什么是深度学习(深度学习的和Python有什么关联吗)
资讯
2024-02-21
445
1. 什么是深度学习,深度学习的和Python有什么关联吗?
关于这个问题,可以这样回答,深度学习是一种内容,而Python是它的其中一种实现方式。
深度学习是机器学习的一个分支,主要是脱胎于当初的神经网络算法,通过多个隐藏层的处理,达到我们所需要的任务的训练,得到一个有效的模型。深度学习因为他的有效性,现在被广泛应用在,CV、NLP、语音识别等方面。
而Python因为他语言的简洁性和易扩展性,被广泛使用。Python拥有很多科学计算库,比如numpy,pandas,scipy。可视化库matplotlib,Scikit—learn等,可以方便调用。也有很多现成的人工智能开发框架可以直接使用,比如现在比较常用的PyTorch和TensorFlow,Keras,Spark等。
打个比方,用了Python就是不用重复造轮子,如我梯度下降算法,我可以直接使用现成的自动梯度下降函数,而不用自己重新写函数。
总结一句,现在的深度学习的实现形式通常是Python,就是用Python代码编写实现我们的深度学习算法。
![什么是深度学习(深度学习的和Python有什么关联吗)](/static/artimg/20231216/657d0d5e4ee65.jpg)
2. 针对什么样的人学习比较合适?
本人认为深度学习入门并不难,但是要想深入浅出那就得具备一定专业先验知识了。下面我就说说深度学习都需要掌握哪些知识吧。
1. 编程能力。所有与人工智能相关的方向,不具有一定的算法编写能力,那基本是不会有发展的。即使你数学精通,思维敏捷,但是不将其实践起来,那都是纸上谈兵。相对软件开发工程师,算法工程师的代码量不要求多,而是求精。代码的优化分为编程逻辑和调用算法两种,如果在你的代码中能够明显看出逻辑清晰,具有一定面向对象的格式那就更好了。当然像积分图像这种利用来源库计算也同样能提高运算效率。GPU上进行重复计算也是一种优化,随着硬件的完善,越来越多的应用都将移植到GPU上。
2. 数学基础。只会编程还远远不够,给你一套算法你都看不懂,那还怎么优化呢。无论你看论文还是实验都需要看懂并能优化这些数学公式。例如,最简单的激活函数sigmoid的原型以及它与其它激活函数的比较,适合哪些场景,这些不懂数学怎么能行呢。
3. 英语能力。人工智能领域的核心论文(例如ICCV等)都是英文文献,你英语阅读不好,就会影响你的理解与效率。所以,基本的计算机和相关领域英语常识是必备的。
总之,要想入门深度学习并不难,但是我们不能只局限于触手可得的事情,更应该抱着一颗勇攀高峰的心,努力前行。
如有疑问,下方留言,让我们共同进步。
3. 有没有最新的深度学习和深度强化学习的教学资源?
MILA 2018 深度学习与强化学习夏季课程目前已经开放了教学资源,机器之心简要介绍了该课程所开放的资源与课程主题,读者可参考这些主题选择合适的课程。
课程地址:https://dlrlsummerschool.ca/
视频地址:http://videolectures.net/DLRLsummerschool2018_toronto/
MILA 2018 夏季课程包括深度学习夏季课程(DLSS)和强化学习夏季课程(RLSS),并主要由以下机构支持。Yoshua Bengio 等人组织的夏季课程每年都非常受关注,每一个主题及讲师都是该领域的资深研究者,今年包括 Yoshua Bengio 和 Richard Sutton 在内的讲师大多来自常青藤院校、谷歌大脑、VECTOR INSTITUTE 和 MILA 实验室等知名的研究机构。
深度学习夏季课程
深度神经网络学习在多层抽象网络中呈现数据,这极大地提升了语音识别、目标识别、目标检测、预测药物分子活动和其他多项任务的水平。深度学习通过监督学习、无监督学习和强化学习构建分布式表征,在大型数据集中构建复杂的结构。DLSS 将涵盖深度神经网络的基础和应用,从基本概念到尖端研究结成果。
深度学习夏季课程(DLSS)面向已具备机器学习(也可以是深度学习,但不是必须)领域基础知识并有志于进一步深入学习 的硕士研究生、工程师和研究者。今年的 DLSS 课程由 Graham Taylor、Aaron Courville 、Roger Grosse 和 Yoshua Bengio 共同组织。
强化学习夏季课程
RLSS 会覆盖强化学习的基础知识,并且展示其最前沿的研究方向和新发现,还会提供与研究生和业内高级研究人员进行交流的机会。值得注意的是,今年 Richard Sutton 会先给我们上一次强化学习「启蒙课」:《Introduction to RL and TD》。
本课程主要面向机器学习及其相关领域的研究生。参加者应该有过计算机科学和数学方面的进阶预训练的经验,今年强化学习夏季课程的组委会成员有 Amir-massoud Farahmand、Joelle Pineau 和 Doina Precup。
DLSS深度学习夏季课程一共包含 12 个主题,它从机器学习基本概念与理论开始介绍了深度学习常见的方法与理论。包括可学习理论、最优化理论以及循环和卷积神经网络等。如下所示为各位讲师及他们带来的课程主题,我们将简要介绍每一个课程讲了些什么。
深度学习夏季课程
机器学习导论
机器学习一般分为三大类别:监督学习、强化学习和无监督学习。来自杜克大学的 Katherine Heller 讲师会对这三种学习方式给出基本定义和区分,并辅以具体实例和算法示例的展示;以监督学习的角度,逐步引入线性拟合、误差估计、损失函数、过拟合、欠拟合、正则化等基本概念;从贝叶斯定理的角度重新理解过拟合问题;将线性拟合方法推广,以处理更加复杂的线性拟合问题,最经典的算法为 Logistic 回归。
神经网络 I
在这节课中,来自谷歌大脑的 Hugo Larochelle 从神经网络的一般结构开始,过渡到深度学习。神经网路的介绍部分除了基本的前向传播、初始化、激活函数、反向传播过程的解释;和上一节课程的基本概念相对应,涉及损失函数和正则化方法的实现,以及如何防止过拟合的方法,模型选择的方法;此外还有一些神经网络训练中常用的优化技巧,例如归一化、学习率调整等。
深度学习部分强调了训练困难的问题,主要分为两个类别,分别是欠拟合与过拟合。讲师针对这两类问题分别对可能的原因和解决方法进行了深入的讨论,其中欠拟合问题一般和优化方法、计算硬件等有关,过拟合问题一般需要用正则化方法来解决,并介绍了一种有趣的正则化方法——无监督预训练;之后在介绍批归一化方法时,讲师强调,这种正则化方法可以同时改善上述两个训练难题。
神经网络 II
在这节课中,Hugo Larochelle 会解释和对比多种机器学习方式,包括监督学习、无监督学习、半监督学习、迁移学习、多任务学习、域适应、one-shot 学习、zero-shot 学习等;然后讲师会介绍如何根据具体问题设计神经网络的架构。最后,讲师会介绍神经网络研究中出现的奇异或难以理解的现象,包括对抗样本、损失函数非凸性、数据记忆能力、数据压缩能力、初始化方法的影响甚至第一个训练样本的显著影响,以及灾难性遗忘现象等。
CNN 导论
在这节课中,来自谷歌研究院的 Jonathon Shlens 首先探讨了计算机视觉面临的主要挑战,简言之就是:我们不清楚人类视觉系统是怎么工作的,而现在我们也不清楚计算机视觉系统是怎么工作的,但这个领域的确在进步。卷积神经网络就是受到了生物视觉系统的工作方式的启发而提出来的。讲师强调了自然图像的统计需要遵循不变性,即对图像变换包括平移、剪裁、旋转、缩放等的不变性。这也正是卷积神经网络能成功的一大原因之一,它天然地引入了平移不变性,从而相对于全连接网络能显著减少参数数量;并且其架构和输入图像尺寸是无关的,因而更容易扩展。
在解释了基本概念的基础上,讲师进一步介绍了几个经典的卷积神经网络架构,比如 LeNet。计算机视觉的进步也离不开大规模数据集和算力的发展,尤其是 ImageNet 数据集的提出。讲师还强调了归一化方法的规范和稳定作用,并概述了多种归一化方法,包括批归一化、层归一化、实力归一化、组归一化等。然后讲师从增加深度的角度探讨了卷积架构的演变,并从图像特征不变性的角度探讨了迁移学习方法的发展,尤其是目标检测和分割任务上的架构演变。
接着讲师探讨了架构搜索方法的发展和卷积网络的特征可解释性问题,并在最后讨论了卷积神经网络研究领域面临的主要挑战。
理论基础
普林斯顿大学的 Sanjeev Arora 着重介绍了深度神经网络的理论基础,很多读者可能首先想到的就是万能近似定理,即足够宽的单层感知机可以拟合任意函数。但 Arora 更关注于最优化性能、泛化性能、深度法则和其它有可能代替神经网络的简单方法。
最优化
多伦多大学的 Jimmy Ba 介绍了最优化基础的第一部分,他主要介绍了随机搜索与梯度下降、如何搜索更好的下降方向以及如何设计一个「白盒」的最优化方法。这些主题都是从神经网络的角度来探讨的,甚至还介绍了如何采用随机搜索的方式学习神经网络的参数。
在整个课程中,他介绍的梯度下降是比较重要的话题,包括梯度下降为什么能朝着更好的方向学习参数、它又如何遭受极值点和鞍点的困扰等。当然既然有这些问题,Jimmy Ba 也会介绍比较好的解决方法,即将物理学中动量的概念引入梯度下降,这样就能克服这些问题。
