本文目录
- 请问什么是人生的深度
- 深度学习是什么
- 深度文到底是什么样的
- 该如何创作一篇有深度的文章
- 在学习时，是“博”重要还是“专”重要什么是广度、什么是深度
- 这年头，什么叫有深度
- 国内互联网公司全力适配国产深度操作系统（deepin），deepin会不会成功
- 谁能解释深度，广度厚度对于事物以及自身的意义
请问什么是人生的深度
感谢邀请：
本人理解，从生到死，人生所有历程表！
人生就是永远读不完的书！
人生就是永远追求的最高境界！
※※※※※※※※※※※※※※※※※※※※※※※※
在这慢长的人生路上，有崎岖坎坷不平之路！
有美好阳光，普照大地，有烦恼，挫折！
有成功，喜悦，快感，有失有得！
人生丰富多彩，人人都希望自己的生命，生活，有个美好未来！
人生不是走马观花，而要努力追求完美的结局！
人生苦短，请珍惜，爱惜，每时每刻的生命力！
使人生活的有意义，有价值，不虚度年华，而不是碌碌无为！
让有限的生命力，发出绚丽多彩，耀眼夺目的光辉，光芒！
人生总会走到最后的终点站！
水流千朝归大海……………。
深度学习是什么
深度学习：像人脑一样深层次地思考
从上一篇我们可以看出，个性化推荐系统确实很会“察言观色”，针对不同的用户，主动推送不同的3D打印内容。但如果你认为它真正有了“人工智能”，那你就错了。其实，这些推荐系统背后的运行原理主要基于概率统计、矩阵或图模型，计算机对这些数值运算确实很擅长，但由于采用的只是“经验主义”的实用方法（也即管用就行），而非以“理性主义”的原则真正探求智能产生的原理，所以距离真正的人工智能还很远。AI（Artificial Intelligence），也就是人工智能，就像长生不老和星际漫游一样，是人类最美好的梦想之一。虽然计算机技术已经取得了长足的进步，但是到目前为止，还没有一台计算机能产生“自我”的意识。
提示：图灵测试（Turing Testing），是计算机是否真正具有人工智能的试金石。“计算机科学之父”及“人工智能之父”英国数学家阿兰·图灵（1912—1954）在1950年的一篇著名论文《机器会思考吗？》里，提出图灵测试的设想。即把一个人和一台计算机分别隔离在两间屋子，然后让屋外的一个提问者对两者进行问答测试。如果提问者无法判断哪边是人，哪边是机器，那就证明计算机已具备人的智能。
直到深度学习（Deep Learning）的出现，让人们看到了一丝曙光，至少，（表象意义下的）图灵测试已不再是那么遥不可及了。2013年4月，《麻省理工学院技术评论》杂志将深度学习列为2013年十大突破性技术（Breakthrough Technology）之首。有了深度学习，推荐系统可以更加深度地挖掘你内心的需求，并从海量的3D模型库中挑选出最合适的供你打印。
让我们先来看看人类的大脑是如何工作的。1981年的诺贝尔医学奖，颁发给了David Hubel和Torsten Wiesel，以及Roger Sperry。前两位的主要贡献是，发现了人的视觉系统的信息处理是分级的。如图4-45所示，从视网膜（Retina）出发，经过低级的V1区提取边缘特征，到V2区的基本形状或目标的局部，再到高层的整个目标（如判定为一张人脸），以及到更高层的PFC（前额叶皮层）进行分类判断等。也就是说高层的特征是低层特征的组合，从低层到高层的特征表达越来越抽象和概念化，也即越来越能表现语义或者意图。
图4-45 人脑的视觉处理系统 （图片来源：Simon Thorpe）
这个发现激发了人们对于神经系统的进一步思考。大脑的工作过程，或许是一个不断迭代、不断抽象概念化的过程，如图4-46所示。例如，从原始信号摄入开始（瞳孔摄入像素），接着做初步处理（大脑皮层某些细胞发现边缘和方向），然后抽象（大脑判定眼前物体的形状，比如是椭圆形的），然后进一步抽象（大脑进一步判定该物体是张人脸），最后识别眼前的这个人──正是大明星刘德华。这个过程其实和我们的常识是相吻合的，因为复杂的图形，往往就是由一些基本结构组合而成的。同时我们还可以看出：大脑是一个深度架构，认知过程也是深度的。
