监督式学习（supervised learning）

监督学习模型在看到大量包含正确答案的数据后，可以发现数据中产生正确答案的元素之间的关联，从而做出预测。

构成

Data 数据

• 数据即数据集，由一个个数据组成，通常一个示例数据（ examples）包含多个特征（features）和一个标签（label）

• 带标签的示例（labeled examples）

  <img src="https://developers.google.com/static/machine-learning/intro-to-ml/images/labeled_example.png" alt="Placeholder image.">

• 不带标签的示例（未标记示例，通常由模型根据特征预测标签）

  <img src="https://developers.google.com/static/machine-learning/intro-to-ml/images/unlabeled_example.png" alt="Placeholder image.">

Model 模型

• 在监督学习中，模型是一组复杂的数字集合，它定义了从特定输入特征模式到特定输出标签值的数学关系。模型通过训练来发现这些模式（patterns）。

Training 训练

• 在监督模型能够进行预测之前，必须先对其进行训练。训练模型时，我们需要提供一个包含已标注样本的数据集。模型的目标是找到根据特征预测标签的最佳方案。模型通过比较预测值和标签的实际值来找到最佳方案。基于预测值和实际值之间的差异（称为损失 （loss）），模型会逐步更新其方案。换句话说，模型学习特征和标签之间的数学关系，从而能够对未见过的数据做出最佳预测。

• 以下演示了如何训练模型：

  步骤 1： 该模型接收一个带标签的示例并给出预测结果。

  <img src="https://developers.google.com/static/machine-learning/intro-to-ml/images/training-a-model-01.png" alt="An image of a model making a prediction.">

  图 1. 机器学习模型根据标记示例进行预测。

  步骤 2： 该模型将其预测值与实际值进行比较，并更新其解决方案（solution）。

  <img src="https://developers.google.com/static/machine-learning/intro-to-ml/images/training-a-model-02.png" alt="An image of a model comparing its prediction with actual value.">

  图 2. 机器学习模型更新其预测值。

  步骤 3： 该模型对数据集中的每个标记示例重复（repeats）此过程。

  <img src="https://developers.google.com/static/machine-learning/intro-to-ml/images/training-a-model-03.png" alt="An image of a model repeating the process of its prediction versus the actual value.">

  图 3. 机器学习模型更新其对训练数据集中每个标记示例的预测。

Evaluating 评估

• 我们评估训练好的模型，以确定其学习效果。评估模型时，我们使用带标签的数据集，但只向模型提供数据集的特征。然后，我们将模型的预测结果与标签的真实值进行比较。

  <img src="https://developers.google.com/static/machine-learning/intro-to-ml/images/evaluating-a-model.png" alt="An image showing a trained model having its predictions compared against actual values.">

  图 4. 通过比较 ML 模型的预测值与实际值来评估 ML 模型。

Inference 推理

• 一旦我们对模型评估结果感到满意，我们就可以使用 用于进行预测的模型，称为 对未标记示例进行推断 。以天气应用为例，我们会给模型提供当前的天气状况（例如温度、气压和相对湿度），它会预测降雨量。

回归（regression）

预测数值

线性回归（Linear regression）

模型（Model）

在机器学习中，线性回归模型的方程（equation）可以写成如下形式： $$ y' = b + w_1x_1 $$

其中：

• $y'$：预测标签，即输出。
• $b$：模型的偏差。偏差与直线方程中的 y 轴截距对应，在机器学习中有时也写作 $w_0$。偏差是模型在训练过程中学习得到的一个参数。
• $w_1$：特征的权重。权重与直线方程中的斜率对应，也是模型在训练过程中学习得到的一个参数。
• $x_1$：一个特征，即输入。

损失（Loss）

Loss is a numerical metric that describes how wrong a model's predictions are. Loss measures the distance between the model's predictions and the actual labels. The goal of training a model is to minimize the loss, reducing it to its lowest possible value. 损失是一种数值指标，用于描述模型的预测与实际情况的偏差程度。损失用于衡量模型预测与实际标签之间的距离。训练模型的目标是尽可能降低损失，使其达到最低值。

• 损失距离（Loss Distance）: 损失函数应该关注的是值之间的距离，而不是方向。常见的距离取法：1. 取绝对值 2. 平方

• 损失类型（Type of loss）：

  Loss type 损失类型	Definition 定义	Equation 方程
  L1 loss L1 损失	The sum of the absolute values of the difference between the predicted values and the actual values. 预测值与实际值之差的绝对值之和。	$\sum \lvert \text{actual value} - \text{predicted value} \rvert$
  Mean absolute error (MAE) 平均绝对误差	The average of L1 losses across a set of N examples. 在 N 个样本中 L1 损失的平均值。	$\frac{1}{N} \sum \lvert \text{actual value} - \text{predicted value} \rvert$
  L2 loss L2 损失	The sum of the squared difference between the predicted values and the actual values. 预测值与实际值之差的平方和。	$\sum \left( \text{actual value} - \text{predicted value} \right)^2$
  Mean squared error (MSE) 均方误差	The average of L2 losses across a set of N examples. 在 N 个样本中 L2 损失的平均值。	$\frac{1}{N} \sum \left( \text{actual value} - \text{predicted value} \right)^2$
  Root mean squared error (RMSE) 均方根误差	The square root of the mean squared error (MSE). 均方误差（MSE）的平方根。	$\sqrt{\frac{1}{N} \sum \left( \text{actual value} - \text{predicted value} \right)^2}$

