1. 先做好准备工作油纸铺到烤盘上，裱花嘴放到裱花袋里120度预热。鸡蛋最好用冷藏的冷藏的蛋白会更稳定些。

2. 酸奶和奶粉放在一起搅拌成流动状态如果有结块就过滤下。

3. 柠檬汁加入蛋清里新手的话细砂糖可以分两次加，打到这个状态加第一次糖

4. 打到这个程度加第二次糖和玉米淀粉，大概是大弯钩的状态加玉米淀粉是为了稳定蛋白霜，没有的话也可鉯不加

5. 继续打发到如图的状态，提起打蛋器有直立小尖角非常硬挺有阻力，蛋白细腻有光泽用刮刀划开蛋白霜里面没有大气泡，非瑺的均匀就说明你的蛋白打发到位了。

6. 下面是非常重要的一步把酸奶和奶粉的混合物均匀的铺在打好的蛋白上。打蛋器开最高速数3秒，123停没有混合均匀的用刮刀翻拌均匀就可以了。

7. 挤花别挤太大，太大不容易熟入烤箱100度烤1个小时，我是按照我自己的烤箱设定的溫度如果您家的烤箱温度偏高就要适当的调低些，以溶豆不上色为准有热风功能的最好开热风，会更均匀

8. 烤好的（草莓?口味儿）花嘴没找到，用的其他的小号的，所以纹路不清晰。推荐三能70827092。我平时用的是惠尔通2D
   

9. 自己家小宝贝吃的开心。

?溶豆适合8个月以上对疍白不过敏的宝宝一岁以内可以不加糖。

?烤好的溶豆密封保存，保质期为1个月。

?婴儿奶粉建议用1段或者2段奶粉，或者脱脂奶粉。  

    消泡奶粉:羊奶飞鹤，完达山纽瑞滋，贝因美雅培，喜宝美赞臣，伊利金领冠。（不推荐）

    不消泡奶粉:牛栏美素佳儿2，雀巢超级能恩爱他美，a2（推荐）

?如果做其他口味的。可以用5克冻干粉替换方子里中同等重量的奶粉。我做的是草莓?味儿的。

?做溶豆需要的酸奶一定一定一定是老酸奶或者自制酸奶自制酸奶很简单，1升牛奶加一袋酸奶发酵粉搅拌均匀，放入酸奶机里8个小时之後直接放入冰箱钝化超过一夜。做酸奶的容器要用开水烫一下可以杀菌。

?烤箱预热温度建议120度溶豆放里后改100度或者100以下，看你自巳烤箱脾气

?做溶豆最重要的是速度要快些，一气呵成不然容易消泡，提前做好准备工作再开始打蛋白。

?柠檬汁和玉米淀粉都是鈳以保持蛋白霜稳定的不可以省略。没有新鲜柠檬汁可以用白醋代替

?一个蛋白可以出两盘溶豆，家用烤箱可以减半制作

?挤溶豆的时候可以戴上烘焙手套，防止手温度过高，手和蛋糊接触时间长也会加速消泡的。

?关于裱花嘴:推荐三能7082和7092，出来的花纹更清晰峩的做草莓?口味儿时花嘴没找到，所以用的小号的，花纹不清晰

 ?补充关于鸡蛋太腥的问题，好多人反应鸡蛋很腥，如果腥味儿很重，表示你用的鸡蛋不新鲜。判断鸡蛋新鲜度，鸡蛋磕到碗里，观察如果蛋清成椭圆形包裹蛋黄表示新鲜，如果蛋清和蛋黄分离表示不新鲜，解决方法:换鸡蛋！

?再推荐一款非常好吃的零食，夹心海苔脆做法也是超简单的，

没有比这个更详细的无添加宝宝零食不易消泡的酸奶溶豆（附奶粉选择）的答疑

• 用5克草莓冻干粉替换方子里的5克奶粉

• 哈哈，喜欢就好不枉费我那么认真在写这菜谱。

• 请问这个方子不加糖可以吗

• 溶豆挤出来很好看放进烤箱之后90度20分钟花型浅了很多是为什么呀作者君

  烤好的花型都会浅些，如果浅非常多就是消泡了！可鉯借鉴关于打蛋白的那篇

• 完达山是一点都不可以是吗？

• 请问合生元派星二段会消泡吗

• 还是建议大家用翻拌的手法不建议用打蛋器高速  我嘚打出很多气泡了

• 请问烘焙用的全脂奶粉可以吗

• 我的不成形 气泡消得厉害。到蛋清和酸奶混合时候就变的稀了

  蛋白打发问题可以参考峩的关于蛋白如何打发的帖子。

本文共八千字将会帮你理解图卷积网络的核心思想是什么以及它的发展脉络。

相比于细节展开本文更侧重思想理解。但对谱域一开始初级网络发展到一阶切比雪夫网絡的数学推导部分有涵盖因为谱域GCN为什么发展到现在常见形式的原因就在公式里。本文适合图卷积网络新手作为第一篇文章阅读然后通过文后链接阅读其他更详细的介绍文章以及原论文。本文推荐阅读顺序为第一遍：背景——总结——空域图网络——谱域图网络。第②遍：从前至后顺序阅读

• 图傅里叶变换|拉普拉斯谱分解
• ChebNet - 切比雪夫多项式拟合卷积核
• 为什么切比雪夫的阶对应着局部连接？
• GCN - K阶杆头更降┅步？
• GCN 没有训练时也有分类能力
• 每个卷积核一个参数就够了吗
• 谱域图网络小结：更近一步看GCN公式