美国西北大学 Jorge Nocedal 随后介绍了最优化的第二部分,他主要从理论的角度解释了如何理解随机梯度下降及拟牛顿法等其它最优化方法,并提出了很多能获得更快下降速度的技巧。
RNN
主讲人 Yoshua Bengio 首先介绍了循环神经网络及其变体,如生成 RNN(Generative RNN)、双向 RNN、递归网络、多维 RNN 等,并详细介绍了 RNN 中涉及的基本概念和原理,如条件分布、最大似然、通过增加深度来提升 RNN 的表达能力等。然后,Bengio 介绍了 RNN 中的梯度问题,包括梯度消失、梯度爆炸及其解决方案。还介绍了多种 RNN trick,如梯度裁剪、跳过连接、Momentum、初始化、稀疏梯度等。此外,这节课还介绍了注意力方面的知识,如基于注意力的神经机器翻译、图注意力网络、多头注意力、自注意力和 Transformer 等。
语言理解
来自 CMU 的 Graham Neubig 主讲这门课《自然语言理解》,共分为三部分:语言建模、序列传导(sequence transduction)和语言分析。从现象到原理到解决方案,由浅入深,图文并茂。语言建模部分介绍了 NLP 中的一些基本知识:词袋模型(BOW)、连续词袋模型(CBOW)、Deep CBOW、Bag of n-grams、池化、NLP 预测任务中的神经网络基本思路等。此外,这部分还介绍了用于 NLP 任务时 CNN、RNN 的优缺点。序列传导部分介绍了条件语言模型(Conditioned Language Model)、生成问题、句子表征和注意力机制。第三部分语言分析介绍了三个分析任务:标注、句法分析和语义分析。
多模型学习
Google AI 研究科学家 Jamie Kiros 主讲这门课,主要介绍 Grounded Language Learning,共分为三个部分:Grounding and Scope、构造块(包括当前最佳实践),以及与其他研究之间的关系。第一部分介绍了 natural language grounding 的发展历史以及两种主要方法:Tie training and evaluation scopes、Grow training scope, evaluate in world scope。第二部分介绍了五个通用组件:编码、解码、交互(interaction)、预测/控制、目标函数;三种交互方式:Scoring、Fusion 和 Modulation。第三部分介绍了与 Grounded Language Learning 相关的研究领域:Contextualization 、Multi-apt representations、Relevance Realization、Specificity、自然语言生成和对话。
计算神经科学
主题为「大脑中的深度学习」。这门课从「为什么深度学习不止用于 AI?」这个问题入手,指出深度学习研究的目标之一是理解大脑的运行原理。然后指出深度学习需要什么:根据隐藏层对网络输出的贡献向神经突触分配信用(credit)。接着介绍解决方案——反向传播,以及原版反向传播的生物问题。最后介绍了四个问题:error term、下游权重(downstream weight)、derivatves of spikes 和前向/反向传输。
RLSS强化学习夏季课程另外一系列优秀的资源,它从强化学习的「启蒙」到深度强化学习与模仿学习介绍了 RL 的主要脉络与基础。不过强化学习夏季课程可能需要一些数学基础,这样才能比较好地理解随机采样等具体方法。
此外,读者也可以查看阿尔伯塔大学计算机系博士 Yuxi Li 的深度强化学习手稿,这份 150 页的手稿从值函数、策略、奖赏和模型等六个核心元素详细介绍了深度强化学习的方向与细节。
下图展示了强化学习夏季课程的主题与演讲者,我们只简要介绍 Richard Sutton 给我们的强化学习「启蒙」。
在 Sutton 的课程中,他首先介绍了在 9 月份正式发布的《Reiforcement Learning: An Intrifuction》第二版,这本书的电子版同样可以从 Sutton 的主页获得。随后 Sutton 从生物学基础开始介绍了什么是强化学习,即给定环境和状态的情况下智能体会采取某个行动,而这个行动又会影响到环境,因此影响后的环境将反馈给智能体一些奖励或惩罚,这样智能体在不同的环境下就知道该采取什么样的行动。
当然 Sutton 还介绍了强化学习的很多基本概念,包括什么是智能体、环境和策略等,此外也讨论了很多基本的强化学习方法,包括马尔可夫决策过程和 Q 学习等。
该课程最近还放出了课程视频,不过这些视频并没有带英文字幕,因此考验你们听力的时候到了。
视频地址:http://videolectures.net/DLRLsummerschool2018_toronto/
深度学习夏季课程
强化学习夏季课程
每一个视频在边栏都提供了对应的课程资料,且视频只包含讲师的介绍而不包含对应的 PPT,所以如果读者要学习的话,不仅听力要好,同时还得根据内容手动翻 PPT。
4. 想学深度学习?
深度学习入门建议看吴恩达的深度学习,讲得非常好,只要稍微有点统计学,概率论基础,知道向量和矩阵就能听懂。先是介绍了神经网络,反向传播等基础。后面也有自然语言处理,图像处理等案例,如基础的自然语言模型,词嵌入,目标识别,图像分类等。介绍了一些基础的模型。
都是免费的课,可以选择去官网学习,官网上还有习题可以做,也可以选择在b站或者网易云课堂上看。
附百度百科:吴恩达(1976-,英文名:Andrew Ng),华裔美国人,是斯坦福大学计算机科学系和电子工程系副教授,人工智能实验室主任。吴恩达是人工智能和机器学习领域国际上最权威的学者之一。吴恩达也是在线教育平台Coursera的联合创始人(with Daphne Koller)。
5. 究竟深度学习在干什么?
今天我谈一些经过个人实践的一些可以落地视角和方法。
深度学习是在设计知识的联系,这种联系就形成结构。用设计的方法来读书所谓设计其实是指一个过程,在这个过程中采取一定的思维及思维方法,而深度学习就是要使用一系列的思维及思维方法来设计学到的知识,把学到的知识跟已有的知识联系起来,而这种联系就会打破原有知识的结构,重新塑造出一个新的知识结构。
在这个设计过程要使用的一些思维及思维方法系统思维
减法思维
还原法思维
假设性思维
创新的思维【水平思维】
通常我们读书就是学习到书中的知识抱着这个视角会有很大的问题,因为一个人的学习,不仅是学习书中的知识,而且要重构知识,每个人都有现有的知识存量,要把新学到的知识通过设计嵌入到已有的知识系统。
一个根本的方法设计一个简单的形式来表述知识,形式就是指结构的外形可、可视化、形象化,并同时形成一种样式与秩序。而这个设计就要用到一些思维的方法【系统思维、减法思维、还原法思维、等等】。知识要经过自己的设计转一手,嵌入到已有的知识体系。
深度学习深度学习,就是在你读书的过程中,不仅是获取知识,而且还要生成知识,而这个生成的知识,就是透过设计。
知识要变成能用的思维读书获取的知识,跟大脑里能用的思维还有很远的距离,因为大脑用的思维要简单,而知识却是复杂的,知识要设计成简单的形式就能变成大脑里可用的思维。很多时候,读了很多书发现也没啥用,就是知识跟思维之间的断层造成的,这个断层,正是需要设计的地方。通过设计打通知识与思维的通道。知识要做到简,反过来大脑通过这个【简】就可以驾驭知识。
结论:深度学习其实是一个对知识重新设计的过程。非设计不足以把知识变成大脑里的思维。非设计不足以把新学来的知识嵌入已有的知识体系。深度学习干的是就是一个设计的活,每个人都要或多或少懂一些设计思维,这样有助于自己更高效、更有深度的去学习。
6. 显卡mx250和450的区别?
MX250和MX450都是NVIDIA推出的笔记本入门级显卡,从架构和性能方面来对比的话,MX450比MX250更好。
MX250的核心是帕斯卡架构的GP108,工艺是14nm,有着18亿的晶体管,光栅单元为16个,纹理单元为24个,流处理器为384个,默认频率为1519MHz,Boost频率为1582MHz,显存配备了2G的GDDR5显存,显存位宽为64bit,显存在1502MHz的情况下,可以带来约48GB/s的内存带宽,性能大约有台式机N卡GTX650Ti或者A卡RX550的性能。
MX450的核心是图灵架构的TU117,工艺是12nm,有着47亿的晶体管,光栅单元为32个,纹理单元为56个,流处理器为892个,默认频率为720MHz,Boost频率为930MHz,显存配备了2G的GDDR6显存,显存位宽为64bit,显存在1250MHz的情况下,可以带来约80GB/s的内存带宽,性能大约有台式机N卡GTX950或者A卡RX560的性能。
他们两者的TDP都是25W,虽然MX450的核心频率看上去不如MX250,但它的架构是更先进的,光栅单元和流处理器也比MX250更多,尽管MX450是阉割版的图灵架构,没有负责光线追踪的RT Core和负责深度学习的Tensor Core,但它的架构是可以支持DX12.2的部分特性的,例如可变速率着色VRS,所以经过对比了以后,MX450比MX250更好。
7. 求推荐性价比高点的笔记本电脑?
