久石让是我钟爱的日本音乐大师之一，当初看宫崎骏的《天空之城》就对这个主题曲记忆犹新，后来听过钢琴版、小提琴版、吉它版……都很好听。
能推荐十首最好听的纯音乐背景音乐吗？
1、《天空之城》--久石让:
久石让是我钟爱的日本音乐大师之一，当初看宫崎骏的《天空之城》就对这个主题曲记忆犹新，后来听过钢琴版、小提琴版、吉它版……都很好听。
2、《追梦人》--神秘园：
幽幽的略带忧伤的音乐，好像在倾诉追梦旅人的故事，很好听。神秘园是我最喜欢的乐队之一，由挪威作曲家兼键盘手RolfLovland（罗尔夫。劳弗兰）和爱尔兰的女小提琴手FionnualaSherry（菲奥诺拉。雪莉）组成。
3、《海之女神》--S.E.N.S（神思者）:
主旋律让人感觉身处广阔大海的星夜，而后面副曲的过渡，又给人另一种完全不同的感受。“大气而不失婉约，柔和而不失力度。”S.E.N.S是由胜木由利加（女）和深浦昭彦（男）两位音乐家组成的团体。在日本，S.E.N.S.被公认为“治愈系”音乐的创始人之一。
4、《森林中的一天》--班得瑞：
仿佛真的被音乐带到了阿尔卑斯山脉的森林中，每一声虫声、鸟鸣、花落流水袅袅入耳。据说这个瑞士的音乐人团体每当执行音乐制作时，从头到尾，深居在阿尔卑斯山林中，坚持不掺杂一丝毫的人工混音，直到母带完成！置身在欧洲山野中，让班得瑞拥有源源不绝的创作灵感，也找寻到自然脱俗的音质。
5、《kisstherain》--Yiruma（李闰岷）:
钢琴的每次敲击似乎就象雨滴一样落在心中，那样的轻柔，却又那么的清晰。每次的聆听，真的仿佛在窗边，感受下雨时那种惆怅。作曲者为韩国最擅长描会爱情的音乐家，Yiruma于1978年出生，好年轻吧？，在韩国出生英国长大。他的音乐作品，展现了兼融东方的抒情与西方的典雅细致的音乐风格。
6、《夜莺》--Yanni雅尼
雅尼的音乐中最爱的一首，音乐中含有的元素，仿佛一只飞过紫禁城夜空的夜莺的吟唱。关于《夜莺》的创作，有这样一段故事：雅尼很久以前在意大利海滨度假，每当傍晚时候都会有一只小鸟到他的窗前歌唱，雅尼被小鸟的歌声迷住了，他觉得小鸟的鸣叫中充满了旋律和节奏，就想为这只小鸟谱一支曲子，但是他找不到合适的乐器来模仿小鸟的叫声。
后来，雅尼的一个朋友向他介绍了笛子，并为他示范演奏，雅尼立刻就想起了意大利的那只小鸟，他觉得笛子模仿小鸟的鸣叫再合适不过了，就很快谱出了这首味道十足的<夜莺>.<夜莺>是专门为东方人作的，符合东方人追求乐曲旋律和意境的审美特点。
7、《Tears》--TheDaydream：
选自《钢琴--TheDaydream》，由旅韩华裔新生代钢琴家TheDaydream演奏的钢琴独奏音乐。TheDaydream是一位处世风格神秘的音乐家。据说他从未在大众面前曝光（难怪也没有媒体知道他的真实姓名），从5岁就开始学弹钢琴至今，在大学主修现代艺术课程，而且在写诗方面也相当活跃。深厚的艺术修养，使他的音乐有种特殊的美感。曲风缓慢恬静，带着丝丝淡淡的忧伤，曲子表达的忧伤可以直达您的心扉，让你有点点伤感，有点点怀念，却又是那么那么的美。
8、《森林狂想曲》--徐仁修（）。
荒野探险家徐仁修、自然录音专家刘义骅、自然观察家杨雅棠、留美制作人吴金黛、金曲奖制作人及演奏音乐奖得主范宗沛，全心全意为森林量身打造的自然音乐创作！制作过程耗时5年，深入全台山林实地录音，共收集鸟类、蛙类、蝉类、虫类、山羌、猕猴、飞鼠、溪流…等近100种自然声音；新颖并充满创意的制作概念，使乐曲中的自然音源与音乐的节奏、调性相合无间。
9、《出埃及记》--马克西姆：
我挚爱的一首音乐，气势恢弘悲壮，让人听了心灵仿佛遭受了洗礼。以前在公司里犯困，就放它，呵呵……音乐极音乐选自电影《出埃及记》，曾荣获第33届奥斯卡最佳剧情片配乐金像奖。电影改编自里昂尤里斯的畅销名着。《出埃及记》--马克西姆：
10、《CanoninD》--约翰·帕切贝尔：
在《我的野蛮女友》里首度听到此曲后，一度作为我的手机铃声，后来听过一个最感人的版本，是在泰国的潘婷广告里，看过一次流泪一次。百度的知识：卡农，是复调音乐之一种，原意为“规律”。同一旋律以同度或五度等不同的高度在各声部先后出现，造成此起彼落连续不断地模仿，纺织永无止境的理性之路，给人以宁静、平和和鼓舞，被称为“人类理性在音乐上的代表作”。约翰·帕切贝尔的这首D调卡农是卡农音乐的代表之作了。
