琳瑯滿目的AI技術(shù)、論文，常會把剛?cè)胄械某鯇W(xué)者們搞得一頭霧水——到底哪些論論必須要看，先看哪些后看哪些。而市面上大部分的書籍又只是講述最基礎(chǔ)的原理，往往不能和論文很好的銜接起來。
看著一個個大廠的黑科技產(chǎn)品靚麗光鮮。而自己手里看到的技術(shù)卻都是向量機、矩陣、隨機森林、嶺回歸、決策樹之類的知識碎片。不僅會讓人感嘆，我們是一個活在時代嗎？
其實IT技術(shù)發(fā)展是飛快的。而AI領(lǐng)域的發(fā)展會是IT中最快的。我們所看到的那些黑客技，其后面無不堆積了大量的論文。而且都是最新、最前沿的論文。
從某種調(diào)度來講，他們所用的技術(shù)跟書籍里的內(nèi)容確實不是一個時代。要想與時俱進，就必須改變思路——從論文入手。小編在這里為大家準備了一道硬菜——45篇讓你跟上時代的論文。
45篇論文分為如下十一個部分：
神經(jīng)網(wǎng)絡(luò)基礎(chǔ)部分
圖像分類部分
批量正則化部分
注意力部分
高級的卷積網(wǎng)絡(luò)知識
圖像內(nèi)容處理部分
循環(huán)神經(jīng)網(wǎng)絡(luò)部分
AI合成部分
多任務(wù)學(xué)習(xí)
NLP部分
模型攻防
看過《深度學(xué)習(xí)之TensorFlow工程化項目實戰(zhàn)》的小伙伴一定會發(fā)現(xiàn)，這45篇論文在書中都有講過，大部分論文還是以中文描述+實際代碼案例的形式出現(xiàn)，便于學(xué)習(xí)了解。
（點擊封面了解本書詳情）
這是一本非常全面的、專注于實戰(zhàn)的AI圖書，兼容TensorFlow 1.x和2.x版本，共75個實例。結(jié)構(gòu)清晰、案例豐富、通俗易懂、實用性強。適合對人工智能、TensorFlow感興趣的讀者作為自學(xué)教程。
No. 1 wide_deep模型論文
關(guān)于神經(jīng)元、全連接網(wǎng)絡(luò)之類的基礎(chǔ)結(jié)構(gòu)，想必每個AI學(xué)者都有了解。那么你是否真的了解全連接網(wǎng)絡(luò)中深層與淺層的關(guān)系呢？來看看wide_deep模型吧。這篇論文會使你對全連接有個更深刻的理解。
關(guān)于該模型的更多介紹可以參考論文：
https://arxiv.org/pdf/1606.07792.pdf
在wide_deep模型中，wide模型和deep模型具有各自不同的分工。
wide模型：一種淺層模型。它通過大量的單層網(wǎng)絡(luò)節(jié)點，實現(xiàn)對訓(xùn)練樣本的高度擬合性。它的缺點是泛化能力很差。
deep模型：一種深層模型。它通過多層的非線性變化，使模型具有很好的泛化性。它的缺點是擬合度欠缺。
將二者結(jié)合起來——用聯(lián)合訓(xùn)練方法共享反向傳播的損失值來進行訓(xùn)練—可以使兩個模型綜合優(yōu)點，得到最好的結(jié)果。
No.2 wide_deep模型論文
為什么Adam被廣泛使用？光會用可不行，還得把原理看懂。這樣出去噴一噴，才會顯得更有面子。
Adam的細節(jié)請參閱論文《Adam: A Method for Stochastic Optimization》，該論文的鏈接網(wǎng)址是：
https://arxiv.org/pdf/1412.6980v8.pdf
No.3 Targeted Dropout模型論文
你還在用普通的Dropout嗎？我已經(jīng)開始用Targeted Dropout了。比你的又快，又好。你不知道吧，趕緊學(xué)習(xí)一下。
Targeted Dropout不再像原有的Dropout那樣按照設(shè)定的比例隨機丟棄部分節(jié)點，而是對現(xiàn)有的神經(jīng)元進行排序，按照神經(jīng)元的權(quán)重重要性來丟棄節(jié)點。這種方式比隨機丟棄的方式更智能，效果更好。更多理論見以下論文：
https://openreview.net/pdf?id=HkghWScuoQ
No.4 Xception模型論文
在那個圖像分類的時代，谷歌的Xception系列，像x戰(zhàn)警一樣，一個一個的打破記錄。其中的技術(shù)也逐漸成為AI發(fā)展的知識體系。有必要看一下?；蛟S會對自己的工作有所啟發(fā)。
