帕特里克·沃伯

主演：尼尔·帕特里克·哈里斯,帕特里克·沃伯顿,玛丽娜·维丝曼,马修·卡德罗普,阿西夫·曼德维,K·托德·弗里曼,威尔·阿奈特,路易斯·海因斯
简介：雷蒙·斯尼奇的不幸历险 第一季——影视作品解说文案 一、作品概述 《雷蒙·斯尼奇的不幸历险》（Lemony Snicket's A Series of Unfortunate Events）是一部改编自丹尼尔·汉德勒同名小说的美国奇幻冒险电视剧。该剧由Netflix制作并首播，首季共8集，每集时长约50分钟。该剧以独特的叙事风格和引人入胜的故事情节，吸引了大量观众的关注。 二、剧情简介 故事围绕维奥莱特（Violet）、克劳斯（Klaus）和桑尼（Sunny）这三个孤儿展开。他们原本有一个幸福的家庭，但在一次意外中失去了双亲，成为无家可归的孩子。为了寻找一个新的家，他们被远房亲戚奥拉夫伯爵收养。然而，奥拉夫的真实目的却是为了夺取他们父亲留下的巨额遗产。在奥拉夫的阴谋下，孩子们一次次陷入危险之中，被迫踏上逃亡之旅。 维奥莱特聪明伶俐，善于发明创造；克劳斯博学多才，记忆力惊人；而年幼的桑尼则拥有惊人的战斗力和生存能力。他们凭借自己的智慧和勇气，一次次化险为夷，揭露了奥拉夫的阴谋，并逐渐揭开了家族背后的秘密。 三、角色塑造 该剧的角色塑造鲜明生动，尤其是三位主角的形象深入人心。维奥莱特作为姐姐，勇敢坚强，总是能在关键时刻挺身而出，保护弟弟妹妹。她的聪明才智和创造力在剧中得到了充分展现。克劳斯则是一个书呆子形象，但他对知识的渴望和对家人的爱护让他成为一个不可或缺的角色。桑尼虽然年纪最小，但他的战斗力不容小觑，经常在关键时刻发挥重要作用。 反派角色奥拉夫伯爵则是一个典型的反派形象，贪婪、狡猾且残忍。他的阴谋诡计贯穿全剧，给孩子们带来了巨大的威胁。然而，正是这些反派角色的存在，使得剧情更加紧张刺激，观众在为孩子们捏一把汗的同时，也能感受到正义与邪恶之间的激烈斗争。 四、制作团队与演员表现 该剧的制作团队由经验丰富的专业人士组成，他们在场景设计、服装道具以及特效制作等方面都表现出色。剧中的场景精致细腻，服装道具符合时代背景，特效制作逼真自然，为观众呈现了一个充满奇幻色彩的世界。 演员方面，玛丽娜·维丝曼、路易斯·哈恩斯和马修·麦克费登等人的表现令人印象深刻。他们成功塑造了三位主角的形象，让观众能够深刻感受到他们的性格特点和成长历程。尼尔·帕特里克·哈里斯饰演的奥拉夫伯爵则是一个成功的反派角色，他的表演既让人感到恐惧又让人觉得好笑。 五、主题探讨 除了精彩的剧情和出色的演员表现外，《雷蒙·斯尼奇的不幸历险》还探讨了一些深刻的主题。例如，家庭的重要性、友谊的力量以及面对困境时的勇气和智慧。这些主题不仅让观众在娱乐的同时也能有所思考和启发。 此外，该剧还通过孩子们在困境中的成长经历，向观众传达了一种积极向上的生活态度。无论遇到多大的困难，只要保持乐观和勇敢，就一定能够战胜它们。 六、与展望 总体来说，《雷蒙·斯尼奇的不幸历险》第一季是一部值得一看的奇幻冒险电视剧。它以独特的叙事风格、出色的演员表现和深刻的主题探讨赢得了观众的喜爱和认可。未来，该剧有望继续推出更多精彩的续集，为观众带来更多的惊喜和感动。 总之，《雷蒙·斯尼奇的不幸历险》以其独特的魅力吸引着无数观众的目光。无论是其扣人心弦的剧情、鲜活的角色塑造，还是其深刻的主题探讨，都让这部作品成为了一部不可多得的佳作。

主演：尼尔·帕特里克·哈里斯 / 帕特里克·沃伯顿 / 玛丽娜·维丝曼 / 路易斯·海因斯 / K·托德·弗里曼
简介：雷蒙·斯尼奇的不幸历险 第二季——影视作品解说文案 一、作品概述 《雷蒙·斯尼奇的不幸历险》第二季是一部以儿童文学作品为蓝本的电视剧系列，改编自丹尼尔·汉德勒的畅销小说系列。该剧以其独特的叙事风格、鲜明的角色塑造以及扣人心弦的故事情节，吸引了大量观众的关注。 二、剧情简介 第二季的故事承接上一季的结局，继续讲述维奥莱特、克劳斯和桑尼这三个不幸的波特莱尔兄妹在普鲁弗洛克预备学校的经历。这一季将深入探讨原作小说的第5至第9本内容，剧情更为复杂且野心更大。在这一季中，波特莱尔兄妹被银行家Poe寄存于这所预备学校，等待合适的监护人。在这里，他们不仅面临着新的挑战，还将遇到一些性格古怪的同学，如Carmelita Spats。 更为引人注目的是，由尼尔·帕特里克·哈里斯饰演的反派角色欧拉夫伯爵，将以欧洲拍卖商Günther的身份再次登场。他的出现无疑为剧情增添了更多的紧张感和悬疑色彩。观众们可以期待看到更多关于这位神秘人物的故事展开。 三、制作背景 该剧的制作团队在保留原著精髓的同时，也进行了大胆的创新和改编。通过精心设计的场景和服装，以及细腻的表演，成功地将读者心中的想象转化为生动的画面。此外，剧集还邀请了一些知名演员加盟，如尼尔·帕特里克·哈里斯等，他们的出色表现也为剧集增色不少。 四、角色塑造 在角色塑造方面，《雷蒙·斯尼奇的不幸历险》第二季同样表现出色。波特莱尔兄妹的勇敢、机智和坚韧不拔的性格得到了充分展现。他们在面对困境时所表现出的乐观态度和积极应对方式，让观众们为之动容。同时，剧中的反派角色也各具特色，他们的邪恶与狡猾让人印象深刻。 五、主题探讨 除了精彩的剧情和出色的角色塑造外，该剧还深入探讨了一些重要的主题。例如，家庭的重要性、友谊的力量以及勇气与智慧的结合等。这些主题不仅贯穿整个剧集，也引发了观众对于生活、成长和人际关系的深刻思考。 