魔块术，如何看待今日头条将slogan更改为信息创造价值？
作为一个对头条，情有独钟者，非常感谢头条人，能给读者这样好的一个平台，也很有包容心且善解人意，让大家走进头条，便迫不及待的融入进来，生怕自己，一不小心与你失之交臂。
头条的新闻量，传递速度与激情，令人无可挑剔，涉及生活中的方方面面，灵犬给头条，进入人们的视野，进行了把关。让好的，充满正能量的东西，迅速传播，使不符合的文字，胎死腹中，将其扼杀在萌芽状态。
给头条信息发送人，还有头条拥有者，把了：“祸从口出出”关，防患于未然。你可以可劲，尽情的去放心，发送头条新闻和诸如，一些相关政策，让自己身后无忧，开开心心做事真诚的谢谢头条和从业者！
如何在炉石传说打败弑君贼？
今天你是最“脏”的那一位吗？如果不是，就快来炉石脏脏屋学习两招吧！小脏会带给大家最新最有趣的炉石传说资讯，离开前不要忘记点一波关注分享给更多的朋友哦~
有一种卡组叫做“异灵术”，有一种数学叫做“教科书般的亵渎”！谈到构筑鬼才，异灵术老师绝对是赫赫有名。一手“变节+咆哮魔”玩出国服，走向世界，隔壁的老外朋友们都惊呆了！不过最近“异灵术”老师在直播过程中又玩起了新的骚操作——灭霸术！一个字评价这个卡组，就是“爽”！话不多说，先来看看卡组构筑再来聊聊这套卡组的亮点在哪里！
划重点一：满编“撕、炸、吃”！你的牌库“余额”已不足！
“我饿了，好好...你真沁心！”谁给“虚空契约”打了1分来着？这张卡反而成为了我们“灭霸术”的构筑核心！起手不论是非，先炸一半牌库再说！除此之外，我们还满编了“侏儒吸血鬼”“游荡恶鬼”和“林恩”，摸摸自己的牌库告诉我，你的手牌还有几张？
划重点二：OTK卡组的末日！弑君贼和蓝龙德都吓哭了！
设计师们就差没有拿出“大喇叭”告诉我们“GTMD自闭卡组”这件事了！抽牌，过牌，狗住，当真是“一入野区深似海，20分钟做人来！”说白了，我们这套“灭霸术”就是专门为针对OTK卡组和单卡构筑核心卡组而设计的！史上最快的“弃游”卡组，撕掉对面几张关键Key牌，对手还能不乖乖投降？
尤其的是可以针对当今最毒的“毒瘤”弑君贼！爆掉“弑君”的滋味，谁用谁知道！
划重点三：半小时一局不存在的！获胜真的只需要20秒！
苦不堪言，碰到控制卡组一打就是一小时。上分最快的职业是什么？快攻？猎人？都不是！自从用上了“灭霸术”，才知道一局游戏竟然只需要20秒，起手就是“血色绽放+虚空契约”，最快的上分选择之一。撕掉key牌对面跑，撕不掉我们也不一定输！妈妈再也不用担心我上不了分了！
虽说是娱乐大于技术，但是这套“灭霸术”真的是毒瘤中的霸王！专治各种不服！诚挚邀请各位被“弑君贼”打怕了的朋友加入我们的队伍！我们今年的目标是——天下无贼！各位觉得这套卡组怎么样呢?