詳細情況請查看原論文《Xception: Deep Learning with Depthwise Separable Convolutions》，該論文網(wǎng)址是：
https://arxiv.org/abs/1610.02357
No.5 殘差結(jié)構(gòu)論文
運氣好到?jīng)]朋友，現(xiàn)有模型，后完善理論指的就是殘差結(jié)構(gòu)這哥們。他的傳奇導(dǎo)致即使到今天的AI技術(shù)，也無法將它割舍，常微分方程都得拿它比肩?？靵韺W(xué)學(xué)吧。用處大著呢。好多模型都拿他當先鋒。
利用殘差結(jié)構(gòu)，可以使得網(wǎng)絡(luò)達到上百層的深度。詳情請參閱原始論文《Deep ResidualLearning for Image Recognition》，該論文網(wǎng)址是：
https://arxiv.org/abs/1512.03385
No.6 空洞卷積論文
NasNet的招牌動作，雖然不是出于NASNet，但是卻被人家用得如火純青。有時不得不驚嘆，機器設(shè)計出來的模型還真是跟人設(shè)計的不一樣！
想知道空洞卷積的感受為什么與層數(shù)呈指數(shù)級關(guān)系嗎？
細節(jié)請查看原論文《Multi-scale context aggregation by dilated convolutions》，該論文網(wǎng)址是：
https://arxiv.org/abs/1511.07122v3
No.7 DenseNet論文
這個模型使我想到了“一根筋”，再次證明了只有軸的人才能成大事！另類的模型，神奇的效果，快來體驗一下吧。這可是比華佗還牛的神醫(yī)哦！
有關(guān)DenseNet模型的細節(jié)，請參考原始論文《Densely Connected Convolutional Networks》，該論文的連接是：
https://arxiv.org/abs/1608.06993
No.8 EfficientNet模型論文
知道目前位置圖像分類界誰是老大嗎？來，看看這個！
EfficientNet模型的論文地址如下：
https://arxiv.org/pdf/1905.11946.pdf
No.9 Grad-CAM模型論文
如果你能把神經(jīng)元搞得透徹，你也會想到這個點子。不想聊太多！一個字“絕”！這TMD才叫卷積網(wǎng)絡(luò)的可視化！
詳細情況請參閱論文《Grad-CAM:Visual Explanations from Deep Networks via Gradient-based Localization》，該論文的鏈接網(wǎng)址是
https://arxiv.org/pdf/1610.02391.pdf
No.10 分類模型泛化能力論文
知道為啥都喜歡使用ResNet模型當先鋒嗎？運氣好就是運氣好！好到大家都喜歡用它，還說不出為啥它那么好！反正就是好，不信的話看看這篇論文的實驗結(jié)果。
論文中，在選取模型的建議中，多次提到了ResNet模型。原因是，ResNet模型在Imgnet數(shù)據(jù)集上輸出的特征向量所表現(xiàn)的泛化能力是最強的。具體可以參考以下論文：
https://arxiv.org/pdf/1805.08974.pdf
No.11 批量正則化論文
這個沒的說，必修課，不懂的話，會被鄙視成渣渣！
論文《Batch Normalization Accelerating Deep Network Training by Reducing Internal Covariate Shift》，該論文網(wǎng)址是：
https://arxiv.org/abs/1502.03167
No.12 實例歸一化論文
時代不同了，批量歸一化也升級了，趕緊學(xué)學(xué)新的歸一化吧。
在對抗神經(jīng)網(wǎng)絡(luò)模型、風(fēng)格轉(zhuǎn)換這類生成式任務(wù)中，常用實例歸一化取代批量歸一化。因為，生成式任務(wù)的本質(zhì)是——將生成樣本的特征分布與目標樣本的特征分布進行匹配。生成式任務(wù)中的每個樣本都有獨立的風(fēng)格，不應(yīng)該與批次中其他的樣本產(chǎn)生太多聯(lián)系。所以，實例歸一化適用于解決這種基于個體的樣本分布問題。詳細說明見以下鏈接：
