我是在2021年的春夏之交的时候看到的《大国大城》这样一本书，同时看到的还有刘世锦都《十四五》那时候还是大三，十分惬意和温柔。

以下两张图片来自hb的2021-04的朋友圈 /waddle /waddle

目录

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56

【上篇 大国难题】
第一章　中国经济的欧洲化
    1. 欧洲正经历大考
    2. 为什么大国梦如此迷人？
    3. 大国的难题
    4. 发展中大国的困境与机遇
    5. 统一市场符合公共利益
第二章　在集聚中走向平衡
    1. 三个有关空间的误解
    2. 自由移民的意义
    3. 空间的力量 ： 3M 与3D
    4. 城乡和区域发展中的要素流动和政策
第三章　打破大国发展的“不可能三角”
    1. 政府与市场的边界 ： 为城市化“立法”
    2. 世界不是平的
    3. 行政配置资源的方向与人口流向相悖
    4. 以效率换均匀的代价
第四章　警惕“扭曲之手”
    1. 区域发展的公平性原则
    2. 何不土地和户籍制度联动改革？
    3. 劳动力都去哪儿了？
    4. 地方政府的产业政策之殇
    5. 转变发展方式为何那么难？
【下篇 大城之解】
第五章　大城市不死
    1. 大城市的生机
    2. 包容性的就业创造
    3. 活在城市，还是生活在城市？
    4.“ 以业控人”是南辕北辙
    5. 挑选劳动力技能的后果
第六章　全球视野下的大城市
    1. 中国城市发展：全球趋势的又一例证
    2. 国家规模与首位城市：国际视角
    3. 巨型城市的人口：东京道路
    4. 中国的巨型城市：以上海为例
第七章　城市化之辩
    1. 城市化模式 ： 事实胜于雄辩
    2. 外来人口是负担还是财富？
    3. 城市化会遭遇耕地瓶颈吗？
    4. 拥挤的绿色城市
第八章　城市社会分割之困
    1. 农民工留下青春和健康，带走自己
    2. 歧视的原则
    3. 户籍制约了消费
    4. 为什么户籍不能成为身份？
    5. 大城市的收入差距
    6. 文化的融合将日益重要
第九章　向“城市病”宣战
    1. 应对城市病的国际经验
    2. 治理“城市病”：宜疏不宜堵
    3. 集聚有利于污染减排
    4. 贫民窟是“非典型性城市病”
    5. 城市管控 ： 对人，还是对行为？
结语 为了公共利益
写给未来的一封信 （代后记）
致谢

2023年9月以后，正式重启对大国大城的阅读。经过三次以上的阅读发现书籍中，后半段其实更容易被阅读，因为更加实例化，所以更容易被理解到位，因此给到读者的建议就是先读最后5章包括后记，再读前五章。

大国难题部分中，难以理解且值得阅读的就是前三章阶段——这里面包括但不限于利率不可能三角形，时间的力量和空间的力量。

因此读后一部分大城之解时候，碰到利率货币政策和财政政策等等，可以先返回第1章，看看欧洲的5国危机，看看前面的数据和图表详实的论述。然后就可以继续往下读，读完整本书啦~/waddle /waddle

需要install transformers 库 及拥有cuda 核心 pipeline 是hugging face 的基础工具，端到端的工具

1
2
3
4
5

from transformers import pipeline
classifier = pipeline("sensiment-analysis")

tes1 = classifier("the book seems interesting!")
print(tes1)

1

print(pipeline("sensiment-analysis")("the book seems interesting!"))

