分享个人经验，保留阅读记录，做时间的朋友
navicat 连接不上服务器上的 postgresql 数据库，而pgadmin是可以的，奇怪吧
telnet 端口5432也是通的
网上查了一下，有人说是因为服务器关掉了ping导致的，
问了一下网管小哥，果然服务器的ping被关掉了
也许是因为navicat要先用ping测试一下服务器是否存在，如果没有反应就认为是unknown host
参考：https://blog.csdn.net/u011078141/article/details/88670096
循环神经网络（RNN）是基于序列数据（如语言、语音、时间序列）的递归性质而设计的，是一种反馈类型的神经网络，其结构包含环和自重复，因此被称为“循环”。它专门用于处理序列数据，如逐字生成文本或预测时间序列数据(例如股票价格)。
RNN以输入数m对应输出数n的不同，可以划分为5种基础结构类型：
（1）one to one：其实和全连接神经网络并没有什么区别，这一类别算不上 RNN。
（2）one to many：输入不是序列，输出是序列。可用于按主题生成文章或音乐等。
（3）many to one：输入是序列，输出不是序列（为单个值）。常用于文本分类、回归预测。
（4）many to many：输入和输出都是不定长的序列。这也就是Encoder-Decoder结构，常用于机器翻译。
（5）many to many(m==n)：输入和输出都是等长的序列数据。这是 RNN 中最经典的结构类型，常用于NLP的命名实体识别、序列预测。
关于RNN模型，我们还是从数据、模型、学习目标、优化算法这几个要素展开解析，使用过程需要重点关注的是其输入和输出的差异（本节以经典的m==n的RNN结构为例）。
不像传统的机器学习模型假设输入是独立的，RNN的输入数据元素有顺序及相互依赖的，并按时间步逐一的串行输入模型的。上一步的输入对下一步的预测是有影响的（如文字预测的任务，以“猫吃鱼”这段序列文字，上一步的输入“猫”–x(0)会影响下一步的预测“吃”–x(1)的概率，也会继续影响下下步的预测“鱼”–x(2)的概率），我们通过RNN结构就可以将历史的（上下文）的信息反馈到下一步。
如上图，RNN模型(如左侧模型，实际上也只有这一个物理模型)，按各个时间步展开后（如右侧模型），可以看作是按时间步(t)串联并共享(、、 )参数的多个全连接神经网络。展开后的立体图如下：
RNN除了接受每一步的输入x(t)，同时还会连接输入上一步的反馈信息——隐藏状态h(t-1)，也就是当前时刻的隐藏状态 ℎ(t) 由当前时刻的输入 x(t)和上一时刻的隐藏状态h(t-1)共同决定。
另外的，RNN神经元在每个时间步上是共享权重参数矩阵的（不同于CNN是空间上的参数共享），时间维度上的参数共享可以充分利用数据之间的时域关联性，如果我们在每个时间点都有一个单独的参数，不但不能泛化到训练时没有见过序列长度，也不能在时间上共享不同序列长度和不同位置的统计强度。
如下各时间步的前向传播计算流程图，接下来我们会对计算流程逐步分解：
上图展开了两个时间步t-1及t的计算过程；
t取值为0~m（序列的长度）；
x(t)是t时间步的 输入向量；
U是 输入层到隐藏层的权重矩阵;
h(t)是t时间步 隐藏层的输出状态向量，能表征历史输入（上下文）的反馈信息；
V是 隐藏层到输出层的权重矩阵；b是 偏置项；
o(t)是t时间步 输出层的输出向量；
假设各时间步的状态h的维度为2，h初始值为[0,0]，输入x和输出o维度为1。
将上一时刻的状态h(t-1)，与当前时刻的输入x(t)拼接成一维向量作为全连接的隐藏层的输入，对应隐藏层的的输入维度为3 （如下图的输入部分）。
对应到计算流程图上，t-1时刻输出的状态h(t-1)为[0.537, 0.462]，t时刻的输入为[2.0]，拼接之后为[0.537, 0.462, 2.0]输入全连接的隐藏层，隐藏层的权重矩阵为[[0.1, 0.2], [0.3, 0.4], [0.5, 0.6]]，偏置项b1为[0.1, -0.1]，经过隐藏层的矩阵运算为：h(t-1)拼接x(t) * 权重参数W 拼接 权重矩阵U + 偏置项(b1)再由tanh转换后输出为状态h(t)。接着h(t)与x(t+1)继续输入到下一步（t+1）的隐藏层。
