前言：中文期刊網精心挑選了減肥健身計劃范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
減肥健身計劃范文1
十分鐘讓你“腰”里妖氣
美麗纖腰，哪個女人不愛？春夏來臨，你的纖腰是否依然處于冬眠狀態？這個季節正是纖腰時。其實，只需十分鐘，就可幫你消除煩惱。下面我們給你介紹三套實用省時的練腰操，只要十分鐘，每天堅持，相信不久你就能找回你的細腰了。
第一套：
躺平，雙腿并攏向上伸直（運用到腰腹部的力量）；
背和臀部也同時向上挺直（離開接觸面）；
然后慢慢放落；
重復次數依自己的能力來衡量。
第二套：
躺平，雙手抱于腦后；
身體伸直（屈膝可），運用腰腹部力量，使身體坐起再躺下；
重復次數可依自己的體能來衡量。
第三套：
躺平，運用身體的腰腹部的力量把雙腿向上舉，同時上半身向前挺起，雙臂平伸（身體此時成U形）試著讓雙臂和兩腿互相碰觸到，可依自己的能力來決定每次運動的重復次數。
以上三套動作分別單獨進行或整合都可，一天10分鐘不偷懶，夢想中的纖細腰身即將出現！
NO．2
用10℃水點燃90℃減肥激情
我們常常這樣慨嘆：唉，我真是喝白水都會長胖！其實，喝水長胖是浮腫造成的，只要減低攝取的鹽分，水腫就會漸漸消退。相反，如果你懂得利用水去減肥，距離苗條日子就不遠矣！
大清早：喝杯溫水清腸胃
一早起床，在吃個豐盛早餐前先喝一大杯水，有助推動腸蠕動，令你產生便意，幫大腸來一次大掃除，肚腩當然不再驕傲。這招喝水KeepFit法有不少明星都效法，瘦身成功指數極高！
午飯時段：餐前飲水減食量
嘗試每餐前盡量飲一杯清水，一來可以填飽咕嚕咕嚕響的五臟廟，降低飲食分量；二來補充身體所需的水分，加速新陳代謝。
下午茶時段：聞花水戒零食
一到喝茶時間，食欲又發作，拿出隨身零食，薯片、曲奇、汽水――都是增肥美食，一個下午茶的熱量高過一頓午餐呀！這時，不妨在辦公座位周圍噴下花香噴霧，聞著可以抑制食欲。噴霧做法：將10毫升無水酒精、1滴玫瑰花油，朝天花板上噴，令全室充滿花香，深呼吸一下。
減肥健身計劃范文2
【摘要】2011 年以來我國內部控制審計報告出具的數量逐年遞增，與此同時，非標準的內部控制審計意見報告所占比例也有所上升。本文選取了2013 年度內部控制審計報告以及財務報表審計報告均為非標準意見的代表企業華銳風電，以及內部控制審計報告為非標準意見但財務報表審計報告為標準無保留意見的代表企業上海家化進行案例分析。對非標準內部控制審計意見與財務報表審計意見之間的關系進行了研究。
【關鍵詞】審計意見 審計報告 內部控制審計 財務報表審計
一、引言
2007 年，美國公眾公司會計監督委員會公開了第5 號審計準則，《與財務報表審計整合的財務報表內部控制審計》，準則規定了內部控制審計程序以及內部控制的方法，準則還表示要盡量在導致財務報表發生重大錯報之前找出內部控制的重大缺陷。2008 年，財政部、審計署、證監會、銀監會等聯合了《企業內部控制基本規范》，該規范要求在深市和滬市上市的公司應對本公司的內部控制有效性進行自我評價，并且公開披露企業年度的內部控制自我評價報告，在進行審計業務時，需聘請具有專業資質的會計師事務所來進行企業內部控制有效性的審計活動。2014 年，財政部聯合證監會了《公開發行證券的公司信息披露編報規則第21 號——年度內部控制評價報告的一般規定》，明確了內部控制評價報告構成要素，需要披露的主要內容及相關要求。
被出具非標準財務報表審計意見的上市公司數量自2011 年以來逐年遞減，且所占百分比也在逐年降低，然而被出具非標準內部控制審計意見類型的上市公司數量自2011 年以來卻逐年增加，且所占百分比也逐年增加。本文選取了2013 年度內部控制審計報告以及財務報表審計報告均為非標準意見的代表企業華銳風電，以及內部控制審計報告為非標準意見但財務報表審計報告為標準無保留意見的代表企業上海家化進行案例分析，旨在探究內部控制審計意見對財務報表審計意見的影響。
二、內部控制審計報告與財務報表審計報告披露現狀分析
（一）2011—2013 年上市公司財務報表審計報告意見匯總
中國注冊會計師協會公布數據，截止2014 年4月30 日，共有40 家證券資格的會計師事務所為來自深市與滬市的2 534 家上市公司出具了2013 年年度財務報表審計報告，在這些財務報表審計報告中，包含有2 450 份標準無保留的審計意見，57 份帶強調事項段的無保留意見，22 份保留意見，以及5 份無法表示意見的審計報告。見表（1）。
與此同時，截至2014 年4 月30 日，共有40 證券資格的會計師事務所為來自深市與滬市的1 141家上市公司出具了2013 年年度內部控制審計報告。在這一千多份的內部控制審計報告中，有1 096 份是標準無保留意見內部控制審計報告，35 份是帶強調事項段的無保留意見，9 份否定意見，以及1 份無法表示意見的內部控制審計報告。見表（2）。
（二）2011—2013 年上市公司內部控制審計報告意見匯總
（三）2011—2013 年被出具非標準內部控制審計報告的上市公司財務報表審計意見匯總
同時被出具非標準財務報表審計意見和非標準內部控制審計意見的上市公司2011 年沒有，2012年只有6 家，在2013 年卻達到了21 家。
（四）非標內部控制審計報告增加原因分析
（1）內部控制缺陷造成影響逐漸增大。近年來內部控制的相關法規細則不斷頒布出來，從框架結構到具體內容不斷細化。尤其是在2014 年最新的《公開發行證券的公司信息披露編報規則第21號——年度內部控制評價報告的一般規定》，明確了內部控制評價報告構成要素，說明了需披露的內容及要求，并且還提供了可供注冊會計師參考的內部控制審計報告模板。因此，內部控制評價向著更加規范化、標準化的方向發展。
（2）審計意見的客觀性進一步提高。注冊會計師在內部控制審計方面的專業性越來越高，經驗越來越豐富，同時職業道德也有所提高，敢于披露被審計單位內部控制的缺陷。
（3）企業內部控制重視程度提高。認識到內部控制對于企業發展的重要性，積極接受注冊會計師出具的內部控制審計意見，并在內部控制自我評價報告中披露，提出解決問題的可行性計劃和方案。
三、內部審計報告與財務報表審計報表案例分析
（一）案例背景
華銳風電科技股份有限公司是一家以風電為主的新能源企業，主要進行不同風電機組的研發、制造和銷售。華銳風電公司在2013 年度被同時出具了非標準的內部控制審計報告和財務報表審計報告。其中，內部控制審計意見為否定意見，財務報表審計意見為保留意見。上海家化聯合股份有限公司是我國化妝品行業中第一家上市企業，產品覆蓋化妝品、家居護理用品等，擁有國際水準研發以及廣大的消費市場。上海家化2013 年年度審計報告中，內部控制審計意見為否定意見，但財務報表審計意見卻為標準無保留意見。
（二）案例分析
1. 華銳風電
（1）華銳風電公司未能對實物資產實行有效控制，在對2013 年年末的存貨進行了全面清查后，發現了賬實不符的情況，實物相比較賬面金額，存在126 853.54 萬元的短缺。由于公司對于存貨盤點結果尚未核對完成，因此，在尚未獲得充分、適當的審計證據的情況下，注冊會計師無法實施必要審計程序，從而對于盤點結果以及由此所影響的存貨、資產減值損失、管理費用等會計科目無法確認。并且在對應付賬款進行函證時，發現了較多往來不符的情形，在該情形下注冊會計師認為無法實施替代程序以獲取充分、適當的審計證據。
（2）華銳風電公司2013 年年末在其母公司財務報表上確認了遞延所得稅資產32 924.13 萬元。但在此之前華銳風電已連續兩年出現虧損。其中母公司在 2012 年與2013 年分別取得利潤總額為-71 011.26萬元和-331 244.50 萬元。因對華銳風電公司未來的盈利情況不確定，注冊會計師認為無法確定這一事項對公司財務報表的影響是否恰當。
（3）華銳風電公司于2013 年 5 月、 以及2014年 1 月分別收到來自中國證監會的兩封《立案調查通知書》，證監會決定開始對華銳風電公司進行立案調查。截至到審計報告簽發日，證監會的相關調查工作仍未結束，因此，注冊會計師無法判斷調查結論可能對華銳風電公司財務報表產生的影響。
2. 上海家化
（1）由于上海家化并沒有披露與吳江市黎里滬江日用化學品廠的關聯交易事項，并且于2013 年11 月收到了來自中國證監會的《行政監管措施決定書》，認定上海家化在2009 年至2013 年與滬江日化發生的關聯交易違反了相關的法律法規。注冊會計師認為，上海家化對關聯交易未能進行有效控制，并且由于關聯方交易的未能及時識別會影響財務報表中與關聯方有關的數據的完整性以及準確性，導致內部控制設計的失效。雖然上海家化在2013 年12 月表示對上述缺陷已進行了整改，但因為運行時間不長，因此不能認定整改有效。
（2）注冊會計師認為上海家化在2013 年以前及之后與代加工廠發生的委托加工交易在會計處理方法上不一致，由此認定部分上海家化子公司并未建立銷售返利以及運輸費等有關的內部控制。這一缺陷會導致財務報表中涉及銷售費用和運輸費用等相關交易的完整性、準確性以及截止性產生偏差，因此認定相關內部控制設計失效。
（3）注冊會計師發現在2013 年12 月31 日的財務報表中，財務人員將本應計入其他應付款科目的費用計入了應付賬款科目，影響到財務報表多個會計科目的準確性，因此認為上海家化的財務人員的專業素養不夠，造成會計處理的差錯。注冊會計師說明在2013 年年度財務報表審計中，已經考慮了上述重大缺陷對審計程序的性質、時間安排和范圍的影響。因此，否定的內控審計意見并未對上海家化2013 年年度財務報表出具的審計報告意見產生影響。然而在華銳風電內部控制審計報告中看出，由于對存貨等實物資產缺乏有效的內部控制，導致了財務報表審計報告中保留意見事項一、二對資產負債表中的“存貨”“應收賬款”“資產減值損失”“管理費用”“銷售費用”等會計科目產生重大影響，這些重大缺陷都是屬于財務報表層次產生的。因此可以看出，內部控制審計意見與財務報表審計意見關系緊密，內部控制財務報表層次的缺陷會對財務報表審計報告意見產生重大影響。
四、結論
華銳風電公司與上海家化公司2013 年度的內部控制審計報告均被出具了否定的意見，華銳風電被出具的財務報表審計報告是保留意見，上海家化被出具的財務報表審計報告卻是標準無保留意見。本文分析，只有當內部控制出現財務報表層次缺陷時，才會對財務報表產生影響，從而引發財務報表審計非標準審計意見的出現。在關注非標準的內部控制審計意見時，應注意報告中所涉及的缺陷是否為財務報表層次的缺陷，如果是則對財務報表審計意見影響大；如果否則對財務報表審計意見影響較小。另外，即使企業當年被出具了非標準的內部控制審計意見，并且內部控制缺陷為非財務報表層次，但由于其所具有的滯后性，仍然有可能會影響到以后年度的財務報表審計報告的意見。
參考文獻
[1] 蔡吉甫. 我國上市公司內部控制信息披露的實證研究[J]. 審計與經濟研究，2005，(05).