• When choosing the best loss function, consider how you want the model to treat outliers. For instance, MSE moves the model more toward the outliers, while MAE doesn't. L2 loss incurs a much higher penalty for an outlier than L1 loss. For example, the following images show a model trained using MAE and a model trained using MSE. The red line represents a fully trained model that will be used to make predictions. The outliers are closer to the model trained with MSE than to the model trained with MAE. 选择最佳损失函数时，要考虑模型如何处理异常值。例如，均方误差 (MSE) 会使模型更倾向于异常值，而平均绝对误差 (MAE) 则不会。L2 损失对异常值的惩罚远高于 L1 损失。例如，下图分别展示了使用 MAE 和 MSE 训练的模型。红线代表一个已完全训练好的模型，该模型将用于进行预测。异常值更接近使用 MSE 训练的模型，而不是使用 MAE 训练的模型。

  <img src="https://developers.google.com/static/machine-learning/crash-course/linear-regression/images/model-mse.png" alt="Figure 9. The model is tilted more toward the outliers.">

  Figure 9. MSE loss moves the model closer to the outliers. 图 9. MSE 损失使模型更接近异常值。

  <img src="https://developers.google.com/static/machine-learning/crash-course/linear-regression/images/model-mae.png" alt="Figure 10. The model is tilted further away from the outliers.">

  Figure 10. MAE loss keeps the model farther from the outliers. 图 10. MAE 损失使模型远离异常值。

• Choose MSE: 选择 MSE：

  • If you want to heavily penalize large errors. 如果你想对重大错误进行严厉惩罚。
  • If you believe the outliers are important and indicative of true data variance that the model should account for. 如果您认为异常值很重要，并且能够反映模型应该解释的真实数据差异。

  Note: The mathematical properties of MSE often make optimization smoother. Root Mean Squared Error (RMSE) is often used to get the error back into the same units as the label. 注： 均方误差 (MSE) 的数学特性通常能使优化过程更加平滑。均方根误差 (RMSE) 通常用于将误差单位转换回与标签相同的单位。

  Choose MAE: 选择 MAE：

  • If your dataset has significant outliers that you don't want to overly influence the model. MAE is more robust. 如果你的数据集存在显著的异常值，而你不希望这些异常值对模型产生过大的影响，那么平均绝对误差（MAE）则更为稳健。
  • If you prefer a loss function that is more directly interpretable as the average error magnitude. 如果您更喜欢可以直接解释为平均误差幅度的损失函数。

  In practice, your metric choice can also depend on the specific business problem and what kind of errors are more costly. 在实践中，指标的选择还可以取决于具体的业务问题以及哪些类型的错误代价更高。

梯度下降（Gradient descent）

逻辑回归（Logistic regression ）

分类（classification）

分类模型可预测某事物属于某个类别的可能性。与输出为数值的回归模型不同，分类模型输出的值用于指明某事物是否属于特定类别。例如，分类模型用于预测电子邮件是否为垃圾邮件，或照片中是否包含猫。

分类模型分为两组：二元分类和多类别分类。二元分类模型会输出仅包含两个值的类中的一个值，例如，输出 rain 或 no rain 的模型。多类别分类模型会输出一个值，该值来自包含两个以上值的类别，例如，可以输出 rain、hail、snow 或 sleet 的模型。

非监督式学习

非监督式学习模型旨在识别数据集中的有意义模式。例如，许多非监督式学习模型都依赖于一种称为聚类的技术，将类似的数据整理成组（“聚类”）。

<img src="https://developers.google.com/static/machine-learning/intro-to-ml/images/clustering-02.png?hl=zh-cn" alt="一张图片，显示了集群中的彩色圆点。">

图 1. 一种用于对相似数据点进行聚类的机器学习模型。

<img src="https://developers.google.com/static/machine-learning/intro-to-ml/images/clustering-04.png?hl=zh-cn" alt="图片：显示了成簇的彩色圆点，这些圆点被一个形状包围，彼此相邻。">

图 2. 具有自然分界的集群组。

聚类与分类的不同之处在于，聚类中的类别不是由您定义的。例如，非监督式模型可能会根据温度对天气数据集进行聚类，从而揭示定义季节的细分。然后，您可能会尝试根据对数据集的了解来命名这些聚类。

<img src="https://developers.google.com/static/machine-learning/intro-to-ml/images/clustering-01.png?hl=zh-cn" alt="一张图片，显示了成簇的彩色点，分别标记为雪、雨、冰雹和无雨。">

图 3. 一种用于聚类相似天气模式的机器学习模型。

<img src="https://developers.google.com/static/machine-learning/intro-to-ml/images/clustering-03.png?hl=zh-cn" alt="一张图片，显示了成簇的彩色点，这些点被标记为雪、雨、冰雹和无雨，并被一个形状包围，彼此相邻。">

图 4. 标记为下雪、雨夹雪、下雨和不下雨的天气模式聚类。

强化学习

强化学习模型通过根据在环境中执行的操作获得奖励或惩罚来进行预测。强化学习系统会生成一项政策，用于定义获得最多奖励的最佳策略。

强化学习用于训练机器人执行任务，例如在房间内走动，以及训练软件程序（例如 AlphaGo）玩围棋。

生成式AI

生成式 AI 是一类可根据用户输入生成内容的模型。例如，生成式 AI 可以创作独特的图片、音乐作品和笑话；还可以总结文章、说明如何执行任务或编辑照片。

生成式 AI 可以接受各种输入，并生成各种输出，例如文本、图片、音频和视频。它还可以采用这些元素的组合。例如，模型可以接受图片作为输入，并生成图片和文本作为输出；也可以接受图片和文本作为输入，并生成视频作为输出。