图4-46 视觉的分层处理结构 （图片来源：Stanford）
而深度学习（Deep Learning），恰恰就是通过组合低层特征形成更加抽象的高层特征（或属性类别）。例如，在计算机视觉领域，深度学习算法从原始图像去学习得到一个低层次表达，例如边缘检测器、小波滤波器等，然后在这些低层次表达的基础上，通过线性或者非线性组合，来获得一个高层次的表达。此外，不仅图像存在这个规律，声音也是类似的。比如，研究人员从某个声音库中通过算法自动发现了20种基本的声音结构，其余的声音都可以由这20种基本结构来合成！
在进一步阐述深度学习之前，我们需要了解什么是机器学习（Machine Learning）。机器学习是人工智能的一个分支，而在很多时候，几乎成为人工智能的代名词。简单来说，机器学习就是通过算法，使得机器能从大量历史数据中学习规律，从而对新的样本做智能识别或对未来做预测。
而深度学习又是机器学习研究中的一个新的领域，其动机在于建立可以模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如，图像、声音和文本。深度学习之所以被称为“深度”，是因为之前的机器学习方法都是浅层学习。深度学习可以简单理解为传统神经网络（Neural Network）的发展。大约二三十年前，神经网络曾经是机器学习领域特别热门的一个方向，这种基于统计的机器学习方法比起过去基于人工规则的专家系统，在很多方面显示出优越性。如图4-47所示，深度学习与传统的神经网络之间有相同的地方，采用了与神经网络相似的分层结构：系统是一个包括输入层、隐层（可单层、可多层）、输出层的多层网络，只有相邻层节点（单元）之间有连接，而同一层以及跨层节点之间相互无连接。这种分层结构，比较接近人类大脑的结构（但不得不说，实际上相差还是很远的，考虑到人脑是个异常复杂的结构，很多机理我们目前都是未知的）。
图4-47 传统的神经网络与深度神经网络
提示：人类大脑由千亿个神经元组成，同时每个神经元平均连接到其它几千个神经元，这样形成一个庞大的神经元网络。通过这种连接方式，神经元可以收发不同数量的能量，但它们对能量的接受并不是立即作出响应，而是先累加起来，只有当累加的总和达到某个临界阈值时才把能量发送给其它的神经元。而人工神经网络（Artificial Neural Networks, ANN）将人类神经网络作了数学上的抽象，如图4-47所示，将其抽象为输入层、输出层以及中间的若干隐层（Hidden Layer，用于层次化地对内在特征进行降维和抽象表达，相当于特征检测器），其中每层都有若干结点及连接这些点的边，通过在训练数据集上学习出边的权重（Weight）来建立模型。边所表征的函数（通常为非线性函数）的不同，对应于不同的神经网络。例如，第6章6.4.1节所介绍的感知机就是一种最简单的、不含任何隐层的前向（Feedforward）人工神经网络，其中的函数
被称为传递函数（Transfer Function）、而门限截止函数
则被用作激活函数（Activation Function）。在上世纪七八十年代，这种在人工智能领域被称为联结主义学派（Connectionism）的方法曾盛极一时。
但是后来，因为理论分析的难度，加上训练方法需要很多经验和技巧，以及巨大的计算量和优化求解难度，神经网络慢慢淡出了科研领域的主流方向。值得指出的是，神经网络（如采用误差反向传播算法：Back Propagation，简称BP算法，通过梯度下降方法在训练过程中修正权重使得网络误差最小）在层次深的情况下性能变得很不理想（传播时容易出现所谓的梯度弥散Gradient Diffusion或称之为梯度消失，根源在于非凸目标代价函数导致求解陷入局部最优，且这种情况随着网络层数的增加而更加严重，即随着梯度的逐层不断消散导致其对网络权重调整的作用越来越小），所以只能转而处理浅层结构（小于等于3），从而限制了性能。于是，20世纪90年代，有更多各式各样的浅层模型相继被提出，比如只有一层隐层节点的支撑向量机（SVM，Support Vector Machine）和Boosting，以及没有隐层节点的最大熵方法（例如LR，Logistic Regression）等，在很多应用领域取代了传统的神经网络。
