国外亚洲成av人片在线观看,热99re久久精品这里都是精品,天堂网在线最新版www,国产成人av区一区二区三,51久久成人国产精品麻豆

本文嘗試復(fù)盤(pán)梳理深度學(xué)習(xí)目前的技術(shù)要點(diǎn)，深度學(xué)習(xí)中模型迭代的方向，以及改進(jìn)后存在的局限。

第一部分：深度學(xué)習(xí)技術(shù)基本要素：神經(jīng)元、神經(jīng)網(wǎng)絡(luò)、分類(lèi)器、可視化框架

在深度學(xué)習(xí)領(lǐng)域，神經(jīng)元是深度學(xué)習(xí)的基本單位。

神經(jīng)元從數(shù)學(xué)角度來(lái)看，為一個(gè)線性函數(shù)公式（如下圖神經(jīng)元里的公式）+非線性函數(shù)（激勵(lì)函數(shù)）組成。線性函數(shù)（包括降維后的線性函數(shù)，此處不細(xì)展開(kāi)）用于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的模型訓(xùn)練，這其中，很可能出現(xiàn)欠擬合（欠擬合是指相對(duì)簡(jiǎn)單的線性函數(shù)，分類(lèi)處理信息時(shí)，因?yàn)榉诸?lèi)標(biāo)簽數(shù)量或準(zhǔn)確度不足以做有效區(qū)分）。于是，在處理這一個(gè)問(wèn)題時(shí)，工程師們?nèi)藶樵O(shè)置了激勵(lì)函數(shù)，來(lái)平衡線性函數(shù)無(wú)法解決的問(wèn)題：激活函數(shù)是神經(jīng)元中非線性部分，用來(lái)減低線性部分造成的誤差。

經(jīng)由神經(jīng)元作為節(jié)點(diǎn)連接而成的網(wǎng)絡(luò)，是神經(jīng)網(wǎng)絡(luò)。最基本的神經(jīng)網(wǎng)絡(luò)，有兩個(gè)神經(jīng)元，分別處在隱含層、輸出層，如下圖：

最簡(jiǎn)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

深度神經(jīng)網(wǎng)絡(luò)，是由含多層隱含層神經(jīng)元組成的神經(jīng)網(wǎng)絡(luò)。具體的原理和實(shí)踐會(huì)在下文再做展開(kāi)，展開(kāi)之前，不妨先了解深度學(xué)習(xí)技術(shù)層面到底解決了什么問(wèn)題？

首先，深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)處理輸入信息方式，有一個(gè)根本的差異：

傳統(tǒng)機(jī)器學(xué)習(xí)主要是通過(guò)四種基于人為整理、明確分類(lèi)維度邏輯關(guān)系的方式處理輸入的信息。包括樸素貝葉斯，用概率量化計(jì)算模型；決策樹(shù)，用合適的維度降低分類(lèi)信息熵；回歸模型，建模降低預(yù)測(cè)值與訓(xùn)練目標(biāo)值的差距；SVM（支持向量機(jī)），尋找超平面保證分類(lèi)的置信度最大。

在深度學(xué)習(xí)中，有大量的線性與非線性分類(lèi)器，分類(lèi)器是自動(dòng)對(duì)信息進(jìn)行處理，并不需要人為事先明確特征、標(biāo)簽分類(lèi)。

相對(duì)而言，不需要預(yù)先準(zhǔn)確分類(lèi)標(biāo)簽的深度學(xué)習(xí)解決了傳統(tǒng)機(jī)器學(xué)習(xí)的兩大問(wèn)題：

1. 特征清晰度要求降低。訓(xùn)練中不再只是在固定明確的標(biāo)簽下處理，還允許模糊、噪聲存在，對(duì)不同特征偏向的數(shù)據(jù)敏感程度自動(dòng)忽略。
2. 不可分類(lèi)變?yōu)榭煞?。由于沒(méi)有明確分類(lèi)的前提，使得原本大量（人為）無(wú)法分類(lèi)的特征，可以變成（機(jī)器）可分類(lèi)的特征，且相對(duì)高效地進(jìn)行。（人為分類(lèi)總是有局限的，因?yàn)樾枰鞔_定義、標(biāo)簽，一來(lái)需要時(shí)間、二來(lái)需要有效共識(shí)的達(dá)成）