01小新Air13:我灰太狼大王回来了
最近几年,“轻薄全能本”的概念兴起。一方面全能本轻薄化,窄边框+新平台低功耗工艺,让过去与笨重紧密相连的15英寸独显家用本也变得更轻巧。另一方面轻薄本全能化,曾经和“性能”二字无缘的超轻薄小尺寸产品如今也可以大战主流网游。
这种趋势让两者的界限逐渐缩小,同时还有一种产品逐渐兴起,借助13英寸产品多高素质屏幕以及整体便携性强的优势、将传统多定位于中高端的小尺寸超极本下放到五千元价位段。这类产品多采用13英寸窄边高色域屏幕、“金属”机身、可选MX150显卡。
当年intel对ultrabook的定义为厚度小于20毫米,如今。。。
不过相比于过去的中高端轻薄本,为了争夺唯价格是从的“民粹”性价比,此类产品的设计和用料也有所缩水。比如号称”金属机身“实际上只有A面为金属、“轻薄笔记本”厚度却超过17毫米、“微边框屏幕”也只是左右两侧窄边框。
不得不承认,这类产品的存在有厂家的权衡成本因素方面的考量。可是当真没有一款更重视材料质感和设计细节的同价位产品吗?本期评测的全新联想小新Air13或许是一个不错的答案。我不太喜欢说他“性价比很高”反而喜欢用“质价比”衡量他。
有关2018款Air13的很多消息之前本站已经有猜测和爆料,联想TW2018大会期间也曾经全网首发小新Air13的上手视频,并爆料了很多信息。所以一个月后再次见到测评机也并不感到陌生。
而小新Air这个系列其实也是命途多舛,2016年第一代产品小新Air12、Air13、Air13 Pro一炮而红。初代小新Air13以13毫米、1.1公斤的极致轻薄全金属机身惊艳全场。Air12更是经久不衰。
然而到了2017款的小新Air系列,虽然在用料和内部设计上更进一步,却因产品成本定位与实际消费人群有偏差而近乎被雪藏。其销量和声量都很一般,甚至一度传出小新Air系列要被砍掉的消息。
当年惊艳全场的爆款:初代小新Air13
时隔两年重见小新Air 13,相比于更像是轻薄全能本定位的2018款Air14/15,全新小新Air13算是全方位回归了最初小新Air系列的模样:高色域屏幕+超轻薄小尺寸机身。即使看作是新一代的小新Air Pro,也不为过。
本次送测的版本为i5 8265U处理器、8G板载双通道内存、512G PCIe固态硬盘、MX150独立显卡的版本,目前首发价仅为5299元。无论是考虑性价比还是考虑质价比,全新小新Air13的表现都很突出。
而作为联想小新系列下半年的重磅产品,全新小新Air13还有哪些有趣的升级呢?本次测评带大家一起来把玩一下。
02外观设计小突破 功能硬件大学问在外观设计方面,全新小新Air13与之前发布的2018款小新Air14/15有很多相近之处,三面铝镁合金金属外壳、C面的金属与侧边是一体成型的,比同价位的塑料基底拼接的“C面金属“无论是手感还是强度都要好太多。
整机1.25公斤的重量即使单手托着也不会感到压力,针对随手拿起来就走的人来说再合适不过。14.8毫米的厚度在我看来属于锦上添花,在不影响外设接驳能力和内部的散热续航等关键因素的情况下自然越薄越好。相对来说我重视轻更甚于薄。不过截至目前,全新小新Air13应该是已发售的WhiskeyLake平台+独显的笔记本中,最薄的产品了。
顶盖设计依旧是lenovo logo侧置的”书本封面“元素,十分的简洁大方。不过这一次将logo由右下角转移到左上角,并且做了拉丝抛光的设计,看起来更”Shine“。据称这是提前采用了明年的ID设计方案。
本次送测的为轻奢灰配色版本,也是首发期间主力销售的版本。小新Air 13还有包括玫瑰金、湖光蓝、至尊黑三个配色的总共四种配色版本,满足每个人的时尚个性。参考小新Air 14/15的经验,湖光蓝和至尊黑配色应该会十分稀缺。
这里特别需要提一下的是至尊黑版本,了解早年iPhone5黑色掉漆的人应该知道阳极氧化金属工艺上色越深越容易掉色,5S上也被迫换为浅一点的深空灰。而整机全部采用阳极氧化铝+黑色的外壳设计的至尊黑版本Air13运用了特殊的喷涂工艺和表面涂层,在打造了深邃的纯黑色金属机身同时,既不会担心掉漆,也不会牺牲金属磨砂的细腻手感。
此外,至尊黑色版本,也会和小新Air 13顶配的i7 16G 512G MX150版本挂钩。这个版本的配置信息在后面会讲到。需要购买黑色的朋友,就可以考虑i7+16G内存版本了。
B面与之前一致,三边窄边框的沉浸感比两边窄更强,摄像头也依旧在顶部,全屏覆盖的钢化玻璃一方面给予屏幕更多保护,另一方面带来很强的一体感,这在同价位产品中并不多见。只不过换屏成本更高,好在这次采用了高色域屏幕,也没有更换必要。
有关镜面玻璃屏的问题,首先镜面雾面并无高下之分,只是满足不同偏好。而这种全屏玻璃的方案与普通塑料边框镜面屏不同,成本更高,观感也更为出色。对于雾面屏刚需的用户,小新Air13后续也会提供雾面屏版本,当然也可以购买目前玻璃版本贴一个雾面膜。
C面依旧是2018款小新Air家族设计风格,指纹识别没有缺席。不过说到指纹已经好久没有听到联想宣传指纹支付相关信息了。不知道这款产品是否和当初2016款的小新Air13 Pro一样支持指纹支付。键盘背光支持两档亮度调节也是联想标配。玻璃触摸板让我有些惊喜,用习惯了之后你会爱上那种无比顺滑的触感。
D面的设计由之前的圆润变得更为棱角分明,多了一丝硬朗气息。貌似也是未来一年的联想产品家族ID设计,其实这些设计本身对于核心体验没有太大提升,不过从设计上搭载了大量下一代ID设计这一点来看,全新小新Air13在联想产品线中起到了承上启下的重要作用。
到这里,似乎小新Air13表面看没有太大改变,似乎更像是Air14/15缩小版产物,不过有些改进确实是需要上手才能感知到的,比如转轴。
这一代的小新Air13是支持单手开合的,这个功能常见于旗舰级产品中,对于转轴阻尼调教有较高要求。日常体验中开合十分轻松自然,手速够快的话可以直接开到180度。嗯,180度的问题不必多说,联想这几年几乎将这项技能做成了自家大多数产品的标配技能。不过小新Air13似乎更调皮。
内心OS:你懂啥?这叫瑜伽未遂
不知道为什么,这一代小新Air13的开合角度由180度扩大到200多度,第一次上手甚至让我误以为可以360度翻转。所以在这里提醒大家,全新小新Air 13 不 支 持 360°翻转!提醒一下防止大家购买后当成翻转本掰着玩。。。
这一代的小新Air13从已经发布的版本来算属于第三代,第二代其实就是去年720S-13的姊妹机型。而今年的Air13采用了海外的S530-13系列作为原型,但是从刚才对外观的描述来看,与去年的7系产品在用料上并无二致。可以说在同价位一众只看性价比而忽视质感设计的竞品中很突出。
03接口够多够强大 内部紧凑有故事我一直认为对轻薄本的外设接驳能力,也就是接口种类的要求并非过分。毕竟目前距离全USB-C生态的理想王国还相去甚远,除非定位追求“全球最XX”这种黑科技探索产品,否则至少你得留个USB-A接口。
全新小新Air13的接口还算齐全:左右两侧各一个USB3.0 Type-A接口、基本的HDMI1.4b接口都有配备,出门常用的外设接驳不会让你完全依赖转接头。
USB-C接口不再是纯数据传输的鸡肋,而是加入了DP1.2显示输出功能,最高支持4K@60Hz的显示器外接。配合HDMI1.4接口可以同时输出两块4K屏幕。不过遗憾的是不支持对笔记本供电的PD功能,充电接口依旧为DC圆孔插头,希望下一代可以加入,毕竟全功能Type-C的普及风潮就要到来。
不过很多支持全功能USB-C的笔记本也依旧采用DC供电输入而不是采用纯USB-C充电。可能一方面USB-C接口的PD单头电源适配器发热较高而且不支持插头 ”第三条腿“——地线。作为全功能C口笔记本用户每次插充电器日常要看到电火花,全金属外壳的产品有时候摸起来会有麻酥酥的。
如果做成支持地线的,形态就和传统的电源适配器基本一致,那么USB-C电源适配器的便携性就没法体现出来。这种适配器在2018年的ThinkPad产品上很常见,还是有些笨重。目前来看,即使USB-C适配器也没法解决便携和接地之间的平衡。
不过在外接支持USB-C接口显示器时,就可以将充电-显示-数据三合一,仅需要一根线就可以完成,这属于我比较推崇的状态。不过市面上目前绝大多数USB-C显示器的输出功率为45W,对于建议供电65W的低压+独显轻薄本来说有点影响性能发挥,在常规的影音办公场景下使用还是不错的。
虽然目前USB-C全功能接口在使用上依旧有一些外设生态和技术上的瓶颈,但还是希望联想在之后的产品中可以加入USB-C PD充电功能,毕竟技术是可以进步的,目前虽然使用上有些瓶颈,但是多一个选择总归是好的。
而回到小新Air13产品本身,支持显示功能的USB-C接口,一方面相比于标准的HDMI和DP接口形状,C口不分正反的设计可以更方便的连接显示器,即使“摸黑”插线,也不不需要反复“在插错的边缘疯狂试探”。
另一方面,USB-C可以同步传输数据,针对有USB扩展接口的显示器,之前需要接USB Type-B一根线和HDMI/DP一根线,而如今只需要一根两头都不分正反的线就可以搞定,十分方便快捷。
至于内部结构,其实基本可以猜到,作为一款13英寸紧凑型产品,其扩展性自然不能做更多要求。全新小新Air13的拆机十分简单,拧下D面9颗内六角梅花螺丝即可拆下D面金属底壳,内部结构一览无余。
全新小新Air13拆机图
可以看到,全新小新Air13的内部结构十分紧凑,没有空间浪费。采用双热管单风扇设计,风扇叶片十分细密,在高负载下可以在维持较高的散热效率的同时也保持低噪音。热管设计很有趣,一根是传统的连在出风口鳍片上,另一根则连接到风扇外壳上。
内存为板载LPDDR3,打开屏蔽罩后可以看到四颗内存颗粒,采用双通道设计,对于整机性能有一定帮助。而有关这四个颗粒,还牵扯到很有趣的事情,这又与小新Air13的16G板载双通道顶配版相关。
首先13英寸窄边框笔记本中你很少看到板载16G双通道内存与独显同时存在的产品,或者16G双通道+核显或者8G板载+独显,总之板载方案很少见到小新Air13皇帝版的配置。
这是因为在寸土寸金的13英寸窄边框产品中,留给内存的空间并不多,板载DRR4的体积较大,如果想要采用16G板载双通道方案就需要8颗2G的颗粒,相比于现在Air13内的四颗4G实现的16G,可以脑补下前者的空间占用,肯定不能与独显并存。
此外,DDR4板载方案要比LPDDR3的颗粒高度略高,虽然只有零点几毫米,但是意味着为了稳定性,整机又要加厚许多,从而影响用户体验。
而即使是选用LPDDR3的方案,常规颗粒密度来看,也大多是单颗粒2G的4颗方案,意味着常规规格的LPDDR3虽然不会增加整机厚度,但是依旧空间有限。所以联想在小新Air13上双管齐下,一方面选用高密度颗粒,让单颗粒达到4G,另一方面重新调整主板结构,最终实现了四颗粒16G板载双通道内存+独显的成品!
