1. N-Shot Learning：用最少的数据训练最多的模型
作 者 | Heet Sankesara
翻 译 | 天字一号（郑州大学）、邺调（江苏 科技 大学）
审 校 | 唐里、Pita
如果将AI比作电力的话，那么数据就是创造电力的煤。
不幸的是，正如我们看到可用煤是消耗品一样，许多 AI 应用程序可供访问的数据很少或根本就没有数据。
新技术已经弥补了物质资源的不足；同样需要新的技术来允许在数据很少时，保证程序的正常运行。这是正在成为一个非常受欢迎的领域，核心问题：N-shot Learning
1. N-Shot Learning
你可能会问，什么是shot？好问题，shot只用一个样本来训练，在N-shot学习中，我们有N个训练的样本。术语“小样本学习”中的“小”通常在0-5之间，也就是说，训练一个没有样本的模型被称为 zero-shot ，一个样本就是 one-shot 学习，以此类推。
1-1 为什么需要N-Shot？
我们在 ImageNet 中的分类错误率已经小于 4% 了，为什么我们需要这个？
首先，ImageNet 的数据集包含了许多用于机器学习的示例，但在医学影像、药物发现和许多其他 AI 可能至关重要的领域中并不总是如此。典型的深度学习架构依赖于大量数据训练才能获得足够可靠的结果。例如，ImageNet 需要对数百张热狗图像进行训练，然后才能判断一幅新图像准确判断是否为热狗。一些数据集，就像7月4日庆祝活动后的冰箱缺乏热狗一样，是非常缺乏图像的。
机器学习有许多案例数据是都非常稀缺，这就是N-Shot技术的用武之地。我们需要训练一个包含数百万甚至数十亿个参数（全部随机初始化）的深度学习模型，但可用于训练的图像不超过 5 个图像。简单地说，我们的模型必须使用非常有限的热狗图像进行训练。
要处理像这个这样复杂的问题，我们首先需要清楚N-Shot的定义。
对我来说，最有趣的子领域是Zero-shot learning，该领域的目标是不需要一张训练图像，就能够对未知类别进行分类。
没有任何数据可以利用的话怎么进行训练和学习呢？
想一下这种情况，你能对一个没有见过的物体进行分类吗？
夜空中的仙后座（图源：https:// www .star-registration .com /constellation/cassiopeia）
是的，如果你对这个物体的外表、属性和功能有充足的信息的话，你是可以实现的。想一想，当你还是一个孩子的时候，是怎么理解这个世界的。在了解了火星的颜色和晚上的位置后，你可以在夜空中找到火星。或者你可以通过了解仙后座在天空中"基本上是一个畸形的'W'"这个信息中识别仙后座。
根据今年NLP的趋势，Zero-shot learning 将变得更加有效（https://blog.floydhub .com /ten-trends-in-deep-learning-nlp/#9-zero-shot-learning-will-become-more-effective）。
计算机利用图像的元数据执行相同的任务。元数据只不过是与图像关联的功能。以下是该领域的几篇论文，这些论文取得了优异的成绩。
在one-shot learning中，我们每个类别只有一个示例。现在的任务是使用一个影像进行训练，最终完成将测试影像划分为各个类。为了实现这一目标，目前已经出现了很多不同的架构，例如Siamese Neural Networks（https:// www .cs.cmu.e/~rsalakhu/papers/oneshot1.pdf），它带来了重大进步，并达到了卓越的结果。然后紧接着是matching networks（https://ar xi v.org/pdf/1606.04080.pdf），这也帮助我们在这一领域实现了巨大的飞跃。