# 隐藏层的矩阵运算的对应代码
np.tanh(np.dot(np.array([[0.537, 0.462, 2.0]]),np.array([[0.1, 0.2], [0.3, 0.4], [0.5, 0.6]])) + np.array([0.1, -0.1]))
# 输出h(t)为：array([[0.85972772, 0.88365397]])
隐藏层输出状态h(t)为[0.86, 0.884]，输出层权重矩阵为[[1.0], [2.0]]，偏置项b1为[0.1], h(t)经由输出层的矩阵运算为：h(t) * V +偏置项(b2)后，输出o(t)
# 输出层的矩阵运算的对应代码
np.dot(np.array([[0.85972772, 0.88365397]]),np.array([[1.0], [2.0]])) + np.array([0.1])
# o(t) 输出: array([[2.72703566]])
上述过程从初始输入（t=0）遍历到序列结束(t=m)，就是一个完整的前向传播过程，我们可以看出权重矩阵、、和偏置项在不同时刻都是同一组，这也说明RNN在不同时刻中是共享参数的。
可以将这RNN计算过程简要概述为两个公式：
状态h(t) = f( U * x(t) + W * h(t-1) + b1)， f为激活函数，上图隐藏层用的是tanh。隐藏层激活函数常用tanh、relu
输出o(t) = g( V * h(t) + b2)，g为激活函数，上图输出层做回归预测，没有用非线性激活函数。当用于分类任务，输出层一般用softmax激活函数
RNN模型将输入 x(t)序列映射到输出值 o(t)后， 同全连接神经网络一样，可以衡量每个 o(t) 与相应的训练目标 y 的误差（如交叉熵、均方误差）作为损失函数，以最小化损失函数L(U,W,V)作为学习目标(也可以称为优化策略)。
RNN的优化过程与全连接神经网络没有本质区别，通过误差反向传播，多次迭代梯度下降优化参数，得到合适的RNN模型参数 （此处忽略偏置项） 。
区别在于RNN是基于时间反向传播，所以RNN的反向传播有时也叫做BPTT(back-propagation through time)，BPTT会对不同时间步的梯度求和，由于所有的参数在序列的各个位置是共享的，反向传播时我们更新的是相同的参数组。如下BPTT示意图及U,W,V求导（梯度）的过程。
优化参数 相对简单，求参数 的偏导数，并对不同时间步的梯度求和：
和 的偏导的求解由于需要涉及到历史数据，其偏导求起来相对复杂，假设只有三个时刻(t==3)，那么在第三个时刻 对 的偏导数为：
相应的， 在第三个时刻对U的偏导数为：
我们根据上面两个式子可以写出L在 时刻对 和 偏导数的通式：
RNN优化的难点
上述展示的都是单向的 RNN，单向 RNN 有个缺点是在 t 时刻，无法使用 t+1 及之后时刻的序列信息，所以就有了双向循环神经网络（bidirectional RNN）。
理论上RNN能够利用任意长序列的信息，但是实际中它能记忆的长度是有限的，经过一定的时间后将导致梯度爆炸或者梯度消失（如上节），即长期依赖（long-term dependencies）问题。一般的，使用传统RNN常需要对序列限定个最大长度、设定梯度截断以及引导信息流的正则化，或者使用门控RNN 如GRU、LSTM 以改善长期依赖问题（–后面专题讨论）。
本项目通过创建单层隐藏层的RNN模型，输入前60个交易日（时间步）股票开盘价的时间序列数据，预测下一个（60+1）交易日的股票开盘价。
导入股票数据，选取股票开盘价的时间序列数据
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
#（本公众号阅读原文访问数据集及源码）
dataset_train = pd.read_csv('./data/NSE-TATAGLOBAL.csv')
dataset_train = dataset_train.sort_values(by='Date').reset_index(drop=True)
training_set = dataset_train.iloc[:, 1:2].values
print(dataset_train.shape)
dataset_train.head()
对训练数据进行归一化，加速网络训练收敛。