所以这和我们普通用户有什么关系呢?我们只在乎卖多少钱!
没啥关系,只是随便说说,假语村言。个人觉得这些小故事说出来很是很有趣的,也不能让研发白头秃不是?所以结合之前的表面材料喷涂问题,小新Air13的那个i7 16G 512G 2G的至尊黑“皇帝版”还是有很多看点的,据传首发价格是6999,讲真,这应该是一线品牌原厂同配置里价格最低的了。
04跑分真香警告,实测未完待续本次送测的全新小新Air13为i5/8G/512G/MX150 2G版本。由于工程版固件存在一些问题,无法进行CPU长时释放性能测试和游戏测试,所以将在日后单独进行测试。
i5 8265U,英特尔WhiskeyLake架构处理器,也就是我们俗称的酷睿”八代半“”8.5代“。基于14nm++制程打造,1.6Ghz默频,最大睿频提升至3.9Ghz,直逼之前的i7 8550U(睿频4.0Ghz)。同时”威士忌“还加入了16条PCIe通道、内置双频无线网卡、原生支持杜比全景声和杜比HDR等特性。
使用Cinebench R15进行CPU性能测试,CPU多核成绩626cb,单核成绩157cb,相比于大多数13英寸产品上的i5 8250U有较大提升。WhikseyLake平台的高睿频确实对性能有较大帮助,不过具体发挥还要看后续的性能释放和游戏测试。
内存为板载双通道的LPDDR3,至于背后的故事刚才提到了,这里不再赘述。双通道内存设计对于首发4799的英特尔核显版以及未来可能出现的锐龙版来说具有很大的帮助。
固态硬盘为海力士的PC401的512G版本,采用m.2 2280规格,PCIe3.0*4总线,支持NVMe协议。我们用AS SSD进行测试,读取速度2317M/S,写入速度1235M/S,属于固态硬盘中较为优秀的成绩,这对本机性能有较大帮助。
显卡采用了低功耗版的MX150 2G,这也是轻薄本中很常见的独立显卡,性能相比之前的GF940MX有较大提升,对于一些中型网游也可以相对流畅的运行。联想官方宣称其热功耗设计约为10W,相比常见的8W版性能要略强。
我们使用3D Mark进行GPU性能测试,分别使用FireStrike、TimeSpy和SkyDiver三个常见模式作为参考。
FireStrike模式得分2575
TimeSpy得分964
SkyDiver得分8971
一直秉持游戏体验作为参考的我对于跑分数据高低其实不是很敏感,不过在诸多低功耗版MX150中上述分数属于比较靠前的。由于送测机器的一些bug在性能释放上有些问题,所以无法较好的展现游戏中CPU+GPU搭配好的表现,比较遗憾。
全新小新Air13全系标配100%sRGB高色域的全高清IPS屏幕,基本近似我们常说的72%NTSC高色域。这次送测的产品的屏幕型号,经AIDA64识别为NV133FHM-N6A,在屏库网中没有一致型号,我们找了近似型号具体规格供大家查阅。
老生常谈那一套,以后真的不要拿着某娱乐大师对照看 屏幕品牌 ,以及所谓的”屏幕生产日期“了,这样真的显得你很low。在万元内价位的笔记本屏幕同规格差异不会大相径庭,京东方、友达、奇美、LG、三星这些都属于技术十分成熟的老厂家。
至于所谓IPS漏光更是封装时候常见现象基本不影响日常使用,也不要瞎扣帽子说XX牌漏光严重大黄屏。而且相对来说,采用全玻璃贴合的屏幕其漏光情况会比传统塑料边框要轻微一些。
而那个”屏幕出厂日期“,只是屏幕底层驱动的一些日期,这些东西打个比方就像你吃的盐一样属于较为基本的东西,没事瞎改动价格是要出大问题的。
PC Mark10
例行测试PC Mark10,最终综合得分3609分,还是那句话,低电压酷睿处理器的性能水平+SSD固态硬盘基本没有什么电脑是日常体验不流畅的。即使有些PC可以跑出更高的分数,但是如果没有配备固态硬盘,体验未必更好。照例不放某娱乐大师的跑分,有比较喜欢自嗨请自行跑分。
续航方面,新款小新Air13采用与Air14/15相同的45Wh电池,使用PC Mark8在中等亮度节电模式下测试,最终成绩为5小时31分,在实际的轻度使用时应该可以达到官方宣称的8小时续航。玩游戏,emmmm,你确定不插电的吗?
FN+Q本来是应该重点讲到的,只不过还是由于到手工程产品有未知BUG,需要排查,所以日后再给大家单独测试。就个人体验简单说一下,首先新机刚开机是不能直接使用这个功能的。需要联网等待一会,在后台自动下载Lenovo Utility核心组件后才能使用。
在切换时屏幕会有三种标识来代表当前状态,不过暂不清楚是否会在检测到游戏等程序时自动切换到野兽模式。甚至更进步一步,像现在许多手机的游戏模式一样,检测负载不同的游戏会智能调节不同模式。不过考虑到手机做这个主要为了续航,在PC上必要性不大。
性能这个部分,整体来说测试并不完整,期待后续的正式版产品送测后可以有游戏及性能模式切换上更为直观的感受。单就测试软件的成绩来看,全新小新Air13在性能上并没有妥协,反而更为激进,实际的表现应该也不错。
05后性价比时代 回归品质才是王道今年的全新小新Air 13,从9月份联想TW大会上初次见到展示机给我的感觉就不错。三面全金属机身+玻璃屏的设计虽然已有存在。但在一线品牌同价位新品中还是第一次见到。去年首发同价位的潮7000-13还是一款单面金属、定位320S系列的堆硬件主打性价比的产品,而今年定位530S的Air13甚至有我手里去年720S产品的神韵。
在目前同价位产品都“节衣缩食”,哪怕搭载双USB-C都做了纯数据功能以便于省钱装进一个并没有太多性能提升、但是小白特别喜欢看的低压i7处理器的今天。小新Air13这种在外壳材质、设计细节上下功夫的产品遇到电脑小白会怎样呢?
— 我们有三面窄边框的全钢化玻璃贴合屏
— 小白:我预算五六千,想买个轻薄本没多大要求,好看还能吃鸡就行!
— 5299首发价的i5/8G/512G PCIe/2G,哪怕是单面金属外壳都很有性价比,何况我们采用了三面全金属,没有贴片塑料
— 小白:你这是i5呀,我哥哥说了还是i7处理器厉害,快,牛逼
。。。。。。
这就是如今的现实,所以很多人一面埋怨厂商不良心、一面又喷一些自以为”坑人“的产品高价低配。当初的720S是如此,如今的Air13做了更好的权衡,价格也拉到了大家可以接受的4799起,也许这次效果会更好点?
联想小新Air 13(i5 8265U/8GB/256GB/集显/增强版) 酷睿8代处理器,集成显卡,高色域,FN+Q模式
天猫商城
4799元
进入购买
所以标题的“偏不做性价比”其实就是指的用料部分,能不能做好用户心理引导,让用户的倾向从性价比转换到质价比上来,对联想,包括对其他厂商都是个很大的考验,一味顺应一些营销号杜撰出来赚流量的“消费降级论”,优先打造低价产品,没什么前途。
再来说说硬件 ,WhiskeyLake处理器的普遍福利是睿频提升,对于14nm四核八线程低压U这类主打高睿频短期性能高峰的产品来说可以在峰值性能上有更大突破。不过长时性能释放还有待测试,Cinebench多次连续测试结果也基本在560分以上,峰值水平626,确实比起大多数IKBR八代低压产品表现更好。
而i5 8265U高达3.9hz的睿频更是可以让他的峰值性能可以直接与上代i7 8550U(睿频4.0Ghz)争锋,这个提升还是很有吸引力的。
MX150一直是一款被严重高估的显卡,其实它本质上就是接940MX的班,承载了无数人低特效玩单机大作和高特效流畅LOL的希望。却还被喷子斥为“不如核显”,这世界上最好做的行业就是喷子,不需要知道核显会占用内存,喷就好。
所以,别问我MX150能不能吃鸡了,我GTX1060还偶尔室内突击卡一两下呢!
图片来自淘宝,Air13部分搭载PM981固态,具体以出货版为准
今年一大票512G的PCIe*4固态让我感觉很惊喜,下到3999首发的潮7000 14锐龙版、上到主打游戏的“掀起性能反击狂潮”(ZOL紫磨大师语)的拯救者Y7000系列,在全系主力产品上,联想都配备了价格厚道的512G固态版本。这对于改变用户对固态硬盘的态度有很大帮助。
可以说继华硕在2016年开启了512G SATA固态笔记本普及潮后,联想于2018年开启了512G PCIe固态笔记本的普及潮流,剩下的就是看各家跟进了。
联想确实开始改变了,只不过这种改变不一定是PPT上可以大说特说的参数。今年下半年覆盖小新潮、小新Air、拯救者系列的512G PCIe固态普及风暴、全系三边窄边框的ID设计、之前产品一直看不到的内存双通道、性能释放和模式切换设计。
联想的小新系列也算是诞生了四五年的品牌了,初代小新将i7处理器笔记本做到3999,而如今小新Air13在联想500系产品价位段融入700系中高端产品的特性。在同一产品上实现了目前一线品牌里最薄的WhiskeyLake+独显笔记本,和最便宜的 i7/16G/512G独显轻薄笔记本,堪称今年小新的旗舰作品。
至此,小新Air2018家族基本有了完整的体系和打法。Air14和15主打性能基础上的轻薄,而Air13主打品质基础上的性能。不同尺寸产品对应的不同消费人群和需求,有什么诉求都有对应的产品。
不过在一些较为前瞻性问题,如高色域屏和USB-C的功能上,小新的脚步也确实有点慢。比如Air13上才见到的高色域屏幕和虽然支持DP显示但不支持PD充电的USB-C接口。不过已经有内部消息称,这些点已经在下代产品议程中,预计明年可以见到。
本站涵盖的内容、图片、视频等数据系网络收集,部分未能与原作者取得联系。若涉及版权问题,请联系我们删除!联系邮箱:ynstorm@foxmail.com 谢谢支持!