接著，可以大致了解目前深度學(xué)習(xí)使用的框架有哪些，比如TensorFlow、Caffe、Chainer、Torch、Theano等。在這里我想強(qiáng)調(diào)的是深度學(xué)習(xí)中主流選用的框架TensorFlow的部分特性。

在一個(gè)前沿技術(shù)領(lǐng)域，一個(gè)框架是否值得使用（或者更準(zhǔn)確地說(shuō)，在這里我想提到的是能否下一步擴(kuò)大使用范圍），比如，TensorFlow是否值得使用，專(zhuān)業(yè)的工程師可能會(huì)提到：框架性能、社區(qū)活躍度、語(yǔ)言、環(huán)境與集群支持等等。就我目前的了解到的，有兩個(gè)我覺(jué)得（面向用戶，很受啟發(fā)的）值得關(guān)注的地方：一個(gè)是使用的社區(qū)活躍度，一個(gè)是使用界面是否可視化。社群活躍度意味著這個(gè)框架使用時(shí)，開(kāi)發(fā)者之間的交流與相互促進(jìn)程度，如果是一個(gè)非常小眾、其他開(kāi)發(fā)者不愿參與的框架，那么是不利于下一步擴(kuò)大使用范圍的。使用界面可視化，TensorFlow 有Tensorboard，Tensorboard支持可視化的訓(xùn)練網(wǎng)絡(luò)過(guò)程——事實(shí)上，可視化操作，一直是開(kāi)發(fā)者與使用者（無(wú)論是相對(duì)原創(chuàng)開(kāi)發(fā)者而言后來(lái)的開(kāi)發(fā)者、還是普通用戶）之間達(dá)成相對(duì)簡(jiǎn)單溝通的一個(gè)非常重要的環(huán)節(jié)。

開(kāi)發(fā)者/工程人員致力于用最簡(jiǎn)潔的語(yǔ)言（無(wú)論是否友好，甚至可能晦澀難懂）來(lái)運(yùn)行工程，但這個(gè)結(jié)果，很可能是后來(lái)者、用戶的“艱難”讀取。這不難讓我想到一個(gè)《硅谷》（?Silicon Valley，HBO）電視劇中一個(gè)情節(jié)：Pied Piper最初上線時(shí)，用戶界面異常簡(jiǎn)陋，男主Richard Hendricks還有他的所有工程界的朋友都完全沒(méi)有意識(shí)到這一點(diǎn)——他們覺(jué)得非常適合自己使用，但作為普通用戶+投資人的女主Monica Hall（本來(lái)是對(duì)Pied Piper抱著極大期待的）在內(nèi)測(cè)使用時(shí)，第一反應(yīng)是覺(jué)得界面一點(diǎn)都不友好，沒(méi)有繼續(xù)使用的興趣。后來(lái)Pied Piper用戶數(shù)一直徘徊在萬(wàn)人左右，沒(méi)有上升趨勢(shì)，教育用戶后接受使用的人數(shù)也沒(méi)有明顯提升。

這個(gè)可視化（友好面向用戶的一種）是題外話了，不過(guò)回到深度學(xué)習(xí)，無(wú)論是其目前主流選擇的框架（如TensorFlow）還是編程語(yǔ)言（如Python），都是往面向用戶友好/易用的方向行進(jìn)的。

上面提到深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)的基本元素，包括神經(jīng)元、激活函數(shù)、神經(jīng)網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)，目前深度學(xué)習(xí)使用的主流框架及其選擇標(biāo)準(zhǔn)。此外，還提到深度學(xué)習(xí)可以解決傳統(tǒng)機(jī)器學(xué)習(xí)無(wú)法突破的“明確的特征”局限。

