茶缘七十年
童缘--《茶博览》2007年01期
茶缘七十年
【摘要】：正外公是清末最后一场科考中的"举人",后来因家道中落、衰微破败,较早去世。外婆长寿,特别喜欢我这个"外孙皇帝"。1937年上半年,我七岁,全家从上海回到故乡余姚。下了火车,就来到离车站很近的外婆家。外婆给我准备了一套小
【作者单位】：
【关键词】：
【分类号】：I267【正文快照】：
外公是清末最后一场科考中的“举人”,后来因家道中落、衰微破败,较早去世。外婆长寿,特别喜欢我这个“外孙皇帝”。1937年上半年,我七岁,全家从上海回到故乡余姚。下了火车,就来到离车站很近的外婆家。外婆给我准备了一套小巧玲珑的带盖带托盘的小碗,浅绿的,发光的,薄薄的,
欢迎：、、)
支持CAJ、PDF文件格式，仅支持PDF格式
【相似文献】
中国期刊全文数据库
秦晋;[J];吉林大学社会科学学报;1980年05期
谢海燕;[J];美术;1980年03期
张世鉴;[J];语言教学与研究;1980年01期
;[J];哲学研究;1980年01期
黎皓智;[J];南昌大学学报(人文社会科学版);1980年03期
王长俊;[J];南京师大学报(社会科学版);1980年01期
程云;[J];人民音乐;1980年03期
;[J];外国文学研究;1980年01期
李淑言;[J];外国文学研究;1980年03期
,墨哲兰;[J];外国文学研究;1980年03期
中国重要会议论文全文数据库
徐少华;;[A];山东水利学会第二届青年科技工作者学术研讨会论文汇编（上册）[C];1998年
潘芳;王迪涛;岳文浩;王义典;温晓燕;;[A];山东省心理卫生协会首届学术研讨会获奖论文选萃[C];1999年
赵化成;;[A];长城国际学术研讨会论文集[C];1994年
郑云德;;[A];李大钊研究论文集[C];1999年
张先达;王国扣;徐健;花冬梅;;[A];当代包装和食品机械——2000年全国包装和食品机械及相关技术发展研讨会论文集[C];1992年
周作伸;;[A];当代包装和食品机械——2000年全国包装和食品机械及相关技术发展研讨会论文集[C];1992年
胡德永;;[A];空间探测的今天和未来——中国空间科学学会空间探测专业委员会第七次学术会议论文集（上册）[C];1994年
徐志衡;;[A];中国空间科学学会空间探测专业委员会第九次学术会议论文集[C];1996年
仲哲明;;[A];语言文字应用研究论文集（Ⅰ）[C];1995年
孙元明;李进;王晓琳;王芹;唐卫生;王知权;;[A];中华医学会放射医学与防护学分会第二次中青年专题研讨会论文汇编[C];1999年
中国重要报纸全文数据库
本报记者;[N];安徽日报;2000年
刘军;[N];福建工商时报;2000年
;[N];光明日报;2000年
刘玉凯;[N];河北日报;2000年
马三成;[N];解放军报;2000年
;[N];科技日报;2000年
江西广昌县
谢昌慧;[N];人民日报;2000年
宋伯勤;[N];山西经济日报;2000年
李敬泽;[N];中国图书商报;2000年
;[N];中国消费者报;2000年
中国博士学位论文全文数据库
裴登峰;[D];西北师范大学;2000年
彭青龙;[D];华东师范大学;2005年
高红亚;[D];上海交通大学;2000年
乔玉英;[D];中国科学技术大学;2002年
孙燕华;[D];复旦大学;2005年
曾献飞;[D];湖南师范大学;2004年
帅培强;[D];四川大学;2005年
张雅雄;[D];西北大学;2005年
龙志林;[D];湘潭大学;2005年
宋波;[D];西南交通大学;2005年
中国硕士学位论文全文数据库
孙宗广;[D];苏州大学;2001年
汪发成;[D];河海大学;2002年
乔凤岐;[D];河北师范大学;2004年
徐连云;[D];吉林大学;2004年
侯方玉;[D];湖南大学;2005年
刘利;[D];四川大学;2004年
杨玉杰;[D];南京师范大学;2004年
姚一成;[D];西南交通大学;2004年
李乐;[D];重庆大学;2004年
徐鑫;[D];四川大学;2004年
&快捷付款方式
&订购知网充值卡
400-819-9993
《中国学术期刊（光盘版）》电子杂志社有限公司
同方知网数字出版技术股份有限公司
地址：北京清华大学 84-48信箱 知识超市公司
出版物经营许可证 新出发京批字第直0595号
订购热线：400-819-82499
服务热线：010--
在线咨询：
传真：010-
京公网安备75号据说已经达到七年后的计算水平，Google的TPU芯片大起底-控制器/处理器-与非网