1. 什么是深度学习,深度学习的和Python有什么关联吗?
关于这个问题,可以这样回答,深度学习是一种内容,而Python是它的其中一种实现方式。
深度学习是机器学习的一个分支,主要是脱胎于当初的神经网络算法,通过多个隐藏层的处理,达到我们所需要的任务的训练,得到一个有效的模型。深度学习因为他的有效性,现在被广泛应用在,CV、NLP、语音识别等方面。
而Python因为他语言的简洁性和易扩展性,被广泛使用。Python拥有很多科学计算库,比如numpy,pandas,scipy。可视化库matplotlib,Scikit—learn等,可以方便调用。也有很多现成的人工智能开发框架可以直接使用,比如现在比较常用的PyTorch和TensorFlow,Keras,Spark等。
打个比方,用了Python就是不用重复造轮子,如我梯度下降算法,我可以直接使用现成的自动梯度下降函数,而不用自己重新写函数。
总结一句,现在的深度学习的实现形式通常是Python,就是用Python代码编写实现我们的深度学习算法。
2. 针对什么样的人学习比较合适?
本人认为深度学习入门并不难,但是要想深入浅出那就得具备一定专业先验知识了。下面我就说说深度学习都需要掌握哪些知识吧。
1. 编程能力。所有与人工智能相关的方向,不具有一定的算法编写能力,那基本是不会有发展的。即使你数学精通,思维敏捷,但是不将其实践起来,那都是纸上谈兵。相对软件开发工程师,算法工程师的代码量不要求多,而是求精。代码的优化分为编程逻辑和调用算法两种,如果在你的代码中能够明显看出逻辑清晰,具有一定面向对象的格式那就更好了。当然像积分图像这种利用来源库计算也同样能提高运算效率。GPU上进行重复计算也是一种优化,随着硬件的完善,越来越多的应用都将移植到GPU上。
2. 数学基础。只会编程还远远不够,给你一套算法你都看不懂,那还怎么优化呢。无论你看论文还是实验都需要看懂并能优化这些数学公式。例如,最简单的激活函数sigmoid的原型以及它与其它激活函数的比较,适合哪些场景,这些不懂数学怎么能行呢。
3. 英语能力。人工智能领域的核心论文(例如ICCV等)都是英文文献,你英语阅读不好,就会影响你的理解与效率。所以,基本的计算机和相关领域英语常识是必备的。
总之,要想入门深度学习并不难,但是我们不能只局限于触手可得的事情,更应该抱着一颗勇攀高峰的心,努力前行。
如有疑问,下方留言,让我们共同进步。
3. 有没有最新的深度学习和深度强化学习的教学资源?
MILA 2018 深度学习与强化学习夏季课程目前已经开放了教学资源,机器之心简要介绍了该课程所开放的资源与课程主题,读者可参考这些主题选择合适的课程。
课程地址:https://dlrlsummerschool.ca/
视频地址:http://videolectures.net/DLRLsummerschool2018_toronto/
MILA 2018 夏季课程包括深度学习夏季课程(DLSS)和强化学习夏季课程(RLSS),并主要由以下机构支持。Yoshua Bengio 等人组织的夏季课程每年都非常受关注,每一个主题及讲师都是该领域的资深研究者,今年包括 Yoshua Bengio 和 Richard Sutton 在内的讲师大多来自常青藤院校、谷歌大脑、VECTOR INSTITUTE 和 MILA 实验室等知名的研究机构。
深度学习夏季课程
深度神经网络学习在多层抽象网络中呈现数据,这极大地提升了语音识别、目标识别、目标检测、预测药物分子活动和其他多项任务的水平。深度学习通过监督学习、无监督学习和强化学习构建分布式表征,在大型数据集中构建复杂的结构。DLSS 将涵盖深度神经网络的基础和应用,从基本概念到尖端研究结成果。
深度学习夏季课程(DLSS)面向已具备机器学习(也可以是深度学习,但不是必须)领域基础知识并有志于进一步深入学习 的硕士研究生、工程师和研究者。今年的 DLSS 课程由 Graham Taylor、Aaron Courville 、Roger Grosse 和 Yoshua Bengio 共同组织。
强化学习夏季课程
RLSS 会覆盖强化学习的基础知识,并且展示其最前沿的研究方向和新发现,还会提供与研究生和业内高级研究人员进行交流的机会。值得注意的是,今年 Richard Sutton 会先给我们上一次强化学习「启蒙课」:《Introduction to RL and TD》。
本课程主要面向机器学习及其相关领域的研究生。参加者应该有过计算机科学和数学方面的进阶预训练的经验,今年强化学习夏季课程的组委会成员有 Amir-massoud Farahmand、Joelle Pineau 和 Doina Precup。
DLSS深度学习夏季课程一共包含 12 个主题,它从机器学习基本概念与理论开始介绍了深度学习常见的方法与理论。包括可学习理论、最优化理论以及循环和卷积神经网络等。如下所示为各位讲师及他们带来的课程主题,我们将简要介绍每一个课程讲了些什么。
深度学习夏季课程
机器学习导论
机器学习一般分为三大类别:监督学习、强化学习和无监督学习。来自杜克大学的 Katherine Heller 讲师会对这三种学习方式给出基本定义和区分,并辅以具体实例和算法示例的展示;以监督学习的角度,逐步引入线性拟合、误差估计、损失函数、过拟合、欠拟合、正则化等基本概念;从贝叶斯定理的角度重新理解过拟合问题;将线性拟合方法推广,以处理更加复杂的线性拟合问题,最经典的算法为 Logistic 回归。
神经网络 I
在这节课中,来自谷歌大脑的 Hugo Larochelle 从神经网络的一般结构开始,过渡到深度学习。神经网路的介绍部分除了基本的前向传播、初始化、激活函数、反向传播过程的解释;和上一节课程的基本概念相对应,涉及损失函数和正则化方法的实现,以及如何防止过拟合的方法,模型选择的方法;此外还有一些神经网络训练中常用的优化技巧,例如归一化、学习率调整等。
深度学习部分强调了训练困难的问题,主要分为两个类别,分别是欠拟合与过拟合。讲师针对这两类问题分别对可能的原因和解决方法进行了深入的讨论,其中欠拟合问题一般和优化方法、计算硬件等有关,过拟合问题一般需要用正则化方法来解决,并介绍了一种有趣的正则化方法——无监督预训练;之后在介绍批归一化方法时,讲师强调,这种正则化方法可以同时改善上述两个训练难题。
神经网络 II
在这节课中,Hugo Larochelle 会解释和对比多种机器学习方式,包括监督学习、无监督学习、半监督学习、迁移学习、多任务学习、域适应、one-shot 学习、zero-shot 学习等;然后讲师会介绍如何根据具体问题设计神经网络的架构。最后,讲师会介绍神经网络研究中出现的奇异或难以理解的现象,包括对抗样本、损失函数非凸性、数据记忆能力、数据压缩能力、初始化方法的影响甚至第一个训练样本的显著影响,以及灾难性遗忘现象等。
CNN 导论
在这节课中,来自谷歌研究院的 Jonathon Shlens 首先探讨了计算机视觉面临的主要挑战,简言之就是:我们不清楚人类视觉系统是怎么工作的,而现在我们也不清楚计算机视觉系统是怎么工作的,但这个领域的确在进步。卷积神经网络就是受到了生物视觉系统的工作方式的启发而提出来的。讲师强调了自然图像的统计需要遵循不变性,即对图像变换包括平移、剪裁、旋转、缩放等的不变性。这也正是卷积神经网络能成功的一大原因之一,它天然地引入了平移不变性,从而相对于全连接网络能显著减少参数数量;并且其架构和输入图像尺寸是无关的,因而更容易扩展。
在解释了基本概念的基础上,讲师进一步介绍了几个经典的卷积神经网络架构,比如 LeNet。计算机视觉的进步也离不开大规模数据集和算力的发展,尤其是 ImageNet 数据集的提出。讲师还强调了归一化方法的规范和稳定作用,并概述了多种归一化方法,包括批归一化、层归一化、实力归一化、组归一化等。然后讲师从增加深度的角度探讨了卷积架构的演变,并从图像特征不变性的角度探讨了迁移学习方法的发展,尤其是目标检测和分割任务上的架构演变。
接着讲师探讨了架构搜索方法的发展和卷积网络的特征可解释性问题,并在最后讨论了卷积神经网络研究领域面临的主要挑战。
理论基础
普林斯顿大学的 Sanjeev Arora 着重介绍了深度神经网络的理论基础,很多读者可能首先想到的就是万能近似定理,即足够宽的单层感知机可以拟合任意函数。但 Arora 更关注于最优化性能、泛化性能、深度法则和其它有可能代替神经网络的简单方法。
最优化
多伦多大学的 Jimmy Ba 介绍了最优化基础的第一部分,他主要介绍了随机搜索与梯度下降、如何搜索更好的下降方向以及如何设计一个「白盒」的最优化方法。这些主题都是从神经网络的角度来探讨的,甚至还介绍了如何采用随机搜索的方式学习神经网络的参数。
在整个课程中,他介绍的梯度下降是比较重要的话题,包括梯度下降为什么能朝着更好的方向学习参数、它又如何遭受极值点和鞍点的困扰等。当然既然有这些问题,Jimmy Ba 也会介绍比较好的解决方法,即将物理学中动量的概念引入梯度下降,这样就能克服这些问题。