六、观众反响 自播出以来，《雷蒙·斯尼奇的不幸历险》第二季就受到了广泛关注和好评。观众们纷纷表示，该剧不仅剧情紧凑有趣，而且充满了惊喜和感动。尤其是尼尔·帕特里克·哈里斯饰演的欧拉夫伯爵一角，更是成为了观众们热议的话题。此外，剧中的一些经典台词和场景也成为了社交媒体上的热门话题。 七、与展望 总的来说，《雷蒙·斯尼奇的不幸历险》第二季是一部值得一看的佳作。它不仅成功地将原著的魅力延续到了荧幕上，还通过创新和改编为观众带来了全新的观影体验。随着剧情的深入发展，相信未来还会有更多精彩的故事等待着我们去发现。 展望未来，我们期待制作团队能够继续保持这种高水准的制作态度，为我们带来更多优秀的作品。同时，我们也希望观众们能够继续支持这部剧集，共同见证波特莱尔兄妹的成长历程。 八、结语 《雷蒙·斯尼奇的不幸历险》第二季以其独特的魅力和深刻的主题，成为了近年来备受瞩目的影视作品之一。它不仅为观众带来了欢乐和感动，更引发了对生活、成长和人际关系的深刻思考。让我们一起期待未来的剧情发展，共同见证波特莱尔兄妹的冒险之旅！

主演：尼尔·帕特里克·哈里斯,帕特里克·沃伯顿,玛丽娜·维丝曼,路易斯·海因斯,K·托德·弗里曼,艾莉森·威廉姆斯,普雷斯莉·史密斯,乌斯曼·阿利,杰奎琳·罗宾
简介：[闽南网] " neil patrick harris在netflix的童书改篇剧《雷蒙·斯尼奇的不幸历险 a series of unfortunate events》除了是主演外还是制作人，他今天表示该剧三季就会剧终。 《雷蒙·斯尼奇的不幸历险》过去已续订第三季，该剧原作有13本小说，首季包含了头四本的内容，10集的第二季会是第5至9本的内容，那第三季就是余下第10至13本的故事。 第二季已定于美国时间3月30日上线。

主演：威尔·史密斯,汤米·李·琼斯,约翰尼·诺克斯维尔,罗莎里奥·道森,雷普·汤恩,拉腊·弗林·鲍尔,帕特里克·沃伯顿,迈克尔·杰克逊
简介：文/zachary snowdon smith、scott mendelson 据多家媒体报道，威尔·史密斯在美国当地时间周五表示，自己已经从奥斯卡奖的主办方——美国电影艺术与科学学院辞职，并将接受该行业组织对其的任何惩罚。在周日的奥斯卡颁奖典礼上，因为颁奖嘉宾克里斯·洛克对威尔·史密斯妻子的光头开了个玩笑，后者在众目睽睽之下狠狠扇了前者一巴掌。 在一份声明中，威尔·史密斯称自己“心碎了”，并向学院、因周日事件蒙上阴影的奥斯卡提名者以及克里斯·洛克道歉，称自己“背叛了学院的信任”。 在掌掴事件发生后，美国电影艺术与科学学院表示，这是一起“令人震惊的、创伤性的事件”，并可能会在4月18日的会议上对威尔·史密斯进行纪律处分，而且有权禁止其参加未来的奥斯卡颁奖典礼，或撤销其最新获得的奥斯卡最佳男演员奖。 奥斯卡奖制片人will packer在接受good morning america采访时表示，到目前为止，威尔·史密斯都还没有因袭击事件面临法律后果，尽管克里斯·洛克仍保留了起诉的权利。 全球决策情报公司morning consult在周五公布的一项民意调查结果显示，受掌掴事件影响，威尔·史密斯的支持率已经跌至50%的历史低点，比2020年下降了30个百分点。 " 他曾是好莱坞最大牌的电影明星之一 1995年初，靠出演迈克尔·贝（michael bay）执导的热门电影《绝地战警》(bad boys），威尔·史密斯走上了电影明星之路。在那部电影中，他展示了一个穿着无扣衬衫、沿着城市街道追逐凶残毒贩的警察形象。 1996年夏天，在罗兰·艾默里奇（roland emmerich）执导的《独立日》（independence day）中，威尔·史密斯塑造了一个狠狠打击外星人、并咆哮着说“欢迎来到地球”的角色。他因此成为了偶像人物，而该电影的票房则达到了8.2亿美元。 2002年到2008年期间，威尔·史密斯是世界上最大牌的电影明星之一，在各种类型的电影中扮演着重要角色，并在全球票房上取得了巨大的成功，这其中包括： 浪漫喜剧，如《全民情敌》（hitch）； 动画电影，如《鲨鱼黑帮》（shark tale）； 科幻电影，如《我，机器人》（i，robot）； 动作冒险电影，如《绝地战警2》（bad boys 2）； 超级英雄剧情片，如《汉考克》（hancock），这仍然是最卖座的原创超级英雄电影； 启示录情节片，如《我是传奇》（i am legend），其在2007年取得的7,700万美元首映票房在单明星电影中仍然是最高的； 励志剧情片，如《当幸福来敲门》（the pursuit of happyness），其全球票房为3.06亿美元。 和好莱坞追逐的ip系列电影相比，如《哈利·波特》（harry potter）、《蜘蛛侠》（spider man）和《加勒比海盗》（pirates of the caribbean），威尔·史密斯也可以算作一个ip系列。 威尔·史密斯最近的电影，比如《绝地战警：疾速追击》（bad boys for life），有部分是在回顾其过去身为美国流行的“面包与杂耍”类电影的顶级塑造者的时光（他通常扮演一个正义的警察）。但在过去十年里，他似乎不再是一个巨星级ip。