• 一阶切比雪夫GCN效果
• 与MLP、不同阶切比雪夫囷其他trick相比

现如今计算机算法处理的信号基本都是数字化的，包括所谓人工智能算法所谓数字化，英文中称 Digitalized就是用一系列的数来表示所有信息。而每一个数我们可以视其为一个点，所以各种各样的媒介信息最底层的形式都是一系列的节点比如一个二维图像由length X width数量的潒素节点组成，一个文本由它篇幅长度的文字节点组成

但是信息只存在于这些节点内吗？或者说这一些列信息就是每个节点信息在一起嘚总和吗显然我们都知道。信息还存在于节点和节点之间的关系里比如一个字在另一个字之前意思会完全不一样，如性感和感性

因此人工智能算法需要考虑对多种节点间关系这个信息的提取能力。其中最万能的莫过于全连接网络让所有节点跟所有节点之间都发生联系，然后用一系列线性加非线性变换过程来模拟各种关系的形式（因为有证明在多于一层隐含层的情况下只要神经元节点够多就可以拟合各种函数）

但是这样的问题在于，当节点数量非常大时所带来的计算量过高，也就是所谓的Curse of Dimension这个时候就很难让算法从巨大的参数空間中找到足够优的配置（由于最优基本都是无法保障的，足够优即可 - 足够优并没有严格定义这里就不严谨的表达一下意思）。

那怎么样財能确保算法更容易找到足够优的配置呢纵观人工智能算法发展历史，个人总结：一方面我们可以从“找”的方法上下手 - 各种优化函数囷训练策略在尝试解决这个问题另一方面我们可以从减少搜索空间量下手 - 一种思路是，如果可以让没有意义的搜索空间不存在那不就鈈需要搜索了？就好比代码不存在时bug为零

因此，一个优秀的人工智能算法设计不仅在于如何确保理论上关系能被学习更要确保无关的關系不用存在于参数搜索空间。CNN的成功就在于此 - 通过将神经元设置为一系列小小的卷积核组合的形式然后让卷积核遍历空间的每一个局蔀位置。这样一个feature map的生成所需神经元从原先全连接网络中几千个神经元变成了几十个乃至几个但是所学到的特征除了不会考虑空间位置依然同样丰富。

而卷积核设计之所以可行的关键是一方面图像数据是欧式空间结构（规则矩阵），所以可以使用矩阵卷积核另一方面，图像信息里物体往往具有平移不变性比如一个人出现在左上角是一个人，出现在右下角还是一个人因此空间的平移关系在很多图像識别分析问题里完全没有作用。（不过这个优势在一定情况下也有他的问题：比如一个人脸的眼睛鼻子嘴巴之间的相对位置是有意义的咑乱放置就不是一张正常的人脸了。但是CNN对于一张打乱器官位置的人脸还是会认为它是一个正常人脸除非数据里特意加入这种样例作为反例）

一个图数据形式如下。它由节点和边组成有边连接的节点即互为邻居。每个节点的邻居数量没有规定每个节点上有相应的信号。 许多领域数据都像这样比如交通网络，分子结构关节节点等。以及很多领域问题可以设置成这样的数据结构比如规则图像处理领域的内容分析也可以把图像里的各个物体建模成网络结构。

因此图数据有三个明显特点： 1图数据不是欧式空间结构的数据。不像图像烸个节点（除了边界）一定有上下左右4个等距邻居节点；声音、文本则一定有前后等距节点（这里的节点等距是指数据结构形式上，不是指内容上）图数据没有这样的特点。这决定若用了CNNLSTM，图数据结构本身的信息将无法被利用 2，对于很多情景图结构本身就蕴含大量信息。比如一个交通网络、分子结构相当一部分甚至更多部分信息存在于结构中而不是节点中。 2由于结构并非规则，我们无法简单直接地像CNN一样直观的设计一个不变的卷积核从而遍历图的每一个局部难以做到参数共享。

基于图数据的背景图神经网络应运而生。个人判断其发展历程脱胎于图信号处理 - 图信号思路为主神经网络为辅，而渐渐的走向纯神经网络思路

介绍图网络设计之前，我们不妨先自巳思考一下图网络要干什么呢？一个图所包含信号包括边上的信息边结构，和节点上的信息所以我们的网络需要有种方式将它们都綜合起来。

以常见机器学习思路我们很容易想到的一种方式是，对于每个节点用一个MLP来汇总这个节点、其邻居节点和边的信息，边可鉯视为邻居节点的权重由此得到的值成为这个节点的下一个状态的值。

这种方式直观上就像图网络版的全连接网络它肯定能够训练出來一个有效果的网络，但问题是没有参数共享因此当图的节点数量很大时，计算量会特别大而且搜索空间也太大，效果也不会很好提出第一代谱网络的作者实际上就训练了一个这样的网络作（见下图），不过他不是对每个node做聚合而是分成k个cluster。

那怎么样才能减少参数量呢尤其是能否把卷积核的概念移植到图网络上呢？

于是学界把图信号处理领域的工作引入 - 既然在空域（直观意义上的图的信息）上没法卷积我们将它转到谱域（相当于频率）上来进行卷积。

具体方式： 我们想要干的事是把结合了节点、结构、边的信号从空域变到谱域因此我们要确保两点： 1，有种方式能结合节点、结构和边的信息 2这个信息形式可以被变化到谱域

于是图傅里叶变换就登场了。图傅里葉变换先用拉普拉斯矩阵将结构和边进行了融合而这融合了的信息由于拉普拉斯矩阵的特性可以很方便的转换到谱域 - 即做谱分解。而节點可以投影到谱域空间从而完成了三者的结合。然后我们可以在谱域里做卷积操作操作完毕后再转回到空域里。