如何学习人工智能？
你有没有想做一件事，睡不着觉的冲动，有没有想做一件事，在睁眼的那一刻就能起来的毅力。这两样你都有，那你可以好好学习这个。真的是持之以恒。
不管是AI也好，其他学科也好，学习、研究的过程中不断反思学科的历史，总结学科的发展现状，找出最重要的理念，总能让人能“吾道一以贯之”。软件工程师James Le近期根据他研究的经验总结出了AI研究必须要知道的十种深度学习方法，非常具有启发性。AI科技评论编译如下。
The 10 Deep Learning Methods AI Practitioners Need to Apply
人们对机器学习的兴趣在过去十年经历了爆炸式的发展。计算机科学项目中、业界会议中、媒体报道中，你都能够看到机器学习的影子。但是似乎所有关于机器学习的讨论中，人们常常会把AI能做什么和他们希望AI能做什么混为一谈。
从根本上来讲，机器学习其实就是使用算法从原始数据中提取信息，并以某种类型的模型表示出来；然后我们使用这个模型来推断我们尚未建模的其他数据。
神经网络作为机器学习的一类模型，它们已经存在了至少50年。神经网络的基本单元是节点，大致上模仿了哺乳动物大脑中的生物神经元的节点；节点之间的链接（也是模仿生物大脑）随着时间的推移（训练）而演化。
在上世纪八十年代中期和九十年代早期，许多重要的神经网络构架都已经做出了，不过要想获得好的结果还需要足够强大的计算能力和大体量的数据集，这些当时在当时很不理想，所以也导致人们对机器学习的热情逐渐冷淡了下来。在21世纪初，计算机的计算能力呈现了指数级的增长——业界见证了计算机技术的“寒武纪大爆发”，这在之前几乎是不可想象的。深度学习作为这个领域中一个重要的架构，在计算能力爆发式增长的十年中，赢得了许多重要的机器学习竞赛。这个红利的热度直到今年仍未降温；今天，我们看到在机器学习的每个角落里都会提到深度学习。
为了更深入地了解这些，我参加了一门“深度学习”课程，并开发了一个图像识别的神经网络以及基于循环神经网络（RNN）和长短项记忆（LSTM）的自然语言处理。可以去我的Github仓库中查看这些代码：
https://github.com/khanhnamle1994/deep-learning
最近，我也开始阅读一些深度学习方面的学术论文。下面这些是我收集到的几篇对深度学习领域的发展有重大影响的几篇论文：
1、Gradient-Based Learning Applied to Document Recognition (1998)
http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf
意义：向机器学习世界引进了卷积神经网络
作者：Yann LeCun, Leon Bottou, Yoshua Bengio, and Patrick Haffner
2、Deep Boltzmann Machines (2009)
http://proceedings.mlr.press/v5/salakhutdinov09a/salakhutdinov09a.pdf
意义：为玻尔兹曼机提出了一种新的学习算法，其中包含许多隐藏变量层。
作者：Ruslan Salakhutdinov, Geoffrey Hinton
3、Building High-Level Features Using Large-Scale Unsupervised Learning (2012)
http://icml.cc/2012/papers/73.pdf
意义：解决了仅从未标记的数据构建高层次、特定类别的特征检测器的问题。
作者：Quoc V. Le，Marc’Aurelio Ranzato，Rajat Monga，Matthieu Devin，Kai Chen，Greg S. Corrado，Jeff Dean，Andrew Y. Ng
4、DeCAF — A Deep Convolutional Activation Feature for Generic Visual Recognition (2013)
