为什么叫博客?

博客探讨了互联网“X客”称呼的原因,指出中国互联网受美国文化、技术、商业模式等影响,中国人在互联网领域难为主人,“X客”称呼恰当。还分析了博客在中国火爆的原因,包括上网人群特征、中国特色下的言论需求以及个性化需求等,强调需求是发展动力。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

    很奇怪,为什么会叫做“X客“?

    互联网诞生以来,有了诸多专有名词,中国人翻译过来大多带“客“,譬如cracker(骇客)hacker(黑客)flasher(闪客)wikier(维客)、以及blogger(博客乃至播客)。正如 http://www.ceocio.com.cn/blog/user1/43/archives/2005/129.html还原博客本来面目,只是一个过客?所问到。我想,我可以从另外一个角度肤浅的回答:

1、  首先,要承认我们的互联网基本上是复制美国互联网,俗话说就是抄,印象当中只有QQICQ最早源自以色列的原创,其他的几乎都是美国的技术、美国的商业模式甚至美国的启动资金,完成创业发这标志也是到美国上市,所以,互联网文化基本上是美国文化影响着中国文化,我们不是客,还是主人吗?

2、  从互联网技术层面上将,哪一样互联网的核心技术不跟美国相关,大多数掌控在美国公司手中,底层的Ip网络传输设备标准由思科控制,互联网基本服务设施域名解析大多数控制在美国versign,最大的互联网门户、搜索引擎、最大的软件公司、最大的电子商务公司、最大的。。。。那一个不在美国?在这个强者占有话语权的时代,我们中国的互联网不是客是什么?

3、  互联网的应用技术规范,从EmailP2PBBSBlog那一项我们成为主人了?什么时候中国人在互联网上做出过创造性的贡献?连游戏都是代理、抄美国、韩国的,我们成为过主人吗?

4、  中国的互联网公司成气候的有自己的吗?新浪是美国人的,看看机构投资者的股份占有多少就知道新浪属于谁;搜狐用的著说吗?QQ的控股方也是国外资本;。。。。。。你说,同我们每天网络生活密切相关的这么多公司都是属于美国或者国外资本,你说这互联网我们中国人称的上主人吗?

。。。。。。

所以,翻译为 X客,很恰当,不得不服!

 

现在来说说另外一个问题,为什么博客会在中国这么火?

首先,中国的互联网还算属于精英文化阶层为主体的互联网,也就是说,能够上网,能够坚持不懈的上网,能够在互联网上发点牢骚,从互联网获取一些资讯的,利用互联网为自己的生活、生存服务的,基本上都是中国的中等及以上阶层,起码,他能够支付上网费用和获得(哪怕是租用)上网设备。想象一下,如果你是一位中国普通的农民,你会花费可能是自己收入的80%乃至100%的钱来上网吗?7亿农民还有数千万的在城市生存的民工部落,他们才是整个中国的人数上的主体,所以我以为上网的那批人就是上文所说的国外的那批人。在这批人中,美国能够流行的,为什么在中国就不可以流行呢?

其次,不得不提到中国特色。在美国,或者不具有“中国特色”的国度,你拥有的发泄心中不满,或者对外表达思想的途径会有很多,而中国,显然不是什么场合,特别是聚众场合,你不可以什么都能够说的。有人说,blog就是一个BBS,但BBS有管理员,会为了论坛的生存删掉他认为有潜在危险的]任何文章,他会受到网站生存需要控制整个论坛。你在门户网站商业会也看不到在一件国家大事上不同的意见。中国的精英阶层享受了经济上的利益,但却不能够完全的享受言论自由,所以会有发泄的需要。博客虽然不能够全面的满足这些人的需求,但是一定程度上满足了确实可以说的,所以它火了。

最重要的是,个性化是每个人满足了基本需求后的最大需求。中国互联网的蛮荒时代,需求的是信息,是中文文字信息,所以拷贝粘贴起来的新浪可以成为最有价值的所谓中国互联网公司。但是,现在已经不是中文资讯欠缺了,是满足基本信息获取之后需要交流、娱乐,乃至互联网化生存的年代了,所以能够满足这些需求任何技术都会流行起来。IM P2P,SNS等莫不是冲着这部分基本信息需求已经满足的用户的。而博客可以满足这部分人自己组织互联网,而不是被动接受互联网,且可以通过博客找到互联网上属于自己这一阶层或者能够相互吸引的那部分人,你说,这样的东西能够不流行吗?