第二部分：深度學(xué)習(xí)模型迭代/改進(jìn)方向，改進(jìn)后對(duì)應(yīng)局限

接下來(lái)，回到前面提到的目前深度學(xué)習(xí)基于上面提到的基本元素，真正落地的深度神經(jīng)網(wǎng)絡(luò)工程原理和實(shí)踐。這一部分會(huì)按前饋神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、深度殘差網(wǎng)絡(luò)、強(qiáng)化學(xué)習(xí)、對(duì)抗學(xué)習(xí)的順序展開(kāi)。我會(huì)比較詳細(xì)介紹前饋神經(jīng)網(wǎng)絡(luò)在工程訓(xùn)練中的流程，其他會(huì)把它們分別要解決的問(wèn)題以及可能的局限。

前饋神經(jīng)網(wǎng)絡(luò)

前饋神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中最簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)，一般分為：反向傳播神經(jīng)網(wǎng)絡(luò)（BP網(wǎng)絡(luò)），徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBF網(wǎng)絡(luò)）。在這里我會(huì)相對(duì)詳細(xì)地梳理這個(gè)最樸素的神經(jīng)網(wǎng)絡(luò)是如何落地的。

首先，我們來(lái)看一下前饋神經(jīng)網(wǎng)絡(luò)最基礎(chǔ)的網(wǎng)絡(luò)結(jié)構(gòu)，以BP網(wǎng)絡(luò)為例，這個(gè)我們?cè)谏衔淖罨A(chǔ)的神經(jīng)網(wǎng)絡(luò)中就給出了示意圖。上文的示意圖中，神經(jīng)元里的（wx+b）->，其實(shí)是簡(jiǎn)化了的，具體函數(shù)表達(dá)式會(huì)如下圖：

神經(jīng)網(wǎng)絡(luò)函數(shù)表達(dá)式

這個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)入工程訓(xùn)練，需要經(jīng)過(guò)以下三個(gè)環(huán)節(jié)：

1. ?準(zhǔn)備樣本（可以是文本、圖片、音頻以及音視頻結(jié)合等訓(xùn)練樣本）
2. 清洗處理（目的是幫助網(wǎng)絡(luò)更高效、準(zhǔn)確分類(lèi)）
3. 正式訓(xùn)練（將訓(xùn)練樣本代入訓(xùn)練模型，即上述示圖公式）

在上面三個(gè)環(huán)節(jié)中，正式訓(xùn)練的時(shí)候，訓(xùn)練過(guò)程不斷迭代使得w、b的值越來(lái)越適合（擬合）要訓(xùn)練的模型，為了求出w、b，深度學(xué)習(xí)中有梯度下降法（迭代法思維），來(lái)獲取逼近最優(yōu)w、b值。再進(jìn)一步，由于梯度下降法訓(xùn)練時(shí)候要?jiǎng)佑帽容^重的樣本訓(xùn)練，后來(lái)又出現(xiàn)了隨機(jī)梯度下降法（即隨機(jī)抽樣而不是全部樣本進(jìn)行處理），來(lái)獲得相對(duì)較優(yōu)的w、b值。

值得注意的是，從梯度下降法到隨機(jī)梯度下降，這樣的思維轉(zhuǎn)化，在深度學(xué)習(xí)領(lǐng)域是非常常見(jiàn)的：深度學(xué)習(xí)面向萬(wàn)級(jí)以上的海量樣本，如何使訓(xùn)練由相對(duì)重的模式變成比較輕的模式，從總體到隨機(jī)抽樣，是一種解決方案——核心就是在無(wú)限成本取得最優(yōu)到有限成本取得次優(yōu)之間權(quán)衡。

梯度下降法：求?。╳,b）極值，使損失最小化

另外，在求取w、b值的過(guò)程中，無(wú)論是取任何值，難以避免產(chǎn)生的是一個(gè)誤差值，在訓(xùn)練過(guò)程中，工程師們會(huì)引入一個(gè)損失函數(shù)Loss，而上述的梯度下降求取w、b最優(yōu)解的同時(shí)便是求出最小損失函數(shù)的過(guò)程。