[2] 潘芹. 內部控制審計對審計意見的影響研究——基于2009 年我國A 股公司數據[J]. 財會月刊，2011，(09).
[3] 李穎琦，陳春華，俞俊利. 我國上市公司內部評價信息披露：問題與改進——來自2011 年內部控制評價報告的證據[J]. 會計研究，2013（08）.
[4] 吳壽元. 我國企業內部控制審計現狀及相關建議［J］.中國注冊會計師，2013，(10).
[5] 張龍平，陳作習. 財務報告內部控制審計與財務報表審計的整合研究（上）[J]. 審計月刊，2009，(05).
[6] 張龍平，陳作習. 財務報告內部控制審計與財務報表審計的整合研究（下）[J]. 審計月刊，2009，(06) .
[7] 李曉紅. 2012 年度上市公司非標準內部控制審計報告分析［J］. 中國總會計師，2013，(09).
[8] 王美英. 上市公司內部控制審計報告分析［J］. 會計之友，2013，(02).
[9] 劉玉廷，王宏. 提升企業內部控制有效性的重要制度安排［J］. 會計研究，2010，(07).
[10] Songtao Mo. The information content of audit opinions in the post-SOX [D]. Department of Accountancy of Case Western Reserve University. 2009 .
減肥健身計劃范文3
本 科 生 畢 業 論 文（設計）
本 科 生 畢 業 論 文（設計）
題目 陣列化的非晶體納米硅神經突觸器件制備與數值模擬
姓名與學號 鄭浩 315104964
指導教師 皮孝東
合作導師
年級與專業 2015級 材料科學工程
所在學院 材料科學工程
提交日期
A Dissertation Submitted to Zhejiang University for
Bachelor Degree of Engineering
Preparation and Numerical Simulation of Arrayed Amorphous Nano Silicon Synaptic Devices
Submitted by
Hao Zheng
Supervised by
Prof. XiaoDong Pi
School of Materials Science and Engineering
Laboratory of Silicon Materials, Zhejiang University, Hangzhou
People’s Republic of China
May, 20th, 2019
浙江大學本科生畢業論文（設計）承諾書
1.本人鄭重地承諾所呈交的畢業論文（設計），是在指導教師的指導下嚴格按照學校和學院有關規定完成的。
2.本人在畢業論文（設計）中除了文別加以標注和致謝的地方外，論文中不包含其他人已經發表或撰寫過的研究成果，也不包含為獲得 浙江大學 或其他教育機構的學位或證書而使用過的材料。
3.與我一同工作的同志對本研究所做的任何貢獻均已在論文中作了明確的說明并表示謝意。
4. 本人承諾在畢業論文（設計）選題和研究內容過程中沒有偽造相關數據等行為。
5. 在畢業論文（設計）中對侵犯任何方面知識產權的行為，由本人承擔相應的法律責任。
6.本人完全了解 浙江大學 有權保留并向有關部門或機構送交本論文（設計）的復印件和磁盤，允許本論文（設計）被查閱和借閱。本人授權 浙江大學 可以將本論文（設計）的全部或部分內容編入有關數據庫進行檢索和傳播，可以采用影印、縮印或掃描等復制手段保存、匯編本論文（設計）。
作者簽名： 導師簽名：
簽字日期： 年 月 日 簽字日期： 年 月 日
致 謝
致謝內容。（仿宋字體或Times New Roman，小四號，兩端對齊，首行縮進兩個漢字符位，段前0磅，段后0磅，固定行距20磅。）
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
致謝內容。
摘 要
信息時代的來臨，人類在處理大數據與多信息的任務面前面臨著很大的挑戰，傳統的馮-諾依曼式計算機思想在處理這些問題時出現了本質上的不足，因此神經網絡的應用于硬件化變得十分迫切。隨著憶阻器的發現，類腦計算的實際應用變得可能。本文從硬件神經網絡的興起出發，闡述了硬件神經網絡的研究現狀與實現途徑，之后引入了生物神經元的特征，闡述了以往關于人類神經元建立的數學模型。之后本文提出了一種陣列化硅納米晶體神經突觸器件的制備方法與過程，并且在基于這樣的器件上，得到相應的LTP與STDP數據，將這些數據分別用于探究：神經元激活函數數值模擬，有監督脈沖神經網絡之tempotron算法數值模擬與STDP無監督學習網絡數值模擬，在得到結果的基礎上，提出了硬件化神經網絡所需要的器件的基本性質與要求。為未來的硬件化目標提出了可行性與基本方向。
關鍵詞：硬件神經網絡；神經元；神經突觸器件；激活函數；Tempotron算法；STDP；無監督學習
Abstract
With the advent of the information age, human beings face great challenges in dealing with the task of big data and multiple information. The traditional von Neumann-style computer thought has its essential shortcomings in dealing with these problems, so the application of Hardware
neural networks have become very urgent. The discovery of memristors made it possible for the practical application of brain-like calculations. Starting from the rise of hardware neural networks, this thesis firstly expounds the research status and implementation of hardware neural networks, and then introduces the characteristics of biological neurons, and expounds the previous mathematical models of human neuron establishment. After that, an arrayed hybrid silicon nanocrystal based synaptic devices have been prepared. Nervous function behaviors, e.g. LTP and STDP, have been obtained based on this device. These data are then separately used to explore neuron activation function values Simulation, numerical simulation of tempotron algorithm with supervised pulse neural network and numerical simulation of STDP unsupervised learning network. Based on the results, the basic properties and requirements of the hardware required for hardware neural network are proposed. The feasibility and basic direction for future hardware goals are proposed.
Keywords: Hardware neuron network; neurons; Synaptic device; activation function; Tempotron algorithm; STDP; unsupervised learning;
目 次
第一部分 畢業論文（設計）
A DiSubmitted to Zhejiang University for
I
III
V
VII
IX
第一章 緒論
1.1.1 硬件神經網絡的興起
1.1.2 硬件神經網絡的實現
1.3.1 生物神經元介紹
1.3.2 人工神經元介紹
1.3.3 人工神經網絡介紹
1.3.4 脈沖神經網絡介紹
3.1.1 神經網絡結構
3.1.2 神經元硬件化結論
3.2.1 脈沖編碼
3.2.2 權值更新
3.2.3 數值模擬結果
3.2.4 LTP權值改變法
3.2.5 STDP權值改變法
3.2.6 結論
3.3.1 理論背景與基礎
3.3.2 網絡設計
3.3.3 模擬結果
作者簡歷
攻讀學位期間發表的學術論文與取得的其他研究成果
第一部分
畢業論文（設計）
第一章 緒論
11.1 硬件神經網絡1.1.1 硬件神經網絡的興起
21世紀進入信息時代后，計算機的普及率大大上升，計算機本身也在計算力與邏輯處理上遠遠超過了人腦，然而不足的是，在數據的存取與記憶上，仍然是采用馮-洛伊曼式的串行方法，且功耗很大，而人類大腦擁有10^11 個神經元和10^15神經突觸。這使得人類處理信息的方式是高效的并行方式，并且功耗很低。例如人類大腦看到一種東西，識別它的過程往往使視覺神經信號與記憶信號同時作用的結果，功耗在fj量級。在使得馮-洛伊曼式計算機處理復雜指令與控制上體現出了根本性的缺陷?；谶@一點，神經網絡的研究開始興起，在1943年，McCulloch 和 Pitts 提出了神經元的形式化模型后, 有關于神經網絡的討論也逐漸火熱起來，但其發展的中途受到很多科學家對其的質疑[19]。直到 1980年左右, Rumelhert 與他的研究伙伴[20]一起發表了著名的并行分布式處理( Parallel Distributed Processing)方法的工作 , 并且建立了 BP 算法和前向神經網絡，從數學上的形式，證明了這種算法的可行性，BP神經網絡是一種前饋式的誤差逆向傳播網絡，通過訓練集不斷縮小輸出值與目標值的差值從而達到非線性優化的目的。由此，神經網絡的數學原理得到證明，其實在1970年神經網絡存在一段低落期，也受到了很多懷疑。但是BP神經網絡的興起與提出，讓科學們對于神經網絡的態度再次火熱起來。21世紀隨著深度學習的提出，又掀起了一股關于人工智能的熱潮，Deep learning 是在多層感知機的基礎上，不斷增加隱含層的層數，這上面又出現了一些數學上的問題比如激活函數的梯度彌散問題，但是由于Relu激活函數替代sigmod函數的提出，這些問題逐步得到了解決，深度學習向前發展了一大步。比如IBM的“深藍”擊敗世界圍棋選手李智石等，但是實際上，“深藍”在擊敗李智石時消耗的電量等于一桶油的燃燒的焦耳值，但是李智石僅僅使用了兩個饅頭的熱量戰斗。也就是說，這場比賽其實并不公平。其實這反應的是人工智能的工作效率與真正人腦的學習效率仍然有很大的差距。神經網絡本質是由多個簡單的信號處理單元組成，這些簡單的信號單元之間由一種方式連接形成網絡，它意在模仿人類大腦處理信息的模式，從而實現圖像識別，音像識別，特征提取和記憶等功能?，F在計算機能夠從軟件上對神經網絡進行實現，然而關于數據的存取方式仍然無法得到突破，數據的存取方式仍然是老式馮-諾依曼式的串行處理方式。但是人類識別圖像，獲得信息是并行的。因此硬件神經網絡的開發是必要的，硬件神經網絡能夠使用集成電路實現并行處理信息，并且能耗低，效率高，能夠更貼近人類大腦的工作方式。因此硬件神經網絡的開發受到很多的關注與研究，未來人工智能和類腦計算的發展前景中，硬件神經網絡的研究是必須的。
