止痛藥 (Pain Reliever in US)

昨天找了找紓解牙痛的止痛藥, 在網路上搜尋了一下資料, 研究一下才發現各式偏方和道聽塗說的說法滿天飛, 害得我要查很多資料才釐清楚甚麼藥甚麼成分, 有甚麼功效之類的。

小小的結論如下...

Over-the-counter (OTC) (不用處方的)止痛藥大致上有兩類:

1. Acetaminophen (對乙醯氨基酚) [1], 常見的有

    a. Tylenol (泰諾) [2]
    b. Panadol (普拿疼) [3]

2. Nonsteroidal anti-inflammatory drugs [4] (NSAID, 非類固醇消炎鎮痛藥), 常見的有成分有
    a. Aspirin (阿斯匹靈) [5] - Bayer, St. Joseph
    b. Naproxen - Aleve (長效) [6]
    c. Ibuprofen - Advil, Motrin, Nurofen (短效) [7]

Acetaminophen和NSAID都有鎮熱解痛的功效, 兩者功效最大的差別在於NSAID藥物還可以有抗炎的功效。

因此，如果曉得疼痛原因不是來自於發炎的話，Acetaminophen和NSAID的藥物效果是相當的，若疼痛原因來自於發炎，則使用NSAID來得效果好些 (e.g., 因為蛀牙發炎產生的疼痛)。

Acetaminophen和NSAID鎮痛解熱的原理也很不一樣，Acetaminophen改變腦袋瓜對於疼痛的感受 (比如說提高感覺疼痛的門檻)來達到止痛的效果。而NSAID則是減低體內一種叫做Prostaglandin的物質的數量。這種像是賀爾蒙的物質其中一項功用就是去干擾脊髓神經讓你身體感到疼痛。

不過這兩類Over-the-counter (OTC)藥物，雖然可以直接在藥局購買，使用前還是要注意是不是有藥物過敏史或是特殊體質之類的情況 [9]。

最後最重要的觀念是，止痛藥還是僅僅只有治標的功效，要治本還是得乖乖去看醫生低~~~

不過，了解這些之後，以後在藥局找藥的時候就比較不會覺得霧煞煞啦！


P.S. 有錯誤請指正~~~乾蝦

[1] http://en.wikipedia.org/wiki/Paracetamol

[2] http://en.wikipedia.org/wiki/Tylenol

[3] http://en.wikipedia.org/wiki/Panadol

[4] http://en.wikipedia.org/wiki/Nonsteroidal_anti-inflammatory_drugs

[5] http://en.wikipedia.org/wiki/Aspirin

[6] http://en.wikipedia.org/wiki/Naproxen

[7] http://en.wikipedia.org/wiki/Ibuprofen

[8] http://en.wikipedia.org/wiki/Prostaglandin

[9] http://familydoctor.org/online/famdocen/home/otc-center/otc-medicines/862.html

如何閱讀學術論文 - 選擇要閱讀的論文 (Deciding what to read)

在這個資訊爆炸的年代，很多研究領域的論文數量每一年都以極快的速度在增加，想要閱讀所有的論文幾乎是不可能的任務，所以我認為學習如何選擇要閱讀的論文，有時候和閱讀論文本身同等重要。

選擇是否閱讀某篇論文，有三項基本的要素：

1. 論文的公信力

2. 與研究題目的相關性

3. 研究領域的動態 

論文的公信力

在面對龐大的論文海時，常常不知道該從何下手，此時一篇論文的公信力對於判斷論文好壞是非常有用的指標，而一篇論文是否具有公信力，大致上可以從下面三個層面來觀察：

A. 論文作者及機構

論文的主要作者是誰傳達了很多重要的訊息，我常看到很多人會忽略論文作者的重要性覺得可惜。這些訊息包含了論文的品質、看待研究問題的哲學、研究的題目、和熟悉及常使用的方法等等。論文中的作者排序同樣也有很多訊息，比如說，誰是誰的博士班學生和博士後、論文是那位學生實習時的作品、博士論文的精華、那些人正同在一個大計畫裡。