http://proceedings.mlr.press/v32/donahue14.pdf
意义：释放了一个深度卷积激活特征的开源实现——DeCAF，以及所有相关的网络参数，使视觉研究人员能够深入地在一系列视觉概念学习范例中进行实验。
作者：Jeff Donahue，Yangqing Jia，Oriol Vinyals，Judy Hoffman，Ning Zhang，Eric Tzeng，Trevor Darrell
5、Playing Atari with Deep Reinforcement Learning (2016)
https://www.cs.toronto.edu/~vmnih/docs/dqn.pdf
意义：提供了第一个可以使用强化学习从高维感官输入中直接学习控制策略的深度学习模型。
作者：Volodymyr Mnih，Koray Kavukcuoglu，David Silver，Alex Graves，Ioannis Antonoglou，Daan Wierstra，Martin Riedmiller（DeepMind 团队）
在这些学习和研究中，我发现大量非常有意思的知识点。在这里我将分享十个深度学习的方法，AI工程师可能会将这些应用到他们的机器学习问题当中。
不过，首先先让我们来定义一下什么是“深度学习”。对很多人来说，给“深度学习”下一个定义确实很有挑战，因为在过去的十年中，它的形式已经慢慢地发生了很大的变化。
先来在视觉上感受一下“深度学习”的地位。下图是AI、机器学习和深度学习三个概念的一个关系图。
AI的领域要相对较广泛，机器学习是AI的一个子领域，而深度学习是机器学习领域中的一个子集。
深度学习网络与“典型”的前馈多层网络之间是有一些区别的，如下：
深度学习网络比之前的网络有更多的神经元
深度学习网络具有更复杂的连接层的
深度学习网络需要用强大的计算能力来训练
深度学习网络能够进行自动特征提取
因此深度学习可以被定义为在以下四个基本网络框架中拥有大量参数和层的神经网络：
无监督预训练网络（Unsupervised Pre-trained Networks）
卷积神经网络（Convolutional Neural Networks）
循环神经网络（Recurrent Neural Networks）
递归神经网络 （Recursive Neural Networks）
在这篇文章中，我主要对后三个框架比较感兴趣。
卷积神经网络 基本上就是用共享权重在空间中进行扩展的标准神经网络。设计CNN主要是为了通过内部卷积来识别图片，内部卷积可以看到待识别物体的边。
循环神经网络 基本上是在时间上进行扩展的标准神经网络，因为边进入下一个时间步，而不是在同一时间步进入下一个层。设计RNN主要是为了识别序列，例如语音信号或者文本。它里面的循环意味着网络中存在短暂的记忆。
递归神经网络 更类似于分层网络，其中输入序列没有真正的时间面，而是输入必须以树状分层处理。
以下10种方法可以应用于所有这些体系结构。
1、反向传播
反向传播是“误差反向传播”的简称，它是一种计算函数（在神经网络中以函数形式存在）偏微分的方法。当你要用一个基于梯度的方法来解决一个最优问题时（注意梯度下降只是解决这类问题的一种方法），你希望在每一次迭代中计算函数梯度。
对于神经网络而言，目标函数具有合成的形式。那么如何计算梯度呢？一般情况下有两种常见的方法：
1）微分分析法。当你知道这个函数的形式时，你只需要用链式法则计算导数即可；
2）用有限差分方法来近似微分。这种方法的计算量很大，因为函数评估的数量是O（N），其中N是参数的数量。与微分分析法相比，这是比较昂贵的。不过，有限差分通常在调试时验证后端实现。
2、随机梯度下降
一个直观理解梯度下降的方法是去想象一条溯源山顶的河流。这条河流会沿着山势梯度的方向流向山麓下的最低点。
如果让人来走，可能就不一样了，你可能会先随便选一个方向，然后沿着这个方向的梯度向下走；过一会儿再随机换一个方向向下走；最后你发现自己差不多也到了谷底了。
数学化的理解就是：
随机梯度下降主要用来求解类似于如下求和形式的优化问题：
梯度下降法：