[ANNOTATION:
BY 'wenhuang'
ON '2019-05-23T09:23:00'w
NOTE: '這部分放到前言部分比較好，或者干脆就不要了，放在這里是不合適的。']本文的第一章即緒論，主要是闡述當前關于硬件化神經網絡的突破，現狀與發展形勢。
第二章主要從人類的神經元開始，講述人類生物神經元的特點，講述現在人工神經元的數學模型，以及硬件化神經元需要的要求與方式
第三章主要講述制備實驗器件的技術路線，與制備的過程和使用的材料
第四章從數值模擬的角度，探究神經元硬件化的條件是怎么樣的，數值模擬選取MNIST數據集作為樣本數據集，通過使用實驗得到的激活函數替論激活函數，觀察網絡的準確率，得出相關結論，探究硬件需要滿足的條件
第五章從數值模擬的角度，探究突觸硬件需要滿足的條件，突觸與神經元不同，它是作為神經網絡中存儲權值，改變權值的存在，與神經元有本質上的區別，數值模擬采用26個英文字母的圖片作為數據集，進行編碼后發送脈沖，使用Tempotron 的有監督脈沖神經網絡進行數值模擬，通過實驗硬件得到的LTP與LTD圖像進行權值更新。得到預測率的圖像，證明了LTP的電或者光電器件能夠作為脈沖神經網絡硬件化的一個器件，為未來做出相關硬件網絡道出了一種可行性。
第六章主要是針對STDP的學習機制擴大網絡規模，將數據集擴展到MNIST手寫數據集，使用STDP無監督學習網絡[16]對數據進行訓練，之后再對訓練好的神經元進行分類。得到我們想要的結果。
第七章主要是總結本文的工作得到的結論，以及對于未來硬件神經網絡的發展的一些展望與看法
1.1.2 硬件神經網絡的實現
一般硬件神經網絡的實現方式有三種，即采用電子學方法——依靠微電子技術實現人工神經網絡, 采用光電方法——依靠半導體光電集成技術實現人工神經網絡, 采用光學方法實現人工神經網絡[18]。微電子技術應該是通過各種電路設計，例如放大電路，差分電路等集成電路，實現神經網絡的reference部分。依靠光電實現的硬件神經網絡是本文的重點，利用電學元器件，憶阻器器件，或者是光電器件，模擬生物神經元的膜電位變化曲線，與人類大腦的權重學習規則，從而實現神經網絡的硬件化。采用光學的方法實現網絡計算的方法十分有趣，UCLA大學的研究小組發明了一種全光的深層神經網絡，通過光的反射與折射傳遞信號，利用光入射的相位差記錄權值變化，實現了全光的神經網絡，而且由于光的傳播速度是光速，在整個網絡的效率與速度上都十分驚人，能耗也十分低[21]。神經網絡的電子學硬件實現方法主要有四種，其中分別是數字實現、模擬實現、混合數/模實現和脈沖技術實現等[18]。通過數字實現的神經網絡一般精度很高[1,2]，權值易存儲也容易改變，并且能夠通過電路實現并行處理，克服傳統計算機串行處理數據的弊病，但是缺點是電路難以集成，體積很大，很難適用于計算機新型芯片這種地方。通過模擬實現的神經網絡能夠很好克服上面的缺點[3,4,5]，但是由于突觸和神經元器件對參數敏感，準確度下降，更關鍵是對于權值的存儲存在困難。1987年是一個轉機，即脈沖技術第一次用于了神經網絡，使用VLSI技術作為實現，從這以后，神經網絡的脈沖技術受到了很多關注[9,12]。
脈沖技術，簡單來說就是將神經元的興奮或者抑制狀態通過一定的編碼方式轉化到脈沖的波形上，編碼的方法一般有高斯編碼，或者可以自定義的編碼方式。由于脈沖化的信號是離散的，因此一定程度上可以簡化運算電路：例如突觸電路。神經元與一般的電路元件不同，它本身的密度很高，正如人類神經元的密度很高一樣。這種緊密的排列方式使得脈沖信號把芯片和外圍設備的接口變得更容易連接。本文正是利用從脈沖神經網絡出發，制備出硬件化的元件，通過數值模擬硬件的實際可行性，并且對于未來硬件化神經網絡的方向提出一些看法
21.2 硬件神經網絡研究進展當前的人工神經網絡存在三種模式，第一種是非學習型神經網絡，即網絡的前饋過程與權值計算過程全部由軟件進行實現，權值是固定不變的，只用神經網絡的電路結構完成之后，再與實際電路結構匹配即可。另外一種是on-chip的模式，即前饋過程通過微電子電路進行實現，權值的更新與計算通過計算機實現。還有一種off-chip模式，即是一種全自動的自主性芯片，從神經網絡的前饋環節到神經網絡的BP算法實現都一并完成。目前的研究狀況，我們已經能夠熟練通過電路的設計實現非學習神經網絡。在on-chip式的人工神經網絡上，我們也能通過一定的模擬方式得到實現?，F在的當務之急是開發off-chip式的神經網絡，使用硬件對權值的存儲與改進是必要的。自從20世紀60年代后期引入憶阻器概念以來，由于其簡單性和功能相似性，它們被認為是模擬突觸裝置的最有希望的候選者。2008年，惠普公司公布了基于TiO2的RRAM器件[6]，開拓了RRAM和憶阻器之間聯系，做出了一定的應用之后以非易失性存儲器件和神經突觸晶體管為代表開始成為神經突觸器件的基礎。但將這些器件用于第二代神經網絡（也就是多層感知機）上，取得了一定的成就，現在關于這方法的也在如火如荼的進行著，但是由于第二代神經網絡的基礎仍然是基于計算機的算力達到的深度，也就是說，加深隱含層的數目提高準確度，知識因為有著強大的計算芯片作為支持。我們需要考慮一種完全類似于人腦思考問題的神經網絡與算法，于是脈沖神經網絡開始興起，并且被譽為第三代神經網絡，這是一種完全基于人腦計算模式的神經網絡，從長程記憶可塑性LTP，時間可塑依賴性STDP等研究的深入，這一網絡的硬件化也成為了可能
31.3 從生物神經元到人工神經網絡1.3.1 生物神經元介紹
人的大腦中有超過 1011個神經元，這些神經元之間的連接的突觸又大約有10^15個，這些突觸使得神經元互相連接，從而構成了復雜多變而又有條不紊的神經網絡[7]。這些神經元的單獨處理信息的速度并不算很快，但是人類的大腦能夠很有效的利用這些神經元并行處理。即大量神經元一起處理一個任務，這有些類似于計算機里的多線程并行操作算法。人類大腦的神經元數目雖然龐大，但是它的能耗低卻是特點，我們每日攝入的熱量與一些機器的能源是不能夠比擬的，然而我們的大腦就能夠實現很多計算功能，有數據顯示，腦神經系統一個動作每秒消耗的能量比最優秀的處理器能耗小1010個數量級。
人的生物神經元有兩個部分，分別是細胞體和突起。具有處理并且整合輸入的神經信號，然后傳出這些信息的作用。突起有樹突和軸突兩種。樹突相對較短但分枝很多，其作用是接受其他神經元軸突傳來的沖動并傳給細胞體。軸突長而分枝少，常常出現在軸丘，一般為粗細均勻的細長突起，其作用是接受外來刺激，再由細胞體傳出。神經元與神經元之間的連接被稱為神經突觸，兩個神經元之間連接強度或者關聯程度體現在突觸的連接強度。一般而言神經元有以下的特點[8]：
1）：可塑性：即神經元之間的突觸可以連接，也可以取消，連接可以變強，也可以慢慢變弱，方便與人類去適應不同的環境。
2）：興奮與抑制：神經元受到外界刺激之后，會產生膜內外滲透壓的差別從而導致Na+或者Ca2+的流入或者流出，這些離子的遷移會產生動作電位，導致膜電位的上升或者下降，也就對應了人類神經元的興奮和抑制過程。
3）：學習與遺忘：由于可塑性的存在，當人類在長時間受到同一種刺激的時候，會產生我們的所說的學習功能，而這種功能其實是神經元之間的連接得到了加強，同理，如果我們慢慢遺忘了一些東西，是因為長期不去使用從而神經元之間的連接衰弱了。對應的有LTP,LTD圖像來進行表征。
4）：突觸的延時和不應期。神經沖動的傳遞在突觸中是需要時間的，一般這個時間是1-150ms。另外，神經元也不會在短時間內接受兩次沖動，一般需要間隔一定的時間，這個被稱為不應期。
從上面可以看到，想要用神經元器件模擬人類的生物的神經元，一定要從生物本質和特征去進行模擬。本文后面的數值模擬會再把這些特征一一強調一次，從而達到一種仿真的目的。
1.3.2 人工神經元介紹
早在1943 年 McCulloch 和 Pitts 提出了神經元的形式化模型, 神經元可用簡單的zha值函數表示，并完成邏輯函數功能[19]。20世紀初期，美國心理學家Willian Jame 提出，一個神經元應該是同時接受來自不同神經元的信號后，由于不同神經元之間的突觸連接強度不同，神經元相當于是一個加權和，并且由于興奮存在一個閾值電壓，需要一定的電壓值才會fire，因此神經元可以用一個數學模型來勾畫，即著名的MP模型。
y=f(∑i=1nwixi+b)
（2-1）
其中，表征每個神經元的輸入值，表征神經元之間的連接強度，b代表閾值電壓。外界的f函數則是一種神經元的處理函數。
圖1-1 MP 神經元模型
Fig.1.1 Neurons model
可以看到，對于神經元的硬件實現實際上是一個乘法器的實現以及加權和非線性處理，這個可以通過放大電路等進行實現。后續本文也將探究一下神經元應該具備怎樣的條件，或者怎么樣的器件適合作為神經元器件。
1.3.3 人工神經網絡介紹20世界80年代,J.Hopfield 提出了 Hopfiel 神經網絡, 引起了神經網絡理論在優化學術界的轟動。然而熱潮還遠遠沒有結束。1986年，Rumelhart和McCelland提出了BP神經網絡，這種神經網絡是現在很多網絡算法的基礎，它是一種依靠逆向傳播輸出值與實際值誤差修正網絡權值的網絡，利用梯度下降算法或者隨機梯度下降法降低目標值與實際值的誤差，隨機梯度下降算法時為了加速算法收斂速度提出的更好的方式，現在很多網絡也應用這種方法
圖 1-2 經典的神經BP神經網絡模型
從圖中我們可以看到的是，網絡一般由輸入層，隱含層和輸出層三個部分構成，其中輸入層可以是圖像的像素值，音頻信號等等，因此神經網絡現在廣泛用于人臉識別，圖像識別，聲音識別等等領域。隱含層的多少是決定一個網絡是否是深層網絡的基本要素，隱含層如果越多，那么挖掘的信息，提取的特征就越難以用表面語言描述，訓練的精度也會逐步的提升。輸出層是網絡的輸出，網絡的輸出后往往會選擇一個損失函數，這個損失函數是用于衡量目標值與實際值的差值從而進行誤差反向傳播計算。常見的損失函數有MSE函數,Cross-Entorpy函數等等。
圖1-3 硬件神經網絡的一種實現[15]