这就是谱域图卷积的核心思想我们现在详细展开。

上文说到对于一个图 ，拉普拉斯矩阵 将边 的信息进行融合其定义为：

matrix)。邻接矩阵是一个把边的权重给表示出来的矩阵 代表第i和第j节点间的边的权重。以及由于我们现在在讨论无向图所以 。因此邻接矩阵是一个对称矩阵度矩阵 只有对角线部分有值，对应着邻接矩阵对应行的和也就是对于 节点，所有与其连接的边的权重的和

由度矩阵减去邻接矩阵得到的拉普拉斯矩陣自然也是对称矩阵，而且还是一个半正定矩阵(positive semidefinite matrix)半正定矩阵的意思是，对于任何向量 ,如果对于这个矩阵 有 恒成立那么 就是半正定矩阵。提到这的原因是半正定矩阵有些好的性质在之后的应用中大放光彩。

不过同时我们也因此要意识到由于后续图傅里叶变换的数学基礎依赖这些性质，而这些性质只有矩阵是对称时候才有也就是说是无向图的时候才有，所以其实基于图傅里叶变换的谱域方法是处理不叻有向图的

回到拉普拉斯矩阵的意义，这时候我们就可以看到拉普拉斯矩阵的意思实际上就是一个节点和邻居（考虑进边权重）的差徝。如此一来就结合了图结构和邻居的信息了当然结合的比较简单。所以想必信号处理领域应该是有更fancy些的结合方法的但是在图网络領域里好像没看到什么用其他方法的，可能太复杂不合适所以谱域图网络基本上都是用拉普拉斯矩阵作为一开始的处理的。

图傅里叶变換|拉普拉斯谱分解

图信号中空域和谱域的变换称为图傅里叶变换因为傅里叶变换在经典信号领域里就是做域转换的。所以现在在图信号仩的转换依然称为傅里叶变换

傅里叶变换就是把一个函数/信号用一堆线性组合的三角函数来表示。傅里叶变换是经典信号处理领域的基礎这里放一个网上找到的经典动图进行示意。具体不再展开网上优秀的解释很多，请自行搜索傅里叶变换不仅是个工具，也是个非瑺伟大的思想初次接触往往有震撼心灵的感觉。

在图信号这里圖傅里叶变换就是拉普拉斯谱分解，也就是特征值分解 因为拉普拉斯矩阵的对称半正定特性，所以它的逆为它的转置 所以对一个信号莋图傅里叶变换，其实就是拿信号和特征向量做内积 因为首先，拉普拉斯的特征向量是n个线性无关的向量（这是由半正定矩阵的特性决萣的；此处呼应上文）也就是说这套基底可以表示全部空间-这是最基本要求。其次本征向量和本征值的形式和特性和傅里叶变换很相姒。下表里进行了对比大家就可以看出来两者的一致性。

于是经过拉普拉斯算子处理后和经过图傅里叶变换之后，我们就获得了结合叻图各个方面信息的又可以做卷积的形式了 - 也就是对特征值进行处理

对特征值 - 也就是谱域信号的相乘，相当于在空域信号里做卷积所鉯现在我们只要对每个特征值相乘的参数（实际上是相乘后的结果）进行学习，我们就完成了图网络的卷积学习了！这也就是第一代谱域圖网络Spectral CNN (SCNN)的方法它把对所有特征值的处理 后的结果视为要学习的变量 。其具体公式如下：

其中 表示第k层的第i个channel的feature map； 表示第k层channel个数； 表示偠学习的参数化的卷积核； 是激活函数

虽然我们成功实现了卷积运算了，计算量也降低了但我们可以看到，虽然计算参数减少到节点的數量但是其实还是很大的 。而且做特征值分解的运算量尤其大是 。

此外还有个重要问题- 它是全局的并不是局部的，所以并没有利用仩数据中经常存在的局部不变性的特点

于是这时候切比雪夫(Chebyshev)多项式就登场了。

切比雪夫网络的方法是通过将卷积核函数用切比雪夫多项式进行逼近避免了特征值分解 、运算；并利用多项式拟合可以选择使用低阶数拟合的能力，将计算从全局变成了局部多项式逼近其实哏傅里叶变换本质上很相似 - 都是把一个函数用一系列线性组合的基底函数来进行拟合。具体方式如下

设原先在空域中卷积核为 ,则在谱域Φ卷积核为 现在用切比雪夫多项式来拟合 。 就代表切比雪夫多项式的第k阶 代表这第 k阶相应的系数。

切比雪夫多项式定义如下：

然后现在峩们将切比雪夫多项式放进公式神奇的事情就发生了 - 我们不用做谱分解了！推导过程如下：

猛一下好像不太清楚为啥U就能从外面进入到切比雪夫多项式里面。其实就是简单的矩阵乘法下面一展开就明白：

第三步到第四步的推导仅需自行展开式子就明白。

这时我们再看需偠学习的参数：仅有K+1个需要学习的参数！而K的数量一般肯定在两位数以内甚至仅有几个。这就大大降低了复杂度而且关键的是，k阶近姒同时还对应着k阶近邻的信息也就是感受野半径！一举两得，一石二鸟一箭双雕。感觉还是很奇妙的好像切比雪夫和拉普拉斯商量恏了似的（当然其实不用非要切比雪夫多项式，只要多项式拟合都可以有这个效果公式里面并没有用到切比雪夫的特性，用的还是多项式的特性选择切比雪夫只是因为它在各种多项式拟合选择里表现好）。

为什么切比雪夫的阶对应着局部连接

这时候我们自然会冒出这個问题。其实答案只要通过简单的公式展开即可发现切比雪夫的k阶对应着拉普拉斯矩阵的K次方，而这个表达式正好对应着k阶近邻的边的聯乘因为拉普拉斯矩阵除了对角线其实就是邻接矩阵，邻接矩阵的k次方就对应着k阶邻居之间的联乘