当n很大时，每次迭代计算所有的梯度会非常耗时。随机梯度下降的想法就是每次在Delta f_i 中随机选取一个计算代替上面的Delta f_i，以这个随机选取的方向作为下降的方向。这样的方法反而比梯度下降能够更快地到达（局部）最优解。
3、学习率衰减
在训练模型的时候，通常会遇到这种情况：我们平衡模型的训练速度和损失（loss）后选择了相对合适的学习率（learning rate），但是训练集的损失下降到一定的程度后就不在下降了，比如training loss一直在0.7和0.9之间来回震荡，不能进一步下降。如下图所示：
遇到这种情况通常可以通过适当降低学习率（learning rate）来实现。但是，降低学习率又会延长训练所需的时间。
学习率衰减（learning rate decay）就是一种可以平衡这两者之间矛盾的解决方案。学习率衰减的基本思想是：学习率随着训练的进行逐渐衰减。
学习率衰减基本有两种实现方法：
线性衰减。例如：每过5个epochs学习率减半；
指数衰减。例如：每过5个epochs将学习率乘以0.1。
4、dropout
在当前的大规模神经网络中有两个缺点：
费时；
容易过拟合
Dropout 可以很好地解决这个问题。Dropout说的简单一点就是在前向传导的时候，让某个神经元的激活值以一定的概率p停止工作，示意图如下：
每次做完dropout，相当于从原始的网络中找到一个更瘦的网络。
Hinton在其论文中做了这样的类比，无性繁殖可以保留大段的优秀基因，而有性繁殖则将基因随机拆了又拆，破坏了大段基因的联合适应性；但是自然选择了有性繁殖，物竞天择，适者生存，可见有性繁殖的强大。dropout 也能达到同样的效果，它强迫一个神经单元，和随机挑选出来的其他神经单元共同工作，消除减弱了神经元节点间的联合适应性，增强了泛化能力。
5、max pooling
池化（Pooling）是卷积神经网络中另一个重要的概念，它实际上是一种形式的向下采样。有多种不同形式的非线性池化函数，而其中“最大池化（Max pooling）”是最为常见的。它是将输入的图像划分为若干个矩形区域，对每个子区域输出最大值。
直觉上，这种机制能够有效地原因在于，在发现一个特征之后，它的精确位置远不及它和其他特征的相对位置的关系重要。池化层会不断地减小数据的空间大小，因此参数的数量和计算量也会下降，这在一定程度上也控制了过拟合。通常来说，CNN的卷积层之间都会周期性地插入池化层。
6、批标准化
包括深度网络在内的神经网络需要仔细调整权重初始化和学习参数。批标准化使这些变得轻松许多。
权重问题：
无论权重的初始化如何，是随机的还是经验性的选择，它们离学习权重都会很远。考虑一个小批量，初期在所需的特征激活方面会有很多异常值。
深层神经网络本身是病态的，初始层中的微小扰动都会导致后面层的非常大的变化。
在反向传播过程中，这些现象会导致梯度弥散。这就意味着在学习权重产生所需要的输出前，必须对梯度的异常值进行补偿，这将导致需要额外的时段来收敛。
批量归一化使这些梯度从分散到正常值并在小批量范围内流向共同目标（通过归一化）。
学习率问题：一般来说，学习率需要保持较低的值，使得只有一小部分的梯度来校正权重，原因是要使异常激活的梯度不影响已学习到的激活。通过批量标准化，可以减少这些异常激活，因此也就可以使用更高的学习率来加速学习过程。
7、long short-term memory
LSTM网络具有以下三个方面，使其与循环神经网络中的常见神经元不同：
1）它能够决定何时让输入进入神经元；
2）它能够决定何时记住上一个时间步中计算的内容；
3）它决定何时让输出传递到下一个时间步。
LSTM的美妙之处在于它能够根据当前的输入本身来决定所有这些。 所以你看下面的图表：
当前时间的输入信号x（t）决定所有上述3个点。 输入门决定点1，遗忘门决定点2，输出门决定点3。任何一条输入都能够采取所有这三个决定。这种设计其实是受到了我们大脑如何工作的启发，并且可以基于输入来处理突然的上下文切换。
8、skip-gram
词嵌入模型的目标是为每个词项学习一个高维密集表示，其中嵌入向量之间的相似性显示了相应词之间的语义或句法相似性。 Skip-gram是一个学习词嵌入算法的模型。