基于經典的BP神經網絡MLP的硬件實現如上圖所示，使用電路模擬整個網絡的結構，在電路橫向與縱向的cross_bar 的地方放置突觸裝置，利用電流與電壓的比值進行權值的存儲與更新。這樣的網絡往往需要得到的I-V曲線是對稱的，就是說，權值的變化需要是隨著強度的增加而增加，減少而減少，呈現一種線性的變化，從而保證在進行BP算法時，誤差能夠不斷減小。
1.3.4 脈沖神經網絡介紹隨著在21世紀早期計算能力的顯現，DNN（多層感知器，深層信念網絡，傳統神經網絡等等）迅速發展，DNN的基本特征是有很多隱含層，這些神經網絡能夠實現監督與非監督學習，并且能夠優秀的完成有大量數據的任務。然而實際上，現在的DNN的優秀來源于GPU的并行加速機制，是在計算機多核算力上的體現，在其本身的算法上，其效率遠遠不如人腦高。SNN（脈沖神經網絡）最近引起了很多關注，因為它們與生物系統非常相似，在SNN中，輸入信號是尖峰，而不是傳統神經元中的恒定饋送。 人們普遍認為能夠處理尖峰是大腦在序列識別和記憶方面如此壯觀的主要原因之一[9]。序列識別是計算中更重要的主題之一，因為它直接影響系統處理強烈時序依賴的刺激的能力，例如語音識別和圖像檢測[10]
圖1-4 STDP圖像
對應STDP的最簡單理解是，如果前突觸神經元的信號在后突觸神經元的信號之前達到，有理由認為前突觸的信號導致后突觸神經元的信號產生，那么這兩者之間的突觸連接強度應該增加，反之就該減少。但如何保證這種訓練模式一定是有效的呢？Bengio 和 Fischer 兩人在2015發表的文章[11]指出具有對稱反饋權重的網絡將具有以下特性：“輸出單元”的小擾動將向更好的預測傳播到內部層，使得隱藏單元移動到大致遵循預測誤差J相對于隱藏單元的梯度。而STDP規則大致對應于預測誤差的梯度下降，即STDP的規則其實和SGD算法有著異曲同工之妙。Scellier和Bengio（2016）報告的實驗已經真實地表明這些近似值可以工作并且能夠訓練有監督的多層神經網絡[12]。
脈沖神經網絡被稱為新一代神經網絡，與經典的神經網絡不同在于它的輸入實際上不是一個連續值而是一系列脈沖，更為重要的是他的神經元膜電位，一旦達到了膜電位的峰值，那么這個神經元就被激活，后面的脈沖會進入一段不應期。關于神經元的模型，已經提出了HH模型，Izhikevich模型與LIF模型，其中以LIF模型為例，其微分方程的表示如下：
τdVdt=?(V?Vr)+RI
（2-2）
τ
是膜的時間常數，R為膜電阻，V是膜電位，Vr是復位電位，I是注入電流，當膜電壓超過一個閾值時，神經元會發送一個脈沖。如果后面沒有連續的刺激，這個產生的脈沖信號會不斷衰退，膜電位也會恢復到復位電位后穩定。之后再接受電流再刺激。
針對脈沖神經網絡的學習過程，也分為有監督學習和無監督學習，無監督學習主要以STDP為主[13,14]，有監督學習包括Tempotron算法，ReSuMe算法和SpikeProp算法等等。本文主要采用Tempotron算法，下面做個詳細的介紹：
在Tempotron算法中，考慮在閾值下，突觸前神經元產生的脈沖信號，對突觸后膜電位（PSPs）的貢獻是來自所有脈沖輸入的加權和：
V(t)=∑iωi∑tiK(t?ti)+Vrest
（2-3）
ti
表示第i個神經元的脈沖發送時間，
K（t?ti）
表示第i個脈沖對于膜電位的貢獻，即突觸前神經元發出的脈沖對于突觸后神經元膜電位的影響。其標準形式如下：
K(t?ti)=V0(exp[?(t?ti)/τ]?exp[?(t?ti)/τs])
（2-4）
τ,τs
是時間常數，為了保證K(t)在（0,1）之內變動，我們需要用V_0進行歸一化處理，K(t)圖像繪制如下圖：
圖1-5 K(t)隨時間變化圖
由監督學習的重點是要將權重更新向著誤差減少的方向進行，獲得期望的輸出脈沖，更新規則如下：
Δωi=λ∑ti?tmaxK(tmax?ti)
（2-5）
即以二分類為例，ti
為突觸前神經元峰值的產生時間，這里的
tmax
設定為我們設置的時間序列的終點，默認為突觸后神經元的峰值的產生時間，但這和一般的STDP不一樣，因為STDP的神經網絡訓練規則實際是不需要有監督的，而這里有一個參數
λ
，用于控制輸出值與期望值的誤差方向，如果突觸前神經元產生峰值超過閾值電壓的神經脈沖，并且突觸后神經元指向分類標準與前神經元指向的分類相同，則不需要修改權值（說明這個連接正確），如果突觸前神經元峰值未超過閾值電壓，那么需要根據上式指定
λ
>0，并且計算需要增加的權值。反之當
λ
<0時，需要進行減小權值?？傮w看來，這是在借助有監督學習的條件下，在明白誤差修正方向下利用STDP中的LTP與LTD曲線獲得修正的幅度（可以認為是學習的速率），從而使我們獲得期望的輸出。注意上面提出一種概念：即在有監督學習的條件下，后突出神經元的峰值由標簽值決定，并且根據誤差值指明誤差修正放向（體現為
λ
的正負性），然后依靠STDP決定修正幅度。這也是一種將STDP曲線用于有監督學習的可行性展示。
第二章 實驗部分12.1 陣列化基于硅納米晶體雜化結構的神經突觸器件制備2.1.1 制備技術路線在本論文里面，采用了冷等離子方法制備了摻B的Si量子點，相比于其他的摻雜方法，冷等離子法是借助了動力學的原理，從而實現了對硅納米晶體的高效摻雜，一定程度上避免了利用熱力學原理來摻雜的過程中出現的“自潔凈”現象。相比之下能夠實現比較高濃度的摻雜。
圖2.1 使用冷等離子法制備摻雜硅納米晶體示意圖
使用冷等離子體法制備摻雜硅納米晶體的裝置設計示意如圖2.1所示。先準備每分鐘流量值12標準公升的硅烷氬氣混合氣（20% SiH4）、157 sccm的硼烷氬氣混合氣（其中含有0.5% B2H6）和105 sccm的高純氬氣通入到石英管中混合，調節系統尾部的真空泵，使腔體內的氣壓穩定在6 mbar。石英管中間部位套有兩個銅環，分別接匹配箱和射頻發生器的正負兩級。在射頻發生器（功率約為150 w）的激發下，銅環之間的石英管內將產生等離子體，混合氣體在通過等離子體區域時將會發生分解反應，這個反應的產生是因為氣體受到了高能粒子和電子的轟擊產生的，具體化學反應式如下：
SiH4?Si+H2B2H6?2B+3H2
在器件制備方面，本文利用硅納米顆粒的光電性能與以及表面缺陷對載流子具有俘獲的性質，首先與鈣鈦礦進行雜化形成混合容易。通過旋涂工藝制備成了太陽能電池結構的神經器件，器件的結構是：Ito/pcbm/鈣鈦礦與硅量子點雜化層/spiro/Au。在該結構里面，ITO是通過光學刻蝕得到。PCBM, 鈣鈦礦與硅量子點雜化層， Spiro是通過旋涂方法得到。其中鈣鈦礦CH3PbI3與硅量子在DMF溶液（461mg PbI2, 159mg MAI, 71uL DMSO, 630 ul DMF.。Si量子點在溶液里面的濃度為10mg/ml.雜化旋涂后就制備出了膜。）里面。硅量子點摻雜B，摻雜B的硅納米晶體尺寸是6nm, 鈣鈦礦膜厚大概在300nm左右，晶粒尺寸大概在200nm。Au電極采用熱蒸發工藝得到，厚度大約為100nm。
[ANNOTATION:
BY 'wenhuang'
ON '2019-05-23T10:15:00'w
NOTE: '這一段是不是應該要刪掉？']2.1.1 器件制備路線
在器件制備方面，本文準備利用硅納米顆粒的光電性能與decay長的性質，與鈣鈦礦進行雜化形成自驅動電池，在制備電池的工藝上，選擇旋涂工藝做成太陽能電池的結構，器件結構分別是：Ito/pcbm/鈣鈦礦與硅量子點雜化層/spiro/Au，之后使用熱蒸發工藝將電極Au安裝上，設置厚度大約為100nm。鈣鈦礦CH3PbI3與硅量子在DMF溶液（461mg PbI2, 159mg MAI, 71uL DMSO, 630 ul DMF. Si以DMF為溶劑，濃度為10mg/ml. 雜化旋涂后就制備出了膜。）里面。硅量子點摻雜B，摻雜B的硅納米晶體尺寸是6nm, 鈣鈦礦膜厚大概在300nm左右，晶粒尺寸大概在200多納米。段落內容。
第三章 數值模擬13.1 神經元硬件化數值模擬3.1.1 神經網絡結構對于神經元的模擬，和突觸的模擬不同，神經元的功能由上文中的MP模型已經表述很清楚，他承擔一個乘法器和加權和、還有實現一個神經元函數的功能，這個功能也是我們下面模擬要探索的。
圖3-1 MINST數據集對于的神經網絡結構
采用常用的MNIST手寫識別數據集作為整個網絡的輸入，先將圖像的RGB值轉換成一個單位的灰度值，設計輸入層應該有784個節點，隱含層300個節點，輸出層設置10個節點，分別對應0-9個數字的pattern。在實際模擬時，采用兩種方式處理，第一種是利用STDP非線性函數直接對輸入的圖像像素值進行處理，意在將灰度值轉換為強度值。再用網絡進行訓練。第二張利用STDP非線性函數作為神經網絡中的激活函數，意在探究神經元的基本性質。
訓練模式采用SGD算法，樣本集總共55000個圖片，每張圖片28×28有784個輸入值，epoch設置掃描樣本集10次以上，損失函數使用交叉熵函數，激活函數選擇softmax函數進行激活分類，因為這個函數比較適合于多分類問題，在優化上也得到了理論的證明。首先我們先將實驗中得到的STDP數據擬合結果如下：
圖3-2 STDP Positive 擬合圖像
這里故意選擇了一個與常規激活函數相關性為負的激活函數，一般的激活函數比如sigmod，relu激活函數，其強度其實和輸入值是呈
[ANNOTATION:
BY 'wenhuang'
ON '2019-05-23T10:23:00'w
NOTE: '什么意思']現正相關的，這里選取的作為負相關的原因是想探究是否能夠作為激活函數使用。其結果如下：
圖 3-3 擬合的Loss與Accuracy隨訓練次數的變化圖
可以看到上述的結果是可觀的，也就是說，激活函數的選取，與是否與輸入值正相關沒有關系。另外我比較了理論激活函數，實驗激活函數，與對輸入直接非線性處理得到結果的異同性：
圖3-4 三種不同方法得到Loss函數變化情況
圖3-5 三種方法得到的Accuracy變化情況
可以看到，理論激活函數（紅色）在準確率上仍然時最高的，最后的樣本內準確率有98.42%，但在loss的下降速度上，實驗激活函數體現的更好，但實驗的激活函數最后準確率只有96.69%。
3.1.2 神經元硬件化結論根據上面的模擬結果我們可以得到結論，對于神經元的硬件模擬，作為激活函數，只需完成非線性這個條件即可，但是在實現乘法器的過程中，需要電路由很好的線性度。這個線性度的要求實際是從BP算法的推導中獲得的，這里簡單的推導一下：
Δw=?Loss?w=?Loss?y??y?output??output?w
（3-1）
上式想說明的是，我們需要調節權值w使得我們計算出的loss函數達到最小值，因此我們需要求其導數從而獲得調整的方向，可以看到等式右邊第一項實際是損失函數對于輸入值的導數，第二項時激活函數對于輸入值的導數，這兩項在有輸入值的條件下是可以求出的。而根據神經網絡的矩陣運算：
output=w?x+b
（3-2）
可以看到，output值與輸入的值時存在線性關系的，那么也就是說，我們權值變化量Δw