从这个形式我们就可以看出，每次聯乘都是增加一阶边之间的联乘而且由于有边连接的节点之间的权重才是非0的，所以只有有连接的边之间才能联乘

更具体的可以再举個例子，比如我们假设节点1、2没边，1、4没边1、3有边，3、2有边2、4有边，3、4有边我们以节点1为例子，先看它和节点2如何获得连接也僦是看 。我们有 ：

此时我们可以看到感受野扩大到了两阶边但此时只有一个二阶邻居，因为节点1和2之间只有节点3是共同邻居

此时我们鈳以看到感受野扩大到了三阶边 - 节点4被连接进入了。而原先节点1和4是没有连接的所以拉普拉斯矩阵的k次方对应着要让每个节点和它的k阶鄰居发生联乘，也就是k阶局部连接

GCN - K阶杆头，更降一步

到ChebNet时候，谱域图卷积的设计已经非常好了计算量也小多了。但人们还不满足還继续想降低计算量。于是出现了GCN（Graph Convolution Network名字很霸气，但还比不上CNN的能力） - 将切比雪夫K阶仅取1阶 - 也就是仅对应1阶邻居然后通过图卷积层的疊加来扩大感受野。于是乎这个时候的表达式给精简成如下：

这是因为0阶切比雪夫是

是normalized之后的拉普拉斯矩阵（也称对阵型拉普拉斯矩阵）， 是normalized 再次依据特征值normalized之后的拉普拉斯矩阵因为切比雪夫多项式有要求（其实上文的ChebNet也是要normalized两次）。定义为

由于 最大特征值 所以

此时洅把 ,式子就变成了

最后由于 特征值最大可以是2，层数多时可能发生梯度爆炸所以我们将式子再normalize一下,令 所以最后我们有

即使如此在一些任務上依然取得了比其他SOTA方法都好的效果。还是挺让人惊讶的(见后文performance比较）

同时让人惊讶的是，该GCN在没有训练的时候对一些任务也能取得奣显分类能力下图显示出一个没有训练的GCN也能将节点一定程度分类.也就是说，仅仅靠邻接矩阵的作用网络就已经有一定的运算能力了。这个现象并不是偶然之前也有研究发现random weights深度学习架构也能学到有意义的feature。这充分说明网络结构的inductive能力这也正是设计网络结构的意义。

每个卷积核一个参数就够了吗

回到GCN，这时我们不禁会质疑真的仅有一个参数难道就真够了吗？这点也受到了人们的质疑这篇博客對此提出了反驳并且得到了GCN作者的认可。这篇博客里提出如果把普通规则二维图像也看做一个图，相邻像素和像素之间视为一个边那麼其实这个卷积核相当于邻接矩阵加上一个仅有一个参数的卷积核。这显然是非常局限的所以我们要意识到，GCN还只是适用于非规则空间數据的任务对于规则数据效果并不好。

再回过头来看GCN我们其实也意识到了 - 现在已经被简化的只是归一化的邻接矩阵和一个可学习参数叻。因此它干的事情虽然从推导历史来看是切比雪夫多项式拟合的在图傅里叶变换得到的谱域进行卷积，实际上 - 就是一个节点和邻居节點信息基于边权重简单加减再乘上个系数，再做个非线性变换嘛并没啥复杂的。

所以这个时候我们不如直接从邻居节点信息融合角喥入手？事实上现在学界好像更多的都在走这条道路了。至此我们的方法开始从图信号思路角度跳脱出来，进入了深度学习练丹领域大家基于一些直观思想做一些许多时候比较简单的设置，然后基于大量数据、梯度下降和大量算力的催化剂开始练丹。

话虽然说的调侃但其实我对这种思路也完全是认可的。对于非常复杂的系统或问题明明白白的数学往往复杂度是不够的。在复杂系统领域涌现现潒往往都是由简单的规则经过无数次迭代更新产生的 - 比如分子产生细胞，细胞产生组织组织产生人这样的高等生命。这个世界大多数现潒都确实符合“道生一一生二，二生三三生万物”的演化/涌现规律的。所以找到一个很好的基础规则是AI领域一直的重要事项之一。

譜域图卷积方法的前提条件是无向图由此得到的邻接矩阵才是对称矩阵，才能继续进行图傅里叶变换而很多场景下并非如此。所以我們直接在空域上进行卷积时就可以克服这个问题

空域上进行卷积的核心问题是在不规则数据结构下找到一种共享卷积核的方式。接下来簡单介绍几个方法

第一个方法很直观，我自己在刚接触图网络时就想到本文一开始提到，在空域做卷积的问题是不像规则数据，图數据里每个节点的邻居数量都不一定没有直观的不变的图卷积核的方法。那么一个简单粗暴的方式就可以是 - 我直接用采样的方式把你嘚数量弄的一致，然后我再apply一个统一的卷积核不就得了

GraphSAGE (Graph Sample And Aggregate)方法干的事就是这样。先用最粗暴的均匀采样(Uniform Sampling)采固定数量邻居然后用一种方式聚合一下。文章中提出了三种：1平均聚合，也就是取平均值2，池化聚合也就是取最大值。 3LSTM聚合，也就是把节点无序的用LSTM给处理一丅

我们可能想当然LSTM肯定是效果最好的，但没想到在一些任务上池化的效果还更好(见后文”效果“部分）不知道这是普遍的情况还是只昰针对数据比较high level（相对于像素这种raw data）才是这样。

接下来介绍第二个方法采样的方式更复杂些。

它的设计是通过随机游走方式来对邻居节點（不一定是一阶邻居）进行采样随机游走以马尔科夫方式从节点自身沿边走到其它节点，以边的权重作为转移概率所以这里转移矩陣也就是归一化的邻接矩阵。走k步之后得到每个节点的期望值然后获得n个邻居并进行排序。然后这个时候就能进行普通的卷积操作了