这几天被Google I/O开发者大会刷屏，尤其是会上Google的现任CEO桑德尔&皮查伊（Sundar Pichai）公布了在AlphaGo战胜李世石的&秘密武器&就是一块芯片&&（张量处理单元，Tensor Processing Unit，），它使得机器学习类深度神经网络模型在每瓦特性能性能支撑上优于传统硬件。
其实早在去年年底，Google就已开源系统TensorFlow。
｜关于深度学习开源软件
简单回顾下TensorFlow&&一个开源软件库使用数据流图进行数值计算。图中的节点代表数学运算，而图形边缘表示多维数据数组（张量）之间的沟通，灵活的架构允许你计算部署到一个或多个CPU或GPU，虽然一开始谷歌大脑开发团队是主要进行机器学习的目的，和深层神经网络的研究，但总体系统足以适用于各种各样的其他领域。
这就已经使得第一代系统DistBelief大幅度被简化。因为在深度学习算法CNN流行之前，机器学习的特征学习主要是通过人类根据自身拥有的领域知识或经验来提取合适的特征，而特征的好坏直接决定了机器学习运用的成败。
但是对于图像或者语音而言，人类提取特征的标准也较难形容，譬如我们识别一朵红玫瑰，我们会觉得红玫瑰有刺、有颜色、有叶子、有花瓣和茎，而且这几个部件之间有一定组织关联以及空间约束，譬如刺在茎上的分布有一定的距离、花瓣在开放之后与尚未开放之前有一定的紧密度差距等，但是我们该用怎样的语言来描述人类&眼睛&呢？如果认真想一想就会发现挺难的。
但是人类本质上是小样本监督学习，或者无监督学习，现有的深度学习还无法做到这一点，这也是深度学习领域的研究着重需要突破的点。因为我们只要给几张开放程度不同的红玫瑰的照片给人看，他就可以学习到都些是什么样的红玫瑰。人似乎可以自动&学习&出特征，或者说你给了他看几张红玫瑰的照片，然后问红玫瑰有什么特征，他也会就可以隐约告诉你红玫瑰有什么特征，甚至是不同开放程度特有的特征，这些特征是百合花、水仙花或者其他的花没有的。
而深度学习就是人工神经网络ANN (Artificial Neural Network)，是在借鉴一些人脑运行的机制基础上模拟神经元的连接设计的。因为深度学习算法相较于传统的机器学习在一些重要的任务上取得了大幅度的提升，以至于引发一场热潮甚至形容为革命也不为过，但是深度学习需要海量已标记的数据进行长时间的训练，其对计算能力的要求非常高。深度学习是计算密集型的算法，在近几年，随着计算能力的增强，深度神经网络对比许多传统机器学习数据集优势体现出来之后，逐渐用到图像、语言，它不再需要人工提取特征，自动学出特征后效果提升更明显。
最初使用传统的CPU（中央处理器，Central Processing Unit）计算时，为了保证算法的实时性，会需要使用大量的CPU来进行并行计算，就像Google Brain项目用了16000个CPU Core的并行计算平台训练来保证算法的运行速度。
深度学习是计算密集型的算法，所以在GPU （图形处理器，Graphic Processing Unit）、FPGA（现场可编程门阵列，Field－Programmable Gate Array）和TPU等超速处理硬件发展起来后，CPU 在机器学习上进行的计算量大大减少，但是CPU并不会完全被取代，因为CPU较为灵活，且擅长于单一而有深度的运算，还可以做其他事情。
比如当使用GPU做深度学习计算时，CPU还是需要在代码中写入并读取变量、执行指令、启动在GPU上的函数调用、创建小批量的数据等，但是不再需要取指、译码等，所以Google在I/O大会上也强调了其并没完全抛弃CPU，TPU 只是在一些辅助使用在特定的应用中。
｜TPU对谷歌意味着什么？
谷歌专门开发的应用于深度神经网络的软件引擎。谷歌表示，按照摩尔定律的增长速度，现在的TPU的计算能力相当于未来七年才能达到的计算水平，每瓦能为机器学习提供更高的量级指令，这意味它可以用更少的晶体进行每一个操作，也就是在一秒内进行更多的操作。并且谷歌将其与Deep learning系统平台TensorFlow进行了深度绑定，可以获得更好的支持，做更强的生态，包括搜索、无人驾驶汽车、智能语音等100多个需要使用机器学习技术的项目。
TPU是什么？
TPU就是 custom ASIC specifically for machine learning ，专门为机器学习设计的专用集成电路。在Google2016 I/O上首次提及，但是并没有公布技术细节，只是在其官方博客里有披露一些信息。
ASIC并不是新鲜的东西，只不过Google利用它来做来一个定制版的ASIC，但是具体技术细节是没有披露的，而且以后会不会披露，会不会对消费者开放，这都是有待观察的，现在披露的消息是说会用在Google的云计算平台上。