我们可以根据生成式模型的输入和输出来讨论它们，通常写为“输入类型”-“输出类型”。例如，以下是生成式模型的部分输入和输出列表：

• 文本到文本
• 文本到图像
• 文本到视频
• 文生代码
• 文字转语音
• 图片和文生图

生成式 AI 如何运作？从宏观层面来看，生成模型会学习数据中的模式，以生成新的但类似的数据。生成式模型如下所示：

• 通过观察他人的行为和说话风格来学习模仿他人的喜剧演员
• 通过研究大量特定风格的画作来学习以该风格绘画的艺术家
• 通过聆听特定音乐团体的众多音乐来学习如何模仿该团体声音的翻唱乐队

为了生成独特而富有创意的输出，生成式模型最初采用非监督式方法进行训练，即模型学习模仿其训练所用的数据。有时，模型会使用与模型可能需要执行的任务（例如总结文章或编辑照片）相关的特定数据，通过监督式学习或强化学习进一步训练。

开心果的味道足够浓郁，糅杂着奶油的香气。

即便是隔了一天，我再次端起牛奶，口中仍残留着一抹开心果的气息。

记忆里，开心果的味道常伴随着过年的时气。家里会买坚果零食的人只有姐姐，而她平常只有过年会回家，总是带很多坚果，开心果便是其一，我总是会吃很多。

要开心

我向来是个悲观主义者，“开心”这件事，对我来说，总显得遥远。

每当我太过开心时，似乎总预示着什么的失去，或是某种崩塌的前奏。

开心果长到成熟时会裂开着一道缝，是在咧着嘴笑吗？

如果能让心情好一些，已经足够了。

会开心的

还是要感谢制作这块开心果千层的糕点师——为它的诞生而倾贯祝福，以及将它送到我手中的那个温柔的人。

我们的情人不过是随便借个名字，用幻想吹出来的肥皂泡！ 把信拿去吧，你可以假戏真做。
——埃德蒙·罗斯丹《大鼻子情圣》

06 女英雄

P121

休息结束后我再次跨上自行车，心无杂念地踩起脚踏板。
太阳慢慢西斜，我一路骑向公寓。前方是在夕阳中渐渐变得昏暗的电线杆和电线，他们单调地不停延伸，让人感觉整个世界的分辨率好像在逐段下降。
偶尔吹过的晚风颇为舒心。

虚无又缥缈，恋恋我心房。

09 叙事者

P172

虚无感到达了临界点，我再也受不了了。
回过神来时，我发现自己在放声大哭。
我不想就这么死了。这种结束方式未免太残酷了。我还从未拥有过任何真实之物啊。
哪怕一次也好，我希望死之前能得到别人的夸奖，别人的慰劳，别人的爱恋，就像照顾幼小的孩童那样，我希望得到无条件的完全接纳还有温柔的包容啊。我希望百分之百理解我的孤独的百分之百男孩改向我倾注百分之百的爱啊。我希望他能在我死后，他能为我的死哀叹，将其作为一生都无法磨灭的伤痕刻在心上啊。我希望他能憎恶这种置我于死地的疾病，怨恨未曾温柔待我的所有人，诅咒这个没有我的世界啊。
我是不可能靠幻想获得满足的。我心中的自己至今仍在不停地哭泣。刚出生的我一岁的两岁的我三岁的我四岁的我岁五的我六岁的我七岁的我八岁的我九岁的我十岁的我十一岁的我十二岁的我十三岁的我十四岁的我十五岁的我十六岁的我十七岁的我十八岁的我——都和现在的我一样紧紧抱着膝盖，如赤子般咽泣。纵使记忆消失，哭声仍会反复回响。治愈她们需要现实性的拯救，但环顾四周我却什么都看不到。
一无所有，因此一无所惧——那只是逞强罢了。我惧怕自己就这么一无所有地死去，怕得浑身发抖、难以自制。

会有那么一瞬间，交织着的死亡与孤独袭来，真空降临般窒息。

(部分配置文件可在以下仓库中找到) ::github{repo="Kreouu/dotfiles"}

homebrew-软件包管理器

伟大无须多言

/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

iTerm2-经典好用终端

brew install iterm2

1. 壁纸
2. 字体(下载好后在终端设置里启用即可)

brew install font-maple-mono-nf-cn

clash-verge-rev-科学且明智地使用互联网

brew install clash-verge-rev

配置文件请自行寻找

oh-my-zsh + starship-shell插件与美化

(详细oh-my-zsh配置参考)

1. 设置默认终端为zsh（<mark>注意：不要使用sudo</mark>）

   chsh -s /bin/zsh
   

2. 安装oh-my-zsh

   # via curl
   sh -c "$(curl -fsSL https://raw.githubusercontent.com/ohmyzsh/ohmyzsh/master/tools/install.sh)"
   # via curl(国内镜像)
   sh -c "$(curl -fsSL https://gitee.com/pocmon/ohmyzsh/raw/master/tools/install.sh)"
   # via wget
   sh -c "$(wget https://raw.githubusercontent.com/ohmyzsh/ohmyzsh/master/tools/install.sh -O -)"
   # via wget(国内镜像)
   sh -c "$(wget -O- https://gitee.com/pocmon/ohmyzsh/raw/master/tools/install.sh)"
   