# 训练数据max-min归一化
from sklearn.preprocessing import MinMaxScaler
sc = MinMaxScaler(feature_range = (0, 1))
training_set_scaled = sc.fit_transform(training_set)
将数据整理为样本及标签：60 timesteps and 1 output
# 每条样本含60个时间步，对应下一时间步的标签值
X_train = []
y_train = []
for i in range(60, 2035):
X_train.append(training_set_scaled[i-60:i, 0])
y_train.append(training_set_scaled[i, 0])
X_train, y_train = np.array(X_train), np.array(y_train)
print(X_train.shape)
print(y_train.shape)
# Reshaping
X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1))
print(X_train.shape)
利用kera创建单隐藏层的RNN模型，并设定模型优化算法adam， 目标函数均方根MSE
# 利用Keras创建RNN模型
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import SimpleRNN,LSTM
from keras.layers import Dropout
# 初始化顺序模型
regressor = Sequential()
# 定义输入层及带5个神经元的隐藏层
regressor.add(SimpleRNN(units = 5, input_shape = (X_train.shape[1], 1)))
# 定义线性的输出层
regressor.add(Dense(units = 1))
# 模型编译：定义优化算法adam， 目标函数均方根MSE
regressor.compile(optimizer = 'adam', loss = 'mean_squared_error')
# 模型训练
history = regressor.fit(X_train, y_train, epochs = 100, batch_size = 100, validation_split=0.1)
regressor.summary()
展示模型拟合的情况：训练集、验证集均有较低的loss
plt.plot(history.history['loss'],c='blue') # 蓝色线训练集损失
plt.plot(history.history['val_loss'],c='red') # 红色线验证集损失
plt.show()
评估模型：以新的时间段的股票交易系列数据作为测试集，评估模型测试集的表现。
# 测试数据
dataset_test = pd.read_csv('./data/tatatest.csv')
dataset_test = dataset_test.sort_values(by='Date').reset_index(drop=True)
real_stock_price = dataset_test.iloc[:, 1:2].values
dataset_total = pd.concat((dataset_train['Open'], dataset_test['Open']), axis = 0)
inputs = dataset_total[len(dataset_total) - len(dataset_test) - 60:].values
inputs = inputs.reshape(-1,1)
inputs = sc.transform(inputs)
# 提取测试集
X_test = []
for i in range(60, 76):
X_test.append(inputs[i-60:i, 0])
X_test = np.array(X_test)
X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))