遗憾的是目前并没有太多的故事可分享，唯一一个值得注意的就是Google已经使用此芯片运行了一年多的时间，而且已经用在了其大量的产品上，说明TPU已经是一个较为成熟的设计了。
到底会不会取代GPU或CPU呢？谷歌资深副总裁Urs Holzle透露，当前谷歌TPU、GPU并用，这种情况仍会维持一段时间，但也语带玄机表示，GPU过于通用，谷歌偏好专为机器学习设计的晶片。GPU可执行绘画的运算工作，用途多元，TPU属于ASIC，也就是专为特定用途设计的特殊规格逻辑IC，由于只执行单一工作，速度更快，但缺点是成本较高。
TPU并非万能
TPU的高效能的来源正是其非万能的设计逻辑（极度单一的设计原则），正如上文所说的CPU是通用计算，而GPU相对来说虽然比CPU更不通用，但是因为GPU本身是作为显卡的处理器产生的，所以GPU也是相对通用的。而TPU为专用的逻辑电路，单一工作，速度快，但由于其是ASIC，所以成本高。
另外一点有可能是TPU的暂时的缺点就是TPU现在为Google专用，还不是消费类产品，而要走向流行的消费类产品，还需要现在市场的软硬件进行配合，这也是需要一定的时间的，而且会不会得到市场最终认可也是存在疑问的。所以TPU非常不万能。
只是TPU的发布，有一点很重要的意义：现在的深度学习生态环境已经非常重视这些硬件的升级了，这些定制硬件的春天就要到来，最终这个市场鹿死谁手真是无法预料，而国内在这方面并不落后，如寒武纪，地平线这样公司也正在这方面摩拳擦掌。
虽然TPU带来了突破性进步，但这并不代表会完全淘汰CPU和GPU，目前主要会用来解决集成电路存在的成本高、耐用性差的问题。值得期待的事，Google是互联网性质的企业，在硬件制作上能否超越传统的硬件产商(如Nvidia，Intel等)， 我们可以静观其变。
｜目前的深度学习硬件设备还有哪些？与传统CPU有何差异？
那么目前深度学习的主要硬件设备与传统CPU的差异有哪些呢？
FPGA最初是从专用集成电路发展起来的半定制化的可编程电路，它无法像CPU一样灵活处理没有被编程过的指令，但是可以根据一个固定的模式来处理输入的数据然后输出，也就是说不同的编程数据在同一片FPGA可以产生不同的电路功能，灵活性及适应性很强，因此它可以作为一种用以实现特殊任务的可再编程芯片应用与机器学习中。
譬如百度的机器学习硬件系统就是用FPGA打造了专有芯片，制成了AI专有芯片版百度大脑&&FPGA版百度大脑，而后逐步应用在百度产品的大规模部署中，包括语音识别、广告点击率预估模型等。在百度的深度学习应用中，FPGA相比相同性能水平的硬件系统消耗能率更低，将其安装在刀片式服务器上，可以完全由主板上的PCI Express总线供电，并且使用FPGA可以将一个计算得到的结果直接反馈到下一个，不需要临时保存在主存储器，所以存储带宽要求也在相应降低。
GPU是相对于CPU的一个概念，是一个专门的图形的核心处理器，计算机中的GPU是显卡的&心脏&，也就是相当于CPU在电脑中的作用。但是因为GPU在浮点运算、并行计算等部分的计算方面能够提供数十倍至上百倍的CPU性能，所以开始利用GPU来运行机器学习模型，以便于在云端进行分类和检测，同样的大训练集，相对于CPU耗费的时间大幅度缩短，占用的数据中心的基础设施也少很多，所以GPU在耗费功率更低、占用基础设施更少的情况下能够支持远比单纯使用CPU时10-100倍的应用吞吐量。
譬如图像识别领域的图普科技，则是基于大规模GPU集群搭建了AI超算平台，能够支持亿万级别图像的全面实时处理，并且利用深度学习算法设计的智能程序能通过快速迭代拥有强大的学习能力，实现高精度的智能识别结果。
而语音识别领域的科大讯飞，目前在深度学习训练方面，几乎所有的运算包括CNN、RNN等都是放在GPU加速卡上的，并且其还计划在语音识别业务中启用FPGA平台，通过重新设计硬件架构在未来建造一个上万规模的FPGA语音识别系统。
所以可以说，要实现让机器能像人类一样思考，企业不仅需要在算法模型的精确度上下功夫，同时高性能计算能力的硬件系统也是非常需要关注的，这些异构加速技术协助处理器运算速度的快速提升，让机器学习应用领域的硬件层面难度降低。
但是现在这些只是一个开始，更多的软硬件创新肯定还在进行中，不知道是否有一天，这些创新是否也会帮助AI超越人类呢？&
关注与非网微信 ( ee-focus )
限量版产业观察、行业动态、技术大餐每日推荐
享受快时代的精品慢阅读
都说世界是连续的、真理是“模拟”的而非数字的。我们来想象一下，假如这个世界没有了模拟工程师会怎样……
旗下网站：
与非门科技(北京)有限公司 All Rights Reserved.