显然，这些浅层结构算法有很多局限性：在有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定的制约。更重要的是，浅层模型有一个特点，就是需要依靠人工来抽取样本的特征。然而，手工地选取特征是一件非常费力的事情，能不能选取好很大程度上靠经验和运气。既然手工选取特征不太好，那么能不能自动地学习一些特征呢？
提示：实际生活中，人们为了实现对象的分类，首先必须做的事情是如何来表达一个对象，即必须抽取一些特征来表示一个对象。例如，区分人和猴子的一个重要特征是是否有尾巴。特征选取的好坏对最终结果的影响非常大。
此外，我们希望提取到的特征能代表输入数据的最重要部分，就像PCA（Principal Component Analysis，主成分分析，请参见第6章的6.2.2节）那样，找到可以代表原信息的主要成分。以自动编码器（AutoEncoder）为例，这是一种尽可能复现输入信号的神经网络：即输出y要尽可能与输入x相同，表示为
。我们可通过训练调整这个神经网络的参数，来得到每一层中的权值系数，这样就可得到输入x的一个层次化的表示。这个可代表原信息主要成分的表示就是所谓的特征。
进一步地，我们还可用
来表示输出y，其中W称为字典。类似于PCA，W可理解为基，h可理解为系数。同时，我们不仅希望将信号表示为一组层次化基的线性组合，而且要求只需较少的几个基就可以将信号表示出来，这就是所谓的稀疏编码（Sparse Coding）。“稀疏性”定义为：只有很少的几个非零元素或只有很少的几个远大于零的元素。也即，我们希望求得一组最佳的系数
，满足：
注意上式右边对系数采用了L1范式/正则化/约束以满足稀疏性，上式实际上是对Lasso（The Least Absolute Shrinkage and Selectionator operator）估计的求解。
之所以希望“稀疏性”是科学依据的，因为绝大多数的感官数据，比如自然图像，都可以被表示成“少量”基本元素的叠加，比如基本线/面的叠加。稀疏编码算法是一种无监督学习方法，它用来寻找一组“超完备”基向量（基向量的个数比输入向量的维数要大）以更高效地表示样本数据，以找出隐含在输入数据内部的结构与模式。
答案是能！深度学习框架将特征和分类器结合到一个框架中，自动地从海量大数据中去学习特征，在使用中减少了手工设计特征的巨大工作量。看它的一个别名：无监督特征学习（Unsupervised Feature Learning），就可以顾名思义了。无监督（Unsupervised）学习的意思就是不需要通过人工方式进行样本类别的标注来完成学习。因此，深度学习是一种可以自动地学习特征的方法。
提示：准确地说，深度学习首先利用无监督学习对每一层进行逐层预训练（Layerwise Pre-Training）去学习特征；每次单独训练一层，并将训练结果作为更高一层的输入；然后到最上层改用监督学习从上到下进行微调（Fine-Tune）去学习模型。