# 模型预测
predicted_stock_price = regressor.predict(X_test)
# 逆归一化
predicted_stock_price = sc.inverse_transform(predicted_stock_price)
# 模型评估
print('预测与实际差异MSE',sum(pow((predicted_stock_price - real_stock_price),2))/predicted_stock_price.shape[0])
print('预测与实际差异MAE',sum(abs(predicted_stock_price - real_stock_price))/predicted_stock_price.shape[0])
通过测试集评估，预测与实际差异MSE:53.03141531，预测与实际差异MAE ：5.82196445。可视化预测值与实际值的差异情况，整体比较一致（注：本文仅从数据规律维度预测股价，仅供参考不构成任何投资建议，亏光了别找我
）。
# 预测与实际差异的可视化
plt.plot(real_stock_price, color = 'red', label = 'Real TATA Stock Price')
plt.plot(predicted_stock_price, color = 'blue', label = 'Predicted TAT Stock Price')
plt.title('TATA Stock Price Prediction')
plt.xlabel('samples')
plt.ylabel('TATA Stock Price')
plt.legend()
plt.show()
– EOF –
转自：https://mp.weixin.qq.com/s/7OdED-mwsBoypGBCvor8BA
两块钱的生意，卖一单亏七块。
全国70%的灯饰都来自这里。
台灯、家装灯、路灯、景观灯，只要有灯光的地方，就有一个地方的产品，这就是有着“中国灯饰之都”之称的广东中山市古镇。古镇位于中山、江门、佛山三市的交汇处，比邻港澳。其灯饰产业闻名海外，产品远销130多个国家和地区。
▲古镇地理位置
在经历30余年的发展后，形成了以古镇为中心，覆盖周边三市11镇区，年产值超千亿元的灯饰产业集群。
然而，古镇灯光照耀不到的地方淤积着大片黑暗。疫情袭来加剧了行业内卷，此前隐藏在诸多荣誉之下的问题开始暴露，小企业恶性竞争，打价格战、质量战的比比皆是。
如今的古镇渐显疲态，艰难度日是大多数如今古镇灯饰从业者真实的现状。
“你说，两块的生意是什么样的？”
“大概是倒亏三倍的那种。”
甄东是土生土长的本地人，家里在古镇也是做灯具生意的，有个不大不小的灯具厂，算是世代都在这行业里摸爬滚打。
作为行业老兵的甄东家族，也曾有过巅峰时刻。那会单子多得像漫天飞雪，全款的，带着现金上门的，只要你能提供现货，当场付款。厂里也是挑挑拣拣，量小的，价低的，没几个人愿意做。
甄东还记得，前几年签下第一个200万元大单当夜，拉着公司员工在KTV喝到凌晨4点多，一周兴奋得没睡好觉。
不过，那都是过去时了，今年的生意尤其难做，甄东给我算了一笔扎心账。
像筒灯这类走量的产品，成本组成很简单，包括外壳+光源+驱动+组装，如果外壳套件3寸以下的算5元一个，光源1W五毛，驱动1块钱，组装按五毛的人工费，那么一个5W筒灯大概成本要9元。
“但，网上价格你知道是多少么？”
“两块钱。不是说今年单子少，而是全是低价单，完全接不了。算算账，卖一单要亏七块钱。”
▲线上的灯具价格
原先做国外的单子，甄东家的工厂还能赚不少钱，但现在外网价格也和国内一样，一米多的LED卧室灯降到只要几十块钱，算上材料、工艺、人工、运营的钱，基本都赚不了钱。
今年，因为成本问题，古镇半数工厂必不可免的遭到了冲击，甄氏家族的资金链也被绷紧。
现在甄东最头疼有两块，招工、销路。
▲灯具厂招工难
原先是公司挑员工，现在世道变了，换成员工挑老板。更何况，古镇背靠广州、深圳两个大城市，员工有非常多的选择机会，干的不开心立马走。
所以新时代的招工思路是，供着，哄着，顺便加钱留人。
然而甄东不想加钱。普工月薪在5000-8000元，包吃住，组装线主管是6000底薪+提成。销售的底薪也有3000多，行情不好时，这些都变成了不小的开支。