與輸入的x需要滿足線性關系。因此神經元硬件化需要實現的線性度不僅僅影響了加權的效果，還影響到權值更新的效率性。很多關于神經網絡硬件化的論文一定會提到這個線性度，因為這個線性度時實現神經網絡算法達到收斂的基本保障。
圖3-6.a SET與RESET模式下的I-V曲線；b SET模式下的權值變化隨刺激次數的變化；c RESET模式下的權值變化隨刺激次數的變化[15]
如上圖清華大學完成的憶阻器神經突觸器件，選取電導作為權值時，需要I-V曲線在第一二想象有近似的對稱值，其導數值(即權值)隨著固定電壓的刺激次數線性增加或者減小。一般而言，在硬件神經網絡進行權值跟新的時候，會選擇一個固定更新電壓，在這個指定的電壓下，我們需要保證權值的正向更新與負向更新有近似的值，這個在圖像上體現為圖像的對稱。之前也有文章在圖像的對稱性上做了相關的材料探究。證明這樣的對稱性是必要的
23.2 有監督脈沖神經網絡數值模擬3.2.1 脈沖編碼脈沖神經網絡與第二代神經網絡最為不同的一點在于，它的輸入并不是一系列連續的值，不是像圖像像素一樣一個個數據連續計入，也沒有二值化的操作。而是離散的脈沖值，就圖像識別而言，簡單的多層感知器輸入是輸入圖像的RGB值或者是圖像的灰度值，將這些值進行標準化后作為網絡的輸入。而脈沖神經網絡需要對于輸入進行一定的脈沖編碼處理，這個處理可以自己選擇，但轉化的思想很重要。即將圖像的灰度值信息編程處理成一系列脈沖，并且將脈沖發出的時間作為網絡的輸入。下面介紹本文中tempotron算法的編碼方式。
選取26個英文字母A-Z作為需要識別的樣本集。每一個字母由一張16×16像素的圖像組成，且該圖像只有0和1兩種灰度，即非黑即白。因此我們輸入一張圖片后，它會編程一個16×16的二值矩陣，我們將這一的二維矩陣一維化，使其變成1×256的一維數組，然后我們對其進行編碼，每次隨機從256個數中隨機去8個數且不放回，組成一個32×8的新矩陣，對于每一行數，得到的是一個8位的二進制數，因此我們將其轉化成十進制數，得到一個0-255范圍的數，將原來的矩陣轉化成了32×1的矩陣。且每一行代表一個脈沖的發送時間，即將一張16×16的圖像矩陣轉化成了在不同時間一共發送32次脈沖的輸入值。
3.2.2 權值更新按照tempotron算法的權值更新規則：
Δωi=λ∑ti?tmaxK(tmax?ti)
（3-3）
我們需要設置一個時間軸，并且對于這個時間軸上進行時間窗口的劃分，等于說我們需要將這個時間軸切割成一份份來進行一個個的循環。由于之前在輸入編碼的時候，我們將16×16像素的黑白圖像轉換成了發送32次脈沖的輸入，這些輸入的脈沖的時間是0-255，也就是說，我們建立一個長度為256ms的時間軸，并且以1ms為一個時間窗口，每次檢查在當前時間窗口前是否有脈沖輸入，并且每次都選取在當前時間之前能夠發送脈沖的數據，認為他們發送一次脈沖，將這個脈沖與核函數相乘，作為我們膜電壓，如果膜電壓超過了我們設置的threshold電壓值，我們則認為該神經元處于fire狀態，并且會進入一段不應期，即shut down后面在256ms內的所有脈沖輸入。我們輸入是5個神經元，這是因為我們需要對26個英文字母分類，即用5個二進制數最大可以表示到0-31的每個數，于是我們用5個二進制數表示我們分類的pattern，例如字母A我們使用00001表示，字母B用00010表示。以此類推。當神經處于fire狀態時，它會表現出1的狀態，反之如果它沒有能夠達到閾值電壓，它會處于0的狀態，我們將網絡的輸入與我們準備好的標簽值進行對比，如果說產生了不同，即分類產生了誤差，我們就需要對其進行權值更新，從而在慢慢的訓練過程中，獲得我們期望得到的脈沖值。
即如果網絡發出了脈沖，但是實際沒有發送脈沖，我們降低該脈沖產生的權值，從而讓其在后面慢慢變得不發出脈沖。
如果網絡沒有發出脈沖，但是實際輸入應該發出脈沖，我們應該強化該脈沖的產生，即增大其權值。
圖3.7 訓練前脈沖與訓練后脈沖對比圖
我們設置1.0 v為閾值電壓，可以看到，隨著訓練次數的增大，一開始正的脈沖傾向于在后面發出超過閾值電壓的脈沖。但是一開始負的脈沖，雖然一開始超過了閾值電壓，但是由于隨著訓練次數的增大，變得不斷被抑制，不再發出脈沖。我們的網絡就是基于這樣一種思路去訓練與優化。
3.2.3 數值模擬結果數值模擬上，本文選取了兩組實驗數據進行了權值更新法則函數的模擬，即使用實驗得到的LTP與STDP數據進行了數值模擬，并且對比了兩者在應用于tempotron算法的差異，提出一定看法。
3.2.4 LTP權值改變法數值LTP曲線是模擬人類大腦學習時候的長程可塑性，在圖像上體現為，施加一段固定脈沖間距和脈沖峰值的脈沖，使突觸器件的模擬膜電壓升高，經過一段時間再進行了衰減。表現的圖像如下：
圖3.8 LTP擬合圖像
線是得到實驗的LTP數據后，使用神經網絡算法進行擬合，得到完美擬合的曲線，這樣保證了能夠使用完全的實驗數據。另外由于實驗的數據僅僅有LTP數據，然而對于我們的模擬也需要LTD數據，基于我們對于這兩個圖像的了解，他們在一定程度上是中心對稱的。我們通過對于LTP數據的神經網絡擬合，外推LTD的數據，將LTD的數據應用于模型的抑制環節，保證權值的增加與減少對稱。
將LTP的數據帶入，進行訓練，設置最大epoch數為100次，設置閾值電壓為1 v。訓練結果如下：
圖 3.9 準確率隨訓練次數的變化圖像(LTP)
可以看到，在100 epoch下，準確率在隨訓練次數的增加而增加，最終穩定在89%左右。
3.2.5 STDP權值改變法人腦的學習模式是STDP已經被大部分論文和實驗所證實，因此也許基于STDP的權值改變方法能夠更加促進學習的效率。STDP的本質定義是說：如果突出前神經元的峰值脈沖到達時間小于突觸后的神經元峰值脈沖，那么認為突觸前神經元脈沖的產生可能是有利于突觸后神經元的產生，即這兩者之間是存在一定的聯動關系的。于是加強這兩個神經元的連接。反之則減弱它們之間的連接。
利用實驗得到對的STDP Positive數據，波張選取375nm的光做刺激。得到光驅動下的STDP。但實驗與理論存在偏差的一點，是光刺激下的STDP圖像實際上是存在于一、二象限的，這樣意味著，無論是突出前神經元的脈沖先到達還是后到達，產生的權值更新過程，都是加強該兩個神經元之間的連接。在保證權值更新雙向對稱性的情況下，這樣的情況顯然是不允許。于是在三象限部分，本文選取了其他數據作為替代，這個數據是從電突觸元器件得到的。這里也可以得出一個設想，是否可以有光與電合并的突觸器件，使用光完成第一象限的STDP工作，由電器件完成第三象限STDP工作。為何要選擇光器件是因為，光學突觸器件的耗能相比于電學突觸器件要節省很多。如果能夠使用光電混合信號實現光電STDP，也不失為一種選擇。
擬合后正向STDP函數表達式如下：
y=?0.346ln(x)+2.708
負向STDP函數表達式如下：
y=0.302ln(?x)?2.546
根據上面的STDP函數更新法則，帶入我們的temportron算法進行求解。得到準確率變化情況如下，設置參數與LTP更新規則相同。
圖3.10 準確率隨訓練次數變化情況(STDP)
可以看到，經由STDP訓練的網絡，在epoch=60左右的時候，已經達到了準確率100%，在訓練的準確度與效率上，高于使用LTP訓練的結果。這也可能是為什么當前很多的研究都著眼于STDP權重更新機制。這可能也和STDP實際上與人類大腦的學習機制十分相似，本次模擬也證明了大腦學習模式在權值調整上的優越性，基于LTP的調制模式，更多是對于算法當中核函數K(t)的模擬，而并非是對于本質上人類大腦學習模式的仿真。
3.2.6 結論無論選取LTP，STDP作為權值更新的方式，神經網絡的權值更新一定要是對稱，這樣在梯度下降算法過程中，才能夠有正和負梯度，使得最后的結果收斂于局部最小點。另外，在學習機制上，STDP是存在一定優越性的。后面本文將針對SDTP學習機制，將網絡擴展到更大的規模，展現STDP學習機制的強大之處。
33.3 無監督脈沖神經網絡數值模擬3.3.1 理論背景與基礎這SNN的發展之所以廣受著名，是因為它網絡的元器件要求是有一定硬件基礎的，不論是在神經元的設計上，如LIF模型，HH模型，還是電導突觸，指數型的衰減機制，閾值電壓。都可以通過我們設計的電學或者光學器件進行實現。
本文基于2015年Peter發表的關于STDP無監督學習網絡的代碼基礎上，加上實驗得到的數據，進行數值模擬。模擬之前，先了解一下網絡的具體結構與基本理論。
對于神經元的設置，應用integrated -and-fire model模型：
τdVdt=(Erest?V)+ginh(Einh?V)+gexc(Eexc?V)
（3-6）
這里V是膜電壓，Erest
是神經元在沒有外界刺激下的一種靜息電壓。
τ
是抑制或者興奮神經元的時間時間常數，這個常數時間上就是用于控制各種不同的STDP圖像。
galignlink
和
gexc
是抑制性神經元和興奮性神經元的電導值，這個值在神經網絡中表現為權重，也是我們需要訓練的東西。訓練模式與tempotron算法類似，當膜電壓到達閾值電壓的時候，就會發送尖峰脈沖信號，然后膜電位復位到靜息電壓。如果有神經元的尖峰信號達到突觸，那么突觸就會提升權值，即電導，如果沒有，那么權值就會指數型的衰減。權值更新的模式仍然是取決于突觸前神經元與突觸后神經元的尖峰達到時間差。如圖3.11所示，由于前后神經元的脈沖尖峰抵達時間差不一樣，產生了興奮和抑制兩種模式
圖 3.11 STDP權值更新模式圖[17]
我們需要定義興奮性神經元與抑制性神經元的權值改變方式。對于興奮性神經元的電導更新模式如下：
τgedgedt=?ge
（3-7）
抑制性電導的更新模式其實只需要更換常數：
τgidgidt=?gi
（3-8）
時間常數得控制會影響STDP得學習曲線，人腦或者生物的時間常數一般是10 ms-20 ms量級。我們由實驗得到得時間常數數值也靠近這個值
然后是基于STDP的權值更新法則：
Δw=η(xpre?xtar)(wmax?w)u
（3-9）
實際上，STDP的更新規則很多，還有指數型的，這里選取一種更新規則，他們大多大同小異。這里的η
是學習的速率，
Xpre
是該脈沖產生時的上一次脈沖值，每當有一次脈沖到達突觸時，
Xpre
會增加1，如果沒有，它會按照指數型進行衰減。
Xtar
是前一次的突觸前神經元產生的脈沖，其反應在突觸后神經元的目標值。這其實也是在將突觸前神經元和后神經元產生的時間在進行比較，從而正確的更新權值。
3.3.2 網絡設計脈沖神經網絡的設計與普通的經典神經網絡有所不同，由圖5.2看到，Input輸入層圖像的像素編碼脈沖數據，脈沖的頻率由圖像像素點的灰度值，即成正比關系，28×28的像素值會變成一個784×1的一維序列，每一個值代表一定頻率的脈沖信號。
圖3.12 SNN神經網絡結構[16]
