罗盘中圆图六十四卦卦爻顺逆的统一逻辑

在圆图六十四卦中,读取初爻到上爻的顺序并不相同,其规定的读取顺序,取坤一巽二离三兑四艮六坎七震八乾九,以乾坤坎离为一组,震兑巽艮为一组,即初爻及上爻相同为一组,不同时为另一组。 而当六十四卦上下卦为不同组,即顺时针初爻排到上爻位,上下卦同组时,顺时针排上爻排至初爻,这里蕴含有一个微妙的逻辑。 整体上来看,其本质旧是一个异或逻辑,这里不应以阴阳来描述,而应当用顺逆来描述,由于一般的规则是阳顺阴逆,上下不同为顺,因此它为阳,上下相同为逆,因此它为阴。 然而一般通常的归类乾坤坎离在四正,作为阳卦来看待,以初爻到上爻作为顺,遵循天阳地阴的统一规律的话,那么这里卦自上到下为阴,故而形成统一逻辑。 由于异或连续运算的等价性,因此一个六十四卦可以取初爻、三爻进行异或,然后再取四爻与六爻异或,由于满足交换律,因此实际上卦爻的顺逆等价于初三四六爻异或的结果,故而上下归卦之后,仍旧可又按原分组法定顺逆,即凡卦运一三七九者,顺时针排上到初,二四六八者,逆时针排初至上。 故又以乾离、坤坎、震艮、兑巽分别为组,其五行论之,离克乾者,坤克坎者,震克艮者,兑克巽者,其气通也,遇之则皆可变也。

Read More

百度文心的文本图像生成效果

可以看出生成还是比较有一些问题,人物的头部仍然不够理想,背景虽然还是很不错的,服装也很好,然而在脸上便不理想。 特别需要注意的是,当改成油画风格后,生成的效果即对于人脸的仍旧是很难把控,,可以发现这有扩散模型的通病,但有时候也会生成还能接受的图像,并且总体上相对来说卡通风格的人脸还可以接受。 因此关键词中,尝试考虑遮住脸,然而很遗憾的是,似乎文心并不能识别这样的指令,然而意外的倒是其中得到了还算不错的图片。 目前文心文本生成图像,仅开放了水彩、油画、粉笔画、卡通、蜡笔画、儿童画几种,暂时无法尝试生成更加有趣的图像,已经非常不错了。

Read More

学习优秀却人生平凡八字一例

乾造:甲子 丙寅 壬申 壬寅 此造生于春月,壬水得气于子,然亦不旺,又脱气于年,比肩亦被耗泄,故不旺,依弱极论也。此食神透于年上,故为宜也,故人极聪明学习极佳,然两寅冲一申,申中枭神出之夺食年上之甲,故幼年丧父。 丁卯运,丁壬合之,卯木助食神之力,故食神得用,枭不敌也,然却为一隐患,或得土金旺之时,则食被夺也,故于戊辰大运而高考失利也,幸食神本旺,枭神虽得运助,未力彰也,故本可考之清华而改中科大也。 另查于紫微,此造武府坐命,太阳化忌于父母,故与父亲缘薄,又命宫忌入财帛,又财帛忌入命宫,则为往来之忌,父母飞入财则反忌相冲,于二运忌在父疾,故考学有失也。 此造惜运不济,回县中考上公职,后经己巳、庚午,亦平平未有升迁之事,若能于戊辰之前,行转神化气之法,可暂转其运,虽不免后亦有不顺,然格局一升,人生又必大有不同也。

Read More

朱元璋之八字分析

戊辰 壬戌  丁丑  丁未 按《三命通会》云以戊统领辰戌丑未,故为天子创业。 其如四方土气透归于年首,如天子之召四方之将,其理颇然。又日元丁坐于丑,所谓火土伤官,若制尽官星,有入皇门之应,盖官为壬水,皆受土制,此则为理,惟受未土之冲,此即棣及允文之应也。 民间之论辰戌丑未者即帝王八字之说,则非也。