需要注册一个huggingface账号, then You can create a repository from the CLI (skip if you created a repo from the website)

1
2
3
4
5
6
7
8
9
10
11
12
13

from transformers import pipeline
from datasets import load_dataset
import soundfile as sf

synthesiser = pipeline("text-to-speech", "microsoft/speecht5_tts")

embeddings_dataset = load_dataset("Matthijs/cmu-arctic-xvectors", split="validation")
speaker_embedding = torch.tensor(embeddings_dataset[7306]["xvector"]).unsqueeze(0)
# You can replace this embedding with your own as well.

speech = synthesiser("Hello, my dog is cooler than you!", forward_params={"speaker_embeddings": speaker_embedding})

sf.write("speech.wav", speech["audio"], samplerate=speech["sampling_rate"])

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

from transformers import SpeechT5Processor, SpeechT5ForTextToSpeech, SpeechT5HifiGan
from datasets import load_dataset
import torch
import soundfile as sf
from datasets import load_dataset

processor = SpeechT5Processor.from_pretrained("microsoft/speecht5_tts")
model = SpeechT5ForTextToSpeech.from_pretrained("microsoft/speecht5_tts")
vocoder = SpeechT5HifiGan.from_pretrained("microsoft/speecht5_hifigan")

inputs = processor(text="Hello, my dog is cute.", return_tensors="pt")

# load xvector containing speaker's voice characteristics from a dataset
embeddings_dataset = load_dataset("Matthijs/cmu-arctic-xvectors", split="validation")
speaker_embeddings = torch.tensor(embeddings_dataset[7306]["xvector"]).unsqueeze(0)

speech = model.generate_speech(inputs["input_ids"], speaker_embeddings, vocoder=vocoder)

sf.write("speech.wav", speech.numpy(), samplerate=16000)

书籍目录

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

序言
第一部分 拖延vs行为
    第1章 质疑拖延：是可恶的坏习惯还是应得的报应
    第2章 审问拖延：被架在审判席上的失败恐惧症
    第3章 对话拖延：拖延你好，成功再见
第二部分 拖延vs心理
    第4章 挣扎中的拖延者：成为战败者怎么办
    第5章 心理舒适区：对亲近与疏远的恐惧
    第6章 拖延时钟：你知道现在几点吗
第三部分 拖延vs大脑
    第7章 世界上存在“拖延基因”吗
    第8章 如何打造大脑的全局领导力
    第9章 你是怎样变成一个拖延者的
    第10章 拖延行为模式的法庭大调查
第四部分 拖延vs 征服之战
    第11章 作战前传：拖延大盘点
    第12章 作战武器：明确的目标与可行性的计划
    第13章 作战方法A：学会怎样判断时间
    第14章 作战方法B：学会“接受”和“拒绝”
    第15章 作战方法C：利用你的身体减轻拖延
第五部分 拖延vs建议
    第16章 对患有注意力缺失紊乱和执行功能障碍拖延者的一些建议
    第17章 巧妙应对造成拖延的文化压力
    第18章 聪明摆脱被动拖延的怪圈
    附录一 拖延研究25年
    附录二 拖延处理技巧汇编

这是今年开春在合肥的时候看的，那时候在东方证券实习，在工位电脑上，闲下来的时候就使用网页端微信读书打开 《拖延心理学》，同时开一个知识星球网页，一键复制再一键粘贴。春天的时间总是那么短暂。

22年年底考研初试结束之后的几个日子里，我骑着自己的小电驴往返校园和住处。笔电记录了我给周导发的邮件，记录了给远在天边考研同学的问候，记录了那一次笔记本电脑重置以及新的面向未来的《人生算法》的思维导图。12月31日，我终于感到累了，于是开始只是带着手机闲逛，在归来的路上，我想了想自己的新年计划，并给到了一个年读书20本的新年resolution。

时过境迁，在苏州的12月1日，我开始认真琢磨自己的读书历程了。毕竟十一个月已经过去了，是时候考虑谢谢东西了。

我给自己23年的读书归总如下：

1. 原则
2. 情商
3. 稀缺
4. 小狗钱钱
5. 财务自由之路
6. 影剧-繁城之下
7. 拖延心理学
8. 大国大城
9. 置身事内
10. 时间的秩序
11. 穷爸爸富爸爸系列
12. 无间道一二三
13. 中国经济增长十年展望 刘世锦
14. 异类 马尔科夫格拉德威尔
15. 一句顶一万句
16. 人生算法
17. 复盘
18. 自控力
19. 如何把话说清楚
20. 非暴力沟通

