人民潜意识里为什么一定要买房?

底层的观念,中层的体面,就是上层的利益。

底层的观念是封建的,封建社会的梦想是,一亩地两头牛,老婆孩子热炕头,孩子长大了也是要世世代代循环梭的。这是逆公脉冲梭蛤的乡愿,背后的恐惧是断子绝孙。面朝黄土背朝天的人,哪怕被城市化了,依然对土地和孽息有着惯性的执着。

中层的体面是后现代的,后现代是被焦虑支配的,也是被“微权力 ”驯化的。是要房车俱全,这是活在套子里的人。房子作为一种物化的安全感锚点,在不确定风中给人确定性的港湾。港湾疗愈恐惧。无孔不入的电视剧,电影,广告塑造的想象中贵贱激发阶级跌落的恐惧。

最容易造成阶级跌落的决策,恰恰是对阶级跌落恐惧,以及对阶级跃升的贪婪促成的。

上层的利益,先说路径再说目标,路径是房地产利益链 的分配,大头归地方土地出让金和银行利息,中头是项目合规的过手油,小头是建材和农民工工资这些放大货币乘数 的玩意。地产商是替罪的沈一石,留不下多少净利润。详见:

上层利益的目标,需要分秩序与混乱。

对于秩序派意志而言,第一性是商品税 ,是财税一种喻税于价的手法,更多的羊毛更少的羊叫。这是中国从管仲以来一直延续至今的官山海优良传统,不得不品尝。

第二性是支柱产业,在那个外贸以出口加工,两头在外模式为主的时代,中国工业品廉价质量差,竞争力一般,那劳动密集型产业赚到的钱如何留在国内?背上房贷,节衣缩食,就能把外贸发给工人的工资再回收,拿走自由现金流防止他们购买进口商品流失外汇,让肉烂在国内。这就是王石1993年给朱相的建议。

第三性是国有资产 ,市长就是企业家,需要运营抓手。土地作为地方政府的资本进入到循环,投资五通一平,招商引资,产生就业,就业后就能拍卖土地卖房子,拿到的钱继续五通一平搞开发区,循环往复。剥走劳动剩余让地方国有资本增速跑赢国际资本,知我罪唯春秋。

第四性是金融资产 和担保物,科普一下,现在印钱有两种方式,一种是直接印钞票出来,是M0。另一种是贷款,比如银行内只有小明往银行存款100w,来了一个黄毛贷款买房,首付100w贷款300w,他贷款的300w货币本质上是牛走了小明的100w,一笔钱牛走三遍,这就是一气化三清,如果存款准备金率下调到10%,一笔钱可以牛走10遍。这就是货币乘数。所以贷款就会带来与印钞相同的效果,而贷款的基石是抵押贷中的抵押物,即担保品房子。中国当前的通缩不是央行不印钞了,而是居民不贷款了。股市烧出来的一把火也是因为房子担保物没有增量了,需要找新的担保物了。

以上是利国利民属性的上层意志,房地产扛起来中国制造业水平差时的经济金融大循环,这也是为什么地产狂飚突进时,上面没人踩刹车。现在踩刹车本质上是外贸增量没了,中国变成世界工厂了,再投资五通一平效用很差甚至是内卷了,ROI一看覆盖不了利息了,旧时代结束了。

换一个角度,上层利益也有混乱的。混乱的流官管你投资有没有效果,先项目上马刷一下GDP混政绩再弄点过手油,升上去就拍拍屁股走人烂摊子往下传。混乱的小吏,各种环节合规性吃拿卡要,把地产商蛀成一个债务缠身的空壳。混乱的金融机构先搞通道业务四层套娃,每一层收一遍通道费,硬生生把理财产品的成本加成了高利贷。于是恒大这么大的企业干了这么久,天价房子一个又一个,结果一看没留下净资产,满身是债。钱去哪里了?在豪华小区养天价鸡,在巴黎和米兰养奢侈品,在墨尔本和温哥华养豪宅。这些奸奇行为是值得记下来的,可以青蒜的。