虽然《汉考克》在2008年夏天赚了6.24亿美元，但《七镑》（seven pounds）却只有1.7亿美元的全球票房——不过，可能只有威尔·史密斯才能让这样一部电影获得如此高的票房收入，毕竟这是一部关于一个男人选择在一场致命车祸中自杀的阴森电影。 2002年，威尔·史密斯拍摄了《黑衣人2》（men in black 2），以回应《重返荣耀》（the legend of bagger vance）和《拳王阿里》（ali）在商业上的失败。另外，他还拍了《黑衣人3》（men in black 3），同样也是为了回应对《汉考克》的褒贬不一，以及《七磅》在商业上令人失望的表现。 出人意料的是，这部预算超支、一再拖延的《黑衣人3》却成为了三部曲中票房表现最好的一部。它在美国国内和全球分别获得了1.79亿美元和6.23亿美元的票房，从而能够与《复仇者联盟》（the avengers）并驾齐驱。 这种成功也定义了威尔·史密斯过去十年的职业生涯。作为“人们过去喜欢的威尔·史密斯电影的续集”的扩展和附加价值元素，他仍然值得获取高额片酬，但几乎所有其他的事情都只能掷硬币决定了。 无论是之前成功的系列电影，如《黑衣人3》、《绝地战警：疾速追击》，还是其他ip的增值部分，如《阿拉丁》（aladdin）、《自杀小队》（suicide squad），威尔·史密斯都仍然是一个有力的票房号召者。此外，之前以威尔·史密斯为中心的电影在尝试拍摄没有他参与的续集时也以失败告终，如《独立日:卷土重来》（independence day: resurgence）、《黑衣人：全球追缉》（men in black international）、《x特遣队:全员集结》（the suicide squad）。 在过去十年里，威尔·史密斯参演的原创或“从头开始”的电影在票房上差强人意，其中包括《重返地球》（after earth）、《焦点》（focus）、《附属美丽》（collateral beauty）、《脑震荡》（concussion）、《双子杀手》（the gemini man）、《变身特工》（spies in disguise）、《国王理查德》（king richard），这也是为什么有消息称他要筹备《我是传奇》的续集了。 掌掴事件会如何影响威尔·史密斯的未来 首先是声望。在遇到性侵指控后，凯文·史派西（kevin spacey）作为一名电影演员的价值便消失得无影无踪了，因为声望是他唯一的价值。虽然从21世纪初开始，凯文·史派西就不再是电影明星了，但他仍然通过《极盗车神》（baby driver）、《恶老板2》（horrible bosses 2）和《商海通牒》（margin call）等电影保持了一定的业内地位。可一旦失去了声望，他就一无是处了。 同样地，阿米·哈默（armie hammer）在好莱坞可能也完蛋了，因为他从来都不是一个引人注目的角色，而如今连声望价值也没有了。 除了《加勒比海盗》的续集之外，约翰尼·德普（johnny depp）几乎不受观众欢迎。虽然在某些情况下，蒂姆·伯顿（tim burton）执导的《查理与巧克力工厂》（charlie and the chocolate factory）和《爱丽丝梦游仙境》（alice in wonderland）等奇幻电影会吸引观众，但在遇到虐待配偶的指控后，约翰尼·德普现在几乎没有什么声望可言。 同样的，除了获得奥斯卡奖的、票房为1.75亿美元的《血战钢锯岭》（hacksaw ridge），梅尔·吉布森最近的十年充斥着质量高低不一、直接以视频点播形式（straight-to-vod）发行的惊悚片，如《瓦尔多》（last looks）和《自然之力》（force of nature），以及在《弯刀杀戮》（machete kills）和《老爸当家2》（daddy's home 2）等电影中的噱头表演。 威尔·史密斯的优势在于，他拥有巨大的票房号召力，而且最近还在商业ip系列电影中贡献了附加值。他是《自杀小队》在全球获得7.25亿美元票房的重要因素，也是《阿拉丁》的一大福音，推动其全球总票房超过了10亿美元。在最坏的情况下，他可能仍然“有资本”参与到《阿拉丁2》、《绝地战警4》，或者此类“明星+ip”的商品中。 然而，能够让威尔·史密斯拍续集的系列电影也就那么多，他最终会耗尽自己的系列电影。 这种就类似于汤姆?克鲁斯（tom cruise）的情况了。当时，他在宣传《世界大战》（war of the worlds）时的滑稽动作给自己的明星魅力留下了永久的污点：虽然并没有真正跳上奥普拉·温弗瑞（oprah winfrey）的沙发（只是在后者和激动的观众面前表演），但“跳上沙发的争议”导致了汤姆?克鲁斯的现状，即只能在《碟中谍》（mission: impossible）续集和类似的的动作/科幻电影中赚钱。那个曾经在《好人寥寥》（a few good men）、《甜心先生》（jerry maguire）、《大开眼戒》（eyes wide shut）甚至是《最后的武士》（the last samurai）等影片中大展拳脚的汤姆?克鲁斯已经不复存在。 也许，这会成为威尔·史密斯今后拍电影的新常态。尽管会有大片，但再也不会有像《国王理查王》或《焦点》这样的片子了。 写在最后 威尔·史密斯受到的长期影响不会被未来几周或几个月所决定。不得不说，这次的奥斯卡掌掴事件打破了他30年精心塑造起来的平易近人、无害且永远保持的电影明星魅力。说实话，很少有演员会因为类似的事件而人们感到震惊（也许像汤姆·克鲁斯、莱昂纳多·迪卡普里奥、成龙、汤姆·汉克斯或桑德拉·布洛克这样的演员会）。 好莱坞扼杀了自己的明星体系。其不断地试图把每个英俊的白人都变成下一个汤姆·克鲁斯，也没有费心去寻找下一个威尔·史密斯。如果这两位前明星演员发现自己的事业都有着相同的下一幕，那这将是一个苦涩的讽刺。对威尔·史密斯来说，要么其事业没有受到严重影响，但只能从事粉丝友好型的续集工作；要么其在影院和流媒体上仍然是一个动作明星，但在动作电影以外的任何事情上都失去了他的戏剧价值。 你怎么看？