https://arxiv.org/abs/1607.08022
No.13 ReNorm算法論文
ReNorm算法與BatchNorm算法一樣，注重對全局數(shù)據(jù)的歸一化，即對輸入數(shù)據(jù)的形狀中的N維度、H維度、W維度做歸一化處理。不同的是，ReNorm算法在BatchNorm算法上做了一些改進，使得模型在小批次場景中也有良好的效果。具體論文見以下鏈接：
https://arxiv.org/pdf/1702.03275.pdf
No.14 GroupNorm算法論文
GroupNorm算法是介于LayerNorm算法和InstanceNorm算法之間的算法。它首先將通道分為許多組（group），再對每一組做歸一化處理。
GroupNorm算法與ReNorm算法的作用類似，都是為了解決BatchNorm算法對批次大小的依賴。具體論文見下方鏈接：
https://arxiv.org/abs/1803.08494
No.15 SwitchableNorm算法論文
我們國人做產(chǎn)品都喜歡這么干！all in one ,好吧。既然那么多批量歸一化的方法。來，來，來，我們來個all in one吧。不服來辯，我這啥都有！
SwitchableNorm算法是將BN算法、LN算法、IN算法結(jié)合起來使用，并為每個算法都賦予權(quán)重，讓網(wǎng)絡(luò)自己去學(xué)習(xí)歸一化層應(yīng)該使用什么方法。具體論文見下方鏈接：
https://arxiv.org/abs/1806.10779
No.16 大道至簡的注意力論文
把AI搞成玄學(xué)也就算了！居然還扯到道家了！谷歌的工程師真是中外通吃??！搞出來了一個只用注意力就能做事的模型，連卷積都不要了！你說好玩不好玩！至簡不至簡！刺激不刺激！
大名鼎鼎的Attention is All You Need 注意力機制論文
注意力機制因2017年谷歌的一篇論文Attention is All You Need而名聲大噪。下面就來介紹該技術(shù)的具體內(nèi)容。如果想了解更多，還可以參考原論文，具體地址如下：
https://arxiv.org/abs/1706.03762
No.17-18 孿生注意力論文
好比LSTM與GRU一樣，注意力他們家也除了一對雙胞胎，長得略微有點不同。但是功能一樣，都能吃能喝，還能注意。老虎老鼠傻傻的不清楚！
BahdanauAttention：
https://arxiv.org/abs/1409.0473
LuongAttention：
https://arxiv.org/abs/1508.04025
No.19 各自升級的孿生注意力論文
話說這對雙胞胎，出生后就分開了。各自學(xué)的不同的語言，一個學(xué)習(xí)漢語，一個學(xué)習(xí)中文。若干年后，見面，發(fā)現(xiàn)二者的能力還是一樣！
BahdanauAttention注意力升級成了normed_BahdanauAttention，而LuongAttention注意力升級成了scaled_LuongAttention。都一樣的效果，你愛用哪個用哪個吧！
例如：
在BahdanauAttention類中有一個權(quán)重歸一化的版本（normed_BahdanauAttention），它可以加快隨機梯度下降的收斂速度。在使用時，將初始化函數(shù)中的參數(shù)normalize設(shè)為True即可。
具體可以參考以下論文：
https://arxiv.org/pdf/1602.07868.pdf
No.20 單調(diào)注意力機制論文
老公主動表忠心，我以后不看別的美女。老婆覺得不夠，再加個限制：你以后不準看別的女人！于是單調(diào)注意力就出來了。
單調(diào)注意力機制（monotonic attention），是在原有注意力機制上添加了一個單調(diào)約束。該單調(diào)約束的內(nèi)容為：
（1）假設(shè)在生成輸出序列過程中，模型是以從左到右的方式處理輸入序列的。
（2）當某個輸入序列所對應(yīng)的輸出受到關(guān)注時，在該輸入序列之前出現(xiàn)的其他輸入將不能在后面的輸出中被關(guān)注。