這一些隱藏在作者名字背後的訊息提供了非常有用的資訊，來幫助你/妳選擇要閱讀的論文。舉例來說，我在心裡有一份口袋名單，時常會到作者的網頁看看有沒有新的作品，由此對於研究領域脈動的掌握更加即時。當你/妳看到一篇論文新發表在某某期刊時，其實那可能是兩、三年前的想法了，這中間已經不曉得又經過了多少演進。 而有些我覺得很好的研究學者，甚至只要有新的作品，不管題目是甚麼我都會閱讀，因為每一篇作品都表現了這些優秀的研究學者對於此領域的發展看法和願景。 

而了解這些學者間的師承關係 [1]，除了茶餘飯後八卦說說嘴之外，其實可以從中得知很多關於研究相關的資訊。同一實驗室往往有類似的研究風格、常使用的數學解題工具等等。有時候一看到論文標題和實驗室的名字大概就可以猜到他們的作法。自己的經驗是這些背景知識對於理解一篇論文有很大的幫助。

至於領域中那些作者是值得注意的，如果指導老師對於領域的發展很有概念，學生很快就可以掌握到名單。沒辦法仰賴指導老師的話，可以自己學著從論文閱讀中去評判論文的品質 (從論文本身的貢獻、引用次數、別人引用這篇文章時介紹的口氣
等等)，慢慢地瞭解該領域的指標人物是那幾位。注意這些優秀研究學者不見得擁有很高的職位頭銜，或一定是資深的大老級教授，有時候可能只是一位正在唸博士班的學生。

B. 發表期刊、會議

第二點為論文發表的地方，也是新手最容易大略判斷論文品質的方法。每一個領域往往都會有公認的最好的論文發表期刊或是會議。這些期刊和會議論文長年經營下來對於審核論文都有一定的水準，所以比較不容易遇到品質不佳的論文。關於個別領域中的公認的優良期刊和會議，可以請教指導老師或是有經驗的學長姐，或是藉由期刊影響力指標(impact factor)或是會議的排名來做判斷 [2]。要注意的是期刊的影響力指標因領域而異，比如說，將工程領域的期刊與生物、醫學相關的領域做比較是相當不公平的。同樣的情況會也發生在會議排名上，每個人對於會議的好壞看法不見得一致，所以不用太拘泥於別人做好的排名，在某個領域論文閱讀較廣泛之後自己慢慢會對某些期刊和會議論文有較正確的評價。

當然論文的發表處並不是唯一判斷論文好壞的因素，頂尖的期刊或會議同樣會有品質不佳的論文出現，而沒那麼有名的期刊或會議也有可能有能啟發你/妳的好論文，沒有絕對的好壞。有時候甚至是頂尖的研究學者也不見得會將他的作品發表到最有名望的期刊，其中有很多非學術上的考量。舉例來說，當你的研究主要競爭對手掌握某些知名期刊的主要編輯時，把重要作品往這些期刊投稿時，很有可能會因為對方私心考量而扣住你的論文成果。所以真正判斷一篇論文的好壞主要還是得看論文的內容。


C. 論文的完整性

除了藉由了解論文作者和期刊/會議長久建立下來的名望之外，第三點，即是觀察論文本身的完整性，在科學與工程領域中，可重複性(Reproducibility)是非常重要的觀念。在理論科學中，論文中標準而嚴謹的證明即可提供讀者在觀念上的驗證。在實驗科學中，實驗的可重複性便相當重要，一篇完整的論文必須提供足夠多的細節讓其他研究團隊可以在相同的條件下重複該實驗結果。不少在生物醫學界的論文偽造數據遭到撤銷，都是因為沒有任何團隊可以重複原先的實驗結果而遭到舉發。

因此，第三項觀察論文的公信力的指標即是論文的Reproducibility，在閱讀論文之前，可以先了解該篇論文是否願意提供相關的測試資料和處理程序 (e.g., 詳細的實驗步驟、足夠的細節、環境設定或是程式碼等等)，由此判斷論文的公信力。