美国西北大学 Jorge Nocedal 随后介绍了最优化的第二部分,他主要从理论的角度解释了如何理解随机梯度下降及拟牛顿法等其它最优化方法,并提出了很多能获得更快下降速度的技巧。
RNN
主讲人 Yoshua Bengio 首先介绍了循环神经网络及其变体,如生成 RNN(Generative RNN)、双向 RNN、递归网络、多维 RNN 等,并详细介绍了 RNN 中涉及的基本概念和原理,如条件分布、最大似然、通过增加深度来提升 RNN 的表达能力等。然后,Bengio 介绍了 RNN 中的梯度问题,包括梯度消失、梯度爆炸及其解决方案。还介绍了多种 RNN trick,如梯度裁剪、跳过连接、Momentum、初始化、稀疏梯度等。此外,这节课还介绍了注意力方面的知识,如基于注意力的神经机器翻译、图注意力网络、多头注意力、自注意力和 Transformer 等。
语言理解
来自 CMU 的 Graham Neubig 主讲这门课《自然语言理解》,共分为三部分:语言建模、序列传导(sequence transduction)和语言分析。从现象到原理到解决方案,由浅入深,图文并茂。语言建模部分介绍了 NLP 中的一些基本知识:词袋模型(BOW)、连续词袋模型(CBOW)、Deep CBOW、Bag of n-grams、池化、NLP 预测任务中的神经网络基本思路等。此外,这部分还介绍了用于 NLP 任务时 CNN、RNN 的优缺点。序列传导部分介绍了条件语言模型(Conditioned Language Model)、生成问题、句子表征和注意力机制。第三部分语言分析介绍了三个分析任务:标注、句法分析和语义分析。
多模型学习
Google AI 研究科学家 Jamie Kiros 主讲这门课,主要介绍 Grounded Language Learning,共分为三个部分:Grounding and Scope、构造块(包括当前最佳实践),以及与其他研究之间的关系。第一部分介绍了 natural language grounding 的发展历史以及两种主要方法:Tie training and evaluation scopes、Grow training scope, evaluate in world scope。第二部分介绍了五个通用组件:编码、解码、交互(interaction)、预测/控制、目标函数;三种交互方式:Scoring、Fusion 和 Modulation。第三部分介绍了与 Grounded Language Learning 相关的研究领域:Contextualization 、Multi-apt representations、Relevance Realization、Specificity、自然语言生成和对话。
计算神经科学
主题为「大脑中的深度学习」。这门课从「为什么深度学习不止用于 AI?」这个问题入手,指出深度学习研究的目标之一是理解大脑的运行原理。然后指出深度学习需要什么:根据隐藏层对网络输出的贡献向神经突触分配信用(credit)。接着介绍解决方案——反向传播,以及原版反向传播的生物问题。最后介绍了四个问题:error term、下游权重(downstream weight)、derivatves of spikes 和前向/反向传输。
RLSS强化学习夏季课程另外一系列优秀的资源,它从强化学习的「启蒙」到深度强化学习与模仿学习介绍了 RL 的主要脉络与基础。不过强化学习夏季课程可能需要一些数学基础,这样才能比较好地理解随机采样等具体方法。
此外,读者也可以查看阿尔伯塔大学计算机系博士 Yuxi Li 的深度强化学习手稿,这份 150 页的手稿从值函数、策略、奖赏和模型等六个核心元素详细介绍了深度强化学习的方向与细节。
下图展示了强化学习夏季课程的主题与演讲者,我们只简要介绍 Richard Sutton 给我们的强化学习「启蒙」。
在 Sutton 的课程中,他首先介绍了在 9 月份正式发布的《Reiforcement Learning: An Intrifuction》第二版,这本书的电子版同样可以从 Sutton 的主页获得。随后 Sutton 从生物学基础开始介绍了什么是强化学习,即给定环境和状态的情况下智能体会采取某个行动,而这个行动又会影响到环境,因此影响后的环境将反馈给智能体一些奖励或惩罚,这样智能体在不同的环境下就知道该采取什么样的行动。
当然 Sutton 还介绍了强化学习的很多基本概念,包括什么是智能体、环境和策略等,此外也讨论了很多基本的强化学习方法,包括马尔可夫决策过程和 Q 学习等。
该课程最近还放出了课程视频,不过这些视频并没有带英文字幕,因此考验你们听力的时候到了。
视频地址:http://videolectures.net/DLRLsummerschool2018_toronto/
深度学习夏季课程
强化学习夏季课程
每一个视频在边栏都提供了对应的课程资料,且视频只包含讲师的介绍而不包含对应的 PPT,所以如果读者要学习的话,不仅听力要好,同时还得根据内容手动翻 PPT。
4. 想学深度学习?
深度学习入门建议看吴恩达的深度学习,讲得非常好,只要稍微有点统计学,概率论基础,知道向量和矩阵就能听懂。先是介绍了神经网络,反向传播等基础。后面也有自然语言处理,图像处理等案例,如基础的自然语言模型,词嵌入,目标识别,图像分类等。介绍了一些基础的模型。
都是免费的课,可以选择去官网学习,官网上还有习题可以做,也可以选择在b站或者网易云课堂上看。
附百度百科:吴恩达(1976-,英文名:Andrew Ng),华裔美国人,是斯坦福大学计算机科学系和电子工程系副教授,人工智能实验室主任。吴恩达是人工智能和机器学习领域国际上最权威的学者之一。吴恩达也是在线教育平台Coursera的联合创始人(with Daphne Koller)。
5. 究竟深度学习在干什么?
今天我谈一些经过个人实践的一些可以落地视角和方法。
深度学习是在设计知识的联系,这种联系就形成结构。用设计的方法来读书所谓设计其实是指一个过程,在这个过程中采取一定的思维及思维方法,而深度学习就是要使用一系列的思维及思维方法来设计学到的知识,把学到的知识跟已有的知识联系起来,而这种联系就会打破原有知识的结构,重新塑造出一个新的知识结构。
在这个设计过程要使用的一些思维及思维方法系统思维
减法思维
还原法思维
假设性思维
创新的思维【水平思维】
通常我们读书就是学习到书中的知识抱着这个视角会有很大的问题,因为一个人的学习,不仅是学习书中的知识,而且要重构知识,每个人都有现有的知识存量,要把新学到的知识通过设计嵌入到已有的知识系统。
一个根本的方法设计一个简单的形式来表述知识,形式就是指结构的外形可、可视化、形象化,并同时形成一种样式与秩序。而这个设计就要用到一些思维的方法【系统思维、减法思维、还原法思维、等等】。知识要经过自己的设计转一手,嵌入到已有的知识体系。
深度学习深度学习,就是在你读书的过程中,不仅是获取知识,而且还要生成知识,而这个生成的知识,就是透过设计。
知识要变成能用的思维读书获取的知识,跟大脑里能用的思维还有很远的距离,因为大脑用的思维要简单,而知识却是复杂的,知识要设计成简单的形式就能变成大脑里可用的思维。很多时候,读了很多书发现也没啥用,就是知识跟思维之间的断层造成的,这个断层,正是需要设计的地方。通过设计打通知识与思维的通道。知识要做到简,反过来大脑通过这个【简】就可以驾驭知识。
结论:深度学习其实是一个对知识重新设计的过程。非设计不足以把知识变成大脑里的思维。非设计不足以把新学来的知识嵌入已有的知识体系。深度学习干的是就是一个设计的活,每个人都要或多或少懂一些设计思维,这样有助于自己更高效、更有深度的去学习。
6. 显卡mx250和450的区别?
MX250和MX450都是NVIDIA推出的笔记本入门级显卡,从架构和性能方面来对比的话,MX450比MX250更好。
MX250的核心是帕斯卡架构的GP108,工艺是14nm,有着18亿的晶体管,光栅单元为16个,纹理单元为24个,流处理器为384个,默认频率为1519MHz,Boost频率为1582MHz,显存配备了2G的GDDR5显存,显存位宽为64bit,显存在1502MHz的情况下,可以带来约48GB/s的内存带宽,性能大约有台式机N卡GTX650Ti或者A卡RX550的性能。
MX450的核心是图灵架构的TU117,工艺是12nm,有着47亿的晶体管,光栅单元为32个,纹理单元为56个,流处理器为892个,默认频率为720MHz,Boost频率为930MHz,显存配备了2G的GDDR6显存,显存位宽为64bit,显存在1250MHz的情况下,可以带来约80GB/s的内存带宽,性能大约有台式机N卡GTX950或者A卡RX560的性能。
他们两者的TDP都是25W,虽然MX450的核心频率看上去不如MX250,但它的架构是更先进的,光栅单元和流处理器也比MX250更多,尽管MX450是阉割版的图灵架构,没有负责光线追踪的RT Core和负责深度学习的Tensor Core,但它的架构是可以支持DX12.2的部分特性的,例如可变速率着色VRS,所以经过对比了以后,MX450比MX250更好。
7. 求推荐性价比高点的笔记本电脑?