深度学习通过学习一种深层非线性网络结构，只需简单的网络结构即可实现复杂函数的逼近，并展现了强大的从大量无标注样本集中学习数据集本质特征的能力。深度学习能够获得可更好地表示数据的特征，同时由于模型的层次深（通常有5层、6层，甚至10多层的隐层节点，“深”的好处是可以控制隐层节点的数目为输入节点数目的多项式倍而非多达指数倍）、表达能力强，因此有能力表示大规模数据。对于图像、语音这种特征不明显（需要手工设计且很多没有直观的物理含义）的问题，深度模型能够在大规模训练数据上取得更好的效果。尤其是在语音识别方面，深度学习使得错误率下降了大约30%，取得了显著的进步。相比于传统的神经网络，深度神经网络作出了重大的改进，在训练上的难度（如梯度弥散问题）可以通过“逐层预训练”来有效降低。注意，深度学习不是万金油，像很多其他方法一样，它需要结合特定领域的先验知识，需要和其他模型结合才能得到最好的结果。当然，还少不了需要针对自己的项目去仔细地调参数，这也往往令人诟病。此外，类似于神经网络，深度学习的另一局限性是可解释性不强，像个“黑箱子”一样不知为什么能取得好的效果，以及不知如何有针对性地去具体改进，而这有可能成为产品升级过程中的阻碍。
深度学习通过很多数学和工程技巧增加（堆栈叠加：Stack）隐层的层数，如果隐层足够多（也就是深），选择适当的连接函数和架构，就能获得很强的表达能力。深度学习的一个主要优势在于可以利用海量训练数据（即大数据），但是常用的模型训练算法反向传播（Back Propagation）仍然对计算量有很高的要求。而近年来，得益于计算机速度的提升、基于MapReduce的大规模集群技术的兴起、GPU的应用以及众多优化算法的出现，耗时数月的训练过程可缩短为数天甚至数小时，深度学习才在实践中有了用武之地。
值得一提的是，深度学习的诞生并非一帆风顺。虽然Yahn Lecun在1993年提出的卷积神经网络（Convolutional Neural Network：CNN）是第一个真正成功训练多层网络结构的学习算法，但应用效果一直欠佳｡直到2006年，Geoffrey Hinton基于深度置信网（Deep Belief Net：DBN）——其由一系列受限波尔兹曼机（Restricted Boltzmann Machine：RBM）组成，提出非监督贪心逐层训练（Layerwise Pre-Training）算法，应用效果才取得突破性进展，其与之后Ruslan Salakhutdinov提出的深度波尔兹曼机（Deep Boltzmann Machine：DBM）重新点燃了人工智能领域对于神经网络（Neural Network）和波尔兹曼机（Boltzmann Machine）的热情，才由此掀起了深度学习的浪潮｡从目前的最新研究进展来看，只要数据足够大、隐层足够深，即便不加“Pre-Training”预处理，深度学习也可以取得很好的结果，反映了大数据和深度学习相辅相成的内在联系。此外，虽说非监督（如DBM方法）是深度学习的一个优势，深度学习当然也可用于带监督的情况（也即给予了用户手动标注的机会），实际上带监督的CNN方法目前就应用得越来越多，乃至正在超越DBM。
提示：与前向神经网络不同，RBM（受限波尔兹曼机）中的可见层和隐含层之间的连接是无方向性且全连接的。对比差异无监督训练是RBM的一个重要算法，包含了正向过程、反向过程和权值更新三个步骤，主要目标是使生成的数据与原数据尽可能相似，并通过对比两者的差异来调整权值更新：
其中，α是学习速率。这样的网络可具备感知对输入数据表达程度的能力，而且尝试通过这个感知能力重建数据。如果重建出来的数据与原数据差异很大，那么进行调整并再次重建。
2012年6月，《纽约时报》披露了Google Brain项目，吸引了公众的广泛关注。这个项目是由著名的斯坦福大学的机器学习教授Andrew Ng和在大规模计算机系统方面的世界顶尖专家Jeff Dean共同主导，用16,000个CPU Core的并行计算平台去训练含有10亿个节点的深度神经网络（DNN，Deep Neural Networks），使其能够自我训练，对2万个不同物体的1,400万张图片进行辨识。在开始分析数据前，并不需要向系统手工输入任何诸如“脸、肢体、猫的长相是什么样子”这类特征。Jeff Dean说：“我们在训练的时候从来不会告诉机器：‘这是一只猫’（即无标注样本）。系统其实是自己发明或领悟了‘猫’的概念。”