即已經(jīng)被關(guān)注過的輸入序列，其前面的序列中不再被關(guān)注。
更多描述可以參考以下論文：
https://arxiv.org/pdf/1704.00784.pdf
No.21 混合注意力機制論文
這個注意力很強大，比一般的注意力專注的地方更多，信息更豐富。我已經(jīng)注意你很久了！呵呵呵~~~
因為混合注意力中含有位置信息，所以它可以在輸入序列中選擇下一個編碼的位置。這樣的機制更適用于輸出序列大于輸入序列的Seq2Seq任務(wù)，例如語音合成任務(wù)。
具體可以參考以下論文：
https://arxiv.org/pdf/1506.07503.pdf
No.22 膠囊網(wǎng)絡(luò)與動態(tài)路由的論文
這是一股為圖像分類降溫的寒風(fēng)，深刻而又尖銳的點出了卷積網(wǎng)絡(luò)的硬傷！從事最大池化再無翻身之日。
雖然膠囊網(wǎng)絡(luò)在實際應(yīng)用中，不像它的理論那么牛，但是對AI的幫助，卷積的理解是革命性的。非常值得一讀。另外，這也是一篇絕對讓你對數(shù)學(xué)徹底絕望的論文?；◣赘最^發(fā)把里面的算法啃下來吧。這樣你與大神就能更近一步。
膠囊網(wǎng)絡(luò)分為主膠囊與數(shù)字膠囊，主膠囊與數(shù)字膠囊之間的耦合系數(shù)是通過訓(xùn)練得來的。在訓(xùn)練過程中，耦合系數(shù)的更新不是通過反向梯度傳播實現(xiàn)的，而是采用動態(tài)路由選擇算法完成的。該算法來自以下論文鏈接：
https://arxiv.org/pdf/1710.09829.pdf
目前膠囊網(wǎng)絡(luò)的研究還處于初級階段，隨著人們研究的深入，相信這些問題會得到解決。
No.23 矩陣膠囊網(wǎng)絡(luò)與EM路由算法
如果你覺得不過癮，那么還可以再看一篇。繼續(xù)自虐一下。
帶有EM（期望最大化）路由的矩陣膠囊網(wǎng)絡(luò)是動態(tài)路由膠囊網(wǎng)絡(luò)的一個改進版本。論文鏈接如下：
https://openreview.net/pdf?id=HJWLfGWRb
No.24 膠囊網(wǎng)絡(luò)的其它用處
膠囊網(wǎng)絡(luò)全身是寶，但就是自己不爭氣。這也說明還有上升的空間。就拿其中一個動態(tài)路由算法來講，居然比普通的注意力還好。
看完之后，相信你一定會手癢！要不要也試試？把你的注意力換一下。值得你嘗試，會有彩蛋的！
該論文的實踐也證明，與原有的注意力機制相比，動態(tài)路由算法確實在精度上有所提升。具體介紹可見以下論文：
https://arxiv.org/pdf/1806.01501.pdf
No.25 卷積網(wǎng)絡(luò)新玩法TextCNN模型
早先小編在一個項目中，自己用卷積網(wǎng)絡(luò)處理字符數(shù)據(jù)。自己感覺很Happy。沒想到，無意間居然發(fā)現(xiàn)了一篇同樣這么干的論文。居然還有個名字，叫TextCNN。哎！可惜??！小編文化少，只會寫代碼，不會寫論文。
TextCNN模型是利用卷積神經(jīng)網(wǎng)絡(luò)對文本進行分類的算法，由 Yoon Kim 在 Convolutional Neural Networks for Sentence Classification 一文中提出。論文地址：
https://arxiv.org/pdf/1408.5882.pdf
No.26 FPN模型論文
（包含了ROIAlign的匹配算法）
要是搞計算機視覺，還是要建議看一下。非常的基礎(chǔ)。也是圖像分割方面的用得最多得模型。
FPN的原理是：將骨干網(wǎng)絡(luò)最終特征層和中間特征層的多個尺度的特征以類似金字塔的形式融合在一起。最終的特征可以兼顧兩個特點——指向收斂目標的特征準確、特征語義信息豐富。更多信息可以參考論文：
ROIAlign層中的匹配算法也來自于這篇FPN論文，鏈接如下：
https://arxiv.org/abs/1612.03144
No.27 Mask R-CNN模型論文
效果好，代碼多！硬貨！來啃吧！
