存够100万，35岁之前存够一千万，做自己觉得有意义的事，事了拂尘去，深藏功与名，早日参透，早日解脱。

实践智慧源于对比，没有失败的参照，成功的原理便无法显现。trade-off或者说匹配不是先验的真理，而是后验的领悟，它只在具体的试错中获得重量。知识的有效性是情境性的，归纳偏置的正确性随数据分布而转移，不存在超越具体语境的绝对答案。简化是理解的本质，但关键在于判定点——在哪里切断复杂性，这本身就是一种需要练习的判断力。 怀疑与行动并不矛盾，真正的怀疑是带着问题去验证，而非停留在否定的姿态。但验证本身预设了框架：什么是证据，什么是标准，这些选择先于实验，构成我们称之为"实事求是"的底层结构。诚实的含义因此扩展：不仅是对现象的忠实，也是对自身认知前提的觉察。 框架之上并非另一个框架，而是框架与无框架之间的运动本身。纯粹的开放性不可持续，人必须在立场与反思之间 oscillate。超越的时刻让我们看见边界，回归的时刻让我们继续工作，智慧在于维持这两极之间的张力，而非消解它。 科学方法的有效性依赖于它无法证明的假设，这是认知的悖论性基础。我们总是在某种预设中思考，意识到这一点，并在必要时切换预设，构成了所谓的元认知能力。这种能力比任何具体结论都更根本，因为它决定了我们如何生成结论。 从意识到行动，从理论到实践，这个转化本身不可完全言传，它需要在具体情境中反复演练。最终，在框架之上存在的，不是静态的答案，而是持续的动态关系——一种永远进行的舞蹈。

思考一个问题的时候，我们往往会被表面的复杂性迷惑，以为越精巧的设计就越能解决复杂问题，但我的实验恰恰揭示了相反的道理，那些看似简单的选择背后其实蕴含着对问题本质更深刻的理解，这就是归纳偏置的真正含义，它不是教科书上的抽象概念，而是每一个设计决策背后那个关于世界如何运作的假设，当你选择U-Net的时候，你实际上是在说医学影像的特征是局部的、分层的、边缘清晰的，这个假设与T1映射合成的任务完美契合，因为你需要从Dixon加权图像中恢复出每一个精确的像素值，任何长距离的依赖或者全局的语义理解在这个任务上都是多余的，甚至是干扰，而当你尝试SwinIR的时候，你引入了一个完全不同的假设，即图像中存在需要被捕捉的全局依赖关系，这个假设在ImageNet的分类任务中可能是成立的，因为识别一只猫确实需要理解整个图像的上下文，但在我的任务中，一个像素的T1值主要由它周围的局部邻域决定，与图像另一端的像素几乎没有关系，于是SwinIR的注意力机制不仅浪费计算资源，还引入了不必要的复杂度，导致优化困难，同样的逻辑适用于ConvNeXt，它的设计假设是ImageNet上学习到的特征可以迁移到新的任务，但医学影像与自然图像在统计特性上有着本质的不同，前者的对比度、纹理、噪声特性都与后者迥异，于是迁移学习的前提就不成立，你实际上是在强迫模型忽略它已经学到的知识，同时用有限的数据重新学习一套完全不同的特征表示，这解释了为什么ConvNeXt的表现甚至不如随机初始化，至于Gated U-Net，它的假设是信息流动需要被显式地控制，门控机制能够选择性地传递重要特征，这个假设本身并非错误，但它需要足够的数据来学习门控的权重，在五千四百张切片上，模型其实没有足够的机会学会何时开门何时关门，于是复杂的门控反而成为了梯度传播的障碍，让训练变得不稳定，这些失败案例共同指向一个核心洞察，归纳偏置不是越新越好，也不是越复杂越好，而是越匹配越好，U-Net之所以成功，不是因为它简单，而是因为它对医学影像的假设是正确的，跳跃连接保留了边缘细节，编码器-解码器结构实现了多尺度的特征提取，卷积操作天然地关注局部邻域，这三层假设与你的任务需求层层对应，形成了一个紧密契合的解决方案，更深层的思考是，归纳偏置实际上是在数据与知识之间做权衡，当你拥有大量的数据时，你可以承担较弱的归纳偏置，让数据自己说话，神经网络变成一个通用的函数逼近器，但在数据稀缺的领域如医学影像，你必须把更多的先验知识编码进模型架构中，用强归纳偏置来约束搜索空间，降低对数据量的需求，这就是为什么同样的U-Net在ImageNet上可能表现平平，但在我的任务上却击败了所有竞争对手，它的归纳偏置恰好填补了数据的不足，提供了一个恰到好处的先验框架，让我的五千四百张切片数据能够有效地训练出一个可靠的模型，这种对归纳偏置的深刻理解应该指导未来的所有实验，不是一定要去追逐最新的架构，而是去分析任务的内在结构，去理解什么样的假设是合理的，然后选择或设计最匹配这些假设的工具，简单不是目的，匹配才是。

