懒人今天才情横溢，文思泉涌，无法避免的想要发挥一番，于是在黑板上画了一只虎。
虎是丛林之王，它一咆哮，整个森林都安静了。向晚一身当道食，山中麋鹿尽无声。
乐府诗云：猛虎潜深山，长啸自生风。一个潜字，道出了虎的可怕之处。它个头虽大，但喜欢玩偷袭，在对猎物完全有把握的情况下，通过伏击，一击致命。
本着对老虎的想象，懒人兴笔作画如下：
好一只吊睛白额大白虎呀！只见它：
盘龙山下三脚虎，震天一啸回风低。
横拖骡马捉猪犬，咆哮出入吁无时。
有时人立作气势，团目金努矜毛皮。
气势如虹、不怒自威，有木有？
只是，这虎好像受了一点委屈，那就是委屈虎吧。
名作可出售，不要8888，也不要888，只要88，欢迎垂询。
昨晚大风呼啸了整个晚上。
为什么我知道呢？因为整夜未眠嘛。
失眠是个无聊的事，因为就是睡不着，毫无理由的无法入眠。
好吧，我想起李白的长相思：
日色欲尽花含烟，月明欲素愁不眠。
赵瑟初停凤凰柱，蜀琴欲奏鸳鸯弦。
此曲有意无人传，愿随春风寄燕然。
忆君迢迢隔青天。
李白失眠是因为想念佳人，我虽然心有所念，但也不至于深夜难免呀。
又想起汉代的明月何皎皎：
明月何皎皎，照我罗床帏。
忧愁不能寐，揽衣起徘徊。
客行虽云乐，不如早旋归。
出户独彷徨，愁思当告谁？
引领还入房，泪下沾裳衣。
作者失眠是因为想念家乡，我虽然离家千里，但平常日也没什么好想念的。
再想起柳永的鹧鸪天：
吹破残烟入夜风，一轩明月上帘栊。
因惊路远人还远，纵得心同寝未同。
情脉脉，意忡忡，碧云归去认无踪。
只应曾向前生里，爱把鸳鸯两处笼。
三变风流倜傥，为某个女子失眠是常事吧？哥可不是三心二意的人。
睡不着，心里肯定有所思。但是很难把控，所思为何，所念为何。
请见卢仝的有所思：
梦中醉卧巫山云，觉来泪滴湘江水。
湘江两岸花木深，美人不见愁人心。
含愁更奏绿绮琴，调高弦绝无知音。
美人兮美人，不知为暮雨兮为朝云。
相思一夜梅花发，忽到窗前疑是君。
作者自己也不清楚为谁有所思。但最后一句的梅花亮了，无疑太美。
诗读多了其实也没用，表达不了自己的心绪。
似此星辰非昨夜，为谁风露立中宵。希望今晚不似昨晚，能安定入眠。
在V2EX看到一个帖子，硕士即将毕业，咨询要不要读博。
我周围博士一堆，都是做基础研究的，比如图形图像方面。医院的博士mm也是中大读的博，现从事药物学研究工作。
我的看法是，如果是工程应用类，读不读博都可以。因为工程开发，偏动手能力和实际经验。读了几年博士，跟同样工作几年的硕士竞争，不一定占优势。在工程开发上，用到的理论知识并不多，大多数是经验积累，学术作用不大。
如果是基础研究，那当然要读博了。不管是计算机视觉，还是医学，还是生物学，这类基础科学，有过博士经历的同学，在研究态度上与硕士截然不同，他们知道往哪个方向去努力。
我的部门既有博士，又有硕士，前者的学术研究思路比后者要清晰得多。比如，同样跟踪一个研究主题，硕士大多从应用角度出发，找到能够复现的论文和代码来实践。博士会看得更远，从前瞻性研究角度出发，探索业界最前沿的研究成果，并进行思考和实践，哪怕这个方向并不容易落地。
博士生在校阶段可能很辛苦，但这段经历，对工作实践大有益处。这个阶段，会让他们建立起正确的学术研究观念和方法论。有没有学术观念，是博士与硕士的一大区别。
比如，在计算机视觉方面，视频行为分析是一个热门研究方向。这里面涉及的技术原理比较复杂，既有常见的二维空间卷积，又有时空角度的三维卷积，还有光流辅助之类。整个业界，并没有非常成熟的应用解决方案。在这个前沿性研究方向，既需要大量的理论积累，又需要无数次的动手实验，这就是博士擅长的工作方向。