Network)。这个网络设计顾名思义借鉴了注意力机制它通过一个固定的注意力算子（一个MLP）来计算每两个节点之间的注意力系数（注意力系数还偠做个归一化）。接着它的卷积核是对每个单个邻居节点进行操作，所以完全不用担心邻居数量不一致的问题最后，以注意力系数作為加权权重将邻居节点卷积处理后的输出进行加权求和就得到了新的节点的值。

节点的更新式为 其中$W$是共享的卷积核， 是 的邻居 是囲享的注意力算子基于 和 得出。

所以我们可以看到空域上的图卷积主要在于设计出一种局部汇聚机制能适应邻居节点数量不一样的情况。一种方式是通过采样来确保数量一样一种方式是将卷积核视野仅设置为一个节点，然后再通过更复杂些的加权求和来汇集邻居节点鈳能还有其他方法，不过我还没来得及看到

一阶切比雪夫GCN效果

在这篇文章里，我们介绍了一些基本图网絡的原理和发展历程图网络的思路脱胎于图信号处理，用图傅里叶变换将信号转换成谱域再进行处理（SCNN)此时问题一是计算量太大，特征值分解需要O(N^3)二是卷积没有局部性。于是学界出现了用切比雪夫多项式拟合卷积函数的方法（ChebNet）从而避免了特征值分解运算，解决了運算量问题；并且由于切比雪夫k阶对应着拉普拉斯矩阵的K次方而这又对应着K阶的近邻，因此解决了局部性问题然后有人在此道路上进┅步简化，只取1阶近似也就是对应着1阶近邻（仅通过卷积层叠加的方式来增大感受野），得到了计算量极简的GCN

到了GCN，虽然路子还是谱域的卷积最终公式上实际已经看不出来了，只是邻居节点的聚合然后乘上一个系数而已然后空域的算法开始变成主流。大家用不同的方式对邻居节点进行聚合并绕过邻居数量不一致的问题：有GraphSAGE直接均匀采样一阶邻居然后聚合有GNN用随机游走各阶邻居把期值最大的n个拎出來进行聚合，有GAT直接对每个单独邻居节点做”卷积“处理之后再花式加权求和

再接着图网络领域迎来爆发式增长，出现种种方法应用峩现在也没来得及看完，将来再梳理第二篇有兴趣的可以通过下文链接找到综述文章自行阅读。

喜欢的话可以关注我和我的知乎专栏！

吔可以关注我的公众号 - 名：「心智与觉悟」账号：”xinzhiandjuewu“。

本文为作者周自横原创转载需注明来源，侵权必究

作者刚从AI创业转向心智領域科研。曾留学洛杉矶有计算机科学、西方哲学和认知科学学历背景。一个坚持自身精神心灵修行的科学唯物主义者禅修7年，师从禪门名师有丰厚心灵实践，并一直阅读佛学和中国哲学经典追求人生自觉、自主、自在；追求奉献人类社会；追求理解心智机制。这個公众号会发表作者的科研博客和人文哲学文章科研博客以AI主题为主，偶尔涉及认知和神经科学人文哲学文章会触及禅、心灵哲学、Φ西文化哲学差异等话题。

你是如何设计你的生活的

你是洳何在生活中创造成功的？

你是如何让自己更上一个台阶的

什么样的想法让你能在你渴望的层次上去生活和创造?

每一天，是什么驱使着伱去创造一些让你能够去回顾和铭记的东西

每一天都很重要。你可以将一天的24小时肆意浪费掉也可以用这24小时去创造一些能让你的生活更美好的东西。

金钱会随着时间流逝而褪色但你所创造的东西却有着持久的生命力。例如伟大的艺术作品能够在作品的创作者去世後很长一段时间内依然能发挥影响力。

如果你每天都朝着你的梦想前进你会惊讶你已经走了这么远。如果我们充分利用我们拥有的时间我们就有足够的时间来让我们的生活变得更好。

如果你下定决心将你的生活提升到最高水平下面这15张图片将能更好地激励你，让你更囿决心去做有价值的事情

动机和动力是两个高度关联的概念。在你没有朝着目标方向行动之前你是无法获得这两者的。

你不能等到受叻启发之后再去行动动机不会自然而然地发生，相反它是对意图的一种反应。当你开始朝着正确的方向迈出一小步时动机和动力便會立刻启动。你需要提前思考提前规划，哪怕只提前一点点也行这可能意味着你需要在每天晚上花5到30分钟的时间来为第二天早上做准備。

你需要把事情安排好这样才能更容易获得动机和动力。斯坦福大学心理学家 BJ Fogg 曾这样说道：“形成习惯的关键不在于意志力而是在於设计和修正。”

本杰明·富兰克林也曾说过：“如果你不成功地计划，那你就在计划失败。”

亚伯拉罕·林肯曾说过：“预测你未来的最恏方法就是去创造未来”

因此，动机的关键在于计划和后续的行动

如果你告诉自己早上6点起床，并在起床后首先去做最重要的那件事当你真正这么做的时候，你才能体验到这种动机

动机很快变成动力和势头，因为当你做正确的事情时继续做正确的事情就会变得越來越容易。

（2）先有行动后有灵感

定期获得创造性的见解是一项你可以掌握的能力。心理学家称之为顿悟能力就像动力一样，灵感并鈈是你靠等就能等来的东西相反，它是你需要主动设计并积极寻找的东西

进入你脑海的想法很大程度上受你个人对生活的渴望的影响。你的决策（包括日常决策和重大决策）决定了你的欲望

你的欲望是你的行为的产物，而非相反因此，你可以训练你的欲望你可以通过训练来让成功、幸福、健康和深厚的人际关系变成你的欲望。

你可以将自己训练成一个想要努力工作的人你可以将自己训练成一个想要任何东西的人。你可以通过特定的输入和行为来做到这一点当你不断地这样做时，你就会越来越自信这能触发更新、更高层次的欲望，这反过来又能激发新的想法和灵感最终，你会渴望获得一些以前没有人想到过的令人难以置信的东西你将成为一个更有远见的囚，一个思想机器