在他们厂，有几位十几年前跟着甄东父亲的老师傅，做的不开心、给钱不够，就敢当面骂，但他见面还得尊称一声叔、伯。因为这批人是现在工厂的顶梁柱，缺一个根，少一个都是大事。
就是这样一批人，这两年也在逐步退休。此时面临的是后继无人的局面。
如果说招工甄东还能发发牢骚，那么提到销路就只能叹气了，销路就是悬在古镇做灯人头上的一把达摩克里斯之剑，谁也躲不了，谁都挡不住。
▲古镇灯饰工厂对比
按他的话来讲，古镇做灯的要分层级。
高层次的，有稳定的国内外大客户，这其中厉害的给上市公司做代工厂，次点的也有稳定的经销商，旱涝保收、利润有保障。
剩余的也是绝大多数企业现状，这些作坊式企业利润又薄还找不到客户，房租、人工等压的很紧。前几年还能靠着外贸单，或者自来客户凑合过日子，现在一周都没一个客户，坚持一年多，资金链就全断了，几个大商业圈的门店都是成片成片的空。
▲中山古镇瑞丰灯配城
如何破局？甄东到现在也没想明白这个问题，大魄力地搞产业升级几百万，上千万的进口机械买上，是个好想法。可问题是，要是赌错了方向，几代人攒下的家业就断他手里了。
眼下看起来，甄东能做的就只有等。坚持下去，扛过这段艰难时期，等到同行寥寥无几，他家能赚不少。
甄东的经历，是古镇灯饰产业的一个缩影。此前，行业高速发展，这些问题还隐在阴影处。如今受疫情影响，古镇产业弊端全面暴露。从抖音上搜索古镇灯饰四个字，半数是惨淡、跳桥等。
▲抖音搜索灯饰的结果
但有意思的是，这两年理论上是行情很好的年份。
▲中国照明产品季度出口情况，图源，中国照明电器协会
古镇灯饰业2020年总产值140亿元，灯具、照明装置及类似品出口额115.79亿元，出口比重占产值80%以上。
可以说外贸是古镇灯饰的决定性因素。
而据中国照明业协会，2020年中国照明产品一季度在疫情影响下，生产和供应链遭受极大阻碍，但二季度、三季度海外疫情爆发，中国照明企业依靠生产和供给的优势，及时弥补了全球因疫情造成的供给缺口。出口额三连抬升生产，远超此前。
按理说，疫情带来了大批量的单子，古镇应该是赚得盆满钵满，现实为什么是这个情况？
问题在于同质化竞争。
甄东告诉我，灯具生产其实很简单，古镇灯饰的配套产业链很全，板材、电线、芯片等原材料都能在当地买到，只用再加工，一个成型的灯具产品就能做出来。然而，流程简单也就代表着缺少核心技术，产品同质化严重。
▲灯饰企业报价表
如上图所示，两家不同的企业吸顶灯报价，材质、颜色、瓦数等，差异化不大，唯一的区别是外观，图一企业专利号全为外观专利，无有核心技术方面的专利。
这就导致产品仿制简单。古镇的现状是，如果出现一个火热的品类，大量的企业蜂拥而至，直到利润下降，做烂这个品类为止。
▲灯饰厂同质化产品
而去年灯具外销增长的部分原因也是如此，同类产品降价抢市场。
▲LED替换类光源出口情况 图源：中国照明电器协会
以出口数量最大的LED为例，抢占市场的背后是大幅度降价销售的结果。去年出口量连续3季度上涨，单价就连续4个月倒挂，2020年8月至11月LED单价累计下跌达20%。
祸不单行，受疫情影响，全球经济形势不再稳固，从去年中旬开始至今，美元离岸人民币下跌约8%，汇率从7跌至6.4，这对于本就利润单薄的灯饰出口企业是毁灭性的。
然而，这还不算完，大宗商品及覆铜板、PCB、IC芯片、被动元件等原材料、元器件继续大幅涨价并伴随缺货，原材价格疯长。
降价、汇率、高成本，这是疫情时期的三响炮，导致国内灯具企业单薄的利润被进一步压缩，灯饰企业增收不增利。
因此，徒然有庞大的销售额，以外贸为主的古镇也难以盈利，仅少数规模化企业能够低成本运行，多数企业毫无利润可言。所以也是难得的出现倒挂景象，销量再大，古镇小工厂还是没客户。
受此影响，以灯饰企业为核心的古镇，GDP近两年持续低增长，中国千镇排名从2019年的第71位下滑至2021年的322位。
为何同质化企业如此之多？不采取有效措施制止？
这其实是个历史遗留问题。
据中山档案馆，80年代中期古镇海州有两位年轻人——袁达光和袁玉满，他们去中国香港探亲，彼时的中国香港繁华程度远超内陆，夜晚灯光照耀如同白昼，各类灯饰产品目不暇接。
年轻人总有一种探索精神，灯具仅需要一根电线、一根弯管、一个灯泡和灯座，他们想，何不自己做一盏？于是那一年，他们做出了古镇人自己的壁灯，随着时间的发展，壁灯的销量越来越好，不知不觉，形成了 “前店后厂”的独特格局，后来发展成为海洲第一家灯饰厂——裕华灯饰厂。