skip-gram模型（以及许多其他的词语嵌入模型）背后的主要思想如下：两个词项相似，如果它们共享相似的上下文。
换句话说，假设你有一个句子，例如“猫是哺乳动物”；如果你用“狗”而不是“猫”，这个句子还是一个有意义的句子。因此在这个例子中，“狗”和“猫”可以共享相同的上下文（即“是哺乳动物”）。
基于上述假设，你可以考虑一个上下文窗口（一个包含k个连续项的窗口），然后你跳过其中一个单词，试着去学习一个能够得到除跳过项外的所有项的神经网络，并预测跳过的这个项。如果两个词在一个大语料库中反复共享相似的语境，则这些词的嵌入向量将具有相近的向量。
9、连续词袋
在自然语言处理问题中，我们希望学习将文档中的每个单词表示为一个数字的向量，使得出现在相似的上下文中的单词具有彼此接近的向量。在连续的单词模型中，目标是能够使用围绕特定单词的上下文并预测特定单词。
我们通过在一个大的语料库中采取大量的句子来做到这一点，每当我们看到一个单词时，我们就提取周围的单词。 然后，我们将上下文单词输入到一个神经网络，并预测在这个上下文中间的单词。
当我们有成千上万个这样的上下文单词和中间词时，我们就有一个神经网络数据集的实例。 我们训练神经网络，最后编码的隐藏层输出表示了特定单词的嵌入。 恰巧，当我们对大量的句子进行训练时，类似语境中的单词得到相似的向量。
10、迁移学习
让我们想一下如何在CNN中处理一张图片。假设有一张图片，你对它进行卷积处理，然后你得到的输出是像素的组合，我们姑且称之为“边”吧。我们再次使用卷积，这时候你得到的输出将是边的组合，我们称之为“线”。如果再次使用卷积，那么你将得到线的组合，等等。
每一层都是在寻找相应的特定模式。你的神经网络最后一层一般会给出非常特定的模式。也许你在处理ImageNet，你的网络最后一层可能是在找孩子、狗或飞机或别的任何东西。如果你向前两层看，网络可能是在找眼睛、耳朵、嘴巴或者轮子。
深度卷积神经网络中的每一层的深入都是在构建越来越高层次的特征表示。最后两层会产生你输入模型的数据中的特定模式。换句话说，早期的层提取的特征则广泛得多，在提取的大量的类中有很多简单的模式。
迁移学习就是当你用一个数据集训练CNN时，砍掉最后的一（些）层，再用另一个不同的数据集重新训练最后一（些）层的模型。直观地说，你在重新训练模型来识别不同的高级层次特征。作为结果，训练时间大幅减少。所以当你没有足够的数据或者训练的资源时，迁移学习是非常有用的一个工具。
这篇文章只是展示了这些方法的一般概述。我建议阅读下面这些文章以获得对这些概念更详细的解释：
Andrew Beam's “Deep Learning 101”
http://beamandrew.github.io/deeplearning/2017/02/23/deep_learning_101_part1.html
Andrey Kurenkov's “A Brief History of Neural Nets and Deep Learning”
http://www.andreykurenkov.com/writing/a-brief-history-of-neural-nets-and-deep-learning/
Adit Deshpande's “A Beginner’s Guide to Understanding Convolutional Neural Networks”
https://adeshpande3.github.io/adeshpande3.github.io/A-Beginner%27s-Guide-To-Understanding-Convolutional-Neural-Networks/
Chris Olah's “Understanding LSTM Networks”
http://colah.github.io/posts/2015-08-Understanding-LSTMs/
Algobean's “Artificial Neural Networks”
https://algobeans.com/2016/03/13/how-do-computers-recognise-handwriting-using-artificial-neural-networks/