2014年3月，同样也是基于深度学习方法，Facebook的 DeepFace 项目使得人脸识别技术的识别率已经达到了 97.25%，只比人类识别 97.5% 的正确率略低那么一点点，准确率几乎可媲美人类。该项目利用了 9 层的神经网络来获得脸部表征，神经网络处理的参数高达 1.2亿。
最后我们再回到大数据这个时代背景上来。当坐拥海量的大数据，我们无论是做推荐系统还是3D模型检索（见第6章的6.4节“众里寻她千百度──海量3D模型的检索”），以前用简单的线性数学模型，一般也能获得还不错的结果。因此我们沾沾自喜起来，认为还是大数据更重要，而智能算法用简单直接的就OK了，不需要也没必要弄得很复杂。而当深度学习出现后，它的一系列辉煌战绩让我们意识到：也许是时候该“鸟枪换炮”了。简而言之，在大数据情况下，也许只有比较复杂的模型，或者说表达能力强的模型，才能充分发掘海量数据中蕴藏的有价值信息。更重要的是，深度学习可以自动学习特征，而不必像以前那样还要请专家手工构造特征，极大地推进了智能自动化。
深度学习（即所谓“深度”）应大数据（即所谓“广度”）而生，给大数据提供了一个深度思考的大脑，而3D打印（即所谓“力度”）给了智能数字化一个强健的躯体，三者共同引发了“大数据＋深度模型＋3D打印”浪潮的来临。
深度文到底是什么样的
《道德经》就是深度好文。
这本名著文约意丰、涵哲学、政治学、军事学……等诸多学科。其内容博大精深、玄奥无极、涵括百家、包容万物、被后人尊奉为治国、齐家、为学、修身的宝典。
该如何创作一篇有深度的文章
其实写作就像摄影一样，同一个地点不一样的拍摄角度就有不同的效果的图片作品，所以写作要有独特的视角。
但写作又不同于拍摄，虽然相机有长聚焦，广角度，但其收纳的都是表面的风景。而写作就如在你走进巷道去钻探挖掘。
没有钻探挖掘就没有文章的深度，深度是通过钻探挖掘事物的根本而得来的。是将你所见到的想要陈述的事件或事物，透过其闪光点去抚摸其筋骨，其内涵，当你的内心被触动的时候，你的文字不但有了深度而且也有了温度。
而文章的高度取决于你文字的温度。就像温度计上面的水银柱一样，温度越高水银柱上升的越高。
当然文章的高度也与你的立足点有直接关系，是站在自家小院子里，还是站在社区的大广场上的区别。
联想，联想就是与小见大，也可以以大见小，但不能生拉硬扯，而是要找到关联点，有了关联点，就可以发挥你的想像成力了。
说来说去驾驭文字的能力是不能轻视的，所以平时如果不多阅读，多练笔那么是无法提高写作水平的。
在学习时，是“博”重要还是“专”重要什么是广度、什么是深度
我是一个小学毕业生。年轻时曾经自学过二个专业，都没有成功。当木工时曾经自习过建筑行业，但因几何都没有读过，许多公式、定律需从头学起。外因使我放弁。博是知识面广，专是需求的知识度深。我覚得如能重新活一回，对我都是非常重要的。
这年头，什么叫有深度
很高兴为你解答这个问题，有深度的人具有一下几个优秀特质。
第一，丰富的学识。真正有深度的人，肯定会有一定的学识，因为他懂得很多的科学文化知识，对于生活中遇到的一些难题，解决起来非常的得心应手。
第二，富有智慧，有深度的人大多都具有人生的大智慧。他很有远见，很有主见，他有城府，有胆识，他做事沉稳干练，思想严谨。他具有独立思考的能力，不容易被他人所左右。
第三，自信自爱。有深度的人做事冷静理智，从容不迫，不疾不徐，有条不紊。一般这样的人，能力过人，工作卓越，是各方面的优秀人才。
第四，胸怀坦荡，很有修养，文质彬彬。有深度的人大多都是心胸豁达，性格明朗，脾气平和，对人态度温和，宽容礼让，注重人与人之间的和谐关系，能与人很好的相处，有利于发展自己的人际关系。这样的人外表很是风雅潇洒，是偏偏君子的形象。