01小新Air13:我灰太狼大王回来了
最近几年,“轻薄全能本”的概念兴起。一方面全能本轻薄化,窄边框+新平台低功耗工艺,让过去与笨重紧密相连的15英寸独显家用本也变得更轻巧。另一方面轻薄本全能化,曾经和“性能”二字无缘的超轻薄小尺寸产品如今也可以大战主流网游。
这种趋势让两者的界限逐渐缩小,同时还有一种产品逐渐兴起,借助13英寸产品多高素质屏幕以及整体便携性强的优势、将传统多定位于中高端的小尺寸超极本下放到五千元价位段。这类产品多采用13英寸窄边高色域屏幕、“金属”机身、可选MX150显卡。
当年intel对ultrabook的定义为厚度小于20毫米,如今。。。
不过相比于过去的中高端轻薄本,为了争夺唯价格是从的“民粹”性价比,此类产品的设计和用料也有所缩水。比如号称”金属机身“实际上只有A面为金属、“轻薄笔记本”厚度却超过17毫米、“微边框屏幕”也只是左右两侧窄边框。
不得不承认,这类产品的存在有厂家的权衡成本因素方面的考量。可是当真没有一款更重视材料质感和设计细节的同价位产品吗?本期评测的全新联想小新Air13或许是一个不错的答案。我不太喜欢说他“性价比很高”反而喜欢用“质价比”衡量他。
有关2018款Air13的很多消息之前本站已经有猜测和爆料,联想TW2018大会期间也曾经全网首发小新Air13的上手视频,并爆料了很多信息。所以一个月后再次见到测评机也并不感到陌生。
而小新Air这个系列其实也是命途多舛,2016年第一代产品小新Air12、Air13、Air13 Pro一炮而红。初代小新Air13以13毫米、1.1公斤的极致轻薄全金属机身惊艳全场。Air12更是经久不衰。
然而到了2017款的小新Air系列,虽然在用料和内部设计上更进一步,却因产品成本定位与实际消费人群有偏差而近乎被雪藏。其销量和声量都很一般,甚至一度传出小新Air系列要被砍掉的消息。
当年惊艳全场的爆款:初代小新Air13
时隔两年重见小新Air 13,相比于更像是轻薄全能本定位的2018款Air14/15,全新小新Air13算是全方位回归了最初小新Air系列的模样:高色域屏幕+超轻薄小尺寸机身。即使看作是新一代的小新Air Pro,也不为过。
本次送测的版本为i5 8265U处理器、8G板载双通道内存、512G PCIe固态硬盘、MX150独立显卡的版本,目前首发价仅为5299元。无论是考虑性价比还是考虑质价比,全新小新Air13的表现都很突出。
而作为联想小新系列下半年的重磅产品,全新小新Air13还有哪些有趣的升级呢?本次测评带大家一起来把玩一下。
02外观设计小突破 功能硬件大学问在外观设计方面,全新小新Air13与之前发布的2018款小新Air14/15有很多相近之处,三面铝镁合金金属外壳、C面的金属与侧边是一体成型的,比同价位的塑料基底拼接的“C面金属“无论是手感还是强度都要好太多。
整机1.25公斤的重量即使单手托着也不会感到压力,针对随手拿起来就走的人来说再合适不过。14.8毫米的厚度在我看来属于锦上添花,在不影响外设接驳能力和内部的散热续航等关键因素的情况下自然越薄越好。相对来说我重视轻更甚于薄。不过截至目前,全新小新Air13应该是已发售的WhiskeyLake平台+独显的笔记本中,最薄的产品了。
顶盖设计依旧是lenovo logo侧置的”书本封面“元素,十分的简洁大方。不过这一次将logo由右下角转移到左上角,并且做了拉丝抛光的设计,看起来更”Shine“。据称这是提前采用了明年的ID设计方案。
本次送测的为轻奢灰配色版本,也是首发期间主力销售的版本。小新Air 13还有包括玫瑰金、湖光蓝、至尊黑三个配色的总共四种配色版本,满足每个人的时尚个性。参考小新Air 14/15的经验,湖光蓝和至尊黑配色应该会十分稀缺。
这里特别需要提一下的是至尊黑版本,了解早年iPhone5黑色掉漆的人应该知道阳极氧化金属工艺上色越深越容易掉色,5S上也被迫换为浅一点的深空灰。而整机全部采用阳极氧化铝+黑色的外壳设计的至尊黑版本Air13运用了特殊的喷涂工艺和表面涂层,在打造了深邃的纯黑色金属机身同时,既不会担心掉漆,也不会牺牲金属磨砂的细腻手感。
此外,至尊黑色版本,也会和小新Air 13顶配的i7 16G 512G MX150版本挂钩。这个版本的配置信息在后面会讲到。需要购买黑色的朋友,就可以考虑i7+16G内存版本了。
B面与之前一致,三边窄边框的沉浸感比两边窄更强,摄像头也依旧在顶部,全屏覆盖的钢化玻璃一方面给予屏幕更多保护,另一方面带来很强的一体感,这在同价位产品中并不多见。只不过换屏成本更高,好在这次采用了高色域屏幕,也没有更换必要。
有关镜面玻璃屏的问题,首先镜面雾面并无高下之分,只是满足不同偏好。而这种全屏玻璃的方案与普通塑料边框镜面屏不同,成本更高,观感也更为出色。对于雾面屏刚需的用户,小新Air13后续也会提供雾面屏版本,当然也可以购买目前玻璃版本贴一个雾面膜。
C面依旧是2018款小新Air家族设计风格,指纹识别没有缺席。不过说到指纹已经好久没有听到联想宣传指纹支付相关信息了。不知道这款产品是否和当初2016款的小新Air13 Pro一样支持指纹支付。键盘背光支持两档亮度调节也是联想标配。玻璃触摸板让我有些惊喜,用习惯了之后你会爱上那种无比顺滑的触感。
D面的设计由之前的圆润变得更为棱角分明,多了一丝硬朗气息。貌似也是未来一年的联想产品家族ID设计,其实这些设计本身对于核心体验没有太大提升,不过从设计上搭载了大量下一代ID设计这一点来看,全新小新Air13在联想产品线中起到了承上启下的重要作用。
到这里,似乎小新Air13表面看没有太大改变,似乎更像是Air14/15缩小版产物,不过有些改进确实是需要上手才能感知到的,比如转轴。
这一代的小新Air13是支持单手开合的,这个功能常见于旗舰级产品中,对于转轴阻尼调教有较高要求。日常体验中开合十分轻松自然,手速够快的话可以直接开到180度。嗯,180度的问题不必多说,联想这几年几乎将这项技能做成了自家大多数产品的标配技能。不过小新Air13似乎更调皮。
内心OS:你懂啥?这叫瑜伽未遂
不知道为什么,这一代小新Air13的开合角度由180度扩大到200多度,第一次上手甚至让我误以为可以360度翻转。所以在这里提醒大家,全新小新Air 13 不 支 持 360°翻转!提醒一下防止大家购买后当成翻转本掰着玩。。。
这一代的小新Air13从已经发布的版本来算属于第三代,第二代其实就是去年720S-13的姊妹机型。而今年的Air13采用了海外的S530-13系列作为原型,但是从刚才对外观的描述来看,与去年的7系产品在用料上并无二致。可以说在同价位一众只看性价比而忽视质感设计的竞品中很突出。
03接口够多够强大 内部紧凑有故事我一直认为对轻薄本的外设接驳能力,也就是接口种类的要求并非过分。毕竟目前距离全USB-C生态的理想王国还相去甚远,除非定位追求“全球最XX”这种黑科技探索产品,否则至少你得留个USB-A接口。
全新小新Air13的接口还算齐全:左右两侧各一个USB3.0 Type-A接口、基本的HDMI1.4b接口都有配备,出门常用的外设接驳不会让你完全依赖转接头。
USB-C接口不再是纯数据传输的鸡肋,而是加入了DP1.2显示输出功能,最高支持4K@60Hz的显示器外接。配合HDMI1.4接口可以同时输出两块4K屏幕。不过遗憾的是不支持对笔记本供电的PD功能,充电接口依旧为DC圆孔插头,希望下一代可以加入,毕竟全功能Type-C的普及风潮就要到来。
不过很多支持全功能USB-C的笔记本也依旧采用DC供电输入而不是采用纯USB-C充电。可能一方面USB-C接口的PD单头电源适配器发热较高而且不支持插头 ”第三条腿“——地线。作为全功能C口笔记本用户每次插充电器日常要看到电火花,全金属外壳的产品有时候摸起来会有麻酥酥的。
如果做成支持地线的,形态就和传统的电源适配器基本一致,那么USB-C电源适配器的便携性就没法体现出来。这种适配器在2018年的ThinkPad产品上很常见,还是有些笨重。目前来看,即使USB-C适配器也没法解决便携和接地之间的平衡。
不过在外接支持USB-C接口显示器时,就可以将充电-显示-数据三合一,仅需要一根线就可以完成,这属于我比较推崇的状态。不过市面上目前绝大多数USB-C显示器的输出功率为45W,对于建议供电65W的低压+独显轻薄本来说有点影响性能发挥,在常规的影音办公场景下使用还是不错的。
虽然目前USB-C全功能接口在使用上依旧有一些外设生态和技术上的瓶颈,但还是希望联想在之后的产品中可以加入USB-C PD充电功能,毕竟技术是可以进步的,目前虽然使用上有些瓶颈,但是多一个选择总归是好的。
而回到小新Air13产品本身,支持显示功能的USB-C接口,一方面相比于标准的HDMI和DP接口形状,C口不分正反的设计可以更方便的连接显示器,即使“摸黑”插线,也不不需要反复“在插错的边缘疯狂试探”。
另一方面,USB-C可以同步传输数据,针对有USB扩展接口的显示器,之前需要接USB Type-B一根线和HDMI/DP一根线,而如今只需要一根两头都不分正反的线就可以搞定,十分方便快捷。
至于内部结构,其实基本可以猜到,作为一款13英寸紧凑型产品,其扩展性自然不能做更多要求。全新小新Air13的拆机十分简单,拧下D面9颗内六角梅花螺丝即可拆下D面金属底壳,内部结构一览无余。
全新小新Air13拆机图
可以看到,全新小新Air13的内部结构十分紧凑,没有空间浪费。采用双热管单风扇设计,风扇叶片十分细密,在高负载下可以在维持较高的散热效率的同时也保持低噪音。热管设计很有趣,一根是传统的连在出风口鳍片上,另一根则连接到风扇外壳上。
内存为板载LPDDR3,打开屏蔽罩后可以看到四颗内存颗粒,采用双通道设计,对于整机性能有一定帮助。而有关这四个颗粒,还牵扯到很有趣的事情,这又与小新Air13的16G板载双通道顶配版相关。
首先13英寸窄边框笔记本中你很少看到板载16G双通道内存与独显同时存在的产品,或者16G双通道+核显或者8G板载+独显,总之板载方案很少见到小新Air13皇帝版的配置。
这是因为在寸土寸金的13英寸窄边框产品中,留给内存的空间并不多,板载DRR4的体积较大,如果想要采用16G板载双通道方案就需要8颗2G的颗粒,相比于现在Air13内的四颗4G实现的16G,可以脑补下前者的空间占用,肯定不能与独显并存。
此外,DDR4板载方案要比LPDDR3的颗粒高度略高,虽然只有零点几毫米,但是意味着为了稳定性,整机又要加厚许多,从而影响用户体验。
而即使是选用LPDDR3的方案,常规颗粒密度来看,也大多是单颗粒2G的4颗方案,意味着常规规格的LPDDR3虽然不会增加整机厚度,但是依旧空间有限。所以联想在小新Air13上双管齐下,一方面选用高密度颗粒,让单颗粒达到4G,另一方面重新调整主板结构,最终实现了四颗粒16G板载双通道内存+独显的成品!