小样本学习只是one-shot learning 的灵活应用。在小样本学习中，我们有多个训练示例（通常为两到五个图像，尽管上述one-shot learning中的大多数模型也可用于小样本学习）。
在2019年计算机视觉和模式识别会议上，介绍了 Meta-Transfer Learning for Few-Shot Learning（https://ar xi v.org/pdf/ 181 2.02391v3.pdf）。这一模式为今后的研究开创了先例;它给出了最先进的结果，并为更复杂的元迁移学习方法铺平了道路。
这些元学习和强化学习算法中有许多都是与典型的深度学习算法相结合，并产生了显着的结果。原型网络是最流行的深度学习算法之一，并经常用于小样本学习 。
在本文中，我们将使用原型网络完成小样本学习，并了解其工作原理。
2. 原型网络背后的思想
上图为原型网络函数的示意图。编码器将图像进行编码映射到嵌入空间（黑圈）中的矢量中，支持图像用于定义原型（星形）。利用原型和编码查询图像之间的距离进行分类。图源：https:// www .semanticscholar.org/paper/Gaussian-Prototypical-Networks-for-Few-Shot-on-Fort//figure/1
与典型的深度学习体系结构不同，原型网络不直接对图像进行分类，而是通过在度量空间（https://en.wikipedia.org/wiki/Metric_space）中寻找图像之间的映射关系。
对于任何需要复习数学的人来说，度量空间都涉及"距离"的概念。它没有一个可区分的"起源"点。相反，在度量空间中，我们只计算一个点与另一个点的距离。因此，这里缺少了矢量空间中加法和标量乘法（因为与矢量不同，点仅表示坐标，添加两个坐标或缩放坐标毫无意义！）请查看此链接，详细了解矢量空间和度量空间之间的差异：https://math.stackexchange .com /questions/1 149 40/what-is-the-difference-between-metric-spaces-and-vector-spaces。
现在，我们已经学习了这一背景，我们可以开始了解原型网络是怎样不直接对图像进行分类，而是通过在度量空间中寻找图像之间的映射关系。如上图所示，同一类的图像经过编码器的映射之后，彼此之间的距离非常接近，而不同类的图像之间具有较长的距离。这意味着，每当给出新示例时，网络只需检查与新示例的图像最近的集合，并将该示例图像分到其相应的类。原型网络中将图像映射到度量空间的基础模型可以被称为"Image2Vector"模型，这是一种基于卷积神经网络 （CNN） 的体系结构。
现在，对于那些对 CNN 不了解的人，您可以在此处阅读更多内容：
简单地说，他们的目标是训练分类器。然后，该分类器可以对在训练期间不可用的新类进行概括，并且只需要每个新类的少量示例。因此，训练集包含一组类的图像，而我们的测试集包含另一组类的图像，这与前一组完全不相关。在该模型中，示例被随机分为支持集和查询集。
很少有镜头原型ck被计算为每个类的嵌入式支持示例的平均值。编码器映射新图像（x）并将其分类到最接近的类，如上图中的c2（图源：https://ar xi v.org/pdf/ 1703 .05 175 .pdf）。
在少镜头学习的情况下，训练迭代被称为一个片段。一个小插曲不过是我们训练网络一次，计算损失并反向传播错误的一个步骤。在每一集中，我们从训练集中随机选择NC类。对于每一类，我们随机抽取ns图像。这些图像属于支持集，学习模型称为ns-shot模型。另一个随机采样的nq图像属于查询集。这里nc、ns和nq只是模型中的超参数，其中nc是每次迭代的类数，ns是每个类的支持示例数，nq是每个类的查询示例数。
之后，我们通过“image2vector”模型从支持集图像中检索d维点。该模型利用图像在度量空间中的对应点对图像进行编码。对于每个类，我们现在有多个点，但是我们需要将它们表示为每个类的一个点。因此，我们计算每个类的几何中心，即点的平均值。之后，我们还需要对查询图像进行分类。