如何提升演讲和表达能力？
最近在各大影视平台热播的《猎场》成为了职场中大家茶余饭后的最大谈资，而胡歌饰演的郑秋冬则是迷妹们舔屏的首要目标。郑秋冬有很多优秀的品质和能力，其中不得不提的就是其优秀的演讲能力。影片第一集就讲述了郑秋冬受邀为工厂演讲，激昂的话语使得现场掌声雷动。
可以说，演讲能力正在成为职场人士尤其是高端职场人士越来越重要的核心竞争力，同时也是成功人士向外界展示自己的一种重要方式。
刘勰在《文心雕龙·论说》中对演讲有过精妙的说明，“一人之辩，重于九鼎之宝；三寸之舌，强于百万之师”。古往今来，因为出众的演讲能力而为世人津津乐道的演讲家数不胜数，舌战群儒的诸葛亮、二战中凭借《我们将战斗到底》鼓舞了全英国军民的丘吉尔、为黑人自由而发表《我有一个梦想》的马丁路德金、把每场新品发布会都变成脱口秀表演的乔布斯。
相信大家在羡慕这些天才演讲家超群的演讲能力的同时也会发出我可以像这些天才一样擅长演讲么的疑问。很幸运，答案是肯定的！即使是最顶尖的演讲家，也是通过恰当的训练方式和刻苦的努力练就的。因此，只要你有意愿、有信心、肯付出，下一个能够hold住全场的人就会是你！
想要成为一个好的演讲者，楠哥认为至少需要具备如下几个条件，
有料、有呈现技巧、会讲故事、热爱演讲和有创意。
想要通过不断地练习成为一名优秀的演讲者，以下几个方面缺一不可。（我们以做饭为例）
1、优质的内容（新鲜的食材）
2、构建内容的技巧，也即如何抓住人心，引起共鸣（烹饪技术）
3、良好的舞台呈现能力（摆盘技术）
4、不断的练习（不断地炒）
5、看其他人的演讲并点评（吃别人做的菜，思考是怎么做的，自己怎么做会更好吃）
所以，为了实现上述内容，你可以尝试着按照下面的方法去做。
1、每周保证自己完成3个基础任务，分别是，
①一篇自定主题的1500-2000字的演讲稿输出（大概对应6-8分钟演讲）；
②每周收集1-2个好故事，并对这个故事撰写评语（也许是内容打动人心，也许是叙事风格新颖，也许是语句优美等等）；
③每周针对一个自选的演讲撰写一篇不少于1000字的点评，点评的演讲不一定是优秀演讲，也可以是一次失败的演讲。
如果能够坚持做上述三个练习，相信之前提到的5个需要练习的方面，在125上你已经小有所成了，在这个时候一定要避免的一种情况就是认为自己已经学习、准备了这么多关于演讲的知识和素材，演讲已经不在话下了。要知道，任何的知识/技能、能力，占有不是目的，应用才有价值。
所以你需要做的就是不断地实战、实战、实战。
刚开始可以以月为单位，亲自做一次指定主题的演讲并录像，同时请至少5位听众给出反馈；或者为大家做一场与演讲有关的分享；如果刚开始你还没做好在线下面对观众的准备，那就建一个微信群，拉几个信得过的朋友，先在群里分享几次，听听大家的反馈，相信你的收获一定超乎想象。
如果你能持续这样训练自己半年甚至一年，不成为演讲高手几乎是不可能的。所以，如果你真的想提高自己的演讲能力，那就从今天开始练习吧。只要你选择开始，那就是最好的时机！
职场是个大江湖，不是能力强就可以平步青云、一帆风顺。这里面的门道有很多。
想知道更多职场真相，欢迎关注楠哥说职场，也可以向我提问，相信我的答案一定会给你带来帮助。也希望我可以帮助更多的人获得职场上的成功！
序列建模必须用RNN或LSTM吗？
Eugenio Culurciello近日在Medium发文阐述了这样的观点：我们已经陷入 RNN、LSTM 和的坑中很多年，是时候抛弃它们了！那么有什么替代方案呢？
在 2014 年，RNN 和 LSTM 起死回生。我们都读过 Colah 的博客《Understanding LSTM Networks》和 Karpathy 的对 RNN 的颂歌《The Unreasonable Effectiveness of Recurrent Neural Networks》。但当时我们都「too young too simple」。现在，序列变换（seq2seq）才是求解序列学习的真正答案，序列变换还在语音到文本理解的任务中取得了优越的成果，并提升了 Siri、Cortana、谷歌语音助理和 Alexa 的性能。此外还有机器翻译，现在机器翻译已经能将文本翻译为多种语言。在图像到文本、文本到图像的变换以及视频文字说明的应用中，序列变换也是卓有成效。
在 2015-2016 年间，出现了 ResNet 和 Attention 模型。从而我们知道，LSTM 不过是一项巧妙的「搭桥术」。并且注意力模型表明 MLP 网络可以被「通过上下文向量对网络影响求平均」替换。下文中会继续讨论这一点。
经过两年多的时间，我们终于可以说：「放弃你的 RNN 和 LSTM 路线吧！」