主演：Christopher McCulloch,詹姆斯·乌尔班尼亚克,米夏埃尔·桑泰尔尼克拉斯,帕特里克·沃伯顿,Doc Hammer
简介：　　Life goes on after the tragic deaths of Hank and Dean. Meanwhile, the Monarch deals with life "inside" but you can't keep a good criminal mastermind down. But will King Gorilla prove to be his greatest ally, or his worst betrayer?

主演：Christopher McCulloch,詹姆斯·乌尔班尼亚克,米夏埃尔·桑泰尔尼克拉斯,帕特里克·沃伯顿,Doc Hammer
简介： 对人工智能领域来说，2015年是值得纪念的一年。不仅计算机「学」得更多更快了，我们也学到了更多关于如何改进计算机系统的知识。一切都在步入正轨，因此，我们正目睹着前所未有的重大进步：我们有了能用图片来讲故事的程序，有了无人驾驶汽车，甚至有了能够创作艺术的程序。如果你想要了解2015年的更多进展，请一定要读一读这篇文章。ai技术已逐步成为许多技术的核心，所以，理解一些常用术语和工作原理成为了一件很重要的事。 人工智能是什么？ 人工智能的很多进步都是新的统计模型，其中绝大多数来自于一项称作「人工神经网络」（artificial neural networks）的技术，简称ann。这种技术十分粗略地模拟了人脑的结构。值得注意的是，人工神经网络和神经网络是不同的。很多人为了方便起见而把「人工神经网络」中的人工二字省略掉，这是不准确的，因为使用「人工」这个词正是为了与计算神经生物学中的神经网络相区别。以下便是真实的神经元和神经突触。 " 我们的ann中有称作「神经元」的计算单元。这些人工神经元通过「突触」连接，这里的「突触」指的是权重值。这意味着，给定一个数字，一个神经元将执行某种计算（例如一个sigmoid函数），然后计算结果会被乘上一个权重。如果你的神经网络只有一层，那么加权后的结果就是该神经网络的输出值。或者，你也可以配置多层神经元，这就是深度学习的基础概念。 它们起源何处？ 人工神经网络不是一个新概念。事实上，它们过去的名字也不叫神经网络，它们最早的状态和我们今天所看到的也完全不一样。20世纪60年代，我们把它称之为感知机（ perceptron），是由mcculloch-pitts神经元组成。我们甚至还有了偏差感知机。最后，人们开始创造多层感知机，也就是我们今天通常听到的人工神经网络。 " 如果神经网络开始于20世纪60年代，那为什么它们直到今天才流行起来？这是个很长的故事，简单来说，有一些原因阻碍了ann的发展。比如，我们过去的计算能力不够，没有足够多的数据去训练这些模型。使用神经网络会很不舒服，因为它们的表现似乎很随意。但上面所说的每一个因素都在变化。如今，我们的计算机变得更快更强大，并且由于互联网的发展，我们可使用的数据多种多样。 它们是如何工作的？ 上面我提到了运行计算的神经元和神经突触。你可能会问：「它们如何学习要执行何种计算？」从本质上说，答案就是我们需要问它们大量的问题，并提供给它们答案。这叫做有监督学习。借助于足够多的「问题－答案」案例，储存在每个神经元和神经突触中的计算和权值就能慢慢进行调整。通常，这是通过一个叫做反向传播（backpropagation）的过程实现的。 " 想象一下，你在沿着人行道行走时看到了一个灯柱，但你以前从未见过它，因此你可能会不慎撞到它并「哎呦」惨叫一声。下一次，你会在这个灯柱旁边几英寸的距离匆匆而过，你的肩膀可能会碰到它，你再次「哎呦」一声。直到第三次看到这个灯柱，你会远远地躲开它，以确保完全不会碰到它。但此时意外发生了，你在躲开灯柱的同时却撞到了一个邮箱，但你以前从未见过邮箱，你径直撞向它——「灯柱悲剧」的全过程又重现了。这个例子有些过度简化，但这实际上就是反向传播的工作原理。一个人工神经网络被赋予多个类似案例，然后它试着得出与案例答案相同的答案。当它的输出结果错误时，这个错误会被重新计算，每个神经元和神经突触的值会通过人工神经网络反向传播，以备下次计算。此过程需要大量案例。为了实际应用，所需案例的数目可能达到数百万。 既然我们理解了人工神经网络以及它们的部分工作原理，我们可能会想到另外一个问题：我们怎么知道我们所需神经元的数量？以及为什么前文要用粗体标出「多层」一词？每层人工神经网络就是一个神经元的集合。在为ann输入数据时我们有输入层，同时还有许多隐藏层，这正是魔法诞生之地。最后，我们还有输出层，ann最终的计算结果放置于此供我们使用。 " 层级本身是神经元的集合。