Andrej Karpathy's “The Unreasonable Effectiveness of Recurrent Neural Networks”
http://karpathy.github.io/2015/05/21/rnn-effectiveness/
深度学习非常注重技术，而对每一个新的想法却没有太多具体的解释。大多数新的idea只是用实验结果来证明它们的工作。深度学习就像玩乐高，掌握它有一定的挑战性，但是入门还是很容易的。
什么是做人？
做人做事是一门艺术，同时也是一门高深的学问。做事先做人，先做好人才能做好事。“人”，写起来容易，说起来简单，做起来难。人，作为一个现实的、社会的、国家的、单位的、家庭的人，为人子女、为人父母、为人同事……承载得太多，有责任、有使命、有职责、有义务。做人有做人之道，做事有做事之道，虽然无定法，但一定有基本的方法、原则、规律、规矩。一、做人，修身是前提。人为万物之灵，贵在有德。坏了什么不心，缺了什么不要缺了德。“天行健，君子以自强不息。地势坤，君子以厚德载物。”——《易经》二、做人，百善孝为先。“孝”是中华民族的传统美德，“孝道”是中华民族的文化精髓。孝是炎黄民族延绵不绝的传统，是构建现代文明和谐社会的基石，更是每个人的立身之本。“不得乎亲，不可以为人；不顺乎情，不可以为子。”——《孟子·离娄上》三、人贵有仁爱之心。文化的精髓是由天道而来的人道，概括为公、诚、仁、中、行。仁就是仁爱，人与人之间互相敬爱，舍己为人。仁爱作为一种做人的美德，也是和谐社会的重要思想基础。人必仁，仁必爱，爱必善，善必施。仁者不忧，智者不惑，勇者不惧。——孔子 四、义，人之正路也，公正合宜的道德。孟子发挥了孔子的思想，把仁同义联系起来，把仁义看作道德行为的最高准则。五、做人就要有礼、有智、有信。六、做人的最高境界是忍耐、宽容、节制。做人做事是一门涉及现实生活各个方面的学问，我们必须要思考、揣摩、学习，方才能提高自身修养。
如何成为航天员？
千挑万选，百炼成钢
上个世纪90年代中期，随着载人航天工程（921工程）任务和实现的确定，借鉴美国和俄罗斯的经验，开始从空军飞行员中选拔航天员。我国预备航天员的基本条件是：具有坚定的意志、献身精神和良好的相容性，身高160－172厘米，体重55－70公斤，年龄25－35岁，歼击机、强击机飞行员，累计飞行600小时以上，大专以上水平，飞行成绩优良，无等级事故，无烟酒瘾，最近3年体检均为甲类。
有资料说，我国选拔航天员的范围是从3000名国家一级飞行员档案中先选出1506名符合基本选拔条件的飞行员，又在这1506名符合基本选拔条件的飞行员中，通过书面调查和座谈会的形式选出了800名。当时，全国有10个疗养院同时开展选拔活动，每个点都是去80个飞行员，只选8名。选出来的80人中后来又刷下20个人。最后就剩下了60人，这60人到北京参加第二轮的住院临床复查。第一部分是临床体检，检查有没有器质性的病变。第二部分是进行功能性检测，测试智商、智力、反应等。优中选强，竞争压力可想而知。体检历时近两个月。这一关后只剩下20人。后来又对这20人进行家庭医学查访和直系亲属（配偶和子女）体检，20人全部合格。由于员额限制，1997年4月在集中了全国各大医院的著名专家后，召开住院检查结果鉴定会和首批预备航天员医学选拔鉴定会，经过反复研究和挑选，建议录取其中12人为预备航天员。他们分别是：杨利伟、聂海胜、费俊龙、翟志刚、潘占春、刘旺、刘伯明、张晓光、景海鹏、赵传东、陈全、邓清明，加上1996年曾经到俄罗斯接受培训的两位航天员兼航天员教练员：李庆龙和吴杰。共选出了十四位预备航天员。
首批航天员宣誓仪式。图源：《筑梦路上》
1998年1月5日，是他们终身难忘的日子！那天，他们面对庄严宣誓：“我自愿从事载人航天事业，成为航天员是我无上的光荣，为了负起航天员的神圣使命，我宣誓:热爱……服从命令，听从指挥，刻苦学习，严格训练，爱护武器装备，遵纪守法，保守。英勇无畏，无私奉献，不怕牺牲，甘愿为载人航天事业奋斗终身。”那天，他们在国旗下庄严宣誓，并在旗上签下自己的名字。