为此，我们首先需要将查询集中的每个图像编码为一个点。然后，计算每个质心到每个查询点的距离。最后，预测每个查询图像位于最靠近它的类中。一般来说，模型就是这样工作的。
但现在的问题是，这个“image2vector”模型的架构是什么？
论文汇总 Image2Vector 向量的结构
对于所有实际应用中，一般都会使用 4-5 CNN 模块。如上图所示，每个模块由一个 CNN 层组成，然后是批处理规范化，然后是 ReLu 激活函数，最后通向最大池层。在所有模块之后，剩余的输出将被展平并返回。这是本文中使用的网络结构（https://ar xi v.org/pdf/ 1703 .05 175 v2.pdf），您可以使用任何任何你喜欢的体系结构。有必要知道，虽然我们称之为"Image2Vector"模型，但它实际上将图像转换为度量空间中的 64 维的点。要更好地了解差异，请查看 math stack exchange（https://math.stackexchange .com /questions/ 64 5672/what-is-the-difference-between-a-point-and-a-vector）。
负log概率的原理，图源：https://ljvmiranda921.github.io/notebook/2017/08/13/softmax-and-the-negative-log-likelihood/#nll
现在，已经知道了模型是如何工作的，您可能更想知道我们将如何计算损失函数。我们需要一个足够强大的损失函数，以便我们的模型能够快速高效地学习。原型网络使用log-softmax损失，这只不过是对 softmax 损失取了对数。当模型无法预测正确的类时，log-softmax 的效果会严重惩罚模型，而这正是我们需要的。要了解有关损失函数的更多情况，请访问此处。这里是关于 softmax 和 log-softmax 的很好的讨论。
Omniglot数据集中的部分示例（图源：https://github .com /brendenlake/omniglot）
该网络在 Omniglot 数据集（https://github .com /brendenlake/omniglot）上进行了训练。Omniglot 数据集是专门为开发更类似于人类学习的算法而设计。它包含 50个不同的字母表，共计1623 个不同的手写字符。为了增加类的数量，所有图像分别旋转 90、 180 和 270 度，每次旋转后的图像都当做一个新类。因此，类的总数达到 了 64 92（1，623 + 4）类别。我们将 4200 个类别的图像作为训练数据，其余部分则用于测试。对于每个集合，我们根据 64 个随机选择的类中的每个示例对模型进行了训练。我们训练了模型 1 小时，获得了约 88% 的准确率。官方文件声称，经过几个小时的训练和调整一些参数，准确率达到99.7%。
是时候亲自动手实践了！
您可以通过访问以下链接轻松运行代码：
代码地址： https://github .com /Hsankesara/Prototypical-Networks
运行地址： https://floydhub .com /run?template=https://github .com /Hsankesara/Prototypical-Networks
让我们深入学习一下代码！（向左←滑动可查看完整代码）
以上的代码是 Image2Vector CNN结构的一个实现。它的输入图像的维度为28*28*3，返回特征向量的长度为 64 。
上面的代码片段是原型网中单个结构的实现。如果你有任何疑问，只需在评论中询问或在这里创建一个问题，非常欢迎您的参与和评论。