與研究題目的相關性

在拿起一篇研究論文閱讀之前，請先問自己兩個問題：

第一、 你/妳為什麼要閱讀這篇論文？
第二、 你/妳預期從藉由閱讀這篇論文的過程中得到些甚麼？

了解這兩點可以幫助自己很快地找到正確的論文和該閱讀的段落，因此釐清自己閱讀論文的動機是相當重要的，否則很容易會發生明明已經讀過很多論文了，但是對於手上的研究題目仍然是沒進展的情況。

一般來說，從閱讀一篇論文的過程中，可能可以從中學習到的東西有

A. 認識領域中的某個未解決題目

當你/妳初次接觸一個研究題目時，第一步並不是找一篇最複雜效果宣稱最好的論文硬K，生硬地去試著了解實作細節等等。如果只是個課程實作專題則另當別論，但是若是研究，這樣的做法很容易就陷入見數不見林的窘境。我的建議是先應該先好好地問一下幾個問題？

為什麼這是個重要的問題?
為什麼這個問題困難? 難在哪裡?
問題的設定是甚麼? 輸入和輸出分別是甚麼?

要認識新題目，首先可以搜尋有沒有相關的Tutorial、short course、甚或是video lecture [3]：

搜尋關鍵字：BlahBlahBlah + tutorial/lecture/video/introduction/wiki

這些豐富的學術資源可以提供你/妳對於一個新題目概略的知識，有了high-level的概念之後，再繼續專研比較不容易迷失。

B. 熟悉某個題目的相關論文作品

明白了某個題目的重要性、設定、和困難性之後，下一步可能會希望熟悉該題目相關的論文作品，了解之前的人是怎麼處理這個問題。

這時候需要閱讀的論文屬於比較survey性質，可以找找看是否有相關的回顧文獻。

搜尋關鍵字：BlahBlahBlah + survey/review/introduction/

C. 學習某個特定方法和實作細節

有時候我們想要了解的並不是一篇完整的內容，而僅僅只是論文中使用到的某個數學工具或方法。這種情況下，最簡單直接的方式就是翻教科書相關章節，尤其是一些已經被廣泛討論且理解的方法(e.g., Principle Component Analysis)。如此一來可以避免掉閱讀論文時因為缺乏足夠細節而較難理解的問題。

搜尋關鍵字：BlahBlahBlah + Tutorial/introduction/wiki

D. 學習常用的實驗設定

通常在做科學實驗和工程驗證時，往往會遵循既有的實驗方法來實現，比如說，做影像資料壓縮方面的研究論文絕大部分都會秀PSNR/Bit-Rate的圖，做偵測相關研究的得給precision-recall curve，做識別研究的通常都會給準確率和Confusion matrix等等，還有特定題目往往有不同的好壞評量標準，了解這些實驗設定才能使得讀者對你/妳和前人的研究有個比較的基準。

搜尋關鍵字: BlahBlahBlah + experiment/setting/parameter/evaluation/quantitative/qualitative

E. 了解已有方法所能達到的效果

搜尋關鍵字: BlahBlahBlah + suvery/review/benchmark/qualitative/study

F. 藉由聯想找到可以延伸研究方向

這個動機就沒有特定適合的相關論文，透過廣泛的跨領域閱讀，總是可以獲得更多啟發。

搜尋關鍵字: BlahBlahBlah

研究領域的動態

在一些較熱門的研究領域，隨時了解研究領域的動態是很重要的，這部分可以藉由訂閱網路上的關於學術的新聞頻道，了解到現在大家正關心的研究題目或是有那位知名的學者在做回顧性的演講，才不容易跟領域的脈動脫節。 

這裡所謂的研究新聞頻道並不是像一般的社會新聞一樣有個統一的版面，每個領域都會有各式各樣不同的管道。

舉例來說，如果你/妳是數學系的學生，學習分析相關的領域，那麼關於這領域的研究進展可以訂閱Terence Tao的What's new 部落格，還有他的Google Buzz feed。大約每隔一兩天就會有新的長篇文章 (我都不曉得他那裡來這麼多美國時間　= =)