1998年1月5日，14名预备航天员宣誓完毕后，在国旗上签下自己的名字。图源：军报记者以此为标志，我国历史上第一个航天员大队正式成立。这一天从此成为解放军航天员大队的生日。后来，在杨利伟的自传中《天地九重》中，他这样写道：“那一天，1月5日，成为我们航天员大队的诞生日，每年我们都会纪念它，像过我们共同的生日一样。”
在这里要注意一点，此时，他们是“预备航天员”，就像飞行学员不是飞行员一样，预备航天员离航天员还差很远。因为预备航天员此时还不能执行正式的飞行任务。只有通过再选拔、再训练才能成为执行飞行任务的真正航天员。从1998年1月5号入选航天员大队之后，又用了五年多的时间，把“预备航天员”中的“预备”两个字去掉了。2003年7月，在神舟五号任务之前，14名航天员集体参加考核，这对他们相当于生死一战。考评委员会分为政治思想、专业技术及心理、医学评价3个组，通过复核回放录像、计算训练5年多来的各项考试等级和训练成绩，综合各界意见，最后给每个航天员打出总分。7月3日，评选结果揭晓：14名航天员全部具备了独立执行航天飞行任务的能力，予以结业，并同时获得三级航天员资格。这是载人航天工程（921工程）实施后，我国选拔的第一批航天员，标志着成为继俄罗斯和美国之后，世界上第3个能够独立培养航天员的国家。并且，这个成绩还打破了世界航天界的一项纪录：航天员大队的训练，淘汰率为零。
【经历“魔鬼”训练，历经58关终成航天员】
从1998年1月5号入选航天员大队到2003年7月成为正式的航天员，在这5年多的时间里，14名航天员可以说是经历了“魔鬼”训练，要想执行任务真正飞往太空，可不是一件容易的事儿。全体航天员一次又一次反复攻关、一次又一次挑战生理和心理的极限，训练强度、难度和力度一般人难以承受。
重回教室，接受基础理论训练。图源：航天员中心。摄影：朱九通从基础理论训练阶段、航天专业技术训练阶段到飞行程序与任务模拟训练阶段，所有航天员要接受58个专业的训练，被称为上天的 “58个阶梯”。仅是理论学习，就包含了载人航天工程基础、航天医学基础、高等数学、天文学和英语等30多门课程。这对于像杨利伟、景海鹏这些长于操作的前战斗机飞行员来说，大多数知识都是全新的。除了理论学习，其他训练内容包括：体质锻炼、心理训练、特殊环境因素耐力和适应性训练、生存训练和航天器技术训练、航天医学工程技术训练、空间科学及应用知识和技术训练、生存训练以及综合训练等。大家可以想一想，这些航天员之前都是战斗机飞行员，每天与飞机打交道、在蓝天翱翔。现在成为了预备航天员，又得回到教室来学习，尤其是理论知识的学习，真的是非常难，开始真的在教室坐不住。但是，就是凭着不服输这这种精神，航天员们都坚持下来了。6时30分起床，7时吃早饭，上午、下午4个小时的训练。晚自习结束回到宿舍后，航天员们往往还要继续挑灯夜战，有的学英语，有的背诵飞船操作规范。曾任航天员大队大队长的申行运常常去敲门，让他们熄灯休息。往往是，灯灭了，但过一会又亮了，这些未来的航天员就是这样拼命汲取营养，争取早一天在浩瀚太空留下人的足迹。具体的训练过程就不一一呈现了，在这里，通过一些图片和视频看看他们的训练场面吧。
增强航天员前庭功能的转椅训练，要求航天员能够在高速转椅上连续旋转15分钟，其间，还要不断增加头部运动的刺激，一般人连1分钟也承受不了。前庭功能是人固有的功能，有天生的基础。转椅训练对身体是有后效应的，那种对身体的刺激感会持续一天，让人吃不好休息不好。所以每次连续几天的转椅训练结束，航天员都会变瘦。大多数航天员公认为最痛苦的训练内容是离心机训练。火箭托举着“神舟”飞船在发射升空时，为了获得克服地心引力的速度，火箭将有一个强大的向上加速度，这时航天员所面对的就是巨大的地心引力，强烈的超重感。从点火到入轨不到十分钟的时间里，航天员要承受5个G左右的重力加速度，相当于自身重量的5倍左右。返回地面时，航天员在返回舱中同样要经受这样的过载。可以想象，如果没有接受过严格训练，根本就无法保持清醒，更别说配合行动、进行科学实验了。离心机训练是提高航天员抗过载能力的项目，通过机械臂高速旋转，让航天员的身体适应加速度带来的超荷载，“坐在高速旋转的座椅上，相当于8倍自身重量的力压在身体上。脸会被拉变形，口水都咽不下去，呼吸不畅通。坐在座舱里的航天员不仅要练习各种抗负荷动作，还要判断信号，回答提问。每次的离心机训练对于航天员来说如同煎熬。虽然在训练过程中，航天员的手边都有一个红色“停止”按键，只需拇指按下就能结束煎熬，但在一次次挑战生理极限的训练中，没有一名航天员按下红色“停止”按键而放弃训练。