我们能看到基于注意力的模型已越来越多地被用于谷歌、Facebook 和 Salesforce 的 AI 研究。它们都经历了将 RNN 模型和其变体用基于注意力的模型替换的过程，而这才刚刚开始。RNN 模型曾经是很多应用的构建基础，但相比基于注意力的模型，它们需要更多的资源来训练和运行。
为什么？
RNN、LSTM 和其变体主要对时序数据进行序列处理。如下图中的水平箭头部分：
RNN 中的序列处理过程，来自《Understanding LSTM Networks》
这些箭头表明，在长期信息访问当前处理单元之前，需要按顺序地通过所有之前的单元。这意味着它很容易遭遇梯度消失问题。
为此，人们开发了 LSTM 模型，LSTM 可以视为多个转换门的合并。ResNet 也借鉴于这种结构，它可以绕过某些单元从而记忆更长时间步的信息。因此，LSTM 在某种程度上可以克服梯度消失问题。
LSTM 中的序列处理过程，来自《Understanding LSTM Networks》
但这并不能完全解决该问题，如上图所示。LSTM 中仍然存在按顺序地从过去单元到当前单元的序列路径。实际上，现在这些路径甚至变得更加复杂，因为路径上还连接了加如记忆的分支和遗忘记忆的分支。毫无疑问，LSTM、GRU 和其变体能学习大量的长期信息（参见《The Unreasonable Effectiveness of Recurrent Neural Networks》），但它们最多只能记住约 100s 的长期信息，而不是 1000s 或 10000s 等。
并且，RNN 的一大问题是它们非常消耗计算资源。即如果需要快速训练 RNN，需要大量的硬件资源。在云端上运行这些模型的成本也很高，随着语音到文本的应用需求快速增长，云计算资源目前甚至赶不上它的需求。
解决方案是什么？
如果序列处理无可避免，那么我们最好能找到可向前预测和向后回顾的计算单元，因为我们处理的大多数实时因果数据只知道过去的状态并期望影响未来的决策。这和在翻译语句或分析录制视频时并不一样，因为我们会利用所有数据并在输入上推理多次。这种向前预测和后向回顾的单元就是神经注意力模块，下面将简要介绍这一点。
为了结合多个神经注意力模块，我们可以使用下图所示的层级神经注意力编码器：
层级神经注意力编码器
观察过去信息的更好方式是使用注意力模块将过去编码向量汇总到上下文向量 C_t。请注意上面有一个层级注意力模块，它和层级神经网络非常相似。
在层级神经注意力编码器中，多层注意力可查看过去信息的一小部分，例如 100 个向量，而上面层级的注意力模块能查看到 100 个下层的注意力模块，也就是 100×100 个向量。即利用层级模块可极大地扩展注意力机制观察的范围。
这就是一种能回顾更多的历史信息并预测未来的方法。
这种架构类似于神经图灵机，但令神经网络通过注意力决定从记忆中需要读取什么。这意味着一个实际的神经网络将决定过去的哪个向量对未来的决策更重要。
但记忆的储存呢？与神经图灵机不同，上面的架构将会把所有的历史表征储存在记忆中。这可能是不高效的，若储存视频中每一帧的表征，而大多数情况下表征向量并不会一帧帧地改变，所以这导致储存了太多的相同信息。我们确实可以添加另一个单元来防止储存相关数据，例如不储存与之前太相似的向量。但这只是一种技巧，更好的方法可能是让架构自己判断哪些向量需要储存，而哪些不需要。这一问题也是当前研究领域的重点，我们可以期待更多有意思的发现。
所以，最后总结来说：忘了 RNN 和它的变体吧，你仅需要的是注意力机制模块。
目前我们发现很多公司仍然使用 RNN/LSTM 作为自然语言处理和语音识别等架构，他们仍没有意识到这些网络是如此低效和不可扩展。例如在 RNN 的训练中，它们因为需要很大的内存带宽而很难训练，这对于硬件设计很不友好。本质上来说，递归是不可并行的，因此也限制了 GPU 等对并行计算的加速。
简单来说，每个 LSTM 单元需要四个仿射变换，且每一个时间步都需要运行一次，这样的仿射变换会要求非常多的内存带宽，因此实际上我们不能用很多计算单元的原因，就是因为系统没有足够的内存带宽来传输计算。这对于模型的训练，尤其是系统调参是非常大的限制，因此现在很多工业界应用都转向了 CNN 或注意力机制。
炉石最弱的职业是哪个？
感觉这个版本，相对较弱的职业是猎人吧。论节奏和铺场能力，这个版本的猎人比不上圣骑，甚至比奥秘法和萨满还要弱点。而猎人的DK虽然能给猎人增加控场的机会，但却难以增加清场的能力，若要比后期强度，术士的墙和法师的水元素也足够令猎人头疼了。玩炉石快两年了，这两年来感觉猎人从来就没有真正崛起过。也有网友戏称，猎人的统御任务：60金币那个，是最难完成的任务。在此心疼一波雷克萨，也期待猎人下个版本的表现。
如果信仰猎人，我觉得玩一玩也不是不行的，我也看到过一些拿猎人登顶的玩家，不得不说，真的很厉害👍🏻👍🏻👍🏻
还没有评论，来说两句吧...