书籍信息 书名：《期货市场入门》 编著：中国期货业协会 出版社：中国财政经济出版社 出版年份：2006年 这是一本面向期货投资者的入门手册，系统介绍了期货市场的基本概念、运作机制、市场参与者以及功能作用。 一、期货市场的交易对象：标准合约 从现货交易到期货交易的演进 现货现金交易是最古老的交易方式，一手交钱一手交货，适合零售但难以满足大规模批发需求。 现货合同交易解决了批量交易问题，但存在明显缺陷： 合同条款非标准化，谈判成本高 信用风险大，担心对方违约 标准合约的核心特征 期货交易所通过标准合约解决了上述问题： 合约要素 说明 商品质量 由交易所统一规定（如国标GB/T467—1997标准阴极铜） 交易单位 固定（如上海期货交易所铜合约为5吨/张） 交割日期 指定合约月份的固定日期 交割地点 交易所指定交割仓库 价格 唯一可谈判的要素，由市场竞价形成 交易所的风险控制机制 保证金制度：交易者需缴纳一定比例的保证金（如5%），作为履约担保 涨跌停板：限制单日价格波动幅度，防止极端行情 逐日清算（Mark-to-Market）：每日结算盈亏，及时释放风险 二、期货交易基本术语 头寸相关 多头（Long）：买进期货合约者，看涨 空头（Short）：卖出期货合约者，看跌 开仓：新建头寸（无论买或卖） 持仓：持有未平仓合约 平仓：了结持仓的反向交易 与股票交易的关键区别 维度 期货 股票 做空机制 ✅ 可先卖后买（双程交易） ❌ 只能先买后卖 到期日 有固定到期日 理论上永久 持仓量 动态变化 相对恒定 保证金 杠杆交易（通常5-10%） 全额资金 交易制度 T+0 T+1 手续费 约合约价值的千分之一 相对较高 保证金与风险控制 追加保证金：当账户权益低于持仓保证金时，需补足差额。 强制平仓：若未及时追加保证金，经纪公司有权强制平仓部分或全部持仓。 三、期货市场的组成 期货市场可分为四个层次： ┌─────────────────────────────────────┐ │ 监管层（证监会、期货业协会） │ ├─────────────────────────────────────┤ │ 相关服务层（信息公司、交割仓库、结算银行） │ ├─────────────────────────────────────┤ │ 核心服务层（期货交易所、期货经纪公司） │ ├─────────────────────────────────────┤ │ 客户层（交易者） │ └─────────────────────────────────────┘ 中国三大商品交易所 上海期货交易所：金属期货（铜、铝、锌等） 大连商品交易所：农产品期货（大豆、玉米等） 郑州商品交易所：农产品期货（小麦、棉花等） 市场参与者类型 套期保值者（Hedger） ...