网络概述。图源：https://youtu.be/wcKL05DomBU
代码的结构与解释算法的格式相同。我们为原型网络函数提供以下输入：输入图像数据、输入标签、每次迭代的类数（即 Nc ）、每个类的支持示例数（即 Ns ）和每个类的查询示例数（即 Nq ）。函数返回 Queryx ，它是从每个查询点到每个平均点的距离矩阵， Queryy 是包含与 Queryx 对应的标签的向量。 Queryy 存储 Queryx 的图像实际所属的类。在上面的图像中，我们可以看到，使用3个类，即 Nc ＝3，并且对于每个类，总共有5个示例用于训练，即 Ns ＝5。上面的s表示包含这15个（ Ns * Nc ）图像的支持集， X 表示查询集。注意，支持集和查询集都通过 f ，它只不过是我们的“image2vector”函数。它在度量空间中映射所有图像。让我们一步一步地把整个过程分解。
首先，我们从输入数据中随机选择 Nc 类。对于每个类，我们使用random_sample_cls函数从图像中随机选择一个支持集和一个查询集。在上图中，s是支持集，x是查询集。现在我们选择了类（ C1 、C2 和 C3 ），我们通过“image2vector”模型传递所有支持集示例，并使用get_centroid函数计算每个类的质心。在附近的图像中也可以观察到这一点。每个质心代表一个类，将用于对查询进行分类。
网络中的质心计算。图源：https://youtu.be/wcKL05DomBU
在计算每个类的质心之后，我们现在必须预测其中一个类的查询图像。为此，我们需要与每个查询对应的实际标签，这些标签是使用get_query_y函数获得的。 Queryy 是分类数据，该函数将该分类文本数据转换为一个热向量，该热向量在列点对应的图像实际所属的行标签中仅为“1”，在列中为“0”。
之后，我们需要对应于每个 Queryx 图像的点来对其进行分类。我们使用“image2vector”模型得到这些点，现在我们需要对它们进行分类。为此，我们计算 Queryx 中每个点到每个类中心的距离。这给出了一个矩阵，其中索引 ij 表示与第 i 个查询图像对应的点到第 j 类中心的距离。我们使用get_query_x函数构造矩阵并将矩阵保存在 Queryx 变量中。在附近的图像中也可以看到同样的情况。对于查询集中的每个示例，将计算它与 C1、C2 和 C3 之间的距离。在这种情况下， X 最接近 C2 ，因此我们可以说 X 被预测属于 C2 类。
以编程方式，我们可以使用一个简单的ARMmin函数来做同样的事情，即找出图像被预测的类。然后使用预测类和实际类计算损失并反向传播错误。
如果你想使用经过训练的模型，或者只需要重新训练自己，这里是我的实现。您可以使用它作为API，并使用几行代码来训练模型。你可以在这里找到这个网络。
3. 资源列表
这里有些资源可以帮你更全面的了解本文内容：
4. 局限性
尽管原型网络的结果不错，但它们仍然有局限性。首先是缺乏泛化，它在Omniglot数据集上表现很好，因为其中的所有图像都是一个字符的图像，因此共享一些相似的特征。然而，如果我们试图用这个模型来分类不同品种的猫，它不会给我们准确的结果。猫和字符图像几乎没有共同的特征，可以用来将图像映射到相应度量空间的共同特征的数量可以忽略不计。
原型网络的另一个限制是只使用均值来确定中心，而忽略了支持集中的方差，这在图像有噪声的情况下阻碍了模型的分类能力。利用高斯原网络（https://ar xi v.org/abs/ 1708 .02 73 5）类中的方差，利用高斯公式对嵌入点进行建模，克服了这一局限性。
5. 结论
小概率学习是近年来研究的热点之一。有许多使用原型网络的新方法，比如这种元学习方法，效果很好。研究人员也在 探索 强化学习，这也有很大的潜力。这个模型最好的地方在于它简单易懂，并且能给出令人难以置信的结果。
via https://blog.floydhub .com /n-shot-learning/