另外像是幾個月前數學界熱烈討論的P<>NP的問題，主要的討論區也在一位教授Dick Lipton的Gödel’s Lost Letter and P=NP 部落格上，頂尖的數學家們如Timothy Gowers, Ken Regan, Gil Kalai, Terence Tao, Suresh Venkatasubramanian都在這個平台上即時地討論，而不是透過正式的論文發表和評論，所以了解這種管道對於掌握研究進展有很幫助。

而數學界比較傳統一些的新聞管道則是藉由網站上的Preprint來獲得，比如說　arXiv 和  Front for the arXiv。
再舉訊號處理界現在最熱門的題目Compressive sensing為例，資訊的集散地在Nuit Blanche這個部落格，你可以藉由電子郵件訂閱來取得這個題目最新的研究進展。

在影像處理、電腦視覺、醫學影像這些領域，你/妳可以訂閱Imageworld文摘，從中不只可以得知該領域哪些會議在徵求論文，還可以知道哪裡有相關的實習工作機會或是Ph.D.獎學金。除了被動接受資訊外，也可以主動和這個Community互動，比如說之前和朋友合作的Computer Vision Genealogy Project 就是藉由這個管道通知全世界的研究學者。

如果你/妳對於你/妳所在的研究領域有足夠的了解，就會曉得那幾間實驗室是重點實驗室，時常會邀請知名學者去演講領域上新的突破或是回顧，這些都是非常值得了解的資訊。舉我自己所在的資訊領域(電腦視覺)為例，我加入了兩份Mailing list。第一份是MIT CSAIL的研討會通告，另一份則是UC Berkely的computer vision mailing list。從MIT CSAIL的研討會通告常常可以得知資訊領域上的重大進展，剛畢業的Ph.D.的博士論文題目，看到有興趣的演講再去作者的網頁找相關資源進行了解。而UC Berkely的computer vision mailing list則可以提供電腦視覺最新的研究進展 (因為如果有學者有夠好的研究成果，通常會被邀請到該實驗室演講)。

上面這些新聞管道，大部分都可以藉由電子郵件來訂閱，也就是每當一有更新時，你/妳只需要看看信就可以了，不用到各網站跑來跑去。不管是哪一種新聞管道，都比最傳統的紙本期刊訂閱快將近1-3年 (依各領域不同)。

至於如何掌握自己領域的動態，這部分就要請教自己的指導老師或是經驗豐富的學長姐。

[1] Academic genealogy

Software Engineering

Computer Engineering 

Theoretical Computer Science 

Artificial intelligence 

Mathematics

Computer Vision

[2] Journal impact and conference ranking

Impact Factor

Thomson Reuters (ISI) Web of Knowledge

http://www.conference-ranking.org/

Publish or Perish

[3] Videolecture是一個蒐集學術演講的網站，裡頭的分類非常完整，內容有許多學術會議、專題演講、博士班口試演講、Tutorial介紹等等。非常推薦。

培根蛋餅教我的事

前些日子買了些蛋餅皮想做份蛋餅來當早餐，於是到附近超市買好了雞蛋跟培根，準備來做自己最喜歡吃的培根蛋餅。

隔天一早費了一番功夫從溫暖的被窩掙脫出來，幾番折騰之後，睡眼惺忪地站在廚房瓦斯爐前把餅皮、培根、和蛋排排放好之後，此時我才發現一件驚人的事實…

我不會做蛋餅 Orz…

於是開始閉上原本就睜不太開的眼睛回想以前早餐店是怎麼做培根蛋餅的，印象中是將打好的蛋、餅皮和培根同時放到鐵板上，之後將餅皮蓋到蛋上，翻面之後把煎好的培根放上去，捲好蛋餅皮就大功告成了。