可以看到，张晓光的面部被拉变形。黄圈处就是红色“停止”按键，只需拇指按下就能结束煎熬，但这么多年来，没有一名航天员按下。图源：央视截图2016年，央视《挑战不可能》第二季节目中播出了TFBOYS参与挑战用于航天员训练的“离心机”项目的画面。这也是载人航天工程办公室与《挑战不可能》的首度合作，向观众全景呈现航天员的训练生活。2016年，神舟十号航天员张晓光已经50岁了，而他挑战的是8g的重力加速度，即超出自身体重8倍的重力保持高速旋转。这个数字对于普通人来说已经超出了所能承受的极限，而张晓光认为，自己进行这样的挑战是为了保持良好的身体状态，在祖国需要的时候随时重返太空。一般人的身体只能承受一两个g(重力加速度)的荷载，超过这个数就会头晕眼花，而航天员怎么能承受超荷载呢?是不是有特殊的法宝?可以告诉大家的是，真的没有什么法宝，只能通过刻苦训练！
载人航天是一项高风险性的工作，从发射到返回，各个环节都可能出现故障，从而对航天员的生命安全构成威胁。例如，当载人航天器在飞行过程中出现意外情况需要紧急返回时，航天员就很难降落到原定的着陆场，而可能飘落于各种难以预料的恶劣地点，在救援人员到达之前，航天员必须依靠自身的力量生存下来，因此，航天员必须掌握各种恶劣自然条件下的生存技能。
2017年8月，航天员中心在山东烟台某海域圆满完成了海上救生训练任务。
航天员们进行了丛林、水库、海上、沙漠、等各种地形和气象条件下的救生技能训练。在这里，还必须提一个装置，航天员中心的航天飞行训练模拟器。载人飞船进入太空飞行前，驾驶飞船的航天员需要熟练掌握操作飞船的技能。由于载人飞船飞行环境的特殊，因此具有很大的风险性。为确保飞船飞行的万无一失，真实飞船发射之前需要在地面进行多方测试，不可能让航天员在实际飞船中进行训练。所以通常在地面环境下，采用模拟手段训练航天员。航天飞行训练模拟器，就是训练航天员驾驶飞船的重要地面设备之一。在航天员进行的所有训练中，利用模拟器进行综合任务训练要占40％的时间。
航天员在航天飞行训练模拟器里进行人船联合演练。图源：航天员中心航天员需要训练的科目太多太多，在这里就不一一列举了。
2002年05月 航天员杨利伟 景海鹏 赵传东参加运动会短跑比赛 摄影：朱九通 （杨利伟得了第一！）
从1997年底来到北京西北郊的航天城后，14位预备航天员就在一起吃饭、训练，从预备航天员到正式成为航天员，他们始终在一起，他们在坚持什么？或者说在坚持中等待什么？答案只有两个字，那就是：飞行！
航天员杨利伟曾说过这样一段话，让我印象深刻，他说：与战士站岗、炊事员做饭一样，航天员是一种职业，我们的工作就是飞行。看似普通的一句话，却道出了“航天员”这种平凡而又特殊职业的本质。
载人航天工程实施后的首批航天员选拔、训练工作完成，接下来，他们要做的就是等待飞天的机会！
净身高1755cm在东北和山东算矮吗？
我祖籍鲁西南，本人167cm，上学一直在山东，在同学堆里，身高并不突出，只能是中等身高。
老公祖籍辽宁，身高175cm，工作一直在辽宁，在同事堆里，属于大个儿，但在山东，只能说凑合。
在我的认知里，一直以为只有“山东大汉”和“东北大汉”，原来是我学少识浅。
2012年这一年，我跟老公因工作，在“帝都”北京相遇，然后相恋。当时年少，一眼看去，他是那种比较清瘦的类型，看上去个子比较高，就是人们说的那种瘦高个。当时他好多辽宁的同学都在北京上班，走在一起，他属于个头比较高的，我也比较满意。
后来结婚他跟我回山东老家，跟我家里的兄弟叔伯站在一起，很显然，他显得又瘦又矮，因为我家都是又高又壮的，也就是很明显的“山东大汉”形象。
等我跟他回到辽宁婆家，呵，我成了那个又高又壮的人，我老公清瘦高挑的形象又回来了，周围的亲戚朋友都比我矮一头，别人都赞叹我是个“大高个儿”，其实我只是很普通的身高啊。
原来只有山东大汉，和东北老爷们儿，可能东北大汉是我脑子中臆想出来的词吧。