在多层感知机的年代，我们起初认为一个输入层、一个隐藏层和一个输出层就够用了。那时是行得通的。输入几个数字，你仅需要一组计算，就能得到结果。如果ann的计算结果不正确，你再往隐藏层上加上更多的神经元就可以了。最后我们终于明白，这么做其实只是在为每个输入和输出创造一个线性映射。换句话说，我们了解了，一个特定的输入一定对应着一个特定的输出。我们只能处理那些此前见过的输入值，没有任何灵活性。这绝对不是我们想要的。 如今，深度学习为我们带来了更多的隐藏层，这是我们如今获得了更好的ann的原因之一，因为我们需要数百个节点和至少几十个层级，这带来了亟需实时追踪的大量变量。并行程序的进步也使我们能够运行更大的ann批量计算。我们的人工神经网络正变得如此之大，使我们不能再在整个网络中同时运行一次迭代。我们需要对整个网络中的子集合进行批量计算，只有完成了一次迭代，才可以应用反向传播。 有几种类型？ 在今天所使用的深度学习中，人工神经网络有很多种不同的结构。典型的ann中，每个神经元都与下一层的每个神经元相连接。这叫做前馈人工神经网络（尽管如此，ann通常来说都是前馈的）。我们已经知道，通过将神经元与其他神经元按特定模式相连接，在处理一些特定情景的问题时，我们就会得出更好的结论。 递归神经网络 递归神经网络（rnn）的设计初衷是为了解决神经网络不能基于过去知识做出决策的缺陷。典型的ann已经在训练中学会了基于文本做出决策，但是一旦它开始为实用做决策，这些决定之间就是彼此独立的。 " 为什么我们会想要这样的东西？好吧，想一想玩21点游戏。如果一开始你得到4和5，你就会知道2以下的牌都不在牌堆中。这种信息会帮助你决定是否要拿牌。rnn在自然语言处理中十分有用，因为前文的字词有助于理解文中其他词语的含义。虽然有不同类型的实现方式，但是目的都是一样的。我们想要保留信息。为了达到这一目的，我们可以通过双向递归神经网络（ bi-directional rnn）或执行一个能根据每次前馈来进行调整的递归隐藏层。如果你想学习更多有关rnn的知识，可以查阅这篇博客： https://karpathy.github.io/2015/05/21/rnn-effectiveness/。 说到这里，就不得不提到记忆网络（ memory networks），这一概念是说，如果我们想要理解诸如电影或者书中那些构筑于彼此之上的事件时，就必须记住比一个rnn或lstm（长短期记忆人工神经网络，一种时间递归神经网络）更多的信息。 sam走进厨房。 sam拿起苹果。 sam走进卧室。 苹果掉到了地上。 问：苹果在哪儿？ 答：卧室里。 这是这篇论文（ https://arxiv.org/pdf/1503.08895v5.pdf）中的例子。 卷积神经网络 卷积神经网络（cnn）有时被称为lenets（以yann lecun命名），是层间随机相连的人工神经网络。然而，以这样的方式设置突触是为了有助于减少需要优化的参数量。通过标记神经元连接的某种对称性，你能「重新使用」神经元以得到完全相同的副本，而不需要同等数量的突触。由于cnn能识别出周围像素的模式，因此它通常用于图像处理。当你将某一像素与其周围的像素进行比较时，会包含冗余信息。由于存在对称性，你可以压缩类似信息。这听起来像是cnn的完美情况，christopher olah也有一篇关于理解 cnns和其他类型的anns的优质博客（ https://colah.github.io/posts/2014-07-conv-nets-modular/ ）。还有一篇关于cnn的博客： https://www.wildml.com/2015/11/understanding-convolutional-neural-networks-for-nlp/ 。 强化学习 我想要探讨的最后一种 ann的类型是强化学习（reinforcement learning）。强化学习是一个专业术语，用来描述计算机在尝试将某种回报最大化时所表现出来的行为，这意味着它本身不是一个人工神经网络的结构。然而，你能用强化学习或遗传算法来构建你以前从没想过要用的人工神经网络结构。 youtube用户sethbling上传的用强化学习系统来构建可以自己玩mario游戏的人工神经网络的视频就是个很好的例子。另一个强化学习的例子是deepmind公司的视频中展示的能教程序玩各种atari游戏。 " 结论 现在，你应该对目前最先进的人工智能有了一定的了解。神经网络正在驱动你能想到的几乎所有事情，包括语言翻译、动物识别、图片捕捉、文本摘要等等。在未来，你将越来越多地听到它的名字。 机器之心，最专业的前沿科技媒体和产业服务平台，每日提供优质产业资讯与深度思考，欢迎关注微信公众号「机器之心」（almosthuman2014），或登录机器之心网站www.almosthuman.cn查看更多精彩内容。

主演：Christopher McCulloch,詹姆斯·乌尔班尼亚克,米夏埃尔·桑泰尔尼克拉斯,帕特里克·沃伯顿,Doc Hammer