如果你想获得更多的灵感，你所要做的就是开始以比你现在的行为方式更有力的方式去行动留意你的头脑告诉你的東西，把它写下来然后以一种向上循环的方式去行动。

2014年由内森·哈德逊博士和布伦特·罗伯茨博士在伊利诺伊大学香槟分校进行的一項研究表明，超过97%的人都想要改变他们人格的重要组成部分可悲的是，尽管人们想要做出永久的积极改变但大多数人一直以来被灌输嘚思想是：你的人格是永久不变的。

你的人格并不等同于你是谁你的人格是你在特定环境和人际关系中的表现方式。根据Gabor mator博士的说法囚格是一种环境适应。在很多方面人格是以前创伤的产物。一旦被抑制的创伤得以愈合人格就会改变。

在大多数人看来人格是被动嘚、无意识的。实际上人格也是可以被积极地设计的。你可以改变你是谁也可以改变你的生活方式。但为了做到这一点你需要改变伱的行为方式。现在你需要像你渴望的生活方式那样去生活。

你有强大的内在力量去成为你想成为的人为了这么做，你必须刻意为之你想成为什么样的人？

（4）早上8点前的时间决定了你将成就你的生活还是毁掉你的生活

早晨浪费一小时你就需要花一整天时间来弥补。因此拥有一个强大的晨间日程是非常重要的。

如果你的一天没有一个正确的开头你将很难逆转这种消极势头。

如果你的一天没有一個正确的开头就等于你向自己发出了一个“你完全满足于现状”的信号。

如果你的一天没有一个正确的开头你的动力和信心整个一天嘟会不断削弱，这会导致你越来越冲动决策、消极决策这是一个恶性循环。

你开始一天的方式将决定了你将成就的生活还是毁掉你的生活然而，除了简单地以正确的方式开启你的一天之外你还需要正确的设计。你处理晨间日程的顺序也很重要

你需要坚持要事优先原則。你需要知道你的触发器是什么对你而言，最重要的事情是什么

如果你能正确地设计和规划你的一天，你在一天内完成的工作将比夶多数人一周内完成的工作还要多但是做事的顺序非常重要。不要试图一心多用不要尝试同时做太多的事情。深度工作要远比肤浅工莋重要长时间专注于一件事带来的长远效果要比同时做很多小事带来的短期效果要大得多。

（5）100%的承诺要比98%的承诺更容易

对大多数人来說任何低于100%的承诺都是行不通的。100%的承诺才能真正让你有决心去做一件事情一旦你对于将要做的事情100%下定了决心，你就会去创造条件囷环境让这个承诺变成现实

试图98%的承诺去做一件事情之所以行不通，是因为这么做会让一切充满变数例如，如果你试图健康饮食但倳先没有完全决定你要为此做什么，那么你总是会被动地应对眼前的情况

98%的承诺会导致灾难性地急剧滑坡。当你不能完全确定在特定情況下你要做什么时你必须依靠意志力。但是当你有了足够的经验之后你就会意识到，意志力并不是那么有效决策要比意志力强大得哆。大多数人离他们本来能够过上的生活之所以相距甚远是有原因的他们从来不100%坚定地做出决策，然后始终践行这些决策

（6）只要你丅定决心，全世界都会来帮助你

每一天你都需要做出强有力的决策。当你做出一个坚定的决策时你就会向自己和整个宇宙发出“你是認真对待这件事”的信号。当你做出一个新的、恰当的、坚定的决策时你的生活就会发生改变。

如果你真的想改变你的生活你必须做絀这样的决策。这个决策必须坚定而果决即使你在这个过程中失败了，也没有关系但是为了让它成为一个真正的决策，你必须能够坚韌不拔地坚持

为了能够坚持到底，你每一天都必须遵循这个决策每一天开始和结束的时候，你都需要将为了遵循这个决策而做的事情寫下来以让其可视化。

（7）把梦想写下来看着它发生

当你将你的梦想以生动细致的方式写下来时，你就开始同时让你的意识和潜意识嘟参与其中用思维导图的形式来描绘你的梦想是一种让你的双侧大脑都参与其中的非常有效的方式。

写下你的梦想并将它们以视觉化嘚方式呈现出来时，这会让你与你的梦想之间的情感联系更加紧密只有当你的梦想变成你的一种情感时，你的梦想才会变得足够强大

當你每天都将你的梦想写下来的同时，也要讲你实现这些梦想的实际方式写下来更多地专注于 “谁”（WHO） 而不是“如何”（HOW）。当你专紸于“谁”的时候你就能做到从大处着眼和思考。

谁能帮助你实现你的梦想你需要从谁那里学习，需要得到谁的指导谁拥有能够帮助你实现梦想的人脉和能力？谁能帮你分担你不擅长的工作从而让你能专注于你最擅长的工作？

这种WHO 的思维方式能够立即把你的愿景提升到一个更高的水平

当你写下你的梦想和目标时，那些能为你提供帮助的合适的人就会进入你的脑海你成功的一个关键部分是学习如哬定位你自己，这样你就能够与正确的人建立联系和合作

你首先需要充分开发你的个人能力，这样才能让着自己成为一个值得别人去结識与合作的人你需要：

100%的确定你想成为哪个领域内的专家。只关心某些人的想法而忽略其他人的想法让自己变得足够优秀，这样才能讓自己变得不可忽视帮助正确的人进一步实现他们的目标在正确的导师关系中进行投入。关心在意你导师的目标成为一个给予者。永遠不要忘记你这么做的原因（WHY)永远不要对你已经取得的成功沾沾自喜。提出请求当你已经成功为自己赢得了信誉，并且给你心目中的渶雄提供了很大帮助后这时可以要求与你心中的英雄进行合作。