第五，勇敢且有骨气。具有深度的人，不仅内在富有内涵，外表成熟稳重。而且他勇敢坚强，有毅力，有魄力。他做起事来讲求效率，追求卓越。工作中的他，有原则，有底线，有责任感。这样的人，往往能够成就一番大业，他让自己的人生价值得到很好的体现。
第六，谦恭。越是有深度，越是有学识的人，大都自信却不自傲。他的处事态度恭谦友爱，从不把自己的意见强加于别人，他总是有着一种平和，谦和，温和的处世态度。越是有深度的人，越是懂得怎样做人。
我个人对这个问题的见解，大体上有这几条。如果你想做一个很有深度的人，那么你先从学习科学文化知识入手，当你的文化修养到达一定高度时，你也会成为一个有深度的，有修养的，有能力的人。
国内互联网公司全力适配国产深度操作系统（deepin），deepin会不会成功
写在前面：
几个月前有感而发写的文章，看到还有人在点赞和阅读，心里也很高兴。趁早晨上班挤地铁的时间，就再补充一下。为了不破坏之前文章的思路，原文不做改动，补充内容写在最后。
—————————以下是原文———————
首先，我自己装了深度15.4。说说我的看法。
以前，用深度的盗版系统，逛深度论坛，对深度真的有感情。
后来深度15.4出来以后第一时间安装试用，用前面很多人评论的话说就是界面简洁漂亮，应用足够满足日常办公。
目前，深度系统已经进入了政采目录，已经不是win一家独大，不过我对政府还有些了解，日常应用也不是简单的指office三件套，有很多应用系统需要兼容。
先说劣势。
第一就是兼容性需要进一步提高。只要政策肯倾斜，稍微倾斜一点，深度肯定能够长足进步。
第二是运营模式改进。现在深度获得了很高的融资，已经不是几个人为了兴趣兼职做的系统，公司化运营也是很重要的，以前红旗LINUX就是经营问题拖垮了。
第三就是方向定义清楚。以目前的情况看，深度进入政府的非关键部门是完全可以胜任的。但是民用领域还是应用生态不够好，很多游戏兼容性不行。如果一个家庭有多部电脑，一部办公，一部游戏，还勉强可以，只能说勉强。家用完全交给深度，至少我的使用情况是不允许的。所以深度不要好大喜功，稳扎稳打，一步步攻城掠地，世界早晚是你的。
接下来说下优势。
首先，时势造英雄。在这个档口，华为，深度都被推上了民族英雄的地位。各项资源都开始倾斜。只要深度能够稳得住，长足进步是不难的。
另外，深度已经进入政采目录。农村包围城市的大局逐渐行程，深度应该全力适配政府应用，从政府蔓延到家庭，做好人机交互和用户体验，眼光还是应该放在产品本身，这才是气量。
再有，深度获得巨额资金支持，开发人员能够有较好的保障。系统优化的速度估计会更快。
深度是好样的，喜欢的真的可以安装试试看。
————————————————————————
写在最后：
昨晚去深度官网看了一下，最新的版本迭代到了15.11，下载了，还没有安装。这里我想简单解释一下很多人对深度系统的一些疑问，我非专业人员，有说的不对的请批评指正。
首先，驱动。深度系统集成了绝大多数驱动，主流的品牌电脑都可以免驱。本来设备的linux版本驱动也不大，如果有不兼容的硬件，下一个公版的linux驱动就好了。
第二，老电脑能装么？可以说旧电脑可以装，老爷电脑就别想了。因为系统最低要求奔四2.0，1G内存。勉强运行。为啥后面说。
第三，搭载深度系统的华为笔记本能买么？答：看需求，现阶段不推荐。但可以尝鲜，毕竟官方有一套转换微软系统的教程。
初用深度系统，真有眼前一亮的感觉，简直美如IOS（勿喷），可问题的关键也就在此。因为大量的视觉效果优化，加重了系统资源的消耗，以前老爷机装linux很大一部分原因是linux不吃资源，运行流畅。我自己的老电脑，win7运行流畅，除了开机慢点其他还能忍。装了深度15.4以后画面切换有明显卡顿，但是驱动显示是没问题的。我觉得主要原因应该是cpu主频没有达到2G，也就是说深度系统还是比较吃资源的。这一点还是应该持续优化和提高。
再吐槽一下深度和华为的合作。