书籍信息 书名：《纳瓦尔宝典：财富与幸福指南》 作者：埃里克·乔根森（整理） 来源：纳瓦尔·拉维坎特（Naval Ravikant）的推文、访谈和演讲 出版社：中信出版社 出版年份：2022年 纳瓦尔是谁？他是硅谷知名天使投资人，创办了股权众筹平台 AngelList，早期投资了 Twitter、Uber 等公司。这本书整理了他十年来关于财富和幸福的智慧，被称为"新时代创业者的《穷查理宝典》"。 一、财富：把自己产品化 核心公式 把自己产品化 = 找到自己独特的专长 + 利用杠杆效应放大 这是纳瓦尔关于财富创造最精炼的总结。 对20岁年轻人的启示 1. 停止追逐热门，开始寻找专长 纳瓦尔说：“如果社会可以培训你，那么社会也可以培训他人来取代你。” 什么意思？ 不要看别人学什么专业赚钱就选什么 不要追逐当下的热门行业 找到那些你做来像玩、别人做来像工作的事 如何找到自己的专长？ 回想童年和青少年时期，有哪些事情是你几乎不费吹灰之力就能完成的？ 有人天生擅长说服别人（销售专长） 有人对数字极其敏感（分析专长） 有人能专注数小时研究一件事（研究专长） 有人天生善于连接人脉（社交专长） “在’成为自己’这件事情上，没有人能比得过你。” 2. 理解三种杠杆 纳瓦尔把杠杆分为三类，对年轻人最重要的是第三种： 杠杆类型 说明 特点 劳动力杠杆 让别人为你工作 最难管理，需要领导技巧 资本杠杆 用钱扩大决策影响力 需要积累，需要获得许可 复制边际成本为零的产品 代码、媒体、书籍、视频 普通人最触手可及的杠杆 为什么代码和媒体是新富阶层的杠杆？ 不需要任何人许可 睡觉时也能为你工作 可以服务全球受众 边际成本几乎为零 “如果你不会写代码，那就出书、写博客、做视频、录播客。” 3. 学习销售，学习构建 纳瓦尔认为，掌握这两种技能的人会势不可当： 构建（Build）：设计、开发、创造产品或服务 销售（Sell）：营销、传播、说服、募资 对于20岁的你： 如果你是程序员，学习如何展示和推销你的作品 如果你是文科生，学习基础的技术思维和产品感 无论学什么，都要培养"做出东西"和"让别人知道"的能力 4. 用判断力赚钱，而不是用时间 “每周工作40小时是工业时代的产物。” 纳瓦尔的核心观点：在杠杆时代，方向比速度更重要。 对年轻人的建议： 把更多时间花在思考上，而不是盲目忙碌 在重大决定上花更多时间：在哪里生活、和谁在一起、从事什么职业 设定一个大胆的个人时薪，如果外包一件事比你的时薪便宜，就外包 二、幸福：一种可以学习的技能 纳瓦尔的幸福定义 “幸福是一种不需要主动作为的状态。当把’缺憾感’从生活中剔除时，幸福感就会油然而生。” ...

项目缘起 最近一直在思考一个问题：网上吵翻天的时候，大家观点五花八门，但很多人只看到了"说什么"，没想清楚"为什么这么说"。 同样一件事，知乎、微博、贴吧、小红书的用户看法可能完全不同。为什么？ 立场不同 - 涉及的利益不一样 信息茧房 - 看到的片面信息不同 情绪放大 - 愤怒的声音更容易传播 于是我想做一个工具，帮助穿透表象，从纷繁复杂的观点背后，洞察各方真实的利益诉求。 这就是 OpenFlow 的由来。 核心思路 “看热闹，更要看门道” OpenFlow 做两件事： 收集主流观点 - 从多个平台把热门看法抓过来，按支持度排序 看透利益格局 - 分析这些观点背后，各方到底在争什么、怕什么、想要什么 技术架构 数据采集层 最大的挑战是各平台的反爬机制。直接 HTTP 请求基本都会被封。 解决方案：Playwright 浏览器模拟 # 启动真实浏览器，模拟用户行为 browser = await playwright.chromium.launch( headless=False, args=['--disable-blink-features=AutomationControlled'] ) # 注入脚本隐藏自动化特征 await page.add_init_script(""" Object.defineProperty(navigator, 'webdriver', { get: () => undefined }); """) 目前支持：知乎、微博、贴吧、小红书、百度搜索 观点分析层 不是简单按时间排序，而是： 向量化 - 用 sentence-transformers 将文本转为向量 聚类 - 用 DBSCAN 将相似观点聚类 总结 - 每类观点提取关键词生成概括 排序 - 按互动量（点赞+评论×2+转发×3）计算支持度 # 观点聚类 embeddings = model.encode(texts) clustering = DBSCAN(eps=0.4, min_samples=2, metric='cosine') labels = clustering.fit_predict(embeddings) # 生成总结 summary = generate_summary(cluster_texts) support_rate = calculate_support_rate(cluster_contents) 深度分析层 用 AI 进行深度分析，但关键是提示词设计。 ...

这是我的第一篇博客文章，记录我开始写博客的初衷和计划。 ...

最近在读一本书，里面提到一个观点：生活的意义不在于寻找答案，而在于体验过程。 ...

Hugo 是一个用 Go 语言编写的静态网站生成器，以其极快的构建速度著称。 ...