Mask R-CNN模型是一個簡單、靈活、通用的對象實例分割框架。它能夠有效地檢測圖像中的對象，并為每個實例生成高質(zhì)量的分割掩碼，還可以通過增加不同的分支完成不同的任務(wù)。它可以完成目標分類、目標檢測、語義分割、實例分割、人體姿勢識別等多種任務(wù)。具體細節(jié)可以參考以下論文：
https://arxiv.org/abs/1703.06870
No28 YOLO V3模型論文
這個模型的特點就是快！目標識別強烈推薦
YOLO V3模型的更多信息可以參考以下鏈接中的論文：
https://pjreddie.com/media/files/papers/YOLOv3.pdf
No.29 Anchor-Fress模型--FCOS模型論文
隨著AI技術(shù)的進步Anchor-Fress模型死灰復(fù)燃（早先是YOLO V1那一批模型），這次不一樣的是徹底干掉帶Anchor的模型。訓(xùn)練起來那就一個爽！媽媽再也不用為我準備單獨的Anchor標簽了。
與YOLO V1相比， FCOS模型的思想與YOLO V1模型非常相似，唯一不同的是FCOS模型沒有像YOLOv1那樣只考慮中心附近的點，而是利用了ground truth邊框中所有的點來進行預(yù)測邊框。并且通過 center-ness 分支來抑制那些效果不行的檢測邊框。這樣FCOS 就可以改善YOLO V1模型總會漏掉部分檢測邊框的缺點。
相關(guān)論文地址：
https://arxiv.org/abs/1904.01355
No.30 Anchor-Fress模型--CornerNet-Lite模型論文
一樣也是Anchor-Fress模型，與FCOS效果差不多少，具體看一下論文吧
CornerNet-Lite模型。相關(guān)論文地址：
https://arxiv.org/pdf/1904.08900.pdf
No.31 棧式沙漏網(wǎng)絡(luò)模型--Hourglass論文
最初用戶人的姿態(tài)估計，在符合模型中也是常被使用的模型。論文地址：
https://arxiv.org/abs/1603.06937
No.32 OCR必修課——STN模型論文
可以讓模型自動仿射變化，你說牛不牛！要學(xué)OCR，就得從這個開始。
有關(guān)STN模型的論文鏈接如下：
https://arxiv.org/abs/1506.02025
No.33 QRNN模型論文
在RNN模型的cell里，如果還只知道LSTM和GRU。那就太low了?？炝搜a補吧：
如果想更多了解QRNN，可以參考以下論文：
https://arxiv.org/abs/1611.01576
No.34 SRU模型論文
接著來，各種RNN的Cell。又漂亮，又好吃！
SRU單元在本質(zhì)上與QRNN單元很像。從網(wǎng)絡(luò)構(gòu)建上看，SRU單元有點像QRNN單元中的一個特例，但是又比QRNN單元多了一個直連的設(shè)計。
若需要研究SRU單元更深層面的理論，可以參考如下論文：
https://arxiv.org/abs/1709.02755
No.35 IndRNN模型論文
再補一個，這可都是好cell啊！
將IndRNN單元配合ReLu等非飽和激活函數(shù)一起使用，會使模型表現(xiàn)出更好的魯棒性。
有關(guān)IndRNN單元的更多理論，可以參考論文：
https://arxiv.org/abs/1803.04831
No.36 IndRNN模型論文
最后，再來一個cell，如想要了解更多關(guān)于JANET單元的內(nèi)容，可以參考以下論文：
https://arxiv.org/abs/1804.04849
No.37-38 Tacotron與Tacotron-2模型論文
AI合成部分的經(jīng)典模型，以上結(jié)構(gòu)來自Tacotron與Tacotron-2兩個結(jié)構(gòu)，更多內(nèi)容可以參考以下兩篇論文：
https://arxiv.org/pdf/1703.10135.pdf
https://arxiv.org/pdf/1712.05884.pdf
No.39 DeblurGAN模型論文
圖片合成的論文太多了。這里簡單列幾個，大體原理和思路了解，即可。
DeblurGAN模型是一個對抗神經(jīng)網(wǎng)絡(luò)模型，由生成器模型和判別器模型組成。
生成器模型，根據(jù)輸入的模糊圖片模擬生成清晰的圖片。