可是問題來了，家裡眼前只有一個平底鍋，所以料理三份原料勢必要決定好處理的先後順序。也就是，當資源不夠充足時，就必須面臨實際的Scheduling問題, i.e., 怎麼樣設計資源(e.g., 平底鍋)的使用時間和先後順序才能有效率地做好蛋餅。

就眼前的這份培根蛋餅來說，原料有三種
A. 雞蛋
B. 餅皮
C. 培根

而一份成功的(i.e., 可以吃的…)培根蛋餅需要完成下面幾項動作
1. 將A煎好第一面
2. 將A煎好第二面
3. 將B煎好第一面
4. 將B煎好第二面
5. 煎好C
6. 將C切成適當大小
7. 將三份原料以B-A-C的順序排好
8. 捲成蛋餅


這時才明白其實表面看起來如此單純的料理並不是件簡單的事情。(不只是難，而且還是NP-Hard的難！)

如果一個由不會做蛋餅的傻蛋阿宅(e.g., 我…)來胡亂嘗試的話，上面八個動作就有2^8 = 256種可能的排列，每天嘗試一種做法得要花上八九個月才能找到最好的排列。

當然沒有人願意接受這麼笨的做法，簡化這個問題最簡單的方法就是把動作做分類，比如說，依照原料分的話，可以只剩三個處理動作
1. 處理A
2. 處理B
3. 處理C

然而在這樣的設定下，仍然有六種排列選擇，分析一下六種做法可能產生的結果…


1. A-B-C

首先煎蛋，將蛋兩面煎好後放在一旁，之後加熱餅皮，最後煎培根，切好培根之後，再嘗試著將三份處理好的原料包成蛋餅。   


2. A-C-B

做法跟上面類似，一樣是將三種原料處理好之後，最後再一次包成蛋餅。


3. B-C-A

先將餅皮兩面加熱，加熱完放到旁邊，之後處理培根，培根煎好之後最後才煎蛋。


4. B-A-C

先將餅皮兩面加熱，但是跟3一樣，必須將餅皮移開平底鍋才有辦法處理雞蛋，而處理完蛋之後，一定得要將煎好的蛋擺到一旁才有辦法煎培根。

上面這四種做法即是最簡單的(但是沒效率的)scheduling，在只有一個平底鍋的情況下，把原本平行處理的事情直接改成序列處理，過程中三個處理動作沒有辦法彼此部分重疊 (在計算機結構裡就是所謂的泡泡)，拖長了整體處理的時間。另一個缺點則是必須要準備許多額外的盤子來裝煎好的蛋、蛋餅、培根等等 (i.e., 需要比較多的空間，類比電腦術語的話就是吃很多記憶體的意思)。

總之，如果沒有仔細想好處理順序，早餐不但會弄得手忙腳亂，最後還要多洗很多不必要的碗盤總是令人不爽的 XD

這麼看起來，首先處理培根似乎是個不錯的選擇，可以先將培根煎好後，移到一旁切成適當大小，之後再擺放到已經處理好的蛋和餅皮上。此時的選擇只剩下先處理蛋還是處理餅皮？也就是5跟6的選擇：
5. C-B-A
6. C-A-B

很明顯地，先處理餅皮的話，會使得接下來煎蛋產生困難(如果餅皮不離開平底鍋)，在這個情況下，若要讓蛋的一面煎熟的話，餅皮則會加熱太久而太硬 (因為蛋隔著餅皮煎需要比較長的時間)。

但如果依照C-A-B的順序就沒有這個問題，將蛋放到平底鍋煎之後，馬上就可以直接蓋上餅皮，讓蛋還沒熟的那一面可以附著在餅皮上，煎好蛋的其中一面後，就可以連同餅皮一塊兒翻面，同時煎餅皮和蛋的另一面，此時，便可以將一旁切好的培根放上去，等餅皮熱好之後就可以直接在平底鍋上捲成蛋餅。