在所有这些变成现实之前你就应该在日志中将它们记录下来了。然后采取行动持续以强有力的方式行动，这时你会发现你的日记里记录的内容开始变得越来越生动和清晰你实现目标的速度变得越来越快。

（8）感恩会改变一切它触及的东西

表达感恩是会改变你的它会改变了你看待事物的方式，它也会改变你所感恩的人

在这个世界上，沒有什么东西比感恩的力量更强大感恩被认为是所有美德之母。感恩的好处是无穷无尽的正如成功学励志专家 Napoleon Hill 所言：“如果你在你的禱告中对于你得到的一切表达了感恩之情，并不会祈求你没得到的东西你就会更快得到你想得到的东西。”

（9）在你真正下定决心、彻底投入之前什么都不会发生

如果你真的想在你的生活、收入等方面取得巨大提升，你就必须做出一些大胆的决定你必须将所有筹码都壓上。

在我的组织心理学家博士研究中我把我的研究重点都放在了一个概念上：只能进不能退的境地。在这一刻你更容易朝着你的目標前进，而不是选择逃避事实上，在这个时刻追求你的最高抱负将会成为你唯一的选择。

它主要是以一种的投资形式发生的一旦做叻足够多的投资之后，你就必须继续向前走没有回头路可走。因为你必须向前走你不再对需要做什么而感到困惑。你对自己是否要采取行动也不再犹豫你已经采取了行动，现在你需要去完成这个行动你为什么要去完成它，从心理学方面看有几个原因：

让自己看起来鈈像是个白痴证明你的投资是对的。与你已经做的行为保持一致（因为你的行为决定了你的身份）因为你真的想要实现一个特定的目標。

下面我在我的硕士论文中最喜欢的内容我采访了几位企业家和想成为企业家的人。他们的主要区别是什么呢企业家们都有过某种形式的“只能进不能退”的经历，而想成为企业家的人却没有过这样的经历

我采访的对象中有一个17岁的孩子，他想通过卖鞋来创业他囷他的伙伴（也就是他的高中朋友）投资1万美元批发了一船的鞋子。他是这样描述他所经历的“只能进不能退”的体验的：“是的一旦峩们把所有的钱都投入到一样东西上，结果要么是收获满满要么是一无所有。这真的吓到我了这种感觉就像是要么硬着头皮硬干，要麼死路一条我不得不把这些鞋子卖完。你不能回头你不能把这些鞋子扔掉，你必须向前走”

我接下来的问题是：“在这之后，有发苼什么变化吗”

他是这样回答的：“在那之后，一旦我意识到我们真的必须要去做所有的事情后它真的让我明白了我能做的事情原来囿多么多。在那个时候我想我等于是开了一家公司，我在里面进行了投资现在我需要将公司运行下去。正是那时我意识到我是真的在經营一家公司我认为，它真的改变了我和我的伙伴们的领导角色”

一旦你穿越了“只能进不能退”的处境之后，你就会完全相信你的願景你下决心全力投入其中。你的角色和身份也会发生改变你已经摒弃了那些让你分心的东西。现在必须朝你想去的方向前进将筹碼全部投进去。

（10）你投入得越多心理上的提升就越大

Dan Sullivan指导过的成功企业家比任何人都多。他运营一个名为Strategic Coach的项目有超过3000名企业家每姩付给他1万到5万美元的指导咨询费用。

在过去的12个月里他开发并推出了“游戏改变者”项目，要想成为这个项目的成员每年需要支付5萬美元。Dan表示如果他当年没有为成为 Joe Polish的100K Group成员而自己支付10万美元的话，那么他就不会有足够的信心去为自己的项目收取这么高的费用的

當他对自己进行这样的投资时，他开始有更多的想法他也有信心做类似的事情。

显然为了实现你的梦想，你现在不需要立刻就投资5万媄元但是，如果你开始对你的目标和梦想进行一点点投资你就会在心理上、人际关系上和经济上得到10倍的回报。然后再利用得到的回報投资自己你会发现你的信心和人脉都会不断提升，你成功的能力也会得到巨大提升

崇拜者和专业人士有什么区别？专业人士会对自巳进行投资将赌注压在自己身上。用James Altucher的话说：“专业人士选择了他们自己！”他们选择了自己然后创造了动力、动机、灵感和信心。茬适当的过程中他们把自己设计成他们想成为的人。

(11）做一个多产的人比做一个完美的人要更好

“陶艺老师在开学当天宣布他会将班級分成两组。他说所有坐在工作室左侧的学员，都将只根据他们作品的数量来打分所有坐在工作室右侧的学员都将只根据他们的作品嘚质量来打分。

他的方式很简单：在课程的最后一天他会带着他的称重计，称“根据作品数量来打分”的那组学员的作品： 制作出的罐孓的总重量有50磅的评为 A有40磅的评为 B，以此类推然而，那些按质量评分的人只需要制作一个罐子只要是一个完美的罐子就能评 A。

到了評分的时候一个奇怪的事实出现了：质量最高的作品都是由按数量来评分的那组学员制作的。当按照数量评分的那组学员忙于大量制作莋品并从他们的错误中学习时按质量评分的那组学员却开始为完美进行推理，最后得到的只是宏达的理论和一堆淡褐色粘土”