判別器模型，用在訓(xùn)練過程中，幫助生成器模型達到更好的效果。
具體可以參考論文：
https://arxiv.org/pdf/1711.07064.pdf
No.40 AttGAN模型論文
同樣，這也是個圖片合成的。不同的是多屬性合成，相對比較有意思。
AttGAN模型由兩個子模型組成：
（1）利用編碼器模型將圖片特征提取出來。
（2）將提取的特征與指定的屬性值參數(shù)一起輸入編碼器模型中，合成出最終的人臉圖片。
更多細節(jié)可以參考論文：
https://arxiv.org/pdf/1711.10678.pdf
No.41 RNN.WGAN模型論文
可以合成文本的GAN。離散數(shù)據(jù)也能干！
RNN.WGAN模型使用了WGAN模型的方法進行訓(xùn)練。詳細做法可以參考如下論文：
https://arxiv.org/abs/1704.00028
No.42 MKR模型論文
多任務(wù)學(xué)習(xí)模型有必要了解一下。這里推薦一個論文給你看看。
MKR是一個多任務(wù)學(xué)習(xí)的端到端框架。該框架能夠?qū)蓚€不同任務(wù)的底層特征抽取出來，并融合在一起實現(xiàn)聯(lián)合訓(xùn)練，從而達到最優(yōu)的結(jié)果。有關(guān)MKR的更多介紹可以參考以下鏈接：
https://arxiv.org/pdf/1901.08907.pdf
No.43 BERT模型論文
如果你搞NLP，那么這個就不用我來介紹了。如果你準備搞NLP,那么趕緊來看看這個，跟上時代。
BERT相關(guān)論文鏈接：
https://arxiv.org/abs/1810.04805
在BERT之后，又出了好多優(yōu)秀的模型。但是，還是先把這個啃下來，再看別的才不費勁。
No.44 FGSM模型論文
攻擊模型的經(jīng)典方法。值得掌握。
FGSM（Fast Gradient Sign Method）是一種生成對抗樣本的方法。該方法的描述如下：
（1）將輸入圖片當作訓(xùn)練的參數(shù)，使其在訓(xùn)練過程中可以被調(diào)整。
（2）在訓(xùn)練時，通過損失函數(shù)誘導(dǎo)模型對圖片生成錯誤的分類。
（3）當多次迭代導(dǎo)致模型收斂后，訓(xùn)練出來的圖片就是所要得到的對抗樣本。
具體可以參考論文：
https://arxiv.org/pdf/1607.02533.pdf
No.45 黑箱攻擊論文
基于雅可比（Jacobian）矩陣的數(shù)據(jù)增強方法，是一種常用的黑箱攻擊方法。該方法可以快速構(gòu)建出近似于被攻擊模型的決策邊界，從而使用最少量的輸入樣本。即：構(gòu)建出代替模型，并進行后續(xù)的攻擊操作。
詳細請見如下鏈接：
https://arxiv.org/abs/1602.02697
這里只是列了一些基礎(chǔ)的論文。如果這45篇論文看完?？梢员ＷC你再看到大廠的產(chǎn)品時，不會感覺有代溝。
啃論文是很費時間的事情。還好小編這里為大家準備了一本書——《深度學(xué)習(xí)之TensorFlow工程化項目實戰(zhàn)》，在書里已經(jīng)將大部分的論文轉(zhuǎn)化成中文描述，并配合實際的代碼案例了。因為知識比較多，所以也很厚！
（點擊封面了解本書詳情）
本書主要由李金洪編寫，出自代碼醫(yī)生工作室。同時該工作室也為讀者提供免費的技術(shù)問答。只要你肯學(xué)！有問必有答！
推薦理由：
涵蓋數(shù)值、語音、語義、圖像等多個領(lǐng)域96個有較高應(yīng)用價值的深度學(xué)習(xí)案例
贈送12套同步配套教學(xué)視頻 + 113套源代碼文件（帶配套樣本）
內(nèi)容全面，應(yīng)用性強，從有監(jiān)督學(xué)習(xí)到半監(jiān)督學(xué)習(xí)，從簡單的數(shù)據(jù)分類到語音、語言和圖像分類乃至樣本生成等一系列前沿技術(shù)，均有介紹
語言通俗易懂，拒絕生僻的術(shù)語，拒絕生僻的公式符號，落地性強
穿插了幾十個需要讀者注意的知識要點和難點，分享作者積累的寶貴經(jīng)驗
本書特點：
書中案例：
書中一共75個案例
如果想快速掌握這些，讀書！確實是一個捷徑！努力吧！熱血青年。