這個做法依照上面細分的動作來說明便是

5 – 6 – 1 – 3 – 2 – 4 – 7 -8

這個做法不但處理速度快很多，對於資源也比較節省(e.g., 培根煎完出油使得煎蛋時不需要太多額外的油，或是平底鍋的熱量同時可以拿來加熱蛋跟餅皮)，同時也不需要額外的碗盤來放處理中的餅皮和蛋。

呼～想了這麼多，才找到了一個滿意的蛋餅做法。可喜可賀！

好吧，會這麼宅我想大概是因為最近Big Bang Theory看太多的關係吧 XDDD

兩鍋冬瓜茶教我的事

今天晚上在家裡煮冬瓜茶的時候，因為買來的一塊冬瓜茶磚正好需配上3L的水才能煮出理想的濃度，但是手邊只有兩個2L的鍋子，於是我先準備了一鍋2L的水，煮開，把冬瓜茶磚融掉，然後把1L的清水倒入另外一鍋。為了要有理想的濃度的冬瓜茶，於是我把濃度太濃A鍋倒一半過去只有清水的B鍋，然後再從B鍋倒一半過來A鍋混合。每來回倒一次，兩鍋冬瓜茶的濃度就越接近理想的濃度，接近的速度取決於兩鍋願意倒給對方多少份量。然而在這個過程中，不論我怎麼努力， 兩鍋的濃度就是不可能完全一樣，這個來回混合的過程，必須得重複無限多次才有辦法趨近於理想的濃度。

手裡拿著兩鍋冬瓜茶來回倒著，這時候我才突然明白，兩個人在一起相處，也是這樣的過程，你改掉一些習慣，她犧牲點任性，努力試著讓兩人之間的愛情濃度達到理想的平衡。

但是人終究還是獨立的個體，當你沒有辦法完完全全放掉自己時 (i.e., 整鍋冬瓜茶都倒到另一鍋)，這個理想的濃度，得要到無窮遠才有辦法達成。

想到這裡，我回憶起林徽音和梁思成在國外留學時船上的一段對話

「有個問題，我這一生只問這一次，你為什麼選擇了我？」

「這個問題的答案太長，我得用一生去回答。」

原來，林徽音的答案，還有著極限的觀念在裡頭 XD

煮冬瓜茶有感...Anyway, 冬瓜茶真好喝阿~~~XD

攝影練習 - Book, Heart, and Flower

有一天在實驗室，看著桌上的消息理論課本，因為這學期只是旁聽的關係，開學到現在還沒有翻開過他 XD。於是就把課本帶回家，做了一些有關於書的攝影變化。


課本翻開，映入眼簾的是看攏謀的數學式，先來張以前拍過的Ring, Book, and Heart的變形。因為光源是黃色的檯燈，所以我用色溫較低的手電筒對著陰影處補光，拍出海藍色的音樂之心 (圓圓的是音笛)。

換個角度，並加大光圈減少景深，書上惱人的字被抹掉了。

接下來是拍書頁內的變化。兩頁書頁夾起來形成一個愛心這個想法已經不曉得被多少人使用過了，所以在這裡想的是如何把這個想法執行得更好？


先把書頁折成愛心，看著看著，我想既然重點是愛心的形狀，那能不能書原有的形體降到最低? 僅僅留下抽象的愛心形體。腦中先有這個畫面之後，再實際地調整相機參數來執行。


第一是對焦點，調成手動對焦，把對焦點放在書頁遠端。
第二把光圈開到最大，讓形狀以外的細節(書上的文字)全部抹掉。
第三則是把光源移到書頁遠端，讓書頁邊緣產生像是邊光的效果。


結果就是這兩張相當抽象的畫面，幾乎看不出來是書的樣子了。

死板的教科書也是可以很浪漫的~~

如果把光圈縮到最小，增加景深的話，書頁上擾人的數學式就浮現了 XD

兩頁書夾起來可以形成愛心，多頁就形成了一朵花。看起來有點像NBC的標誌。

 用剛剛的手法，把花拍抽象些。

 這朵是幸運草 XD。

也可以把花做一些變型，讓形狀別那麼單板。

抽象版。

倒影。

初探人像攝影 (Portrait)