以上是意识属性的分析,还有一个推波助澜的原因是庞氏 的,疯狂郁金香 的,三根阳线改变信仰的。

但是这都过去了,房子的时代结束了,但是房子的金融性还是决定了房价大跌会造成系统性金融风险,需要一些勇敢者殿后。详见:

现在依然有观念的堡垒依靠惯性来持续收割。

这也是为什么关于房地产,真正能改变底层观念的观点是禁止传播的,比如抖音的逆公梭蛤定律。这动了上层人的利益。

而我们昨天哪怕不被这个收割,也要防止因为观念和体面被其他类似的东西收割。我们需要学会叛逆和祛魅。

要把观念和体面揉碎了,人才能解放出来,自由而全面的发展。

Stay hungry stay foolish

心法最难,不喜跳过

心法是,思想向刘邦运动,变成该溜子。
批判和自我批判,时刻准备摧毁自己的旧观念,时刻准备打脸自己上一秒说的话,什么假齐王,做真齐王。
柔弱似水,时刻准备抛弃前后一致,行动上随时准备一百八十度大转弯,咸阳封库还灞上,两女辍洗来接风。
拒绝道德绑架,拒绝软肋,无可无不可,子女推下车,老爹下油锅。
极致理性,不因好恶与仇恨扭曲行为,雍齿封侯。

接下来是文化属性的分析。

布尔迪厄讲的文化资本 概念中,中产阶级需要干三个事儿,向上致敬,模仿黄老爷。向下区隔,和泥腿子划分界限。对内攀比,通过更靠近市中心,更大面积,更好的学区房子在绩优主义赛道来证明自己是更优秀更道德的那个。

实际上挺可笑的,黄老爷的是指缝里漏出来的全款,不会让背上30年房贷。而试图区隔的泥腿子们,大基数刮出来的基因彩票,弄出来的寒门学神,可以一分钱补习费都不花,在中国廉价的应试教育赛道里四两拨千斤,在高考中踩头中产集全家之力各种兴趣班补习班学区房框框砸钱的小孩。

君子为腹不为目,体面是虚荣的,给别人看的,是装饰性的,是景观社会的。避开镰刀,要学会识别核心利益,不被观念和他人目光左右。

做到极致的就是邪修,租鸡青一只是表象,租鸡而省下来的精力,资源,机会成本投入在了哪里,才是一个人的本质。

一个家族想要发展,穿越周期,需要内部出现一个懂宏观经济,懂政治懂周期的通才。但能不能用好这个人,才是家族的分野。鸡窝里出了凤凰,家族的人大概率也没法充分发挥这个外脑。可能是抱着长辈对晚辈的轻蔑,也可能嫉妒别人家孩子,也可能是自我保护的说这人只是运气比较好或者道德更差,而未能广咨问,除嫌吝,真正发挥这个大脑的价值。

如果家族内没有这样的人,普通人就需要在朋友中找这样的人,这是属于不傲慢不嫉妒的人的福利。

下个时代的财富密码,就藏在这些人的脑袋里。道不轻传,唯有爱才能让人开口。

语言是思想潜意识的表达,需要在外化的语言上犀利,才能破开心中的枷锁。我们需要百无禁忌。

给大家一些语言武器来pk微权力规训

1.你爸妈不催婚吗?

“爹妈?他有几个师?”(斯大林)

2.我这都是为了你好,你老大不小了,应该xx

“胜利者是不受指责的”(斯大林)

3.买这些乱七八糟的,赔了怎么办?

“骰子已经掷下”(凯撒)

4.你们都不生小孩,未来国家怎么办?

“集拳统治的本质,是将人变成多余的存在”(汉娜 阿伦特)

5.看你过成什么鬼样子,能不能活出个人样?

“曳尾涂中”(庄子)

6.你连个房子都没有,还有没有点男人的责任心?