现在针对这本书-拖延心理学的笔记就是：

拖延是很正常的，而且是根深蒂固、贯穿一生的， 不妨将有这个现象或者困扰的人称为“拖延者”.

vscode_shortcuts 快速删除

默认你已经知道以下知识

Ctrl + F ： find Ctrl + H ： replace 正则表达式(Regualr expression, regexp or RE)是对字符串（包括普通字符（例如，a 到 z 之间的字母）和特殊字符（称为“元字符”））操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑，这样就能被用来检索、替换符合某些规则的文本。

vscode删除空行快捷键

• 快速打开替换界面
• 在Find界面搜索框中输入, 这个正则表达式可以 匹配两个空行() 之间的 一个空白字符（可能是空格、制表符、其他空白）();
• 在替换框中留空，表示删除所有匹配的内容。

更一般的情况是，我们需要保留隔断代码的空行，1行甚至是2行

• 快速打开替换界面
• 在Find界面搜索框中输入, 这个正则表达式可以 匹配两个换行() 之间的 空格()--这里的空格代表了行内的空格;
• 在替换框中输入，点击替换，表示将当前匹配到的内容，替换成为行后换行到一空行再加一换行
• 依次继续点击替换，或者继续按enter；直到全部都替换成想要的格式 其中，观察下图，可以比较直观地看出来"" ，两个换行符号中间，穿插着及其后的通配符——这里恰恰只能通配到，否则其后就无法跟着

被替换的"" 可以通过下图比较直观地看出来，两个换行符号

其中，"" 可以通过下图比较直观地看出来，两个换行符号

关于 \n 和 \r 的区别

: 换行符（newline），另起一行，对应ASCII值10（缩写：LF）。

回车（归位）符（return），回到一行的开头，对应ASCII值13（缩写：CR）。

回车和换行来源：

在计算机还没有出现之前，有一种叫做电传打字机（Teletype Model 33）的玩意儿，每秒钟可以打10个字符。但它有一个问题，就是打完一行换行的时候，要用去0.2秒，正好可以打两个字符。要是在这0.2秒里面，又有新的字符传过来，那么这个字符将丢失。

于是为了解决这个问题，研制人员想了个办法，就是在每行后面加两个表示结束的字符。一个叫做“回车”，告诉打字机把打印头定位在左边界，就是把车针归位；另一个叫做“换行”，告诉打字机把纸向下移一行，可以是纸上移一行或者车针换行。

计算机发明了之后，这两个概念，被人为认为是一样的，这是因为——咱们的Enter是两个加起来，想实现上面0.2s中实现的效果，现在就是按一下Enter就行了。

有的编辑器只认，有的编辑器则两个都认。 - 在微软的MS-DOS中，使用“回车CR(')”和“换行LF('')”两个字符作为换行符; Windows系统里面，每行结尾是 回车+换行(CR+LF)，即“”； Unix系统里，每行结尾只有 换行CR，即“”； Mac系统里，每行结尾是 回车CR 即'；

所以我们平时编写文件的回车符应该确切来说叫做回车换行符

为了更通用的使用好输入输出设备，最好用。

时间：万历三十七年

背景和地点：江南蠹县

由一起发生在稻田的 杀人案开始，其后多宗杀人案 相继发生并且每一起谋杀案都留了论语的一些语录，再加上死者尸体被布置成离奇的姿势，联系起来并不是偶然的一时兴起，而且某个有着深仇大恨的个人或者团体蓄意而为，有意要将类似于他相信的公道天理公之于世。 下面开始不负责任地剧透模式的评剧。