本文由雷锋字幕组成员翻译，雷锋字幕组是由AI爱好者组成的字幕翻译团队；团队成员有大数据专家、算法工程师、图像处理工程师、产品经理、产品运营、IT咨询人、在校师生；志愿者们来自IBM、AVL、Adobe、阿里、网络等知名企业，北大、清华、港大、中科院、南卡罗莱纳大学、早稻田大学等海内外高校研究所。了解字幕组 请加 微信 ~
2. 求些书或资料，关于亚瑟王的，谢谢~
亚瑟王(King Arthur)是英格兰传说中的国王，圆桌骑士团的首领，一位近乎神话般的传奇人物。他是罗马帝国瓦解之后，率领圆桌骑士团统一了不列颠群岛，被后人尊称为亚瑟王。关于亚瑟王的传奇故事，最初如何诞生，源自何处，皆无从查考。究竟亚瑟王是不是以某位历史人物作为基础塑造出来的虚构角色也不得而知。 如果确实存在亚瑟王这个人物，据推测他所生活的年代大概是公元500年左右，其间是一段50年左右（符合所知的各亚瑟王版本）的时期。
西元800年左右，威尔斯的修士撰写了一本《布灵顿人的历史》，书中首次记载“亚瑟”这个名字，描述他领导威尔斯人抵抗从泰晤士河中游入侵的萨克森人。
亚瑟王传说
亚瑟王传说，是西元十二世纪，由遍历欧洲的吟游诗人开始传颂的。 公认的集大成作品为15世纪左右的《亚瑟王之死》
曾经统治英国的凯尔特民族在西元一世纪的时候被罗马帝国所统治，历经六世纪以后，日耳曼民族相继入侵，其势力渐趋衰微，终于被迫让出英国王位。传说中，亚瑟就是在日耳曼民族入侵的这段时期里面，以凯尔特人的英雄身分登场。他率领各部落在名为巴顿山之役的交战中一举击溃属于日耳曼民族一支的萨克森人，被视为中世纪英国着名的传奇人物。
但是，亚瑟的形象却随着传说故事旳演进而不断地变化，最后演变成为统治不列颠之王，成为将兰斯洛、崔斯坦等传说中的骑士收于麾下的“圆桌骑士团”的首领，拥有至高荣誉的英雄。
王者之剑（Excalibur）与石中剑（The Sword in the Stone）是亚瑟王至尊的王权象征，佩带着这把具有精灵魔力的王者之剑，令众骑士俯首称臣，不仅确立他自己的王位，也在众多的战役之中赢得胜利，凯旋而归。
王者之剑
王者之剑（Excalibur），又译为断钢剑、斩铁剑、湖中剑。值得注意的是有许多较不专业的译文将此剑时译之为石中剑，这是不正确的。
石中剑（The Sword in the Stone)，亚瑟拔出的选王之剑。一说其为Excalibur的原型Caliburn。《不列颠诸王史》关于Caliburn的记载有亚瑟王用此剑一战杀掉攻击他的470名萨克逊士兵。
王者之剑是在亚瑟王传说中所登场的魔法圣剑，可以称得上是后世骑士文学中，英雄多半配持着名宝剑传统的滥觞。
在亚瑟王传说中，拔出石中剑、登基为王的亚瑟在与King Pellinore(个人印象是Sir Pellinore)交锋时折断了石中剑，此役起因是亚瑟在一座城堡拜访时，城堡主人Annoure看到向城堡走来的Sir Pellinore，请求亚瑟王给予保护。实际上Sir Pellinore也是受到Annoure戏弄，前来与亚瑟王交锋。这次战斗被认为是违反骑士道的，成为石中剑断裂的原因。后来他在梅林的指引下，从湖中女士的手中得到了王者之剑。王者之剑在精灵国度阿瓦隆所打造，剑锷由黄金所铸、剑柄上镶有宝石，并因其锋刃削铁如泥，故湖中女士以Excalibur（即古塞尔特语中“断钢”之意）命名之。梅林此时则告诫亚瑟：“王者之剑虽强大，但其剑鞘却较其剑更为贵重。配戴王者之剑的剑鞘者将永不流血，你决不可遗失了它。”
但后来亚瑟王还是遗失了剑鞘，也因此他虽拥有削铁如泥的宝剑，最后仍为叛徒骑士Mordred所杀。而王者之剑最后则在亚瑟王的嘱咐下，由Sir Bedivere投回湖中，与亚瑟王一齐回到精灵国度阿瓦隆去。
阿瓦隆
阿瓦隆(Avalon)是亚瑟王传奇中的重要岛屿，一般咸信它应该就是今天位于英格兰西南的格拉斯顿堡（Glastonbury）。