京ICP证:070212号
北京市公安局备案编号： 京ICP备：号小儿七星茶的作用是什么_百度知道在历经几年的快速发展之后，中国净水电器行业经历了史无前例的快速的成长阶段：家电企业大举进入净水电器行业，专业净水电器企业在巩固原有渠道的基础上也在迅速的扩展传统渠道。很多企业面临的是更为多变的市场，更为惨烈的竞争。尤其是进入2010年以来，净水电器企业零售额增速明显，令很多企业看到了机会。但又难以忽略眼下的危机：物价上涨，运营渠道的竞争，国家标准制定相对落后……等等。诸多的因素掣肘了从商者们的信心
　　惠州七芯膜净化科技有限公司总经理 汤怀宇
　　虽然经过近几年的发展，净水电器行业得到了快速发展，但净水电器在居民日常生活中占有的比例还是很低的，应该不足1%，相比庞大的市场以及无穷无尽的消费群体而言，中国净水电器产业的提升空间可谓是有目共睹的。但是究竟是哪些因素限制了这一步伐的速度呢?
　　实现这一速度的提升，首先是要有经济收入上的提升，这无论是对于消费群体的购买力还是购买意识而言，都将是一个极大的物质基础。我们的老百姓只有吃饱饭了，才能想过更好的、更健康的生活。其次就是生活方式的改变。人们从喝自来水到桶装水，经历了很长时间，从喝桶装水，到家庭分质供水同样也要经历很长时间的。
　　净水电器行业目前处于快速增长的时期，有些品牌进入到这个行业也是正常的，因为这个行业没有到了竞争充分的时候，更多的企业进入就是为了图利。而对于家电企业来说，目前没有哪个品类能够保持净水电器这样大的获利空间。净水电器这块业务成为未来企业较好的获利途径。每个厂家进入这个行业，都有不一样诉求点，不同的阶段，采取的方式方法也不一样，包括它想在这个行业中取得怎么样的突破，比如七芯膜就是想掌握这个行业的核心，如膜材料这一块。而有的企业更想掌握渠道这一块。但是大家都在各尽所能，结果都是想把自己企业做大做强，把行业蛋糕做大。越多的企业进入，推动行业向前发展的动力越大。这个行业最终的发展还是要看技术和产品的规范上，包括消费者需求，
　　尽管家电专业卖场的各类费用较高，但在迅速提高知名度和提升市场占有率方面的确有得天独厚之优势，况且一些有家电背景的企业更是擅长运作家电卖场。而家电卖场也将净水电器作为新商机产品引进店内销售，提升单店销售。于是，专业品牌不仅专注于工程市场和建材渠道，也开始尝试进入家电卖场。2011年将有更多的品牌选择进入家电卖场。
　　2011年乃至未来很长的一段时间内，一些品牌尝试开设净水电器专卖店。这些专卖店像汽车4S店一样，为消费者提供更多的服务，让消费者逐步建立起净水电器有偿服务的意识。
　　2011年行业整体发展仍然是&乱&字当头。进入的品牌越来越多，有实力、有资金的企业不乏其中，人员配备也比较强，但是净水电器这个行业不是一天两天做成的。老话说的好，&隔行如隔山&，不管是什么实力、什么资金进入这个行业，都需要一定时间的沉淀，而且往往一些大企业由于缺乏对项目的考察，短期利益比较严重，势必会造成不是良性的竞争。要想真正的将净水电器这个行业做好，我觉得首先做好产品的研发工作，有的企业一味的追求业绩，以销售带动企业，在市场研发方面投入较小。从长远发展的角度上看，这并不是一件好事，有实力的企业应该在技术、制造等方面成为行业的强者。
　　针对净水电器这个行业的相关标准及政策法规并没有明确，政府主管部门的思路还是比较混乱。那些后期进入净水电器行业的企业在产品上也想通过追求差异化，来增加自己的竞争力。但差异化产品会增加服务方面的难度。这些需要企业去思考，如何差异化，如何标准化发展。
　　其实对于净水电器行业来说，市场的发展才刚刚开始，前景是非常广阔的。只要企业肯在技术、研发、制造等方面做强大的话，东西就不愁卖，加强自己的技术力量才是正路。其次，净水电器的产品对服务的要求会高一些，有一个很好的服务体系作保证，完善服务营销闭环，销售也是水到渠成的事。　
微信扫描或长按二维码关注公众号
请长按关注加公众号}