1-4集

• 男主曲三更发现：师父冷捕头被杀，绳子勒死，死后被木棒插入身体伪装成稻草人， 写有论语“吾道一以贯之”
• 冷捕头女儿冷桂儿师妹，高士聪、凤可追; 翠花楼林四娘； 宋典史的瘸腿，断指和风月；
• 与易捕头的矛盾，引出五个帮会二鼠三狼，自称五侯府; 善恶和黑白界限上的捕头这个差事，值得当代人琢磨。
• 无类斋，学堂里的夫子也是凤可追的舅舅，死状奇怪。
• 三更记录的账本帮助扫黑；陆家大火由冷捕头的万两白银引出，书童陆直、家仆陈旺、护院张贵、厨师尤二四人幸存。
• 赌鬼陈旺的实体再次出现。
• 陆家大火，陆直小时候和小宝子的思维交锋——小宝子因为偷吃红玉的点心而被扎针。对于小宝子的遭遇，陆直给的建议是这样的，要偷就要偷脾气好的人，这样即使一不小心被发现，也能逃过一劫。但是，小宝子却反问道，“人家性情好还要被偷，那这世道不就反了吗？”

填坑-补充：张管家买田

夏捕头 猴妖和吕三

• 凤可追在熬制一种让纸变旧的方法，——哈哈哈福尔摩斯爱捣鼓化学。曲三更得知凤可追能模仿别人笔迹于是让他模仿了程逸致的笔迹。程一致一眼辨认出不是他开的，因为这个药方是毒药，曲三更接话说陈旺和陆远暴是被毒死的，程逸致情急之下解释陈旺是跳河死的，而陆远暴，突然意识到说漏嘴，只好道明陆远暴被他亲弟弟毒死。
• 程大夫初露马脚

宋辰过往

低秩矩阵近似简易调研

SA23916023 叶宏波

在机器学习和深度学习处理输入的过程中，一般来说，输入的数据可以表示成二维矩阵的形式，矩阵的每一列均被称为特征，而矩阵的每一行则是一个采集的数据Xi，例如说在机器学习典型算法xgboost，Decison Tree和Random Forest。例如，可以利用pandas中的DataFrame的.columns 方法查看表头，也就是查看各个特征名即列名；再利用.shape[0] 可以查看样本数即数据行数。在更一般的大数据问题中，数据的数量很大、特征也很多，因此用来表示数据的矩阵极为庞大。如果想按照矩阵的每个元素下标顺序存储，这会增加数据存储的复杂度，也会加大数据处理和运算的难度——在实际情况中大数据通常具有非常多的冗余信息和噪声，将其单纯的表示为一个庞大的矩阵，对于存储和计算都是过度的消耗。

低秩矩阵近似的提出目的就是去除数据中庞杂的冗余信息，同时降低噪声对于信息的影响，提炼出数据中真正有用的信息。

最近在使用gpt4 的时候，不知是gpt4向我输出的文本框太小的缘故，还是被程序设定了，只被允许做一小段任务以免被耗在循环或者时序之上

总之，让gpt翻译是很困难的

需要针对性地提出一些有效的prompts

To translate entire PDF documents from English to Chinese for free, you can consider the following options:

1. Google Translate: This well-known service offers translation for a variety of document formats, including PDF. It supports numerous languages and is user-friendly. However, the translation quality may vary, especially for complex or technical texts.

2. DeftPDF: This is a versatile document translation tool that supports many file formats. It's easy to use, with no registration required, and offers machine translation and OCR capabilities for 112 languages【43†source】.

3. DocTranslator: This online service specializes in translating documents, including PDFs, and supports over 100 languages. It claims to maintain the layout and formatting of the original document, which is a useful feature for PDF translations.

Each of these tools has its own strengths and may be more suitable for different types of documents or user preferences. It's recommended to try them out and see which one works best for your specific needs.