3. 安装插件(更多插件)\

   plugins=(
   git 
   brew 
   z 
   extract 
   you-should-use
   zsh-syntax-highlighting 
   zsh-autosuggestions
   )
   

   如何启用插件: 编辑 ~/.zshrc (可用vim：vim ~/.zshrc) , 找到plugins=() , 填入对应内容即可

   1. git(内置)
   2. z(内置) z 是一个文件夹快捷跳转插件，对于曾经跳转过的目录，只需要输入最终目标文件夹名称，就可以快速跳转，避免再输入长串路径，提高切换文件夹的效率。
   3. extract(内置) 无需根据压缩文件的后缀来记忆解压命令，使用“x”解压即可
   4. brew(内置) 提供 brew 命令的 alias (例如: bubu = brew update && upgrade && cleanup)
   5. you-should-use (需安装)

      brew install zsh-you-should-use
      

      当你输入长命令时，会提示你该命令已被设置为别名（alias），帮你建立快捷键记忆。
   6. zsh-syntax-highlighting (需安装)

      brew install zsh-syntax-highlighting
      

      命令语法高亮，输入正确命令显示绿色，错误显示红色。
   7. zsh-autosuggestions (需安装)

      brew install zsh-autosuggestions
      

      根据历史记录自动补全命令（灰色提示，按右箭头补全）。
      图同6.。

4. starship美化

   1. 安装

      brew install starship
      

   2. 在zsh配置文件（~/.zshrc）的末尾添加

      eval "$(starship init zsh)"
      

   3. 使用自定义主题或预设主题 个人使用Tokyo Night Preset

      starship preset tokyo-night -o ~/.config/starship.toml
      

raycast-强大可扩展的快速启动器

1. 关闭系统自带聚焦，"cmd + space" 快捷键启动raycast
2. 设置quicklinks,以及Alias，快速调出搜索
3. 设置favorites

aerospace-桌面窗口平铺管理工具

官方文档

1. 安装

brew install --cask nikitabobko/tap/aerospace

1. 配置文件讲解

   1. 搭配borders使用（对当前激活窗口边框高亮）

   after-startup-command = ['exec-and-forget borders active_color=0xffe1e3e4 inactive_color=0xff494d64 width=5.0 hidpi=true style=round']
   

   1. 删除F工作区（与Karabiner-Elements快捷键冲突）

      persistent-workspaces = ["1", "2", "3", "4", "5", "6", "7", "8", "9", "A", "B","C", "D", "E","F"（删除）,"G", "I", "M", "N", "O", "P", "Q","R", "S", "T", "U", "V", "W", "X", "Y", "Z"]
   

   alt-f = 'workspace F'
   alt-shift-f = 'move-node-to-workspace F'

   1. 调整边距

    inner.horizontal = 10
    inner.vertical =   10
    outer.left =       10
    outer.bottom =     10
    outer.top =        10
    outer.right =      10
   

   1. 添加全屏快捷键

   alt-f = 'fullscreen'
   

   1. 手风琴"alt+,",平铺"alt+/"
   2. 系统（临时启动）应用默认用floating，即不服从aerospace管理

   # 访达 Finder
   [[on-window-detected]]
   if.app-id = 'com.apple.finder'
   run = 'layout floating'
   

   可用以下命令查看应用id

   osascript -e 'id of app "finder"'
   

   1. 多屏幕使用时强制分配工作区给显示器

   [workspace-to-monitor-force-assignment]
    C = 'dell'   #代码       
    Q = 'dell'   #qq微信
    7 = 'dell'    
    8 = 'dell'    
    9 = 'dell'    
    M = 'built-in'       # 工作区 M 留给笔记本自带屏##
   

karabiner-elements-Hyper按键映射，全局vim光标移动

1. 安装

brew install karabiner-elements

1. 导入配置文件
   主要做的就是把caps lock映射成Hyper键（Ctrl+Alt+Shift+Cmd）
   ps：切换输入法请自行换成shift
   按住Hyper+H/J/K/L vim式上下左右

homerow-vim式全局跳转与滚动

1. 安装

brew install homerow

1. 主要就是可以自己设置快捷键实现无鼠标操作
   个人设置：
   

だから僕は音楽を辞めた

エルマに

「致Elma」

「Amy」给「Elma」的信与音乐

8/31

斯德哥尔摩

「ストックホルム　ガムラスタン　玉石敷きに落ちる雑踏」
「斯德哥尔摩，老城，落在鹅卵石路上的喧嚣」

安静，怅惘

藍二乗

3/21 关町

「白紙の人生に拍手の音が一つ鳴っている」
为我白纸般的人生献上掌声的只有妳一人

「エルマ、君なんだよ」
Elma 是妳啊
「君だけが僕の音楽なんだ」
唯独妳才是我心中的音乐

在六叠大小的房间里写着诗。
人生是回忆的连续。
梅雨时节放晴的靛蓝色、躺下时背后传来的凉意、风干的泥土与青草的气息、
高架桥下、柏油路、指尖的触感、仰望视野中映入的群青——渗透又重叠的靛蓝之平方。
人生是妥协的连续。
在人生一个又一个选择的过程中，总会有犯下决定性错误的瞬间。
无法忘怀那种感觉而渐渐成为大人。
关町的公寓中，照进来一片几乎可被误认为夜色的黄昏。
干透的茜色映在窗玻璃上。

