想法 · 2

深度学习中不同层的权重是否以不同的速度收敛？我好像得到的两个截然相反的结论。首先定义浅和深——浅代表靠近输入层，深代表靠近输出层。 一方面，以CNN举例，浅层神经网络主要学习一般化的特征——纹理、条纹等。这些特征是更容易学习的，而且对输入数据的小变化不敏感，因此应该是更快学习到，并且后期的改动是不大的（更快收敛）。而高级特征需要久一点才能学习到，并且对输入数据的变化更敏感
但是另一方面，浅层的神经网络，梯度回传过来已经经过了前面很多层的连乘，更容易发生梯度消失/爆炸问题，更不容易收敛。
哪种说法更有道理？

我很想吐槽打车软件一直都没有优化的一个点：明明我可以花不到一分钟的时间过马路去等车，但是软件不给我这个选项，而是让司机多花了好几分钟掉头。我觉得打车时可以增加一个选项——“我愿意接受50米内的步行，来换取总时长的减少”

根据我在知乎冲浪五年的经验，有一招可以很好地过滤掉垃圾文章/回答：如果“权力”“权利”不分，那么不用往下看；如果“再”“在”不分，那么可看可不看；如果超过两个感叹号，那么作者的对立面可能是真相。

奇怪的自我指涉

很荣幸成为评审团的一员。希望知乎科技榜越办越好，成为科技影响力的标杆。

以身作则的自我指涉。

讲逻辑讲道理的人一般不会在网络争论中占得上风，相反有可能秀才遇到兵有理说不清。这会导致很多正常人在网络上表达意见的意愿降低。从某种意义上来说，这也是劣币驱逐良币。

有一天，你可能会突然觉醒，发现自己从出生开始，其实一直在演电影，只是你没有意识到。
我们的生活就像是在看电影。大多数并不知道自己在看电影，相反他们沉浸在电影中，以为自己是电影中的人物，可以主宰剧情的走向。其实电影的结局早已注定好了，只是我们不知道结局而已。

在知乎，“权力”（power）和“权利”（right）不分的回答，围起来可以绕地球三圈。