Finding the best translation software or web applications for Chinese speakers to learn literature written in English involves considering a variety of tools, each with its own strengths and limitations. Here are some recommendations:

1. Google Translate: This is one of the most widely used translation tools. It offers text, speech, and website translation, making it versatile for different learning needs. While it's a good starting point, it might not always capture the nuances of literary language【5†source】.

2. Baidu Translate: Popular in China, Baidu Translate offers features similar to Google Translate, but it may be more attuned to the subtleties of Chinese language and culture. It provides text and website translation and could be a useful tool for Chinese speakers【5†source】.

3. Youdao Translate: This tool is known for its comprehensive coverage of languages and is especially popular among Chinese users. It offers text, speech, and image translation. It can be particularly helpful for quick translations and understanding basic concepts in English literature【5†source】.

4. DeepL Translator: Although DeepL primarily focuses on European languages, it's praised for its accuracy in context and nuance, which could be beneficial for understanding the subtleties of English literature. However, its effectiveness in Chinese to English translation specifically may vary【5†source】.

5. Microsoft Bing Translator: This is another alternative that offers text, speech, and website translation. It's known for its integration with Microsoft products, which might be useful if you're using platforms like Word or Outlook for studying literature【5†source】.

6. Systran Translate: This tool offers real-time translation and is praised for its accuracy and speed. It might be a good option for translating and understanding complex literary texts【17†source】.

7. PaperRater: This tool is designed more for writing assistance and could be useful for those studying literature and needing help with writing essays or papers in English. It provides grammar and plagiarism checks, which might be beneficial for academic purposes【17†source】.

8. PROMT Online Translator: This tool offers a range of language pairs, including Chinese to English. It's known for its user-friendly interface and might be suitable for quick translations of literary texts【17†source】.

Each of these tools has its own strengths, and you might find that a combination of them works best for your specific learning needs. Remember, while these tools can be very helpful, they may not always perfectly capture the nuances and stylistic elements of literary texts, so it's beneficial to use them alongside other learning methods.

设T为线性空间上的线性变换t，在某组基下矩阵为对角矩阵的充分必要条件，是基中的向量满足 $T(_i) = _i _i, , i = 1, 2,...,n.$

几何重数小于等于代数重数

当我们说一个方阵可以相似对角化的时候，等价于问: (1) T有n个线性无关的特征向量* (2) $V_{$1} V{2} ... V{_s} = V_n(F)

从定理2.3可以推出，上式成立的充分必要条件是，若$_i$ 是t的k_i重特征值,则必有

$dim V_{_i} = k_i i = 1,2,...,s$

补充，关于特征多项式和最小多项式 方阵A的特征多项式：

Shanghai is all you need

来，公共座椅可以认捐啦

from 新民日报

人类对于多任务的轻易掌控，是基于人类长期的知识、经验和习惯形成的

研究因果关系最大的一个目标，就是找出事物之间真正的因果关系，去掉那些混杂的伪因果关系。

这里我们先简简单介绍一下脸上的巧克力与诺贝尔奖的例子有研究表明，巧克力消费量越高的国家出现诺贝尔奖得主的概率就会越高但我们拥有常识的话，可以考虑到，很可能巧克力消费量并不是导致诺贝尔奖得主数量的一个原因，或者说原因。 因为一些共鸣，让巧克力销量和诺贝尔奖产生了关联。这些共因我们猜测有可能是经济增长水平程度等等。 假的例子或者说混淆抽烟的人容易，患肺癌头晕的人也容易出现黄手指因为抽烟这个共同原因，黄手指和肺癌产生了关联。我们不难发现手指黄的人，很多都容易被检测出肺癌，但我们不能说黄手指会导致肺癌，他俩并没有因果关系。这个共同原因也被称之为混杂因子（Confounder）。因此让黄手指这个explosure和肺癌outcome出现了一种伪相关，这种伪相关被称为 bias。

因果关系$A Y$和差连接诱导的伪相关混合在一起