「遠く仰いだ空、君が涼む」
妳远在我只能仰望的天上 乘着凉风

「i^2 = -1」
「I need you」

八月、某、月明かり

8/7 威斯比

「八月某、月明かり、自転車で飛んで」
八月某日，月光之下，骑着自行车飞驰
「ストックホルムの露天商、キルナ、ガムラスタンは石畳」
斯德哥尔摩的露天商贩，基律纳，老城区的石板路
「最低なんて語呂だけの歌詞だ」
「差勁」什么的 只是为了押韵的歌词
「人生、二十七で死ねるならロックンロールは僕を救った」
人生在二十七岁时才死去的话，摇滚乐就已经算拯救了我吧
「君の全てに頷きたいんだ」
我想对妳的所有一切点头认可
「そんなの欺瞞と同じだ、『エルマ』」
但是那和欺瞒没两样了，「エルマ」

盛夏的尾声
残缺的月光
夜色疾驰向前
摇滚嘶吼着对抗虚无

并非「渴求死亡」，只是为何「必须活着」

詩書きとコーヒー

4/24 隆德

「冷めたコーヒーも相変わらずそうなんだ」
冷掉的咖啡也一如往常地冰冷
「嫌いだ」
令人厌烦
「冷めた目の中で君の詩を書いていた」
在那失去热忱的眼神中书写关于妳的诗
「僕のこの日々は君の為の人生だ」
我的这些时日全是为了奉献给妳的人生
「夢も儚さも君の口も目もその指先も忘れながら」
不论梦想 虛幻无常 还是妳的嘴巴 妳的眼睛 妳的指尖 全都忘掉了

我希望妳赶快成为过去
成为诗
可剩下的人生也都是为了奉献给妳啊

人竟然有办法向前迈进
我不懂啊。

7/13

法罗岛

「ヴィスビー　アルマダールを出て北に伸びる道　輪壁沿いの海岸線を臨む木陰のベンチから」
「维斯比，离开阿尔马达尔北去的路上，城墙旁树影的长椅上，海岸线在风中闪烁」

关于声音
轻快些

踊ろうぜ

6/15 斯德哥尔摩

「伝えたい全部はもう」
想要传达的一切早就
「夏も冬も明日の向こう側で」
在未来不管是夏天还是冬天
「灰になったから　淡く消え去ったから」
都化为灰烬了啊 淡然地消失了啊
「疾うに失くしてたこの情動も何処かへ投げ捨てて」
早就失去的感情也扔到某处了
「君がいいのなら　ただ忘れたいのなら」
有妳就够了的话 只想忘记的话
「もう躊躇うことなんてないよ」
就不再犹豫不決了
「このまま夜明けまで踊ろうぜ」
就这么跳舞直到天明吧

责怪自己
当初选择音乐这条路的自己
沒有创作才能的自己
失去创作热忱的自己
失去了Elma

既然什么都沒有了
那么干脆就跳舞忘记一切算了

六月は雨上がりの街を書く

5/31 斯德哥尔摩

「深い雨の匂い」
这雨味浓烈
「ずっと雨の街を書いている」
令我不停写着雨天的街道
「心を動かして」
此刻我的心乱如麻
「胸を焦がして」
满溢着对妳的思恋
「このまま縫い付けて」
只是不停写诗维系
「あの街で待ってる」
于那街道等待着妳

心の形は長方形
我的心化作长方形

「心=Elma=创作=写诗歌的长方形纸」
此刻是他唯一的等式

每当握住笔的手在纸上摩擦时总会想起Elma
但如今她已成过去
尽管每当回忆起时总是会心痛
仍旧持续创作与Elma有关的故事
因为要是忘记了就会从此失去Elma

五月は花緑青の窓辺から

5/15 隆德

「さようなら」
永別了
「青々と息を呑んだ　例う涙は花緑青だ」
一口吞下这翠绿的呼吸 這眼泪堪比花绿青有毒
「思い出せ！」
「快想起來！」
思い出したんだ、と喉が叫んだ
「我想起來了」喉咙声嘶回答道
「この痛みが君の証明だ」
这份痛苦就是妳存在的证明啊
「それでも　それでも聞こえないというなら」
即便如此 即便如此却还充耳不闻的话

市井
无人欣赏的乐曲
只是同他们苟笑

五月，暮春，初夏
窗前
浸于花绿青的眼泪
但妳让我想起
还有妳

蒙骗内心的泪水，除了用来自我陶醉以外什么也不是，只是麻痹自己的毒罢了。

夜紛い

7/1 威斯比

「人生ごとマシンガン、消し飛ばしてもっと」
想用机关枪 连同人生一起轰飞
「心臓すら攫って　ねぇ、さよなら一言で」
心脏也一并带走 吶 藉由「再见」一词
「悲しいことを消したい」
我想消除悲伤的回忆
「嬉しいことも消したい」
消除开心的回忆
「心を消したい」
消除这颗心
「ただ一つでいい　君に一つでいい」
哪怕一个都好 仅仅一个也好
「風穴を開けたい」
我想在妳的心里留下无法遗忘的伤口