简介： 对人工智能领域来说，2015年是值得纪念的一年。不仅计算机「学」得更多更快了，我们也学到了更多关于如何改进计算机系统的知识。一切都在步入正轨，因此，我们正目睹着前所未有的重大进步：我们有了能用图片来讲故事的程序，有了无人驾驶汽车，甚至有了能够创作艺术的程序。如果你想要了解2015年的更多进展，请一定要读一读这篇文章。ai技术已逐步成为许多技术的核心，所以，理解一些常用术语和工作原理成为了一件很重要的事。 人工智能是什么？ 人工智能的很多进步都是新的统计模型，其中绝大多数来自于一项称作「人工神经网络」（artificial neural networks）的技术，简称ann。这种技术十分粗略地模拟了人脑的结构。值得注意的是，人工神经网络和神经网络是不同的。很多人为了方便起见而把「人工神经网络」中的人工二字省略掉，这是不准确的，因为使用「人工」这个词正是为了与计算神经生物学中的神经网络相区别。以下便是真实的神经元和神经突触。 " 我们的ann中有称作「神经元」的计算单元。这些人工神经元通过「突触」连接，这里的「突触」指的是权重值。这意味着，给定一个数字，一个神经元将执行某种计算（例如一个sigmoid函数），然后计算结果会被乘上一个权重。如果你的神经网络只有一层，那么加权后的结果就是该神经网络的输出值。或者，你也可以配置多层神经元，这就是深度学习的基础概念。 它们起源何处？ 人工神经网络不是一个新概念。事实上，它们过去的名字也不叫神经网络，它们最早的状态和我们今天所看到的也完全不一样。20世纪60年代，我们把它称之为感知机（ perceptron），是由mcculloch-pitts神经元组成。我们甚至还有了偏差感知机。最后，人们开始创造多层感知机，也就是我们今天通常听到的人工神经网络。 " 如果神经网络开始于20世纪60年代，那为什么它们直到今天才流行起来？这是个很长的故事，简单来说，有一些原因阻碍了ann的发展。比如，我们过去的计算能力不够，没有足够多的数据去训练这些模型。使用神经网络会很不舒服，因为它们的表现似乎很随意。但上面所说的每一个因素都在变化。如今，我们的计算机变得更快更强大，并且由于互联网的发展，我们可使用的数据多种多样。 它们是如何工作的？ 上面我提到了运行计算的神经元和神经突触。你可能会问：「它们如何学习要执行何种计算？」从本质上说，答案就是我们需要问它们大量的问题，并提供给它们答案。这叫做有监督学习。借助于足够多的「问题－答案」案例，储存在每个神经元和神经突触中的计算和权值就能慢慢进行调整。通常，这是通过一个叫做反向传播（backpropagation）的过程实现的。 " 想象一下，你在沿着人行道行走时看到了一个灯柱，但你以前从未见过它，因此你可能会不慎撞到它并「哎呦」惨叫一声。下一次，你会在这个灯柱旁边几英寸的距离匆匆而过，你的肩膀可能会碰到它，你再次「哎呦」一声。直到第三次看到这个灯柱，你会远远地躲开它，以确保完全不会碰到它。但此时意外发生了，你在躲开灯柱的同时却撞到了一个邮箱，但你以前从未见过邮箱，你径直撞向它——「灯柱悲剧」的全过程又重现了。这个例子有些过度简化，但这实际上就是反向传播的工作原理。一个人工神经网络被赋予多个类似案例，然后它试着得出与案例答案相同的答案。当它的输出结果错误时，这个错误会被重新计算，每个神经元和神经突触的值会通过人工神经网络反向传播，以备下次计算。此过程需要大量案例。为了实际应用，所需案例的数目可能达到数百万。 既然我们理解了人工神经网络以及它们的部分工作原理，我们可能会想到另外一个问题：我们怎么知道我们所需神经元的数量？以及为什么前文要用粗体标出「多层」一词？每层人工神经网络就是一个神经元的集合。在为ann输入数据时我们有输入层，同时还有许多隐藏层，这正是魔法诞生之地。最后，我们还有输出层，ann最终的计算结果放置于此供我们使用。 " 层级本身是神经元的集合。在多层感知机的年代，我们起初认为一个输入层、一个隐藏层和一个输出层就够用了。那时是行得通的。输入几个数字，你仅需要一组计算，就能得到结果。如果ann的计算结果不正确，你再往隐藏层上加上更多的神经元就可以了。最后我们终于明白，这么做其实只是在为每个输入和输出创造一个线性映射。换句话说，我们了解了，一个特定的输入一定对应着一个特定的输出。我们只能处理那些此前见过的输入值，没有任何灵活性。这绝对不是我们想要的。 如今，深度学习为我们带来了更多的隐藏层，这是我们如今获得了更好的ann的原因之一，因为我们需要数百个节点和至少几十个层级，这带来了亟需实时追踪的大量变量。并行程序的进步也使我们能够运行更大的ann批量计算。我们的人工神经网络正变得如此之大，使我们不能再在整个网络中同时运行一次迭代。我们需要对整个网络中的子集合进行批量计算，只有完成了一次迭代，才可以应用反向传播。 有几种类型？ 在今天所使用的深度学习中，人工神经网络有很多种不同的结构。典型的ann中，每个神经元都与下一层的每个神经元相连接。这叫做前馈人工神经网络（尽管如此，ann通常来说都是前馈的）。我们已经知道，通过将神经元与其他神经元按特定模式相连接，在处理一些特定情景的问题时，我们就会得出更好的结论。 递归神经网络 递归神经网络（rnn）的设计初衷是为了解决神经网络不能基于过去知识做出决策的缺陷。典型的ann已经在训练中学会了基于文本做出决策，但是一旦它开始为实用做决策，这些决定之间就是彼此独立的。 " 为什么我们会想要这样的东西？好吧，想一想玩21点游戏。如果一开始你得到4和5，你就会知道2以下的牌都不在牌堆中。这种信息会帮助你决定是否要拿牌。rnn在自然语言处理中十分有用，因为前文的字词有助于理解文中其他词语的含义。