在訓(xùn)練過(guò)程中，有兩個(gè)主要環(huán)節(jié)，一個(gè)是訓(xùn)練集訓(xùn)練，一個(gè)是驗(yàn)證集測(cè)試。前者是搭建最合適模型所需，后者是檢驗(yàn)所搭建模型是否合適使用。在檢驗(yàn)的過(guò)程中，可能會(huì)出現(xiàn)過(guò)擬合（Overfitting）問(wèn)題，深度學(xué)習(xí)中高VC維的分類(lèi)器，可能使模型過(guò)度擬合，降低模型的準(zhǔn)確性——驗(yàn)證集驗(yàn)證過(guò)程中會(huì)基于Loss損失函數(shù)和準(zhǔn)確率（Accuracy）來(lái)判斷是否在較優(yōu)的準(zhǔn)確度。在搭建模型完成后，還有第三步，就是用測(cè)試集，檢驗(yàn)搭建模型的效用了。

以上便是一個(gè)基礎(chǔ)神經(jīng)網(wǎng)絡(luò)的流程框架，和在訓(xùn)練處理中引入的比較核心的思維。

介紹完最簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)工程流程，接下來(lái)，我會(huì)針對(duì)卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、深度殘差網(wǎng)絡(luò)要解決的問(wèn)題和目前的局限來(lái)分享。

之所以以這個(gè)角度，是因?yàn)?，在學(xué)習(xí)深度學(xué)習(xí)的過(guò)程中，我們會(huì)很容易發(fā)現(xiàn)，基于上述提到的最基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，開(kāi)發(fā)者們是一一針對(duì)工程實(shí)踐時(shí)，遇到的瓶頸，找到對(duì)應(yīng)的解決辦法。而這些辦法，慢慢建立成為新的落地模型。所以，我們是可以基于最簡(jiǎn)單網(wǎng)絡(luò)模型，再進(jìn)一步了解這些更新的神經(jīng)網(wǎng)絡(luò)模型的（它們的特性與功能）。

這些模型，既可以解決最基本神經(jīng)網(wǎng)絡(luò)無(wú)法突破的部分問(wèn)題，同時(shí)，也面臨著其他具體的局限。

卷積神經(jīng)網(wǎng)絡(luò)（CNN）

CNN，也是一種BP網(wǎng)絡(luò)，，不過(guò)與之前的相比，其神經(jīng)元可響應(yīng)一部分覆蓋范圍的周?chē)鷨卧?、通關(guān)權(quán)值共享的方式使得下一層工作量大大較少（可參照下圖）。而之前提到的是全連接網(wǎng)絡(luò)。

全連接網(wǎng)絡(luò)的好處是，最大程度讓整個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)不會(huì)漏掉（就像上面的神經(jīng)網(wǎng)絡(luò)示意圖，每一個(gè)上一層神經(jīng)元全部連接到下一層的神經(jīng)元）。但是，就像上文也提到的，深度學(xué)習(xí)要處理的是萬(wàn)級(jí)以上的海量數(shù)據(jù)，要對(duì)海量數(shù)據(jù)進(jìn)行全連接處理，是一種非常重的模式，訓(xùn)練過(guò)程中，收斂速度會(huì)很慢。

CNN，相較而言，就是比較輕的模式（這里再一次提到用有限成本處理海量信息的方案了），可以在訓(xùn)練中，較少更新權(quán)重、明顯快于全連接網(wǎng)絡(luò)地完成收斂。

卷積網(wǎng)絡(luò)處理數(shù)據(jù)過(guò)程及方式

CNN的訓(xùn)練過(guò)程如上圖所示，除了一般處理方式（圖中加和處理的模式，即將所有卷積的數(shù)據(jù)匯總），還有池化層處理的方式。池化層處理，主要分為兩種路徑，一種是取最大值，一種是取平均值。無(wú)論是哪種路徑，目的都在于對(duì)數(shù)據(jù)進(jìn)行又一次特征提取，減少下一層的數(shù)據(jù)處理量，同時(shí)獲得相對(duì)抽象、模糊的信息，提高泛化性（想象一下，目標(biāo)是找到所有人的共性。那上一步是：只提取一個(gè)人的特性，和找到幾個(gè)人的共性，哪一種方式的更快、特征更有效）。