传说中，阿瓦隆四周为沼泽和迷雾所笼罩，只能通过小船抵达。在亚瑟王传奇中，阿瓦隆象征来世与身后之地。亚瑟王死后，他的同母异父的姐姐莫甘娜(Morgan le Fay)用小船将他的遗体运来并埋葬于此。
关于avalon的词源，有一种理论认为它是凯尔特语“Annwyn”的英语化，而Annwyn意指仙女之地或冥间。英国编年史家，蒙茅斯的杰佛里(Geoffrey of Monmouth)则认为avalon是苹果岛之意(isle of apples)。考虑到直到今天，apple一词在布列塔尼语(Breton)和康沃尔语(Cornish)中仍被拼为Afal，而在威尔士语(Welsh)中则为Aval,杰佛里的说法似乎较为可信。
Glastonbury在凯尔特语中又称为"Ynis Witrin"，意即玻璃岛(The Isle of Glass)。冯象先生于2003所出以亚瑟王传奇为主题的新书，即以“玻璃岛”为书名。也许您仍然会困惑为何一个岛会以玻璃命名。一种有趣的解释是，古代的玻璃镜乃青铜打磨而成，而Glastonbury青葱一碧，颜色具象，故有此名。
圆桌骑士
亚瑟王迎娶Guinivere时其父赠予亚瑟王一张可容150人（一说50）的圆桌（一说Merlin所制造……）。圆桌骑士据说为128人（还有32，24等版本，最离奇的是有把跟查理曼大帝的12骑士搞混的，详见某给中学生写的双语读物）。其中有一个“Siege Perilous”（危险席），只有注定获得圣杯的（一说品行完全没有污点的）骑士才可以安坐该席而不丧命。后来坐上此席的是Sir Galahad。有名的圆桌骑士还有第一骑士Sir Lancelot，他的好友（一段时间也是敌人），实力可与Lancelot匹敌的Sir Gawain，将亚瑟王圣剑还入湖中的Sir Bedivere，与亚瑟王为兄弟的Sir Kay及其父Sir Ector，Meloidas国王的儿子Sir Tristram，双剑骑士Sir Balin及其弟Balan（似乎没有受封爵士），后创建圣杯骑士团的Sir Parcivale等。顺便带上Sir Agrivaine和Sir Mordred两个叛徒人物。
萨克森人
萨克森人（英语Saxon；德语Sachsen），又译撒克逊人，原属日耳曼蛮族，早期分布于今日德国境内的尼德萨克森（Niedersachsen）地方。西元5世纪中期，大批的日耳曼人经由北欧入侵大不列颠群岛，包括了盎格鲁人（Angles）、萨克森人、朱特人（Jutes），经过长期的混居，逐渐形成现今英格兰人的祖先。
-----------------------------------------------------------------------------------------------------------
电影亚瑟王
中文片名：《亚瑟王》
英文片名：《King Arthur》
导 演：安东尼-福奎阿
类 型：动作/冒险/剧情/战争
级 别：PG-13
发 行：试金石影业
上映日期：2004年7月7日
领衔主演： 克莱夫-欧文 斯蒂芬-蒂尔内
影片分析
亚瑟是这个罗马与英国在古老的凯尔特人诗歌中共同传唱的英雄亚瑟王。与他的武士同伴一样，亚瑟相信一旦罗马从英国撤军，将会给英国带来无穷的灾难和混乱。然而，在亚瑟解放圆桌武士之前，他们必须完成罗马交与他们的最后一项任务，深入敌军区域完成一项神圣的使命……
人物介绍
出身贵族的桂尼维亚在她的敌人亚瑟以及亚瑟即将登上王位的道路上左右为难她害怕她的人民沦陷于撒克逊人的手中，所以她宁可与她的宿敌，可恶的罗马人亚瑟联盟。最终她意识到亚瑟是一个伟大的男人，但她无法确定亚瑟是否能尽释前嫌，为这个曾经与他为敌的国家去斗争和牺牲……
3. 各大星座是由多少颗星星组成
双鱼---