來到米國一個多月了，研究生的生活其實是相當單調的，平常的生活圈只有宿舍、實驗室還有上課教室，完完全全徹徹底底是個阿宅XD，所以平常沒有甚麼機會接觸到校園的其他地方。於是上個禮拜天，和實驗室的同學約好一起去逛逛校園，順道帶著相機拍拍照。學校這裡雖然時常有很美的藍天，可惜的是當天下午就是陰沉沉一副快下雨的天氣，加上這裡的地勢像是被壓馬路的機器輾過一樣，一片平坦，使得我總覺得眼前的景色缺乏變化，很難拍出好的風景照片 (牽拖ing...)。


既然景色怎麼拍都不滿意，就來拍拍人吧。由於前一個的鏡頭有著200 mm的望遠端，所以以前旅行時常用望遠端來捕捉路人不經意的神情和動作。這樣的抓(偷)拍經驗使得我很習慣地去等路人出現有趣的表情和動作，然後試著捕捉畫面。


而今天忽然把畫面的主控權像是光影的分佈、人像的動作、神態等等因素交到自己手上時，我才真正體認到人像攝影的困難。


話說以前看別人在外拍時，常常會覺得別人的相片僅僅只是"好看"而已(e.g., Model漂亮、散景漂亮、畫質好等等)，這種類型的照片往往千篇一律有些乏味。比起來，我更欣賞那些能捕捉真實神韻的人像攝影。


可是那天試著拍的結果，發現連自己不削的照片(i.e., 好看的照片)都拍不出來 Orz...讓我覺得以前的我還真是太狂妄，太高估自己了 Orz


所以呢，決定要砍掉重練從根本學起啦！(遠目)


第一步就是來檢討一下當天的照片~~~發現如果在拍之前可以思考更多的話才有機會有好照片。因為是自己拍的所以可以盡量批評，有犯錯有進步 XD


右邊這棟橘橘的是工學院的圖書館，本來只是想要拍建築物，不過發現沒有廣角端根本沒辦法納入整棟圖書館 (在往後退就要掉到小溪裡了...)，所以就拍了這張人帶景。


這張拍得很匆促，如果可以再重拍的話，應該要試著把光圈再調大些，然後離人物更近一些，把景深縮短，畢竟這種切掉一半的建築不會是重點。

接下來還是抓拍，到了校園裡的一條小溪，原本我想要藉由人的位置當前景，帶出場景的深度，不過沒有抓到人物的指向性(i.e., 面對的方向)，使得我希望觀眾目光移動的方向和畫面人物的指向相衝突，想要的效果就消失了 QQ

走到了Green Street，是校園內最繁華的街道，藉由行道樹的平行垂直線我想產生單點透視，讓畫面焦點在人物上，可惜的是景深還有視角控制得不好，加上稍微雜亂的背景等等因素影響...一下子犯的錯誤太多讓我不曉得該怎麼改進...Orz

過了Green Street再往南就會到校園的中心，Union和Main Quad，這棟古老的建築物是數學系館。這張也是臨時的抓拍，像藉人帶出建築物的高聳，可惜的是自己很不熟手上鏡頭的焦段，所以導致沒能帶到鐘樓頂端的地方。

過了鐘樓就是Main Quad了，這裡是一大片的草皮，不過這時候我們發現路旁有塊陽光灑下的區域，所以就移到了那邊拍了這張照片，我個人覺得雖然白平衡有點偏黃，不過這光線金黃色的色調我還蠻喜歡的。然後因為不知道要擺甚麼姿勢，所以就請Shengnan來個手托下巴 (有空應該多看看別人拍的以後才有模板可以用 XD)

回到Main Quad的草皮上，試著來拍張不一樣感覺的照片，把人像擺在畫面下方，手掌蓋住嘴巴象徵壓抑和鬱悶等負面情緒，取角度使得背後的景對稱以免畫面失去重心，除了那兩條交叉的人行道有點干擾到主體呈現之外，這張確實有表現到我想要呈現的氣氛，是最滿意的照片。

起身之後，我想試著打破構圖規則，所以把主體擺到最邊邊角角，不過好像沒有太特殊的效果...