之后進入激活層，激活層放置激活神經元，然后再進入抑制層，放置抑制層神經元。這里可以看到，非監督學習網絡的結構是不存在標簽值的。更新完全依靠激活層與抑制層之間的關系。從圖3.12可以看到，輸入層與激活層實際上時全連接模式，即每一個像素點產生的脈沖序列都會再激活層有一個對應權重。激活層與抑制層之間時一一對應連接，但抑制層與激活層的連接卻是全連接模式，除了激活層已經與抑制層產生連接的神經元。這樣的網絡設計模式實際上是由理由的。這應用的winter take all法則，即當某個激活層的神經元產生興奮后，該興奮傳遞到抑制層后，抑制層會抑制其他所有神經元產生脈沖。也就是說，不斷的訓練后，能夠產生脈沖的神經元會趨向于越來越容易產生脈沖，而其他神經元會越來越無法產生脈沖。從而達到訓練的目的。這和傳統的K-means算法也有異曲同工之妙，但不同的是STDP 非監督學習存在抑制層，從而避免了某幾個神經元一直占據某個pattern。
3.3.3 模擬結果數值模擬將MNIST 六萬個訓練數據編碼后作為脈沖輸入，整個訓練集進行了6次迭代，一共是36萬張圖片，訓練結束后學習慮被置為零，動態閾值被鎖定。之后輸入每一類的數字圖片，記錄每個神經元對應該類圖片的激活次數，并且選取其中激活次數最多的為該神經元的標簽。之后使用測試集的一萬張圖片作為脈沖輸入，觀察每當一張圖片輸入時，哪個神經元的激活頻率最高，如果該神經元的標簽與輸入圖片屬于同一pattern，那么認為分類正確。統計10000萬張圖片的平均準確率，得到網絡的訓練的評價值即Accuracy。
圖3.13 神經網絡權值矩陣圖
這里訓練后激活層的權值矩陣。之前提到了，當網絡訓練完成后，我們會輸入每一個圖片的pattern，以激活次數最高的神經元作為該pattern的標簽，在這樣經過改進后，圖5.3是激活層神經元重組后的權值分布，可以看到，不同神經元對于不同pattern的適應程度不同，體現在顏色的深淺上。
圖3.14 輸入層到激活層權值矩陣可視化圖
圖3.15 激活層到抑制層權值矩陣可視化圖
從圖3.14我們可以看到，只有很少部分的權值很高，即呈現黃色小點模式，體現即只有少數pattern才能夠產生脈沖，其他的脈沖都被抑制，這個圖像很好體現了我們在學習過程中的winer-take-all的模式。圖3.15體現的更加明顯的是，因為網絡的設計是激活層與抑制層一對一連接，抑制層與激活層反向全連接，但除去了從激活層連接過來的神經元，因此在權值的對角線上都是winer，而其他的神經元都被抑制，從而達到了我們從眾多神經元中選取出適合當前輸入的正確pattern。
之后我們輸入10000個MNIST的test集圖片進行外推，結果是：Sum response - accuracy: 91.43 number incorrect: 857。即我們在驗證集上達到了91.43%的準確度。總的來說還是比較可觀的。
結 論本文用了三個數值模擬的方法，分別對于神經元硬件化條件，神經突觸硬件化條件，神經元學習規則優越性做了探究。在神經元硬件化上，通過使用不同的非線性函數進行數值模擬，得到了其實在當選取激活函數時，函數與輸入值的正相關性并不是必要的，非線性才是最為重要的基準。并且作者使用簡單的鏈式求導法則，證明了神經元的硬件化需要有加權乘法器的功能，并且強調了乘法器的線性程度。也就推出了權值更新時，權值該變量與輸入值的正相關性的重要性，也可以說是正負變化的對稱性是對隨機梯度下降法達到收斂的充分條件。在SNN數值模擬上，本文先嘗試了tempotron有監督SNN算法，并且對其權值改變的方程做出了LTP與STDP法則的兩種試探，發現STDP的效果更好，也不愧是貼近人類大腦的學習模式。這里也需要指出tempotron算法的缺點在于該算法只能針對單神經元，即脈沖只能判斷單個神經元能不能發出脈沖，泛用性不是特別強，但是將輸入改成離散的脈沖輸入，在神經網絡的結構和理念上是一個很大的突破。接著文章以STDP學習機制更為優秀的基礎上，在基于2015年Peter教授的無監督STDP學習網絡[16]這篇論文的基礎上，使用實驗相關的數據進行了數值模擬，指出了該網絡的結構，采用winter-take-all模式與IF神經元結構，實現了在沒有任何標簽和領域知識的無監督學習網絡的模擬，并且在MNIST的test數據集上達到了91.43%的正確率。從實驗上證實了STDP學習機制可以用于無監督學習，指出了其在未來發展的巨大潛力。
最后本文提出一些對于當前硬件神經網絡研究的看法，目前實現硬件神經網絡的方法在緒論也有提出，主要有微電子方法、半導體突觸和光學實現。作者認為想要實現真正的類腦計算。我們就需要研究更與人類達到貼切的器件。盡管在微電子方面，目前的技術可以實現精度很高的數字模擬電路。但是實際上那也只是靠我們強大的算力與耗費了很多資源達到的結果。再說全光學的神經網絡，這樣的設想只能夠用天才來形容，這樣的網絡耗能少，效率高，速度快。但這并不能夠算是類腦計算，只是從物理的角度對于神經網絡進行了實現。真正的類腦計算我相信應該是基于STDP，LTP, LTD這些與人腦大腦對于信號實際反映做出的模型之上的。近年來已經發展了很多基于STDP或者類腦計算的算法，并且在數值模擬上都證實了其實現的可能性。目前的當務之急應該是制備出與這些理論符合的突觸器件或者神經元元件，然后進行集成，實現一個結合微電子設計電路與編碼處理，從而實現一個從輸入，到reference，再到自動Back Propagation修改誤差的自主型芯片，真正達到off-chip模式的神經網絡計算與硬件化。
參考文獻[1]Takao Watanabe, Katdutaka Kimura, Masakazu Aoki, et al. A Sinngle 1.5-V Digital Chip for a 106 Synapse Neural Network. IEEE Transactions on Neural Networks. May 1993,4(3): 387-39
[2]Matthew S Melttn, Tan Phan, Douglas S Reeves, et al. The TInMANN VLSI Chip. 1993, 4(3): 394 -340
[3]Hendrik C A M, Withagen. Neural Networks: Analog VLSI Implementation and Learning Algorithms. Ph.D thesis, Eindhoven,1997
[4]高麗娜 邱關源. 一種連續可調權值 CMOS 神經網絡. 電子學報, 1998, 26(2): 120-122
[5]Bernabé Linares-Barranco et al. A Modular T-Mode Design Approach for Analog Neural Network Hardware Implementations. IEEE Journal of Solid-State Circuits,1992, 27(5): 701-712
[6]Strukov, Dmitri B, Snider, Gregory S, Stewart, Duncan R and Williams, Stanley R. The missing memristor found. Nature. 2008, 453: 80–83. doi:10.1038/nature06932.
[7]賀靜, 基于CMOS 模擬技術的多種前饋人工神經網絡硬件的研究與實現 [D]. 湘潭大學, 2014
[8]侯媛彬,杜京義,汪梅. 神經網絡 [M]. 西安:西安電子科技大學出版社, 2007: 16-19.
[9]Q. Yu, S. Member, R. Yan, H. Tang, K. C. Tan, H. Li, IEEE Trans. Neural Networks Learn. Syst. 2016, 27, 621.
[10]M. Giulioni, X. Lagorce, F. Galluppi, R. B. Benosman, Front. Neurosci. 2016, 10, 1
[11]Bengio, Y. and Fischer, A. (2015). Early inference in energy-based models approximates back-propagation. Technical Report arXiv:1510.02777, Universite de Montreal.
[12]Scellier. B. and Bengio, Y. (2016).Towards a biologically plausible backprop. arXiv:1602.05179 .
[13]Markram H, Lübke J, Frotscher M, et al. Regulation of synaptic efficacy by coincidence of postsynaptic APs and EPSPs[J]. Science, 1997, 275(5297): 213-215.
[14]Bi G, Poo M. Synaptic modifications in cultured hippocampal neurons: dependence on spike timing, synaptic strength, and postsynaptic cell type[J]. Journal of neuroscience, 1998, 18(24): 10464-10472.
[15]Peng Yao, Xueyao Huang, Wenqiang Zhang,Qingtian Zhang.Face classification using electronic synapses.2017.5.12.DOI: 10.1038
[16]Peter U. Diehl, Matthew Cook.Unsupervised learning of digit recognition using spike-timing-dependent plasticity.Front. Comput. Neurosci., 03 August 2015 | DOI:10.3389
[17]Qingzhou Wan, Mohammad T. Sharbati, John R. Erickson, Yanhao Du, and Feng Xiong.Emerging Artificial Synaptic Devices for Neuromorphic Computing
[18]陳瓊. 鄭啟倫.人工神經網絡系統硬件實現的研究進展.[J].電路與系統學報.2000 年 3 月
[19]Cowan J D . Discussion:McCulloch-Pitts and related neural nets from 1943 to 1989[J]. Bulletin of Mathematical Biology, 1990, 52(1-2):73-97.
[20]Mcclelland J . Reflections on Cognition and Parallel Distributed Processing[J]. 1986.