虽然有不同类型的实现方式，但是目的都是一样的。我们想要保留信息。为了达到这一目的，我们可以通过双向递归神经网络（ bi-directional rnn）或执行一个能根据每次前馈来进行调整的递归隐藏层。如果你想学习更多有关rnn的知识，可以查阅这篇博客： https://karpathy.github.io/2015/05/21/rnn-effectiveness/。 说到这里，就不得不提到记忆网络（ memory networks），这一概念是说，如果我们想要理解诸如电影或者书中那些构筑于彼此之上的事件时，就必须记住比一个rnn或lstm（长短期记忆人工神经网络，一种时间递归神经网络）更多的信息。 sam走进厨房。 sam拿起苹果。 sam走进卧室。 苹果掉到了地上。 问：苹果在哪儿？ 答：卧室里。 这是这篇论文（ https://arxiv.org/pdf/1503.08895v5.pdf）中的例子。 卷积神经网络 卷积神经网络（cnn）有时被称为lenets（以yann lecun命名），是层间随机相连的人工神经网络。然而，以这样的方式设置突触是为了有助于减少需要优化的参数量。通过标记神经元连接的某种对称性，你能「重新使用」神经元以得到完全相同的副本，而不需要同等数量的突触。由于cnn能识别出周围像素的模式，因此它通常用于图像处理。当你将某一像素与其周围的像素进行比较时，会包含冗余信息。由于存在对称性，你可以压缩类似信息。这听起来像是cnn的完美情况，christopher olah也有一篇关于理解 cnns和其他类型的anns的优质博客（ https://colah.github.io/posts/2014-07-conv-nets-modular/ ）。还有一篇关于cnn的博客： https://www.wildml.com/2015/11/understanding-convolutional-neural-networks-for-nlp/ 。 强化学习 我想要探讨的最后一种 ann的类型是强化学习（reinforcement learning）。强化学习是一个专业术语，用来描述计算机在尝试将某种回报最大化时所表现出来的行为，这意味着它本身不是一个人工神经网络的结构。然而，你能用强化学习或遗传算法来构建你以前从没想过要用的人工神经网络结构。 youtube用户sethbling上传的用强化学习系统来构建可以自己玩mario游戏的人工神经网络的视频就是个很好的例子。另一个强化学习的例子是deepmind公司的视频中展示的能教程序玩各种atari游戏。 " 结论 现在，你应该对目前最先进的人工智能有了一定的了解。神经网络正在驱动你能想到的几乎所有事情，包括语言翻译、动物识别、图片捕捉、文本摘要等等。在未来，你将越来越多地听到它的名字。 机器之心，最专业的前沿科技媒体和产业服务平台，每日提供优质产业资讯与深度思考，欢迎关注微信公众号「机器之心」（almosthuman2014），或登录机器之心网站www.almosthuman.cn查看更多精彩内容。

主演：詹姆斯·乌尔班尼亚克,帕特里克·沃伯顿,米夏埃尔·桑泰尔尼克拉斯,Doc Hammer
简介： 不知道当年大家接触到的第一款有关“马里奥”的游戏是什么游戏呢？ 在《超级玛丽》之前，其实马里奥就已经出现过很多次了，在《超级玛丽水管工》《大金刚》中都有登场，甚至还曾经当过反派。国内大部分玩家最初认识马里奥应该都是在红白机游戏《超级玛丽》中。后期该系列在各平台打造了不少的精神续作，不过对于国内的玩家来说只有初代的才是最有感觉的。 " 《超级玛丽》中出现的很多敌兵都是比较有意思的，什么蘑菇、乌龟、甲虫、猴子....当年我们为每一个小兵都取了一些绰号。不过因为fc游戏的画质无法完全将敌兵呈现出来，因此很多贴图我们都看错了。好在后期对这些敌兵进行了高清化重置，每一只曾经熟悉的小怪都清晰的呈现了出来。 那么，《超级玛丽》系列中出现的这些敌兵到底是什么样子的呢？ goomba香菇 这是游戏中最常见的小兵，但是恰恰是收走玩家人头最多的小兵。当年不知道有多少玩家出场三秒就死了，就是拜它所赐。根据游戏设计师透露，这个小怪的原型就是香菇，不过在初代的画质中看上去不是很明显而已。 后期这只小兵出现了很多能力，在不同的版本中攻击方式都是不同的，甚至还会飞。 " " koopa乌龟 这是游戏中最常见的敌兵，在游戏中有四种，分别是红色和绿色，以及飞行状态的红色和绿色，它们都拥有不同的名字。 有意思的是，乌龟被踩一次之后就可以踢走，玩家要是跟着跑的话就能顺利清除前面的所有敌兵，运气好还能奖命。而飞行的乌龟需要踩两次才能滑行。 飞行的乌龟一般都是规律的上下飞行，也有一些乌龟飞行路线是直行。 " lakitu云朵 在游戏的第四关我们会见到一只会扔刺猬（刺猬也是有名字的：spiny）的云朵。这玩意当年可是新手玩家的阴影，它会一直追杀玩家，然后一路上不停的扔刺猬下来，玩家稍微停留一下就可能被包围。有子弹还好，要是没有子弹就比较麻烦了。不过我们可以站在高处将其击落，或者踩下来，不过过一会它又会出现，很烦人。 当年我们并没有发现，原来这个云朵上面还有一只乌龟，而扔刺猬的正是这只乌龟。在《超级玛丽》初代中它是最恼人的敌兵，但是在后期部分版本中却成为玩家的帮手了。 " buzzy beetle钢盔头 游戏中最坚硬的敌兵，对主角的子弹直接免疫。