观望秋夜星空，你可看到在飞马座的东南方，有两个鱼状构成的星座，叫做双鱼星座。双鱼座有西鱼、北鱼之分。西鱼是由六颗小星组成的一个不规则的多边形，北鱼是由几颗暗星构成的另一个不规则的多边形。在西鱼和北鱼之间，有两列星星组成一个英文大写字母“L”，像是连接两条鱼尾巴的丝带。
双鱼星座是由一群较暗的恒星组成的。关于双鱼星座，也有一段美丽的传说。在希腊传说中，称为“北鱼”的那几颗星星呈三角形，是美丽女神阿佛洛狄忒的化身；称为“西鱼”的那几颗星，是阿佛洛狄忒的小儿子——爱神厄洛斯的化身。这娘儿俩中间联接着一条丝带，难舍难分。当阿佛洛狄忒来到奥林匹斯山（众神之山）时，诸神立即被她的美貌所吸引。天神宙斯就曾多次表示喜爱她，可阿佛洛狄忒不愿意和这位天神在一起，便拒绝了。宙斯便怀恨在心，凭着自己的权势，将她嫁给了一个又丑又跛的工匠之神。阿佛洛狄忒是个很有主见的姑娘，她毅然摆脱了宙斯的摆布，与战神阿瑞斯结婚。后来，他们有了儿女，生活得很美满。
阿佛特狄忒和她的小儿子——小爱神厄洛斯（在罗马传说中称作“丘比特”），共同掌管人间天上的婚姻大事。有一天，母子俩正在幼发拉底河畔散步，突然，一头巨大的妖怪向她们母子袭击过来，这家伙长着100个头，四肢缠绕着毒蛇，眼睛、鼻孔和口中都在向外喷吐着火焰。阿佛洛狄忒拉着小爱神一头跃入河中，化作两条鱼，很快潜入水中逃之夭夭。水中的阿佛洛狄忒放出一条丝带，系住了小爱神的尾巴。后来，智慧女神雅典娜为了纪念这一事件，便将这母子俩的化身提升到天界固定下来，成为现在的双鱼星座。
在天文学中，双鱼星座是个重要的星座，因为春分点正位于“西鱼”的尾部。从星空观测的角度来说，双鱼星座属于秋季星座。在秋夜星空中，少年朋友们不妨寻找一下这个黄道星座。如果你有一架小型天文望远镜，可以看到在双鱼星座中“北鱼”的丝带附近，有一个暗淡的天体，看上去像个星云。它与我们所在的银河系相类似，是一个漩涡状的河外星系。
摩羯座
这个星座的星较暗,但并不难寻找.在每年秋季夜晚八九点钟的时候,你可先从银河两岸找到着名的织女星和牛郎星.把织女与牛郎两颗星设想连接起来,向
南延长同样的长度,可看到两颗三等星,它们是摩羯的头部.再从这里向东
把分散的暗星联起来,像是一个倒三角形,这就是摩羯座.由于它是由几十
颗暗星排列成的,如不用心去找还不太容易看出这只形状怪异的公羊呢!
摩羯星座中虽无亮星,但是在羊角处却有一颗肉眼可见的着名双星,它
可以成为检验少年朋友们眼力的标志.要观察摩羯座,必须在秋季,一般以
9月～10月为最好,特别是在10月初,它在天空中升得最高.
狮子座是春夜星空最重要的标志,每年
3月,狮子座从东方天空升起,4月移到南方天空,5月后从西方天空沉入地
平线.寻找狮子座的最好时机是在每年4月初晚上9点钟前后,你面向南方,
可看见六颗亮星构成一把弯弯的镰刀形,刀口朝西.仔细看,它又像是一个
反写的问号,"反问号"的一点是狮子座最亮的星——狮子座α,我国称为
"轩辕十四".
巨蟹星座
选择在2,3月份.每年1月傍晚前后,
巨蟹星座出现于东方地平线上.到3月下旬傍晚之后,可看到它升至南方中
天,位置最高.为了便于观察,应选一个没有月光的晚上(农历初一,二),
使用一架双筒望远镜或小型天文望远镜,你可以看到:在巨蟹座中央有一个
由四颗暗星组成的"小四边形",那是巨蟹的"身体"——螃蟹盖,整个星
座形状却像个"人"字.小四边形顶角上的四颗星分别与四边形外的几颗小
星联在一起,构成了巨蟹的螫和足.
仔细观察巨蟹星座的小四边形,可以看到微弱的蓝白色光点,那是一个
着名的疏散星团,叫"鬼星团"(又叫"蜂巢星团").
太多,楼主自己看吧,这个地址是天空动物园
http://cache..com/c?word=%B0%D7%D1%F2%D7%F9%3B%CA%C7%D3%C9%3B%B6%E0%C9%D9%3B%BF%C5%3B%D0%C7%D0%C7%3B%D7%E9%B3%C9&url=http%3A//mail%2Ezzrtu%2Ecom/book/82/kwdw/ts082064%2Epdf&b=0&a=41&user=