轉換情緒，拍些陽光點的照片XD，拍這張時這有想著試著把視角拉高以得到乾淨的背景，倒沒想到當時在人物上的光線很不錯，算是很Lucky的照片。

 準備要離開Quad了，Shengnan在看她拍的照片，眉頭緊皺，覺得案情並不單純 XD

在Quad的底端，Foellinger Auditorium前的凝望，對於這種複雜又有結構的背景還是不曉得該怎麼處理好...

因為夕陽西下的緣故，所以很多次想要拍人物的邊光，可是不曉得該怎麼取角度和測光，下次應該要先研究研究怎麼拍再試試。

最後來是個框架構圖，原本想的拍攝角度應該要高一點俯視，可惜校園是個大平原，稍微高一些的地方都很難找就作罷了Orz

Ave Maria

話說今天在Youtube想找Franz Biebl的Ave Maria來聽聽，沒想到怎麼樣都搜尋不到，身為唸資訊科學的阿宅搜尋不到想要的資訊時實在很讓人洩氣，最後還是因為熊熊想到自己曾經在facebook貼過這個連結才找到　(挫敗...Orz)。

俗話說的好，凡走過必留下痕跡，這邊就順手整理一下四個常見的Ave Maria的版本吧。前兩個版本分別是舒伯特(Franz Schubert)和古諾(Charles Gounod)的作品，這兩個版本市占率大概就有八成左右，所以有時候未聽先猜也大概可以八九不離十 XD。

舒伯特的Ave Maria，最喜歡的還是P胖的版本。

當然Andrea Bocelli的版本也是很讚的~

也因為舒伯特的Ave Maria太經典，所以就出現了許多旁門左道(喔不，開玩笑的～是不同的詮釋)，比如說Vitas的翻唱。

還有Beyonce重新填詞以及加上流行音樂元素的版本，挺不賴！

第二個廣為流傳的版本是古諾(Charles Gounod)的作品，這個作品很特別，他是以137年前的巴哈的第一號Ｃ大調前奏曲(Prelude No. 1 in C major from Book I of the Well-Tempered Clavier (BWV 846)) 為基調，在上頭譜上優美的旋律。

先聽聽巴哈第一號Ｃ大調前奏曲，如果你曾經是交通大學的學生(而且曾經認真地在浩然圖書館念書)，那你/妳一定對這首曲子很熟悉，因為每一天閉館時圖書館都會播放這首曲子。

馬友友的版本。

聽Booby McFerrin的版本，可以聽到他和觀眾的互動，非常有趣，觀眾唱旋律，Booby唱巴哈的前奏曲。

還是一樣，先來個Ｐ胖版本。

http://www.youtube.com/watch?v=1poXg9ZvqZ0

如果你喜歡女聲的話，可以聽聽Celtic Woman的版本

反之，如果你喜歡渾厚的男低音，那一定要聽聽Ivan Rebroff  (於2008年過世了 RIP)

第三個版本則是Vladimir Vavilov的作品，網路上比較沒那麼流行，目前只聽到Andrea Bocelli和Hayley Westenra的版本，一樣蠻好聽的。

                           

Andrea Bocelli唱Vladimir Vavilov的Ave Maria，很有氣勢！(註：影片標題打錯了，並不是Caccini的作品)

Hayley Westenra的版本，有很不一樣的味道。

最後一個版本是前個月前才聽到的Franz Biebl的Ave Maria，但是非常喜歡。

我覺得Chanticleer的詮釋最好，前頭的葛利果聖歌還有合唱部分都很棒！

也是有其他女聲合唱團的版本，但沒有Bass的底，有種沒有根基的感覺@@。

                    

當然還有很多其他很好聽的編曲 (多多分享吧~~~)，例如我記得以前唱過松下耕的編曲，也覺得很讚，可惜在網路上找不到這個版本。