       

         一句话,需求才是发展的动力。

<script src="http://pagead2.googlesyndication.com/pagead/show_ads.js" type="text/javascript"> </script>
<think>好的,我现在需要回答用户关于深度可分离卷积的其他名称或叫法的问题。首先,我得回忆一下这个术语在学术论文或技术资料中的常见别名。深度可分离卷积是深度学习中的一个概念,主要应用在卷积神经网络中,尤其是在轻量级模型设计里,比如MobileNet。 首先,深度可分离卷积的英文是Depthwise Separable Convolution,可能有一些翻译上的不同,比如中文里可能会有不同的译名。比如“深度可分离卷积”是否还有其他说法?我记得有时候会看到“深度分离卷积”这样的简化说法,或者“深度可分解卷积”?不过不确定是否正确,需要验证。 另外,可能需要拆分来看,深度可分离卷积其实分为两个步骤:Depthwise卷积和Pointwise卷积。所以有时候可能会分开提到这两个部分,或者用这两个步骤的组合来描述整个操作。比如,有的文献可能会直接称为Depthwise和Pointwise卷积的组合,而不直接使用“深度可分离卷积”这个术语。 还有,是否有其他替代术语?比如在MobileNet的论文中,他们提到使用Depthwise Separable Convolution来减少计算量,可能有的地方简称为“Separable Convolution”。但要注意,Separable Convolution在传统图像处理中指的是另一种分解方式,比如将卷积核分解为空间可分离的,比如水平和垂直方向,这可能和深度可分离卷积不同,需要区分。不过可能在深度学习的上下文中,有时会混用,需要确认这一点。 另外,是否有其他的别名?比如“通道分离卷积”或者“分组卷积”的某种变体?不过分组卷积(Grouped Convolution)和深度可分离卷积不同,虽然它们都涉及对通道的分组处理,但深度可分离卷积的Depthwise部分是对每个输入通道单独应用滤波器,而Pointwise则是1x1卷积来组合通道。所以分组卷积可能不是别名,而是一个相关但不同的概念。 还要考虑是否有其他中文翻译,比如“深度方向可分离卷积”或者“深度分解卷积”?需要查阅相关资料确认是否有这些说法。比如在一些中文论文或技术博客中,可能使用不同的翻译,但标准术语应该是“深度可分离卷积”。 总结可能的别名: 1. 深度分离卷积(可能简化的说法) 2. 深度可分解卷积(不太常见,但可能有人用) 3. 分解卷积(但可能不够准确) 4. 或者直接称为Depthwise和Pointwise卷积的组合 5. 是否有时被称为“通道可分离卷积”?不过不太确定,可能不准确。 同时,需要注意区分传统的空间可分离卷积(Spatially Separable Convolution),比如将3x3的卷积分解为3x1和1x3的卷积核,这与深度可分离卷积不同。后者是在深度方向(即通道维度)进行分解,而前者是在空间维度分解。 因此,正确的替代术语可能包括“深度方向可分离卷积”来强调在通道维度上的分解,或者直接使用英文的Depthwise Separable Convolution的直译。另外,可能需要指出,在部分文献中可能简称为“可分离卷积”,但需注意上下文以避免混淆。 最后,是否有其他学术上的术语?可能需要参考一些权威资料或论文中的用法。例如,MobileNet v1和v2的论文中均使用Depthwise Separable Convolution,所以可能这是最标准的术语,而其他名称可能较少使用,但可能存在一些变体。例如,有的地方可能称为“深度分解卷积”或类似的翻译,但需要确认是否有这样的用法。 综上所述,用户的问题需要回答深度可分离卷积的别名或替代术语,可能需要列举几个可能的名称,并指出哪些是正确的,哪些可能存在混淆,同时引用相关文献中的例子。</think>深度可分离卷积在学术文献和技术资料中主要有以下别名或替代术语: 1. **深度分离卷积** 这是对英文术语"Depthwise Separable Convolution"的直接简化翻译,常见于中文技术文档或讨论中[^1]。 2. **深度方向可分离卷积** 强调卷积操作在通道(深度)方向上的分离特性,用于区分传统的空间可分离卷积(如将$3×3$卷积分解为$3×1$和$1×3$的操作)。 3. **Depthwise + Pointwise卷积组合** 由于深度可分离卷积包含两个步骤: - **Depthwise卷积**:对每个输入通道单独应用滤波器 - **Pointwise卷积**:通过$1×1$卷积跨通道组合特征 因此部分文献会直接以这两个步骤的组合命名该操作。 4. **通道分离卷积**(需谨慎使用) 部分非正式场景中可能使用此术语,但需注意与分组卷积(Grouped Convolution)区分。深度可分离卷积的滤波器数量等于输入通道数,而分组卷积是将通道分组后分别处理。 **需注意的易混淆术语**: - **可分离卷积(Separable Convolution)**:传统图像处理中指空间可分离的卷积核分解,例如将二维高斯核分解为两个一维核的乘积。在深度学习中若未明确说明上下文,可能引发歧义[^1]。 --- ### 相关问题 1. 深度可分离卷积与传统卷积的计算复杂度差异如何? 2. MobileNet如何通过深度可分离卷积实现模型轻量化? 3. 深度可分离卷积在哪些场景下可能影响模型精度? [^1]: 引用内容中提到的"分层"思想与深度学习的层级结构相关,深度可分离卷积通过分解标准卷积的通道与空间操作,进一步细化了网络层的功能划分。
评论
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