博士研究的成果，并不一定代表可落地的产出，这是研究与应用的区别。比如我们在光流弯曲方面的成果，已被google接受，但并不代表它立刻就可以落地应用。学术研究的成果，更多以前沿性理论的方式存在，能够在特定条件下证明这种理论有效，并不一定在现阶段，就能取得落地的突破。比如，参考此论文，上世纪80年代学术界就提出了卷积神经网络的思想，但随着算力的突破性发展，直到近些年卷积神经网络才得到大规模应用。
做基础研究的都会衡量学术论文产出。博士同学在论文写作上，也会比硕士得心应手得多，因为他们在校就经过这样的专业训练。计算机视觉有几大顶会，比如ICCV，ECCV，CVPR。在顶会上发表论文，有极高的难度，除了专业水平外，还要看门派出身。博士生如果师从好的导师，在这上面发表论文，要容易得多。而硕士不管是研究方法，还是导师门派，相对来说，都要处于劣势。
当然，也不是说读博就是万能药。如果毕业后参加工作，只是普通的工程应用类，那么读不读博都一样。我每年都参加校招，去不同的省份、不同的大学招应届生，对于普通的工程开发岗位，学历要求就是硕士。
今年去北京的校招我就印象深刻，哪怕是在CV方面，应届硕士也把普通的CV方法玩的很熟，比如分类、检测、分割方面的深度学习模型和工具。然而，他们在一些基础理论方面了解并不深，比如涉及到神经网络架构搜索的知识。同时有几个北大的博士来应聘，他们在理论深度方面，就要高出硕士一大截。当然，如果只是招CV应用类，硕士就足够了，博士的性价比反而不高。
有的方向，经过许多年发展，已经没有什么大的研究前景，这种还不如就读个工程硕士，早点参加工作更好。比如你去读个农业机械博士，出来我也不知道能干嘛。
所以，读不读博，取决于职业规划，也就是今后的工作与研究方向。基础研究需要博士，因为研究思想、方法论，都与博士经历有关。普通的工程应用类，硕士就可以了。
我经常整夜无眠。
眼看着时间一刻一刻过去，从深夜一点到两点，到三点，到四点，到五点，到六点，到七点，到起床，全程无法合眼。
这个过程是痛苦的，痛苦到我抓着自己头，往墙上撞。
痛苦的背后，是深深的焦虑。
这种焦虑，只有自己才懂，它是灵魂深处的恐惧或纠结。
你不会明白，在股市暴跌，行业惨淡，危机四伏的时代，连投资都找不到一个好的去处，对未来只有无底线的恐慌。
你不会明白，第二天要开的工作会议，对你的意义。它可能就此影响你的职业前景，或生或死，或明或灭，全在于你的沟通与发挥技巧。
你不会明白，领导今天说的话，里面蕴含了多少深层次的意义。想明白了是一条路，未想明白，是另一条截然不同的路。
你不会明白，你怀着同情心，资助了10多万的女孩，就因为你抱怨一句她寄的水果坏了，就会跟你撕破脸断绝联系。
你不会明白，人到中年，还没家庭、没孩子，一个人吃饭、睡觉、出门、回家，那种无力的孤独，还有亲人对你的失望。
活着就是修行，除了身体的修行外，更有心的降魔。
焦虑，就是这样一种心魔，它让你丧失信心，让你整夜无眠。
白天，你很忙，可以让忙碌的工作，冲掉纷乱的思绪。
在万籁俱寂的夜晚，焦虑，如同夜之灵魂一样，悄悄降落你的身边，你无法抗拒它的到来，它的滋长，它的纠缠。
所以，我经常觉得人生好苦。
我一直试图追求真正的快乐，然而似乎没有找到。
当然，我不会放弃，会努力去找到。
如今做内容分发的App，比如知乎、微博等，用到的重要技术是个性推荐。
所谓个性推荐，是指针对不同的阅读个体，推荐不同的内容，也就是千人千面。这种推荐方式，有别于传统的媒体分发，比如你打开新浪网，整个版面的内容都是固定的，千年不变，谁看都是一个面孔。