當(dāng)然，上面提到的池化層會(huì)對(duì)信息進(jìn)行模糊化處理，算是一種有損壓縮。與之對(duì)應(yīng)的，是整個(gè)卷積神經(jīng)網(wǎng)絡(luò)，在卷積核對(duì)輸入向量進(jìn)行特征提取的過(guò)程（將高維向量映射成低維向量），其實(shí)也是一種有損壓縮。

到這里，又可以解答卷積神經(jīng)網(wǎng)絡(luò)可以解決什么的問(wèn)題了。在開(kāi)始的時(shí)候，我們提到，CNN神經(jīng)元通過(guò)權(quán)值共享加快訓(xùn)練過(guò)程中的收斂速度，現(xiàn)在我們可以發(fā)現(xiàn)，CNN可以解決的另一個(gè)問(wèn)題：減少噪聲、訛誤對(duì)分類(lèi)的影響。（當(dāng)然這個(gè)可能需要更具體的工程流程展示才會(huì)比較清楚，感興趣的讀者可以進(jìn)一步了解）

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）

它要解決的問(wèn)題是什么呢？是上下文場(chǎng)景記憶的問(wèn)題。

上文提到的神經(jīng)網(wǎng)絡(luò)模型都不能解決“記憶暫存功能”（對(duì)比較遠(yuǎn)期輸入的內(nèi)容無(wú)法進(jìn)行量化，與當(dāng)前內(nèi)容一起反應(yīng)到網(wǎng)絡(luò)中進(jìn)行訓(xùn)練），循環(huán)神經(jīng)網(wǎng)絡(luò)可以解決，在自然語(yǔ)言處理（NLP）中也應(yīng)用最廣泛。

在講RNN如何實(shí)現(xiàn)上下文場(chǎng)景記憶問(wèn)題時(shí)，無(wú)法跳過(guò)的一個(gè)基礎(chǔ)是：隱馬爾可夫模型（HMM）。隱馬爾可夫模型中，有馬爾可夫鏈。馬爾可夫鏈的核心是：在給定當(dāng)前知識(shí)和信息的前提下，觀察對(duì)象過(guò)去的歷史狀態(tài)，對(duì)將來(lái)的預(yù)測(cè)來(lái)說(shuō)是無(wú)關(guān)的。在RNN中，隱含狀態(tài)下的馬爾可夫鏈會(huì)處理神經(jīng)元之間的信息傳遞。

不過(guò)，理論上RNN是行得通的，但在實(shí)踐上工程師們發(fā)現(xiàn)訓(xùn)練效果并不佳，所以現(xiàn)在用了LSTM（Long Short-Term Memory，長(zhǎng)短期記憶網(wǎng)絡(luò)）來(lái)取代傳統(tǒng)的RNN。LSTM規(guī)避了傳統(tǒng)RNN中遇到的問(wèn)題，并啟動(dòng)了一個(gè)有效的機(jī)制：忘記門(mén)（Forget Gate），在訓(xùn)練過(guò)程中LSTM會(huì)把有潛在影響的關(guān)系學(xué)習(xí)，忽略無(wú)效（不具有影響）的關(guān)系。

LSTM目前應(yīng)用在翻譯器、聊天機(jī)器人、分類(lèi)器等場(chǎng)景。

說(shuō)到局限性，訓(xùn)練過(guò)程中，目前只支持相對(duì)固定、邊界劃定清晰的場(chǎng)景，LSTM對(duì)多場(chǎng)景問(wèn)題也是無(wú)能為力的（這也是深度學(xué)習(xí)所有網(wǎng)絡(luò)模型沒(méi)有本質(zhì)突破的問(wèn)題，觀點(diǎn)取自參考書(shū)籍）。

深度殘差網(wǎng)絡(luò)（DRN）

它要解決的問(wèn)題是：傳統(tǒng)深度學(xué)習(xí)網(wǎng)絡(luò)中，網(wǎng)絡(luò)到一定深度后，學(xué)習(xí)率、準(zhǔn)確率會(huì)下降的問(wèn)題。目前，DRN在圖像分類(lèi)、對(duì)象檢測(cè)、語(yǔ)義分割等領(lǐng)域都有較好的識(shí)別確信度。