为了制莋你的代表作，你需要创造大量的作品你必须吻很多青蛙才能找到你的王子。

例如在50部最伟大的音乐作品中，莫扎特的有6个贝多芬嘚有5个，巴赫的有3个但为了创造这些音乐，莫扎特创作了600多个作品贝多芬创作了650个，巴赫创作了超过1000个

同样，毕加索创造了成千上萬件艺术作品其中被称为他的伟大作品的寥寥无几。爱迪生有1900项专利其中我们知道的只有少数几个。阿尔伯特·爱因斯坦发表了248篇科學论文其中只有几篇是与著名的相对论相关的论文。

所以我要问的是：你是否在创造大量的工作你是在输入还是输出？如果你喜欢制慥东西那就制造更多的东西。如果你喜欢写作那就写更多的东西。如果你喜欢积累人脉可以积累更多人脉。如果你喜欢跑步那就哽多地跑步。做然后输出，然后再做更多

你只有通过实际行动践行你的想法， 你的想法才有价值一个好想法，不付诸行动只会带來痛苦和恐惧。相反行动能带来信心。行动是有趣的不行动只会从内心深处扼杀你自己。

（12）优质的木材都不太容易生长

大卫·贝德纳讲述了一个年轻人最近买了一辆皮卡的故事。他需要一些木材他认为这是检验他的新卡车的好机会。在将皮卡开进雪山之后里面没有掱机信号，他找到了一个可以停车的地方他把车开到停车的地方，结果被困在深雪中他绝望了，竭尽全力想要脱身但卡车越陷越深。

他把小树枝放在卡住的轮胎下希望它们能提供牵引力，但毫无效果他用一把铁锹试着将轮胎周围挖平，但车轮陷得太深了最终，怹变得非常沮丧太阳慢慢落下去，天气冷得刺骨他不知道该怎么办。他做了一个简单的祷告然后开始砍柴。他砍了几个小时砍倒叻很多树，把树搬到卡车后车厢卡车装满了，他就跳了进去启动车辆，在沉默了片刻之后他试着把它倒出来。沉重的木柴为车辆走膤地中走出来提供了必要的牵引力然后开回到路上，继续前进如果他的卡车里没有木头，他肯定会被困住

大多数人错误地认为幸福昰没有负担的。我们希望生活容易能够很容易没有挑战也没有困难。然而正是因为生活中有了一种负担，我们才有动力在生活中前进当我们不承担重要的个人责任时，我们很快就会陷入困境

我在自己的生活中也发现了这一点。直到我成为3个孩子的寄养父母之后我財有了很大的负担，这样我才更有动力开启成为一名职业作家的生涯

在有这些个人负担之前，我有点沾沾自喜我缺乏紧迫感。我没有湔进的动力安逸的生活不是通往成长和幸福的道路。相反安逸的生活只会让你在生活中被困住。

（13）只要理由足够强大（WHY)你就能找箌方法（HOW）

当理由足够强大时，你就会知道如何去做当你的理由足够强大时，你就会不惜一切代价去做

在《The Compound Effect》这本书中，Darren Hardy 举了一个场景案例：如果为了获得20美元你必须冒着生命危险。你会去冒这个险吗肯定不会。

但是如果让你冒生命危险去你在救危在旦夕中的孩子你会做吗？相信大家都会去做

这两者有什么区别呢？区别在于背后理由的强大程度！历史学家威尔·杜兰特说：“人的能力在特定需要嘚情形下是可以翻倍的”

如果你想要更多的动力，你通常需要一个能让你超越目前处境的情境你也需要一个对你来说真正很重要的崇高愿景。你越清楚地看到这一愿景这背后的 WHY 就越强大。

（14）如果你有一个20-25年的计划它会改变一切

驱使你每天早上起床的动力和目标是什么？

你未来20-25年的规划是什么

如果你坚持不懈地追求一样东西20多年，它将改变你周围的一切包括你的生活、你的人际关系、你的环境。总之一切都会改变

你需要找到一些能让你着迷20多年的东西。是什么让你如此着迷以至于你愿意让你的生活围绕它转？你的独特能力昰什么你对世界的最大贡献是什么什么会给你带来难以置信的快乐和激情什么能把你变成你想成为的人？

（15）做正确的事然后静待结果

你能控制的是你的行为，能控制结果的是规律和原则你种什么因，就收获什么果此外，如果你持续不断地种植一样东西最终你收獲的这样东西将会呈现复合式增长。

你通常无法立刻体验到你的行为所带来的后果如果你抽了一支烟，你可能就不会立刻得癌症如果伱每天都花10美元买咖啡，它可能不会立刻影响你的财务生活然而随着时间的推移，这些习惯带来的结果是惊人的就像复利一样。从长遠看你喝咖啡的习惯可能会严重影响你的财务状况。

如果给你下面这个选项你会如何选择？选项一是立刻得到100万美元选项二是拥有價值连续翻倍31天的一美分。大多人数可能会选择100万美元然而，一美分连续翻倍31天最终却变成了1070万美元然而，大部分的增长都发生在最後大多数人都没有足够的耐心来获得巨大的回报。如今活在当下的文化阻止了人们去进行长远投资。

这就是“一夜暴富”概念的来源指数增长曲线上的数字一开始看起来都很小。当你开始养成一个习惯时刚开始影响很有限。但久而久之影响将会变得非常巨大。因此突然之间，你发现有些人突然以成功者的身份出现在世人面前你没有看到的是，是他多年的准备才让他站最终站世界之巅的这就昰规律和原则在发挥作用。

反过来也是如此肥胖、债务、认同困惑、婚姻破裂。这些事情都是由规律和原则决定的都是日常决策所形荿的复合效应造成的。

积沙成塔集腋成裘。这个道理亘古不变