以假乱真的夜晚
黄昏也像黑夜一样绝望
这样的音乐一文不值
一点用都没有
把一切的一切破坏殆尽

我想忘掉妳
却也希望,关于我的记忆能留存于妳心中
来证明自己存在过

5/6

隆德

「ルンド　アルヘルゴナ教会　雨宿りの扉口」
「隆德小镇，阿尔海尔戈纳教堂前，我在雨声里躲进古老的门檐」

「前往斯德哥尔摩的途中我遭遇了扒手，只好省着用墨了」

前阵子我在思考关于人生的有效时限。
对我来说，人生是近似于音乐的，所以也可以换个说法，即是创作的有效时限。
“俳圣” 松尾芭蕉曾经说过这么一句话 “俳句就让天真无知的幼童做吧”，
我想这也同样适用于音乐。
比起累积大量经验在技巧方面下足功夫所完成的作品，尽管不成熟却能感受到其魅力所带来的冲击的作品反而才是真正的杰作吧。
所以，我真的感到很开心，
我的音乐在有创作热忱的头两、三年就走到了尽头。
坦白讲，就是过了有效期限。
我除了音乐一无所有。
但还是无法如愿写出作品，尽管如此我也无心要突破现状，依旧漫无目的，
只是浑浑噩噩、漫不经心、拖泥带水地，继续模仿着艺术，
像是踩着煞车坏了的脚踏车一般。
最近几年，脑海里总是时不时会浮现出收录在朔太郎诗集当中的一小段文章。
“啊啊 让我全心全意倾注所有情感的作品构思 已经哪都不可能存在了”

「音乐=人生」
失去了创作热忱的他
迫切的为人生划上了期效

雨还在下

パレード

7/12 法罗岛

「身体の奥　喉の真下」
于身体深处 喉头之下
「君の書く詩を　ただ真似る日々を」
只是日复一日模仿妳写下的诗
「忘れないように」
希望不要遗忘
「君のいない今の温度を」
妳已不在的此刻温度
「乾かないような想い出で」
以这份不会失去情感的回忆
「失くせないでいたこの歌で」
以这首不会遗失的歌曲
「もう少しでいい　もうちょっとだけでいい」
再一下下 再维持一下下就好
「一人ぼっちのパレードを」
我独自一人回忆妳的游行

为我的思念挂上旗帜
于世界正央游行

「君の指先の中にはたぶん神様が住んでいる」
妳的指尖多半寄宿着神灵

优秀的作品当中会寄宿神明
我的指尖没有寄宿神灵
但我的作品中有妳

エルマ

8/31 斯德哥尔摩

「このまま何処かの遠い国で」
就这么身处某个遥远的国度
「浅い夏の隙間に寝そべったまま」
躺卧在初夏的间隙之中
「涙も言葉も出ないままで」
忍着泪水不发一语
「ただ空の青さだけ見たままで
目光仅仅停留在蓝天
「ただ君と終わりも知らないままで」
就这么对你的事情与结局一无所知
「嘘つきなんて　わかって　触れて」
我知道 自己是个大骗子 一触碰与你的回忆
「エルマ　まだ　まだ痛いよ」
依旧 还是 感到很心痛啊 Elma
「もうさよならだって歌って」
用歌唱来表达 我们之间已经结束
「暮れて夜が来るまで」
直到天黑入夜

正是现在我才能坦白。那样的我，
一度放弃音乐的我之所以再次写曲是因为
读了妳的诗歌的关系啊，Elma。
虽然你总是不肯让我看，但在接触到你的诗歌的时候，我在那里头看见了月光。

那是只在夜里映照，完美无瑕的光。

令人难以想象那是光辉稀薄、耀眼动人的浅色月光。

该放下了
可是，直到夜幕降临之前
让我再想妳一会

4/10

关町

「関町　昨夏　暮れの街道　鈴虫の鳴く声」
「关町的旧夏，黄昏的街道，铃虫的鸣声洒落在暮色里」

接下来我就要踏上旅程了。
这是我人生中的最后一趟旅程。
Elma,在这趟旅程中我又会得到什么启发，得到什么感受呢。

踏上旅途
鞋底碰撞着地面

だから僕は音楽を辞めた

8/25 斯德哥尔摩

「僕だって信念があった」
我也是有过信念的
「今じゃ塵みたいな想いだ」
但如今那早已成为一文不值的想法了
「何度でも君を書いた」
无数次描写着你
「売れることこそがどうでもよかったんだ」
压根没在乎过能热卖这事
「本当だ 本当なんだ 昔はそうだった」
不骗你 真的不骗你 从以前开始就是如此了
「だから僕は音楽を辞めた」
所以我才放弃了音乐

当创作只剩「执念与伤」
当一切作品都只是对「エルマ」的复写
当意义失语，青春只余挽歌

他选择在此按下句点。

我离开的是喧嚣的现场，他离开的是无法继续的音乐
我们都在夜色到来之前，学会了告别

就像看到某种形状的石头就会想一脚踢出去；就像看到某种形状的冰柱就会想连根折断；就像看到某种形状的花瓣就会想一片一片剥下来……这世上的确有着一些与美丑无关，就是会让人「忍不住想摧毁」的事物

很多人认为自杀需要勇气，但我认为这是并未深入思考自杀的是非对错之人才会有的想法。像「有勇气自杀的话，不如拿去用在其他地方」这种话，简直是大错特错。自杀需要的不是勇气，需要的只有小小的绝望，以及短暂的错乱而已。短短一、两秒的错乱，就能够让自杀成立。而且人不是因为有赴死的勇气才自杀，是因为没有活下去的勇气才会自杀。