所以这和我们普通用户有什么关系呢?我们只在乎卖多少钱!
没啥关系,只是随便说说,假语村言。个人觉得这些小故事说出来很是很有趣的,也不能让研发白头秃不是?所以结合之前的表面材料喷涂问题,小新Air13的那个i7 16G 512G 2G的至尊黑“皇帝版”还是有很多看点的,据传首发价格是6999,讲真,这应该是一线品牌原厂同配置里价格最低的了。
04跑分真香警告,实测未完待续本次送测的全新小新Air13为i5/8G/512G/MX150 2G版本。由于工程版固件存在一些问题,无法进行CPU长时释放性能测试和游戏测试,所以将在日后单独进行测试。
i5 8265U,英特尔WhiskeyLake架构处理器,也就是我们俗称的酷睿”八代半“”8.5代“。基于14nm++制程打造,1.6Ghz默频,最大睿频提升至3.9Ghz,直逼之前的i7 8550U(睿频4.0Ghz)。同时”威士忌“还加入了16条PCIe通道、内置双频无线网卡、原生支持杜比全景声和杜比HDR等特性。
使用Cinebench R15进行CPU性能测试,CPU多核成绩626cb,单核成绩157cb,相比于大多数13英寸产品上的i5 8250U有较大提升。WhikseyLake平台的高睿频确实对性能有较大帮助,不过具体发挥还要看后续的性能释放和游戏测试。
内存为板载双通道的LPDDR3,至于背后的故事刚才提到了,这里不再赘述。双通道内存设计对于首发4799的英特尔核显版以及未来可能出现的锐龙版来说具有很大的帮助。
固态硬盘为海力士的PC401的512G版本,采用m.2 2280规格,PCIe3.0*4总线,支持NVMe协议。我们用AS SSD进行测试,读取速度2317M/S,写入速度1235M/S,属于固态硬盘中较为优秀的成绩,这对本机性能有较大帮助。
显卡采用了低功耗版的MX150 2G,这也是轻薄本中很常见的独立显卡,性能相比之前的GF940MX有较大提升,对于一些中型网游也可以相对流畅的运行。联想官方宣称其热功耗设计约为10W,相比常见的8W版性能要略强。
我们使用3D Mark进行GPU性能测试,分别使用FireStrike、TimeSpy和SkyDiver三个常见模式作为参考。
FireStrike模式得分2575
TimeSpy得分964
SkyDiver得分8971
一直秉持游戏体验作为参考的我对于跑分数据高低其实不是很敏感,不过在诸多低功耗版MX150中上述分数属于比较靠前的。由于送测机器的一些bug在性能释放上有些问题,所以无法较好的展现游戏中CPU+GPU搭配好的表现,比较遗憾。
全新小新Air13全系标配100%sRGB高色域的全高清IPS屏幕,基本近似我们常说的72%NTSC高色域。这次送测的产品的屏幕型号,经AIDA64识别为NV133FHM-N6A,在屏库网中没有一致型号,我们找了近似型号具体规格供大家查阅。
老生常谈那一套,以后真的不要拿着某娱乐大师对照看 屏幕品牌 ,以及所谓的”屏幕生产日期“了,这样真的显得你很low。在万元内价位的笔记本屏幕同规格差异不会大相径庭,京东方、友达、奇美、LG、三星这些都属于技术十分成熟的老厂家。
至于所谓IPS漏光更是封装时候常见现象基本不影响日常使用,也不要瞎扣帽子说XX牌漏光严重大黄屏。而且相对来说,采用全玻璃贴合的屏幕其漏光情况会比传统塑料边框要轻微一些。
而那个”屏幕出厂日期“,只是屏幕底层驱动的一些日期,这些东西打个比方就像你吃的盐一样属于较为基本的东西,没事瞎改动价格是要出大问题的。
PC Mark10
例行测试PC Mark10,最终综合得分3609分,还是那句话,低电压酷睿处理器的性能水平+SSD固态硬盘基本没有什么电脑是日常体验不流畅的。即使有些PC可以跑出更高的分数,但是如果没有配备固态硬盘,体验未必更好。照例不放某娱乐大师的跑分,有比较喜欢自嗨请自行跑分。
续航方面,新款小新Air13采用与Air14/15相同的45Wh电池,使用PC Mark8在中等亮度节电模式下测试,最终成绩为5小时31分,在实际的轻度使用时应该可以达到官方宣称的8小时续航。玩游戏,emmmm,你确定不插电的吗?
FN+Q本来是应该重点讲到的,只不过还是由于到手工程产品有未知BUG,需要排查,所以日后再给大家单独测试。就个人体验简单说一下,首先新机刚开机是不能直接使用这个功能的。需要联网等待一会,在后台自动下载Lenovo Utility核心组件后才能使用。
在切换时屏幕会有三种标识来代表当前状态,不过暂不清楚是否会在检测到游戏等程序时自动切换到野兽模式。甚至更进步一步,像现在许多手机的游戏模式一样,检测负载不同的游戏会智能调节不同模式。不过考虑到手机做这个主要为了续航,在PC上必要性不大。
性能这个部分,整体来说测试并不完整,期待后续的正式版产品送测后可以有游戏及性能模式切换上更为直观的感受。单就测试软件的成绩来看,全新小新Air13在性能上并没有妥协,反而更为激进,实际的表现应该也不错。
05后性价比时代 回归品质才是王道今年的全新小新Air 13,从9月份联想TW大会上初次见到展示机给我的感觉就不错。三面全金属机身+玻璃屏的设计虽然已有存在。但在一线品牌同价位新品中还是第一次见到。去年首发同价位的潮7000-13还是一款单面金属、定位320S系列的堆硬件主打性价比的产品,而今年定位530S的Air13甚至有我手里去年720S产品的神韵。
在目前同价位产品都“节衣缩食”,哪怕搭载双USB-C都做了纯数据功能以便于省钱装进一个并没有太多性能提升、但是小白特别喜欢看的低压i7处理器的今天。小新Air13这种在外壳材质、设计细节上下功夫的产品遇到电脑小白会怎样呢?
— 我们有三面窄边框的全钢化玻璃贴合屏
— 小白:我预算五六千,想买个轻薄本没多大要求,好看还能吃鸡就行!
— 5299首发价的i5/8G/512G PCIe/2G,哪怕是单面金属外壳都很有性价比,何况我们采用了三面全金属,没有贴片塑料
— 小白:你这是i5呀,我哥哥说了还是i7处理器厉害,快,牛逼
。。。。。。
这就是如今的现实,所以很多人一面埋怨厂商不良心、一面又喷一些自以为”坑人“的产品高价低配。当初的720S是如此,如今的Air13做了更好的权衡,价格也拉到了大家可以接受的4799起,也许这次效果会更好点?
联想小新Air 13(i5 8265U/8GB/256GB/集显/增强版) 酷睿8代处理器,集成显卡,高色域,FN+Q模式
天猫商城
4799元
进入购买
所以标题的“偏不做性价比”其实就是指的用料部分,能不能做好用户心理引导,让用户的倾向从性价比转换到质价比上来,对联想,包括对其他厂商都是个很大的考验,一味顺应一些营销号杜撰出来赚流量的“消费降级论”,优先打造低价产品,没什么前途。
再来说说硬件 ,WhiskeyLake处理器的普遍福利是睿频提升,对于14nm四核八线程低压U这类主打高睿频短期性能高峰的产品来说可以在峰值性能上有更大突破。不过长时性能释放还有待测试,Cinebench多次连续测试结果也基本在560分以上,峰值水平626,确实比起大多数IKBR八代低压产品表现更好。
而i5 8265U高达3.9hz的睿频更是可以让他的峰值性能可以直接与上代i7 8550U(睿频4.0Ghz)争锋,这个提升还是很有吸引力的。
MX150一直是一款被严重高估的显卡,其实它本质上就是接940MX的班,承载了无数人低特效玩单机大作和高特效流畅LOL的希望。却还被喷子斥为“不如核显”,这世界上最好做的行业就是喷子,不需要知道核显会占用内存,喷就好。
所以,别问我MX150能不能吃鸡了,我GTX1060还偶尔室内突击卡一两下呢!
图片来自淘宝,Air13部分搭载PM981固态,具体以出货版为准
今年一大票512G的PCIe*4固态让我感觉很惊喜,下到3999首发的潮7000 14锐龙版、上到主打游戏的“掀起性能反击狂潮”(ZOL紫磨大师语)的拯救者Y7000系列,在全系主力产品上,联想都配备了价格厚道的512G固态版本。这对于改变用户对固态硬盘的态度有很大帮助。
可以说继华硕在2016年开启了512G SATA固态笔记本普及潮后,联想于2018年开启了512G PCIe固态笔记本的普及潮流,剩下的就是看各家跟进了。
联想确实开始改变了,只不过这种改变不一定是PPT上可以大说特说的参数。今年下半年覆盖小新潮、小新Air、拯救者系列的512G PCIe固态普及风暴、全系三边窄边框的ID设计、之前产品一直看不到的内存双通道、性能释放和模式切换设计。
联想的小新系列也算是诞生了四五年的品牌了,初代小新将i7处理器笔记本做到3999,而如今小新Air13在联想500系产品价位段融入700系中高端产品的特性。在同一产品上实现了目前一线品牌里最薄的WhiskeyLake+独显笔记本,和最便宜的 i7/16G/512G独显轻薄笔记本,堪称今年小新的旗舰作品。
至此,小新Air2018家族基本有了完整的体系和打法。Air14和15主打性能基础上的轻薄,而Air13主打品质基础上的性能。不同尺寸产品对应的不同消费人群和需求,有什么诉求都有对应的产品。
不过在一些较为前瞻性问题,如高色域屏和USB-C的功能上,小新的脚步也确实有点慢。比如Air13上才见到的高色域屏幕和虽然支持DP显示但不支持PD充电的USB-C接口。不过已经有内部消息称,这些点已经在下代产品议程中,预计明年可以见到。
本站涵盖的内容、图片、视频等数据系网络收集,部分未能与原作者取得联系。若涉及版权问题,请联系我们删除!联系邮箱:ynstorm@foxmail.com 谢谢支持!