个性推荐背后的技术是机器学习，也可以叫做人工智能，因为机器学习本来是AI的一个分支。不过个性推荐一向有自己的领域定位，比如ACM RecSys每年都召开个性推荐学术会议，在业内影响巨大。
早期个性推荐都用的传统机器学习算法，比如逻辑回归、因子分解、随机森林。近两年，以google为代表的更高级的推荐系统，都走向了深度学习，从而越来越与AI总体发展方向趋同。
国内在个性推荐领域做的十分出色的公司包括头条系下的产品（今日头条、抖音），以及知乎、快手等，他们日积月累，搞出了一套先进的推荐系统，吸引了大量用户。可以说个性推荐是这些产品取得成功的至关重要的因素，充分体现了技术影响力。
个性推荐号称千人千面，看起来很美好，但在起步做时，往往十分困难。这个困难倒不在技术层面，而在于业务层面。
首先，要确认推荐目标，不管什么机器学习方法，总要朝着一个目标去优化。这个目标往往在内部并不能达成一致，比如产品希望做留存，运营希望做营收，这就是两个不同的目标。没有一个模型能优化好两个目标，所以技术实现之前，内部各利益方，先要达成一致的推荐目标。
如果实在不能达成一致意见，折中的做法是线上同时跑多套模型，然后对比数据，看哪个模型更好，就用哪个模型。当然在实际中，这个好与坏，要考虑长期影响，太短视的行为，对产品和用户的生态不利。比如，短期内提高了付费率，但是伤害了用户，这是一种杀鸡取卵的行为，也是个性推荐不提倡的。
其次，分发的内容众口难调。就算确认了共同目标，在这个目标下，分发的内容形式，也不一定是各方都认可的。比如，某些同学希望更多的推新领域内容，保持新颖性；另外一些同学希望更多的推熟悉内容，保持用户粘性。在新颖性与熟悉度之间，也要维持一个可以调整的平衡线。
再次，现实中不管运营也好，产品也好，不会完全遵循个性推荐的分发形式，他们总会从不同的角度进行策略干预。比如运营做活动，要重点推活动内容；产品开发了新模块，要重点推荐该模块的内容。所以，淘宝的推荐系统，在排序（ranking）之后加了一层再排序（reranking），允许运营手工干预排序策略。
业务矛盾解决了，技术实现一般还好。技术上的难题一般在于数据管理，包括三方面：
有了正确的数据，就可以组织数据、选择模型，朝着确定的优化目标进行训练了，这个过程不难，一般搞算法的同学都懂。
训练完后，会对模型进行评估。技术指标容易评估，比如AUC等，一眼可知。难在业务指标的评估，比如前面所说的新颖性、熟悉度，业务会衡量这些指标，从而人为影响了模型的可行性。
模型发布到线上，一般采用A/B测试和灰度发布。A/B测试尤其重要，它对比新模型与旧模型，或者新模型与自然流量的分发效果。当然，分发效果如何量化，又需要大家共同确认量化的指标，比如时长、留存、付费等综合指标。
模型部署运行后，一定要对流量进行监控，及时发现异常流量。一方面模型可能有bug，另一方面模型可能被恶意利用，朝着产品不利的方向发展。在这个情况下，要及时切断模型服务，回滚到上一个版本，或恢复到自然流量。
最后，说一说个性推荐涉及的机器学习技术。目前业界大部分公司，用的深度学习来做个性推荐，结合内容embedding技术。深度学习只要数据够大，拟合能力就更强，泛化能力也很好，模型效果相对于传统机器学习技术，有显著的提升。这里有一份知乎的个性推荐介绍文档，值得一览。
我之前带队做一款流量很大的App的个性推荐，一开始用的深度学习。在推荐系统临上线之前，产品要求模型具备可解释性，我们团队集体晕倒。深度学习是个黑盒子，本身不具备可解释性。无奈之下，一夜回退到逻辑回归，可解释性是增强了，效果自然也弱鸡了许多。