“革命者不是温室里的花朵”(切 格瓦拉)

7.你们这个是奋斗的年纪,怎么可以躺平。

“巧者劳而智者忧,无能者无所求,饱食而遨游”


未完待续,可以cy

<think>我们之前代码中的输入维度input_dim=50是一个示例值,实际应该根据数据特征维度确定。现在解释原因: 输入维度(input_dim)指的是每个数据样本的特征数量。在VAE中,输入维度必须与数据的实际特征数量严格匹配,因为: 1. 编码器第一层线性层的输入神经元数量必须等于特征维度 2. 解码器最后一层线性层的输出神经元数量必须等于特征维度 为什么示例中用了50? 示例代码中,我们创建了模拟数据:sample_data = torch.randn(8000, input_dim) 其中input_dim=50仅是一个假设值,表示我们有8000个样本,每个样本有50个特征。 实际使用时,必须根据真实数据确定维度: input_dim = your_data.shape[1] # 获取特征数量 例如: - 如果数据是28x28的图像,需要展平为784维向量,则input_dim=784 - 如果数据是表格数据,列数即为特征维度 因此,在初始化VAE模型时,必须传入正确的输入维度: vae_model = VAE(input_dim=your_data.shape[1], ...) 如果维度不匹配会导致: 1. 运行时维度不匹配错误(如矩阵乘法形状错误) 2. 模型无法正确学习数据分布 修改建议: 在训练前获取数据维度并动态设置: import numpy as np data = np.loadtxt('data.csv') # 假设数据文件 input_dim = data.shape[1] </think>在VAE模型中设置数据特征维度(如示例中的50)是至关重要的技术需求,以下详细解释原因: ### 一、必须设置特征维度的原因 1. **网络结构约束**: - 编码器第一层`nn.Linear(input_dim, hidden_dims[0])`需要明确输入神经元数量 - 解码器最后一层`nn.Linear(hidden_dims[0], input_dim)`需要匹配原始数据维度 - 若维度不匹配会导致运行时错误:`RuntimeError: size mismatch, m1: [a x b], m2: [c x d]` 2. **物理意义对应**: ```python # 示例中特征维度50的含义: # 假设每个数据样本是50维向量: sample = [f1, f2, f3, ..., f50] # 每个f代表一个特征 ``` - 模型需要知道如何处理每个特征(如归一化、加权等) - 输出生成时必须还原到原始特征空间 3. **分布建模需求**: - VAE通过潜变量空间建模数据分布:$z \sim \mathcal{N}(0,I)$ - 输入维度决定重建分布的复杂度: $$p_\theta(x|z) = \mathcal{N}(x; \mu_\theta(z), \sigma_\theta(z))$$ ### 二、为什么示例使用50? 1. **模拟假设场景**: ```python # 示例代码片段: input_dim = 50 # 假设数据特征维度 sample_data = torch.randn(8000, input_dim) # 生成模拟数据 ``` - 50是任意选择的演示值,代表"每个样本有50个特征" - 实际值应由**真实数据特征数**决定 2. **典型数据场景参考**: | 数据类型 | 典型特征维度 | 示例说明 | |---------|------------|---------| | MNIST手写数字 | 784 | 28×28图像展平 | | 基因表达数据 | 20000+ | 每个基因作为一个特征 | | 用户行为数据 | 50-500 | 行为指标数量 | ### 三、如何获取实际维度 实际应用中**必须**根据数据集确定: ```python import pandas as pd # 从CSV读取数据 data = pd.read_csv('your_data.csv') input_dim = data.shape[1] # 自动获取列数(特征维度) # 从NumPy数组获取 import numpy as np data = np.load('data.npy') input_dim = data.shape[1] # 第二维为特征维度 print(f"实际特征维度: {input_dim}") ``` ### 四、维度错误的影响 1. **维度过小**(如实际100维设成50): - 丢弃50%特征信息 - 模型无法学习完整分布 - 生成数据质量显著下降 2. **维度过大**(如实际50维设成100): - 多出50个无效特征通道 - 增加过拟合风险 - 训练效率降低30-50% ### 五、最佳实践建议 1. **动态获取维度**: ```python # 在数据加载时自动确定 dataset = YourDataset(...) input_dim = dataset[0].shape[0] ``` 2. **维度验证机制**: ```python class VAE(nn.Module): def forward(self, x): assert x.shape[1] == self.input_dim, \ f"输入维度{x.shape[1]}≠模型维度{self.input_dim}" # ...后续操作 ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值