强强联合，真是大势所趋。我看好大佬。也看好这对cp的结合。可毕竟时间太短，大国贸易战也是长远战略，以后被美国打压肯定会成为常态。在这个大背景下，现阶段搭载深度系统的华为笔记本还不能完全发挥功能的。比如大名鼎鼎的一碰传这个华为的招牌功能，深度系统下是实现不了的，指纹解锁目前也不行，微软可以。实话实说，如果不是华为被逼到墙角，也不会这么仓促的上线适配如此简陋的电脑。鸿蒙？真的还没有准备好！
不过也不要沮丧，有消息传出，2020年将推出搭载深度20的华为笔记本电脑。整整跨一代。我相信在华为强大的客户需求指导下，深度20将成为一款真正可用的功能更加强大的操作系统。细细想来，深度和华为牵手，时间如此的短暂，我们还是要给这些开拓者一些宽容和时间。
国产软件真的就如此不堪么？带着这个疑问，前两天我下载安装了WPS2019个人版（免费）。之前一直用的MS office2010免费版（你懂）。真的是突发奇想，想看看wps变成啥样了。结果我大吃一鲸！美观，流畅度，兼容性，生态，模式，小功能，处处是亮点。为了这个我觉得可以开一篇专题来说。这里我只说几个我比较认可的点。
首先是广泛应用了云的概念，通过购买会员，可以免费使用云空间，并进行设备间的文件同步。以前各种云盘也有云同步，但是随着内容审核和收费，已经没落了。当然，不买会员，软件的基本功能还是完备的。结合我自己的应用场景，我正在探索使用wps云同步加平板电脑来解决日常办公需求。到时候就不用背着电脑和电源跑来跑去了。
另外，就是有各种消费级模板可以选择。现在在某宝花几块钱买个ppt模板已经很普遍了，典型的花小钱办大事。在wps里面却是有专门的模板交易商城。选择也非常多，还有好多免费的。
再有，就是各种各样的文件转换功能，word，pdf，excel各种格式来回转，当然有些转换需要买会员。
总的说来，现在的wps，我用了大概一周，完全没有想换回office的必要。
下地铁了，就写到这里吧。思路比较乱。我不是国产吹，只是一个普通的上班族。只是想吧自己的感受和想法分享出来，让还没有体验过的朋友有个比较感性的认识。我一个人支持国产，在庞大的国内人口基数下，确实起不了任何作用。但我还是愿意去了解，去支持，去期望国产软件能打破美帝的封锁，开创属于我们自己的一个未来。
有兴趣的朋友推荐下载试用，欢迎交流。
——————2019年11月——————
谁能解释深度，广度厚度对于事物以及自身的意义
所谓的深度，广度，厚度，简而言之即人认知自已和自然的视界，眼界，境界。往深处讲，即人对事物及自身的发端，发生，发展的认知过程。
深度，是自然界一切静态的动态的事物和事件本己存在的状况。譬如树有多高，草有多深，花有多美;阳光是否和煦，月色是否柔情，山川是否壮丽。一条路，可通幽径;一抔水，可滋干涸。人们的视界所及，只能见诸事物的发端，风起了，摇曳着树叶沙沙作响;露结了，晶莹着疏草勃勃向上。人在认知自己深度的时候，要实事求是，脚踏实地。你是农民，专心种养;你是工人，努力工作;你是公职人员，要践行正义;你是守护者，请热血报国。深度，是人与自然首要遵循的准则，若有失偏颇，则会滑向深渊。
广度，就是你所见事物的范围，一滴水可见太阳。人在不同的处境，时间，角度，地位，看问题的广度是不一样的，所以见微识著，以小见大，推已及人，知已知彼就是认知的进一步提升，基本上明白了事物发生的规律。在政治，经济，文化，军事上，具有广度认知的人，能从普遍中找到规律，从偶然中获取必然，从逻辑中提振思维。普通人对广度的认知，则会合理规划时间，制定计划，树立目标，确定方向，并为之努力且不言放弃。
厚度，是人认知的最高境界，是思想觉悟和精神修养，也是自我修持的能力，是一种很微妙的感觉。一言一世界，一语一人心。知识储备决定视野，经验阅历决定心性，底蕴修为决定作为，胸襟气度决定成就。但有一种黑的厚度，有多么阴贽，凶顽，险恶，带给他人就有多少磨砺，折难，痛苦。厚度所及，天高地厚，海晏河清;挥斥方遒，指点江山。你有多深的造诣，就有多广的空间，从而决定有多厚的力道。