[21]Xing Lin, Yair Rivenson, Nezih T. Yardimci, Muhammed Veli, Yi Luo, Mona Jarrahi and Aydogan Ozcan.All-optical machine learning using diffractive deep neural networks[J].Science.DOI:10.1126.July 26.2018
附 錄代碼具體說明請參考github.com/zhenghaobaby/graduated_design
作者簡歷姓名：鄭浩 性別：男 民族：漢族 出生年月：1997-04-11 籍貫：四川成都
教育背景：
2012.09-2015.07 成都七中
2015.09-2019.07 浙江大學攻讀材料科學工程學士學位
攻讀學位期間發表的學術論文與取得的其他研究成果已：
[1]XXXXXXX
[2]XXXX
待：
[1]XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX
[2]XXXX
已授權專利：
[1]XXXXXX
減肥健身計劃范文4
胖子是怎樣煉成的
2014年10月25日下午5點半，安徽安慶師范學院旁邊的一家健身會所里，一個漂亮的女孩子正耐心地教導十幾個女學員練習健身減肥操。這個扎著馬尾、穿著黑色背心的女孩名叫夏艷，如今的她身高170厘米，體重才100斤，被大家奉為“女神教練”。誰也沒法想象，三年前，她曾是“噸位”高達200斤的超級大胖妞。
夏艷1992年出生于安徽省六安市裕安區。父母工作忙，沒時間照顧她。為了不讓女兒餓肚子，媽媽常在夏艷書包里塞很多美味的小零食。各色零食幾乎填充了夏艷的整個童年。其他小朋友知道后，便結伴來搶她的零食。為了不被人欺負，夏艷主動要求來到少年宮學習武術。
學武運動強度大，加上又在長身體，夏艷胃口大增，每頓飯都能吃兩三碗，外加大量的零食和碳酸飲料。初二時，她成了身高160厘米、體重130斤的小胖墩。同學們在背后笑話她，給她起難聽的外號。深受打擊的夏艷，把悲痛都轉化成了食欲，每天不停地吃，體重也在不停地飆升。
上高中后，165厘米的夏艷，體重卻高達170斤。一次上課時，夏艷桌子上不知從哪飛過來一個紙團。打開紙團，上面是一副漫畫：一個丑陋的大胖子，坐在一個蹺蹺板上抬著頭。畫下面有幾行自編的文字：一天，夏艷和她的朋友路過一個蹺蹺板，夏艷興匆匆地跑過去，并且讓她的朋友坐到蹺蹺板另一端，誰知道夏艷一屁股坐下去，她的朋友就“嗖”地一聲被彈到太空去了，至今沒有回來，所以我們要珍愛生命，遠離胖子。同學的玩笑，讓夏艷既生氣又郁悶，可看看自己身上的肥肉，她也只能把苦水往肚子里咽。慢慢地，夏艷變得越來越自卑，整天窩在家里不愿見人。
2007年7月的一個周日，媽媽拉著夏艷陪她去超市買東西。想到周圍人看自己像看怪物一樣的眼光，夏艷死活不答應。媽媽勸她說天天悶在家里也不好，得出去走走，而且有很多東西要買，她也能幫著提點重物。到了超市，夏艷推著車子跟在媽媽身后，逛到有賣健身等電子器材的時候，媽媽從貨架上拿下來一個電子秤，自己稱完后又讓夏艷稱一稱。拗不過媽媽，也懷著對自己體重的好奇，夏艷扭捏著站到秤上。誰知道她剛一站上去，就直接把秤面壓裂了。用夏艷的話來說，媽媽和售貨員都驚呆了，場面別提多尷尬了。最后媽媽不得不賠錢，拎著壞掉的秤回家。這次不愉快的超市購物體驗，讓夏艷整整半年都不肯再踏進那家超市。
由于家里從來沒出過和她一樣的大胖子，夏艷開始懷疑自己是不是得了什么病，從而影響了體重。然而到醫院檢查后，醫生說她各項指標都很正常，之所以肥胖最根本的原因就是：管不住嘴，邁不開腿。爸媽和長輩們紛紛安慰她：“能吃是福，胖點沒關系，只要身體好就行?！奔胰藙竦亩嗔耍钠G也想開了，甚至還能用自己的體重開玩笑。
立志從胖子瘦成一道閃電
2010年，已上高三的夏艷，體重185斤。她喜歡畫畫，最終選擇了藝考。由于畫畫每天長時間低頭，給頸椎造成很大的壓力，再加上肥胖，過多的脂肪堆積壓迫到神經，導致腦供血不足，夏艷經常會出現頭暈的癥狀，曾經有兩次她都因為突然昏倒而進急救室。這著實嚇壞了夏艷的爸媽，女兒的體重也引起了他們的重視，夫妻倆開始在女兒不注意的情況下，克扣她的飯食。
吃不好就沒法安心學習，夏艷的學習成績直線下降。堅持了半個月，父母主動喊停，不再刻意減少夏艷的飯量。一反一復下，夏艷的體重再次飆升，最胖的時候接近200斤。
2011年8月，夏艷被安慶師范學院動畫專業錄取。人生即將邁入一個新的階段，夏艷不愿意再過被肥胖折磨的日子，便下定決心要減肥，并為此制定了一系列的魔鬼訓練計劃：第一條，每天早上6點鐘起床，繞既定路線跑一圈共五千米;第二條，跑步結束后直接到跑步終點的公園里打一個小時的羽毛球，接著回家吃午飯;第三條，下午4點半和早上的路程一樣，跑步五千米;第四條，減肥期間一日三餐以清淡為主，不沾任何零食或飲料，爸媽和好朋友李雪負責陪練和監督。制定好計劃后夏艷信心百倍，希望通過自己的魔鬼訓練，真能從胖妞瘦成一道閃電。
2011年8月15日是夏艷實施減肥計劃的第一天。早上6點鐘，父母按照計劃喊夏艷起床。從高考后就一直愛睡懶覺到中午才起床的夏艷，迅速爬起來，按照計劃開始跑步。對于常人來說，跑五千米只要堅持一下并不是非常困難的事情，但是對一直都缺乏鍛煉的夏艷來說，這簡直比登天還難。在李雪的鼓勵下，夏艷跑跑停停，一共跑了三個多小時才完成。跑完步并沒有休息，緊接著就開始了一個小時的羽毛球鍛煉。
饑腸轆轆的夏艷早就餓得頭暈眼花了，打球的時候更是一點精神都沒有，整個訓練過程，基本上都是李雪發球，夏艷撿球。好不容易熬到訓練結束，中午12點多夏艷回到家吃飯?？吹讲妥郎系牟耸?，夏艷灌了鉛的腿仿佛被棍子打了一樣沉重。痛苦地吃完一桌水煮青菜、水煮白菜、沒有任何油分的白米飯，夏艷艱難地回到床上休息。
這次午睡，夏艷比哪一次都睡得香甜。到了下午4點半，夏艷洗把臉，跟父母一道出門，走到家附近的一個大操場，爸媽開始慢慢散步，而夏艷接著跑步。懷著對減肥的熱情和信心，夏艷堅持了下來。堅持運動可能對習武八年的夏艷來說算一件咬咬牙能堅持熬過去的事兒，但是抵制美食的誘惑，可就沒那么好打發了。
炎炎夏日，冷飲的誘惑比任何時候都強烈，克制自己的食欲對于夏艷來說絕對是相當艱難的事。每天都吃不飽飯，強烈的饑餓感常常讓夏艷在跑步的時候看誰都像是雞腿。一個多星期沒見葷菜了，夏艷已經快支持不下去了，晚上趁爸媽睡著，躡手躡腳走到廚房打開冰箱門，她傻眼兒了，冰箱里面空空如也，除了青菜就是白菜。
翻遍了家里的抽屜和柜子，夏艷一毛錢也沒有找到，就連坐了好多年的沙發墊子下面，媽媽也打掃得一干二凈，這讓巴望著能從角落里不經意“搜刮”出一兩個硬幣買零食解饞的夏艷萬分沮喪。
減肥是艱難的，饑餓是痛苦的，偷吃零食是無望的，媽媽的計劃更是“牢不可破”。熬過了兩個星期，知道想盡辦法也吃不到任何東西的夏艷，終于開始適應了每天的艱苦訓練生活。21天，整整三周的魔鬼訓練結束了，計劃實施得很成功，夏艷身上的肥肉像鱗片一樣掉落。站在秤上一稱，體重減輕了整整41斤！170厘米的身高，擁有了148斤的體重。穿上女生衣服的夏艷欣喜若狂，一路蹦蹦跳跳地大聲唱著：“我是女生，真正的女生……”夏艷對自己的體重非常滿意，她覺得自己從一個將近200斤的大胖子，一個月不到變成一個140多斤的微胖界妹子，簡直美爆了！
只要功夫深，胖子瘦成針
2011年9月15日，夏艷到學校報到。成功減肥的她一直處在興奮狀態，買了很多女孩子的衣服，開始留起長頭發。大學的生活豐富多彩，夏艷每天都充滿了新鮮和好奇。她積極參加學校的社團活動?；顒佣嗔?，聚會也就少不了。在飯桌上，夏艷又開始吃很多富含油脂的食物。這讓夏艷的體重開始反彈。一段時間后，夏艷的體重又回升了15斤。這對夏艷來說是新一輪的噩夢。可自己不是圣人，每次面對美食，那種想要嘗一口的欲望，就像是小貓，狠狠撓抓著她的心。以前，爸媽和朋友的監督，自己對美衣和瘦身材的喜愛，是她與美食誘惑做斗爭的助力，現在自己孤身一人，沒有了“最強助力”，夏艷覺得她必須要給自己找點事做，來轉移自己的注意力。
減肥離不開運動，夏艷找到學校附近的一家健身房，把自己除了正常吃飯之外所有的零花錢都用來充值辦了健身卡。想到自己花那么大價錢去辦卡，夏艷強迫自己按時去鍛煉，這樣才能對得起父母的血汗錢。從那以后，夏艷每天下課后都會到健身房鍛煉。一開始，夏艷熱情很高，但在健身房揮汗如雨了幾天后，夏艷開始有點懈怠了，畢竟鍛煉身體幾個小時還不吃零食，是一件苦差事。夏艷還需要新的更強大的助力。
在健身房鍛煉的時候，夏艷留意到健身房隔壁有個舞蹈室，里面有很多人在跳爵士舞。舞蹈的律動性和節奏感都讓夏艷很喜歡。她看到踏著音樂節拍教人跳舞的教練，是個和自己差不多大的女孩子，對方站在舞臺中央，一舉一動那么有力那么美。一個想法在夏艷腦子里萌芽：我也要當舞蹈教練。只有當了舞蹈教練，她才有恒心要求自己堅持減肥。這個目標成了她與減肥做斗爭的強大助力。夏艷報了爵士舞班，每節課都不肯落下，即使是業余的時候，她也會常常在宿舍里跟著音樂的節拍跳舞練習。
大二下學期，夏艷的爵士舞已經達到專業水準，憑借自己的努力，夏艷最終在健身會所立住了腳，成為一名爵士舞教練。
一年后，夏艷的體重停在了120斤，按照自己的身高，她希望自己能減到100斤左右，這樣才標準。怕自己堅持不下去，這次，她給自己找來了更大的減肥“推力”：要當健身教練。每天放學后，她一頭扎進健身館，有時為了不影響學員鍛煉，她總是最后一個走。夏艷的努力沒白費，半年的時間，她的體重成功減至100斤，并練出了很棒的體形，如愿成為一名健身教練。
2014年11月1日，夏艷在自己空間里曬出了減肥前后的對比照，并曬出了自己的“減肥日志”。原本只想鼓勵那些正在減肥的女孩，給她們一些信心，沒想到，朋友們紛紛轉發，短短幾天，文章的點擊量就超過了100萬次，甚至登上了網易新聞頭條，光明網、騰訊新聞、搜狐新聞緊跟其后報道了夏艷的故事。夏艷被網友們譽為“史上最勵志的減肥女神”。許多被肥胖困擾的女孩紛紛前來抱大腿求教，夏艷把自己的減肥經驗一一傳授給了她們，她說很多女孩都想減肥，想減下來也不難，難的是如何一直維持下去，這時我們就需要給自己找個理由，找個“推力”，這樣一來，每個女孩都有成為女神的潛質。