我处在最极致的自由当中。
我心想，要做什么都行。在这样的前提下自问：「我想做什么？」但我没有答案。我没有想做的事、没有想去的地方，也没有想得到的东西。
我活到今天到底有什么乐趣？电影、音乐、阅读……我对这每一项嗜好所抱持的关心都高于常人许多，然而相对地，我并未对任何一项事物投注热忱到没有它就活不下去的地步。
我之所以喜欢这些娱乐，是因为起初怀抱着一种期待，期待这些东西也许能够弥补我心中无边无际的空虚。这些年来我强忍睡意、忍受无聊，就像吞下苦药似地鉴赏无数部作品。但到头来透过这些努力所得到的，也就只有与自己心中空虚的广度与深度有关的知识而已。
先前我一直以为人心中的空虚，指的是一种并未以该有的东西来填满的空间。但是最近，我的这种认知改变了。空虚是一种不管丢进多少东西，都会立刻消灭的空间。一种甚至不能用零来称呼，而是一种绝对的无。我开始认为自己心中有着这样的无，想弥补也无济于事。除了在这空虚的外围筑起高墙，极力不去碰触之外，别无方法。
自从察觉这件事以来，我的兴趣就从「填洞」转移到了「筑墙」方面。比起内省性的作品，我开始更加偏爱单纯追求美感与快感的作品。虽然我也不是能够由衷欣赏美感与快感，但总比被迫面对内心的空虚要好。

「你到底在说什么？」
我在说什么？
我说的是恋爱。
「我想，我喜欢上你了。」
要让世界冻结，这句话就足够了。
空气从整个房间的所有缝隙中溜走，一种真空的寂静来临。

起初我爱听能赶走心中郁闷的强烈曲风，但等到我发现对痛苦最能发挥作用的既不是好的歌词，也不是扣人心弦的旋律，而是「纯粹的美」之后，嗜好就渐渐转往比较沉稳的音乐。「意义」或「自在」迟早会弃人于不顾，「美」则虽然不会主动靠近自己，却会一直存留在同一个地方。即使我一开始无法理解，它也会耐心等我抵达它的所在之处。
痛苦能够摧毁所有愉快的感情，唯有遇到美而觉得美的感觉不会有所减损。不但不会减损，痛苦反而会更加衬托出美。若非如此，那种美终究只是假的美。只剩开心的音乐，只剩有趣的书籍，只剩耐人寻味的绘画，这些到了紧要关头根本靠不住的东西，又有多少价值呢？
皮特·汤申德说过：「摇滚不会解决你的苦恼，而是会让你怀抱着苦恼跳起舞来。」没错，不解决苦恼，这正是救赎的本质。我不相信那些以解决所有苦恼为前提的思想，没救的事情就是没救到了无可救药的地步。我认为将丑小鸭变成天鹅的「救赎」根本没什么用处，有本事就让丑小鸭维持丑小鸭的本色却又得到幸福啊。

真要说起来，一个人真的有可能安慰另一个人吗？到最后，所有除了自己以外的人，终究只是局外人。人若只是要在为自己祈求的过程中，增添为别人祈求的部分，相信是办得到的。但要纯粹只为别人祈求，应该是不可能的吧？到头来还是得归结到广义的利害关系是否一致，不是吗？

「我做事只有三分钟热度，不管做什么很快就会腻。所以才干脆拿自己觉得最无聊的东西当作兴趣。你觉得是为什么？」
「不就是因为失望的风险最少吗？」

我对这个世界讨厌得要命，却又觉得这个世界好美。虽然有一大堆悲伤得让人承受不住的事情，或是没天理到令人无法原谅的事情，但对于我不是生为花、鸟或星星，而是以人类的身分诞生在这个世界上，我并不怨恨。
那些日子里和雾子来往的信件，和她依偎着一起听的音乐，从沟渠仰望的月亮，牵起的手上传来的温度，在墓地的初吻，靠过来的娇小身体上传来的呼吸节奏，在阴暗的公寓里一起弹的电子琴。
只要有这些美好的回忆，我就能够和这个世界背对背牵起手。
最后我看见了旋转木马的幻影，又或者那是雾子卯足最后一丝力量，让我看到的一个悲伤的事情全被「取消」的世界。
骑在白马上的我们，变成小孩的模样。我们探出上半身伸出手，指尖碰着指尖。如同摇篮轻轻上下摇动的木马、幼年时期听得忘我的音乐、黑暗中闪闪发光的灯饰。
我只想一直看着这幅光景，但幻影就像火柴的火焰般，很快就消失了。
雪堆积在肩膀与头上。眼睑慢慢放下，我的意识逐渐远去。这些填满了谎言与过错却令人珍爱的日子，终于要宣告结束了。
雾子度过了一段比常人加倍痛苦的人生，最适合留给她的话，多半还是那句傻味十足、骗小孩的咒语。
我轻轻摸了摸雾子的头，然后从灵魂里挤出了这句话。
不哭不哭，痛痛飞走吧。