強(qiáng)化學(xué)習(xí)、對(duì)抗學(xué)習(xí)、其他

強(qiáng)化學(xué)習(xí)（Reinforcement Learning）和對(duì)抗學(xué)習(xí)，相對(duì)來(lái)說(shuō)，都是深度學(xué)習(xí)比較前沿的部分。

強(qiáng)化學(xué)習(xí)，嚴(yán)格來(lái)說(shuō)，是AI在訓(xùn)練中得到策略的訓(xùn)練過(guò)程，強(qiáng)調(diào)的是一個(gè)過(guò)程，而不同于上述各種神經(jīng)網(wǎng)絡(luò)強(qiáng)調(diào)的是搭建模型的方式。

那強(qiáng)化學(xué)習(xí)要解決的問(wèn)題是什么？上面我們提到的神經(jīng)網(wǎng)絡(luò)大部分是在完成分類(lèi)問(wèn)題，判斷樣本標(biāo)簽類(lèi)別等，那機(jī)器如何更智能表現(xiàn)呢？強(qiáng)化學(xué)習(xí)就作為一種機(jī)器自學(xué)習(xí)的狀態(tài)，來(lái)解決上面神經(jīng)網(wǎng)絡(luò)相對(duì)來(lái)說(shuō)需干預(yù)才可學(xué)習(xí)的局限。比如在AlphaGo圍棋學(xué)習(xí)中，就會(huì)用到強(qiáng)化學(xué)習(xí)這樣的自學(xué)習(xí)過(guò)程。

強(qiáng)化學(xué)習(xí)模型核心

強(qiáng)化學(xué)習(xí)要做的主要有兩步：

1. 將獎(jiǎng)勵(lì)、損失定義好
2. ?以主體較低成本不斷嘗試，總結(jié)不同狀態(tài)（State）下，獎(jiǎng)勵(lì)（Reward）大的工作方式。（其中一種思路就是上圖提到的馬爾可夫決策過(guò)程，可參照RNN部分）

對(duì)抗學(xué)習(xí)，目前主要是指生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Networks，GAN）。GAN是通過(guò)模擬一種數(shù)據(jù)概率分布的生成器，使得概率分布與觀測(cè)數(shù)據(jù)的概率統(tǒng)計(jì)分布一致或者盡可能接近。這個(gè)過(guò)程涉及納什均衡中的博弈機(jī)制，具體包括在訓(xùn)練中，判別模型（Discriminative Model）——盡可能提取特征正確率增加的模型，生成模型（Generative Model）——盡可能“偽造”讓判別模型以為是真的結(jié)果。

其他，還有相對(duì)更前沿的，包括條件生成對(duì)抗網(wǎng)絡(luò)（CGAN）、深度卷積對(duì)抗網(wǎng)絡(luò)（DCGAN）等等。這些前沿方向，對(duì)應(yīng)解決的，包括對(duì)抗學(xué)習(xí)穩(wěn)定性不高、訓(xùn)練數(shù)據(jù)還原度及質(zhì)量水平等問(wèn)題。

到這里，全文梳理了深度學(xué)習(xí)的基本元素、目前比較核心的神經(jīng)網(wǎng)絡(luò)模型、較為前沿的訓(xùn)練模式，以及它們要解決的問(wèn)題、在實(shí)踐中對(duì)應(yīng)的局限。如果想進(jìn)一步了解深度學(xué)習(xí)，你下一步可以學(xué)習(xí)的方向是：在這個(gè)框架之下，基于更具體的算法、問(wèn)題與案例，實(shí)踐代碼工程。

本文是作者學(xué)習(xí)《白話深度學(xué)習(xí)與TensorFlow》一書(shū)后的筆記與復(fù)盤(pán)，其中算法模型大部分參考此書(shū)。歡迎交流AI相關(guān)，Wechat：Danbchpk

作者：何沛寬

原文地址：http://36kr.com/p/5119949.html

版權(quán)：人人都是產(chǎn)品經(jīng)理遵循行業(yè)規(guī)范，任何轉(zhuǎn)載的稿件都會(huì)明確標(biāo)注作者和來(lái)源，若標(biāo)注有誤，請(qǐng)聯(lián)系主編QQ：419297645