Read More

太一:创造宇宙的终极模型核心

yinfupai--太一:创造宇宙的终极模型核心--

通过观察可以发现,画作中的水中的倒影显得很是自然,虽然水墨绘制的建筑或是石礁的位置不同,但依旧很好的进行了描述。 如果这是经验丰富的画家所作,自然没有的什么,然而事实上面这三张面画,是贫道在下载了谷歌的开源的人工智能生成画项目后,在台式机上运行所生成的。 Disco Diffusion的数学原理非常复杂,但如果改用非数学语言来说,它被称为扩散模型,通过学习了大量的画作,对于每幅画看作一个整体,然后通过一连串的关联运算,让它变成像电视的雪花信号一样的东西,然而搭建了随机数与这样的信号之间的桥梁,然后再将这样的信号进行重建,于是便可以通过随机数生成画作。   这其实是一个非常令人震惊的过程,因为这非常有助于我们理解中国传统的道家宇宙图景中描述中的天一生水。   在易经中的简单描述是“天一生水”,而道家相对更完整的版本描述中是:”太一生水。水反辅太一,是以成天。天反辅太一,是以成地。天地复相辅也,是以成神明....."   这显然是一个太一与天地万物四时寒暑反复迭代的过程,过去如果无法理解为什么通过太一可以反复迭代而产生整个宇宙,到了这里就能得到非常清楚的理解。   明白了太一就是产生这个宇宙模型中,最重要的那个因素,也就能欣然理解:”此天之所不能杀,地之所不能釐,侌昜之所不能成。”   Disco Diffusion一开始初始化的图画,几乎是一片混沌的噪音图案。     随着不断的演示,便会形成文章开头的画作。   这里有一个更加有趣的是,Disco Diffusion生成图画,是通过文本描述来实现的,比如上面的画作,描述就类似于:“请绘制一幅有月亮,有很多山,有河流的水墨画作”。   然后计算机便会执行这样的指令,并且每次因为随机数不同,因此生成的画作也会不一样的。   在世界各国的大多数创世的神话中,宇宙都自混沌中创生而来,然而针对这种描述了一个文本就能创造的场景,很容易联想到《创世纪》中的描述,”神说:“要有光。”就有了光。" 《创世纪》英文的描述是这样的:"起初神创造天地, 地是空虚混沌,渊面黑暗;神的灵运行在水面上,  神说:“要有光。”就有了光。"   转换一下思路,可以将它描述成这样:…

Read More

探讨一般的生成式对抗网络(GAN)难以模拟术数运算过程的原因

yinfupai--探讨一般的生成式对抗网络(GAN)难以模拟术数运算过程的原因--

上一篇文中有人在一评论中提出是否可以利用生成式对抗网络来对射覆的模拟,这个以前简单实验过一下,效果并不理想。 不理想是有原因,主要是一般的生成式对抗网络的实现,本质上是从某个潜在空间到某个样本空间的转换或映射,对于高维数据的学习时,时常会表现出一些缺陷,从直觉上来说,通常它无法很好地模拟循环与周期的概念。 比如试图学习的是这样一个清晰的分布。 而实际上训练出来的结果却是这样: 而且这个并不能进一步进行优化。 本来期望它能如此美好: #视频请看公众号原文 实际上它却: #视频请看公众号原文 再比如,如果假设所有的事物都可以划分为八个类,那么在一个无限大的空间内,有限的词汇可以分别聚类为八团,那么用八个高斯团进行表达,大概长这样: 左边可以理解为是各种事物混杂在一起,而右侧可以理解为进行了类似八卦的归类,每个都符合高斯分布且用了不同的颜色代表类别。 理想中的归类过程它应该是类似这样的: #视频请看公众号原文 但是实际上GAN生成过程中,它的过程是这样的: #视频请看公众号原文 因此,它生成的结果只能是这样,分类效果显然不够理想。 这也给了我们一些有意义的一些启示,对抗在某些任务上的表现尽管可以不错,但它本身是有很多问题的,抽象到现实,如同战争不能解决一切问题一样。 如果引申一下的话,会发现更有趣的事情是生成式对抗网络如同一个兑卦,兑卦不但有对抗的含义,还有交换、迁移、变革的含义,而GAN网络也似乎更擅长的任务是风格迁移与变化,而不是创造。 通过一定的方法上面的问题是可以克服的,不过那就需要更复杂的研究了,这里只是简单一提,有兴趣的研究者,可以交流。 原文始发于微信公众号(道家阴符文化):探讨一般的生成式对抗网络(GAN)难以模拟术数运算过程的原因

Read More