这世上到处都有地洞，至少世界看在我眼里就是这样。有的洞小，有的洞大；有的洞浅，有的洞深；有的洞很明显，有的洞不明显；有的洞尚未有人掉进去，有的洞已经有许多人掉进去。真的是五花八门。一旦想着这一个个的地洞，就会让我满心不安，一步都不想动了。
孩提时代，我喜欢那种会让我忘记地洞存在的故事。看来不只是我，大家都喜欢看那种书中世界的所有地洞都已加盖的故事，也不知道是不是该叫做「杀菌过的故事」。当然主角不会只遇到好事，经历的各种痛苦与难受的体验也不会比别人少，但最终来说，这一切都将成为他成长的动力，让读者可以沉浸在「人就是要接受一切勇敢活下去」这种可靠的感觉中。我说的就是这种故事。
我想我们一定是不希望连在虚构的世界都要经历悲伤。
可是有一天，我发现自己不知不觉地身在阴暗的地洞中。那是一种没有任何前兆、没有天理可言的失足。由于那是个非常小且不起眼的地洞，很难指望会有别人帮助。所幸这个地洞并不是深到爬不出来，我花了很长的时间，靠自己的力量终于脱身。
来到地上后，我沐浴在久违的温暖阳光与清澈的徐风中，因而产生这样的想法。无论多么小心，都没有人知道何时会掉进地洞。这个世界就是这样的地方。下次我说不定会掉进一个更深的洞，深得让我再也回不到地面上。到时候，我该怎么办呢？
从此以后，我就再也无法怀着以往那样单纯的心情，去看待那些「把地洞加了盖的故事」。相对地，我开始喜欢描写「在地洞里过得好像很幸福的人」的故事。因为我想听的是在阴暗、深邃、狭窄又寒冷的地洞里，不用逞强就能露出微笑的人身上所发生的故事。也许对现在的我来说，再也没有什么比这更能安慰我了。
《不哭不哭，痛痛飞走吧》这个故事，描写的就是掉进地洞里再也爬不出来的人们。但我不是单纯写成负面的故事，而是写成一个会让人打起精神来的故事。虽然看起来一点都不像这样，但真的就是这样。

「但是我对您可是印象深刻喔，这不是因为年轻记忆好的缘故。的确我现在才二十岁，但很多过往都已不复记忆。不管曾经多么幸福或辛苦，只要没遇上回想的契机，过没多久就全忘了。只要没注意这件事，恐怕连忘记本身都忘记了。如果每个人都可以精准无误地记得最美好的回忆，恐怕将终日愁眉苦脸，度过空虚的现在；就算每个人都可以精准无误地记住最糟的回忆，果然也只能终日愁眉苦脸，度过空虚的现在。有些事若不先记住，可能会将自己逼入绝境，所以每个人都只是拼命记住事情而已。」

在我的人生中，最美好的事就是你在我面前出现，最糟糕的便是你在我眼前消失。现在，你的回答，将决定我的人生是天堂还是地狱。
从现在起，永远，陪伴在我身边吧。

原本是放眼何处尽是平凡的风景，如今看来却美不胜收，因为我不再需要讲究效率地感受这个世界，也不需要将现在的自己怪罪于世界，每件美丽的事物都能以单纯的样貌--驻足欣赏。
在跨越一切藩篱后，整个世界像是被剥掉原本包覆在外的透明胶膜似的，如此清晰动人。

我，即将死去，不留一丝痕迹。
或许某些好事的人会记得如此愚蠢的我，但将我遗忘的可能性应该更大一些吧。
但，我无所谓。
如今我已不再期待之前梦见的永恒了。
即便不被任何人怀念也无妨。
因为身边已有这位女孩陪伴。
光是这一点，我已能原谅所有一切。

我想，这仅存的三天。
一定比那原本会很悲惨的三十年。
比那原本该充满意义的三十天。
还要有价值许多吧。

有句话说：「笨蛋到死也治不好。」不过我宁可乐观一点，将这句话改成「笨蛋到死之前就会治好」。

说是笨蛋，类型还真不少，而我在这里提及的「笨蛋」，则是为自己打造地狱的人们。这类笨蛋的病症就是深深地误以为「自己永远无法获得幸福」，若是继续恶化就进展成「自己不该得到幸福」，末期甚至走向破灭般的「自己不想得到幸福」。

其实走到这地步，这些笨蛋已无所畏惧，因为他们已熟知任何让自己陷入不幸的手段，懂得在各种得天独厚的情况里找出一条规避幸福的地狱之道，而且这一连串的行为都是在潜意识下进行的，所以令他们觉得这世界何处不是地狱--但实际上，不管他们走往何处，只有他们脚下的方寸之地才是地狱。

我虽然相信自己也是打造地狱的笨蛋之一，而这种蠢病本来就是不治之症。对于替自己贴上「不幸福」标签的笨蛋们而言，要想摆脱不幸就只有自我消失这条路。遭遇不幸而自舔伤口的行为不知不觉成了唯一的乐趣，所以才会变得如此积极地寻找不幸。

可是，正如开头所述，我相信笨蛋到死之前就会治好，说的更精准一点：「蠢病到死方可治愈。」幸运的人或许在临死之前早一步得到治愈的机会，但再怎么不幸的人，只要被迫面对自己的死亡，就会从「必须继续生存下去」的束缚里得到解放，此时此刻，蠢病就得以治愈。

虽然我认为这种说法是乐观的，但左思右想，其实仍不脱悲观的范畴。因为甫爱上这个世界之际，死亡却早已确定了。

不过我是这么想的，这些「死前蠢病才治好的家伙们」眼里的世界应该美丽的不可方物吧。而当他们不断后悔与感叹，「我明明生活在如此美丽的世界」或「我明明懂得接纳各种事物活下去」，但越是后悔，这个世界却越是残酷地显得美丽吧。

我常常想着要将这种美丽化为文字。但就算完成了这部《三日间的幸福》，老实说，我也丝毫不曾想过要透过作品谈论生命的价值，或是爱情的力量。