減肥健身計劃范文5
一種“我能行”的健身態度會幫助你逾越減肥路途上的各種艱難險阻。為了減肥，獲得健康，你沒有必要爭取做到完美的地步。只要時時留意自己的目標，一步一個腳印地朝著既定的方向前進就可以了。
B 一定要吃早餐（Breakfast）。
早餐確實是一天當中最為重要的一頓飯。早餐的內容可以很簡單，既可以是一只香蕉、一杯低脂酸奶、一碗麥片粥，也可以是昨天晚上剩下的飯菜。即使吃一頓含有纖維與蛋白質的一小份飯，飯后心滿意足的感覺也會持續到午餐時間。
C 要關注卡路里（Calories）。
在減肥過程中，卡路里起著舉足輕重的作用。因而，我們要養成查閱食物標簽的習慣，以便幫助我們做出健康的選擇。還有，一定要牢記：食物標簽上所列的內容都是以標簽上標注的分量大小為基礎的。在留意飯份大小的同時，再多注意一下你所喜歡的食物中所含熱量的多少，這對于實現自己的減肥目標會大有裨益。
D 慎用各種節食方法（Diets）。
如今，能夠幫助人們減肥的節食方法有成千上萬種，可是如果減掉的重量沒過多久又回到身上，那么這種減肥方法又有什么用呢？因而，各種極端的節食方法并不是減肥的正確途徑。相反，要選擇一種營養均衡的飲食計劃，其中所含的熱量還要足以保證不會使人感到饑餓。
E 就餐（Eating）必須保持均等的時間間隔。
營養專家指出，兩頓飯之間的時間間隔最長不超過4小時～5小時。否則，餓得饑腸轆轆會使人在吃下一頓飯時變得狼吞虎咽。因而，一定要選擇最適合自己的飲食方式，要確保每日至少三餐。
F 纖維素（Fiber）是天然的減肥幫手。
纖維素有兩種形式，即可溶性纖維（存在于燕麥與豆類中的黏滯性纖維素）與不溶性纖維（存在于水果、蔬菜以及全粉谷物中的纖維素）?？扇苄岳w維素有助于降低膽固醇，不溶性纖維素含有難以消化的纖維，具有防治便秘的作用。兩種形式的纖維素在胃內都會膨脹，從而使人產生飽腹感。此外，大多數富含纖維素的食物還含有大量的水分以及較低的卡路里，因而這類食物是減肥的必備食品。
G 咀嚼口香糖（Gum chewing）益處多多。
咀嚼不含糖分的口香糖有助于清除口腔中的細菌，滿足你愛好甜食的習慣，并能減少吃東西的沖動。因此，你最好隨身攜帶一條口香糖，一旦吃東西的欲望發作，就從中取出一片“無糖的點心”，犒勞一下自己。
H 只選擇有益于心臟健康（Heart-healthy）的食物。
平日要選擇那些飽和脂肪及轉移脂肪酸較低的食物，以及天然無脂肪、低鹽分的水果與蔬菜。此外，還要選擇那些有益于健康的油脂，如菜籽油、橄欖油以及植物油等。要盡量多吃一些富含ω-3脂肪酸的食物，如核桃、亞麻籽、鮭魚等。在選擇奶制品與肉食時，要盡量挑選低脂或無脂乳品以及最瘦的畜肉與不帶皮的禽肉。如果再添加一點兒豆類、全粉谷物，你的飲食結構就算圓滿了。
I 購買（Invest）一臺記步器，跟蹤每日所走的每一步。
你知道嗎？要想達到減肥效果，每天至少需要行走10000步才能實現這一目標，每日10000步相當于8公里的路程。因而，你每天都要激勵自己多走幾步，即便是走不上10000步也要如此。每走一步都能夠給身體帶來益處。
J 立刻行動起來（Just do it），養成一種經常參加鍛煉的好習慣。
因為健身鍛煉不但能夠使人變得精力充沛，而且還能燃燒卡路里，提高肌體的平衡能力與協調能力，并能減緩心理壓力。如果你沒有足夠時間去參加正規的健身鍛煉課程，那不妨每日擠出3個10分鐘的時間，進行見縫插針式的鍛煉，同樣能夠取得可喜的成果。
K 一個富有成效的鍛煉計劃的關鍵因素（Key）就是要善于變換花樣。
在進行健身鍛煉期間，要善于嘗試一些新穎的鍛煉方式，如普拉提、瑜伽以及水上有氧鍛煉等。嘗試一些新的健身方法以及從中獲得的健身樂趣，不但會使人保持昂揚的運動興致，還能增強運動的意志。
L 低血糖（Low blood sugar）常常是造成兩餐之間渴望吃甜食的真正原因。
因此，吃飯時進食一些富含瘦肉蛋白與纖維素的食物，對于保持血糖水平的穩定很有益處。當下一次吃甜食的欲望在兩餐之間發作時，滿足它的辦法就是吃一些天然甜食，如水果，同時再喝一點兒低脂酸奶，以補充蛋白質。
M 細心品味飲食（Mindful eating）能夠帶來豐厚回報。
吃飯時，要關掉所有娛樂設施，專心致志投入到品嘗飲食風味、質地以及特色上來。吃飯時如果能夠做到一口一口地品評，從飲食中獲得更大樂趣的同時，還能更加順暢地接受身體發出的“吃飽”信號，從而減少進食過量的可能性。
N 夜間吃零食（Nighttime snacking）是大多數人所共有的一個影響減肥的壞習慣。
如果晚飯后吃東西，所攝入的卡路里大多是來自油炸土豆片、餅干等垃圾食品。為了能夠保證晚飯是每天最后的一道飲食，餐后要趕緊刷牙，以切斷再次進食的后路。如果你在夜間確實想吃東西，不妨用一些含卡路里較少的食品來應對，如含一片口香糖、一塊硬糖或者喝一杯熱茶等。
O 千萬不要再來一點兒（One more）。
這看似無關緊要，但時間長了就會多攝入很多卡路里。我們在就餐時，往往會遇到“再來一勺湯”、“再來一塊餅干”、“再來一杯酒”等諸如此類的熱情相邀。然而，我們內心一定要明白，食量控制是減肥成功的基本前提。在吃飯時，你無須放棄自己喜歡的食物，但關鍵是要密切留意進食的食量。
P 蛋白質（Protein）是控制體重的秘密武器。
無論是正餐還是吃零食，都要有蛋白質，如瘦肉、低脂奶制品、豆類食物以及堅果等，因為這些蛋白質食物能夠延長你的飽腹時間。
Q 戒掉（Quit）那些導致體重增加的壞習慣，代之以更加有利于健康的好習慣。
要做到這一點，只需稍加改進生活方式就可以做到，如用低脂牛奶而不是奶油來調和咖啡，不吃油炸食品等。以上這些做法會有助于養成一種更加有利于健康的飲食習慣，從而長期把減肥進行下去。
R 依賴（Rely）朋友、家人以及健身團體的幫助，來實現減肥目標。
當你開始制定減肥計劃時，可能在短時間內會感到信心百倍，可幾個星期過后那份健身熱情常常要低落許多。這時，就需要親朋好友的支持以及健身團體的幫助，你能夠從他們那里獲得健身的動力，從而順利渡過這一艱難的時刻。
S 學會利用營養補劑（Supplement）。
每日服用一片復合維生素作為對健康飲食的補充，對于保證充足的營養很有必要。盡管我們在飲食方面已經盡了最大努力，也很難攝入每日所需的所有營養成分，因而每日服用一片復合維生素能夠彌補飲食中的不足。
T 要對飲食習慣與體育鍛煉進行密切跟蹤（Track）。
你知道嗎？成功減肥者的秘訣之一就是密切跟蹤自己的減肥進程，把飲食攝入與健身鍛煉的情況都一一記錄在冊。隨時記錄這些數據，對于減肥具有很大的推動作用，能夠幫助我們沿著正確的道路進行下去，直至實現既定目標。
U Uncle Sam（山姆大叔，指美國政府）的建議很有指導意義。
如果能夠按照美國最新的飲食指導原則，我們會變得更加健康、苗條。這一原則包括：多吃水果與蔬菜；多吃全粉谷物食品，至少有一半的食物來自全粉谷物；每日吃3份低脂奶制品，如酸奶、牛奶以及奶酪等；限制飽和脂肪、反式脂肪酸、食糖以及酒精的攝入量；關注自己飲食中鈉鹽的含量，少吃現成的食物；多運動身體，每日至少30分鐘。
V 葡萄柚（vinefruit/grapefruit）是一位“脂肪斗士”，因而獲得了“減肥水果”的美名。
最近，加利福尼亞的科研人員研究了葡萄柚的減肥效果后發現：餐前吃半個葡萄柚就能夠獲得瘦身減肥的效果。此外，葡萄柚還有其他的一些保健功用，例如其所含的番茄紅素也是有名的抗癌成分，并且研究發現，紅葡萄柚還具有降低血脂的作用。葡萄柚所含的熱量也很低，半個葡萄柚只含有39卡路里的熱量。
W 水（Water）是身體最鐘愛的一種液體。
水不但能夠解渴，而且不含任何卡路里，所以每日可以根據自己的情況，盡可能多喝水。最近研究顯示：每天喝5杯水以上的女性，與每天飲用不足2杯者相比，死于心臟病的危險下降了50%。并且餐前飲水或者喝湯，能夠抑制食欲，減少熱量攝入，對于減肥很有益處。
X 不要尋找借口（Xcuses）。
你真的希望將減肥與改善身體健康狀況長期進行下去嗎？如果是這樣，那就不要再尋找借口，趕緊付諸行動吧。雖然任何事情都是說來容易做來難，但只要停止尋找借口，用一個積極的心態去做事，哪怕是一件很小的事情，對于健康、減肥都十分有益。
Y 對酸奶（Yogurt）要特別關注。
酸奶可謂是一種健康飲品，如今各種各樣包裝規格的酸奶充斥著商店的貨架，成了一種攜帶方便、營養豐富的流行飲品。你知道嗎？身材苗條的法國女性非常青睞酸奶，因為低脂酸奶既容易使人產生飽腹感，又含有眾多營養成分，如蛋白質、鈣質等，是一種減肥瘦身的最佳飲品。
Z 把健康飲食與健身鍛煉結合起來，你會感到腳下活力倍增（Zip）。
減肥健身計劃范文6
近年來，幾乎每年都會有因減肥不當猝死的新聞：17歲花季少女殞命減肥訓練營、27歲準新娘因減肥膠囊而命喪黃泉……年輕的生命香消玉殞，令人扼腕痛惜。
在這個以瘦為美的時代，人們都在試圖尋找一種“效果最好、最快、最根本、最健康、最無任何副作用”的減肥方法――17歲少女所參加的“減肥訓練營”采取全封閉管理，承諾一個月可以減掉原體重的13%――這意味著體重84公斤的她經歷一個月的“集中訓練”后至少可以減掉11公斤；而令27歲準新娘殞命的減肥膠囊也稱“純天然”，并承諾無需控制飲食、不反彈，“14天擁有窈窕曲線”……
但肥肉并不是一天養成的，減肥怎么可能一蹴而就？想達到這樣的效果，非“非人”訓練或違禁藥物不可。
上述減肥訓練營堪稱“集中營”，7月11日入營當天，女孩在微信中寫道“噩夢啊”；次日她又寫道“剛運動完，好累”，但隨后，她又興奮地表示“我們教練三個月瘦了100斤，好厲害！”而在女孩“曬”的一張晚飯的圖片上，只有一碗豆腐湯和一個桃子……與此同時，含有違禁藥物的減肥膠囊也令那位年輕的準新娘在生前多次昏倒，她曾在微博中寫道：“太恐怖了，直接吧臺倒地，太恐怖了，我會不會死在樓梯間啊”……如此減肥何談安全？健康更是無從談起。