玩家对付他的办法只能靠踩。只有在拥有护体的时候才能直接击败它！ 看上去像是一只乌龟，但是beetle是甲虫的意思。也就是说这是一只皮糙肉厚的甲虫。 " piranha plant食人花 当年不知道多少玩家曾经这这个植物暗算过？ 有的水管中有，而有的却没有，玩家要是把握机会射击就可以直接将其打掉，打掉之后就不会再出了。另外，玩家靠近水管之后或者站在上面的时候它也不会出现，这是比较人性化的设计。不过，在后期版本中食人花的攻击方式越来越多，甚至还会发弹。 " hammer bro.锤子兄弟 不知道大家注意到没有，这两个家伙每次出现都是成双成对。它们联手扔出来的锤子相当密集，玩家在没有子弹的情况下只能踩死或者顶死它们，难度比较大的。为什么一定要打败它们呢？因为它们都是在后期才出现，而且出现的地方都是有非常难得的蘑菇或者花的。 " blooper章鱼 这是在水下出现的敌兵，在2-2和7-2、8-4都有出现，另外在一些水管中也是有可能通往水下的。章鱼是水下的霸主，移动方式很有规律，玩家一般都是敬而远之。 " cheep-cheep飞鱼 这只q版的小鱼看上去人畜无害，在水中的时候非常老实，玩家只要不惹它们就相安无事。但是在2-3、7-3这些关卡中，这些飞鱼能够在天上飞，玩家脚步放慢一点就有可能被咬住。 " 其实初代的怪物们，在后期的版本中都是得到了延续的，而且每一代的画风都不一样。虽然后期的版本中增加了大量的新敌人，但是这些“老员工”的人气一直都在。 当然了，还有很多小编没有提到的，欢迎大家补充，小编会在之后继续整理。 喜欢街机时代的文章请点击关注，粉丝都可以在第一时间查看最新内容。 小编的文章都是经过长时间整理和创作，纯手工打字，绝无水贴。 原创文章，谢绝转载 "

主演：詹姆斯·乌尔班尼亚克,帕特里克·沃伯顿,米夏埃尔·桑泰尔尼克拉斯,Christopher McCulloch,Doc Hammer
简介：　　The past is haunting the Venture building, literally. Can a good exorcism fix everything? Meanwhile, Hank is pressured by goons to break off his relationship with their mobster boss' daughter.

主演：塞思·麦克法兰,艾利克斯·布诺斯町,赛斯·格林,米拉·库尼斯,Mike Henry,Ian Loghan-Swagger,帕特里克·沃伯顿
简介：国庆寄语：一个微笑可以融化沉重的脸，一句安慰可以鼓舞丧气的心田，一点帮助可以减轻人生重担，一次分享可以激励奋发向前。祝大家国庆假期快乐。 1、动画番剧：overtake！（上线平台：crunchyroll） "overtake！ 2、动画番剧：香格里拉·开拓异境～粪作猎手挑战神作～（上线平台：iqiyi国际站、crunchyroll） 剧情介绍：讲述专门玩烂 vr 游戏的“废game猎人”阳务乐郎，在店员推荐下接触了社群最受好评的vr游戏“shangrila frontier”。那里他所聚集的伙伴、广阔的世界、还有和“宿敌”的相遇，这些改变了包括他在内的所有玩家的命运！ "香格里拉·开拓异境～粪作猎手挑战神作～ 3、动画番剧：mf ghost（上线平台：crunchyroll） 剧情介绍：故事发生在《头文字d》二、三十年后，公元202x年的未来世界，所有车厂的内燃发动机汽车已停产，取而代之的是电动车与氢燃料车。不过，在热爱赛车的日本诞生了一项以市区、山路和高速公路做为赛道的公路赛事：mfg，也就是纯汽油类汽车的比赛。 "mf ghost 4、欧美动画：开心汉堡店 第十四季（上线平台：fox） "开心汉堡店 第十四季 5、欧美动画：辛普森一家 第三十五季（上线平台：fox） "辛普森一家 第三十五季 6、欧美动画：恶搞之家 第二十二季（上线平台：fox） "恶搞之家 第二十二季 7、动画番剧：凹凸魔女的亲子日常（上线平台：crunchyroll） "凹凸魔女的亲子日常 8、欧美剧集：沸点（上线平台：英国广播电视台） 剧情介绍：背景设定在电影结尾后八个月，聚焦卡莉在自己经营的餐厅中担任主厨的故事。 "沸点 9、日本电影：大家都活着～第二个生日～（dvd和蓝光） "大家都活着～第二个生日～ 10、欧美剧集：狂野之人（上线平台：kion） "狂野之人 11、国产动画：长安三万里（平台未知）豆瓣评分：8.3/imdb 评分：7.4 剧情介绍：安史之乱爆发后数年，吐蕃大军攻打西南。大唐节度使高适交战不利，长安岌岌可危。困守孤城的高适向监军太监回忆起自己与李白的一生往事。 "长安三万里 12、国产纪录：中国 第三季（平台未知） 剧情介绍：纪录片《中国》从春秋战国到秦汉、从魏晋南北朝到隋唐，《中国》第一季勾勒出春秋至盛唐的的历史图谱，第二季将从盛唐继续将起，第三季的故事则追溯到上古时代。 "中国 第三季 声明：每日上线新片汇总如有搬运、转载请注明搬运出处及转载来源（微信公众号：随心影视控、新浪微博：随心-电影控、今日头条：随心电影控的预告小屋），小编每日新片整理不易，校对上线日期及文字介绍，今日头条、公众号排版就要花费大量时间，请搬运者、转载者尊重小编劳动成果。 更多精彩影视资讯请关注weibo：随心-电影控；weixin：随心影视控！