眼见裕华灯饰厂收益非常好，当地镇民纷纷效仿，以小作坊形式生产灯具。当地镇政府先以政府力量组织镇民在全国各地推销，随后，招商引资配套产业链，创造了良好的产业发展环境，随着行业高速发展，诸多隐患被压在阳光之下，未曾被察觉。
然而，奇迹是靠小公司堆起来的，古镇大量作坊式的企业，也随之传承下来。据中山年鉴，2020年底，古镇镇拥有灯饰及其配件工商企业2.8万家，全镇约20余万常住人口，平均7个人一家灯饰公司。
不管产业链配套多么齐全，30年间“前店后厂”格局始终没有改变。
技术壁垒、渠道壁垒、规模化运作，作坊式生产的企业，很难在上述方向建立护城河，缺少核心竞争力，处在低端制造位置，就只能打价格战。
如此背景下，古镇人如何破局而出？
政府的规划是再次升级产业链。
当前，古镇计划立足“工业强镇、商贸强镇”，走“一专多能”之路，思路是将包括同益工业园、镇南工业园、灯都产业新城之内的逾万亩工业园区，再做高端一些，打造一个智能园区。通过补足高端产品的上下游产业链，来实现突围。
这样做的好处是，不管行业如何发展，只要补足技术高端产业链，照明产业就脱不开古镇，古镇还是那个“中国灯饰之都”。
然而，此举固然能稳住古镇产业中心地位，但中低端产业链还是非良性发展，缺少能从根上改变的诱因。小作坊还是缺少核心竞争力，跟风仿制，盯住一个方向就疯狂出货，直到做烂这个品类。
唯有结构升级，补齐中层企业，打造和培育一批有潜力、竞争力灯具细分行业龙头，吸收兼并小作坊式工厂，并以此降低底层企业数量，呈阶梯化发展，从而避免产业恶性竞争的情况再次出现。
不过，再难的日子也会有人尝到甜蜜时刻，再红海的市场都有新机会，恰逢行业低谷，企业兼并重组正逢其时。
甄东就认识一对夫妻，从定制化的角度切入需求，与家装设计公司签订灯饰外包合同。现在随着居民对定制化、特殊化产品要求越来越多，这对夫妻生意也越来越好了。
再难都要活下去，每个从业人都是这么想的，熬到最后，可能自己就是幸存的那一个。
转自：https://mp.weixin.qq.com/s/yCPhZ2ePhBcW4OCTRXBaXw
国基金报 安曼
近日，一篇名为《卖了4套房，创业12年，如今负债1亿，无家可归》的文章在网上火了。
该文章作者王荣辉是一家托育连锁机构的创始人，2009年开始卖房创业，其品牌估值一度达5亿。但疫情引发停学、退费等导致其资金困难，如今负债1亿。
截至发稿，该话题不仅一度登上微博热搜，至今的阅读量已经达到2.4亿。
随后，有前合伙人发文发文，直指王荣辉并没有她自己说的那么努力、单纯，曾用各种手段排挤、踢走包括她在内的一同创业的合伙人。
也有不少网友感慨创业不易，鼓励她东山再起。
到底发生了什么？基金君带大家一起来看一看……
男默女泪的10万+爆文
3月17日晚，一个平时的阅读量都在1万或2万左右的育儿公众号，发了一篇名为《卖了4套房，创业12年，如今负债1亿，无家可归》的文章。
经过一个晚上的发酵，3月18日早上，基金君看到的时候已经是10万+了。
据作者自述，作者王荣辉是一家知名托育直营连锁品牌的创始人，曾经的她开了几十家保育园，公司估值达5个多亿，前来合作的风投络绎不绝；还被各大卫视邀请担任育儿节目嘉宾，被权威机构聘为特邀专家全国巡讲；甚至还参与了高职教材撰写，与高校共建托育专业进行职业培训，站在了世界儿科儿保大会上做专业演讲，现场一片掌声。
但因为一场疫情，她旗下的几十家直营的保育园陷入停业，员工支出、停课退费、物业租金等等超过7000万，为了应对，她把全家的积蓄拿出来，并且个人担保找银行贷款1000多万，再加上亲戚朋友的帮助，以私人名义，集资了上千万现金来保障公司运转。
但最后的结果是，园区被锁门、停水停电。
有二房东为了霸占政府的拆迁商户安置补偿，直接把园区铲平。
工资不能及时发放，员工老师分崩离析，罢工的罢工，离职的离职，投诉的投诉；被投资机构起诉、仲裁，股权被冻结，微信零钱被锁定。家长也开始唾骂、侮辱、诅咒，上门敲锣、拉横幅围堵，上门胁迫退款……
但在这个过程中，也有很多人给予理解和帮助，有的园区业主动降租，有的员工几个月没准时发放工资还坚持到岗，有的家长在负面舆论中依旧选择信任，照常送孩子入园，餐饮供应商也尽可能地宽容支付期限，有投资方的人想尽办法帮忙盘活，鼓励一定要坚持下去……
文章的最后，作者表示：我不会跑路，不会躲避。只要我活着，我就会承担起一切我该承担的责任，努力偿还一切我该偿还的债务。只要我活着。
在这篇文章的下方不少网友分享了疫情以来，创业的不易与艰辛。
有网友表示，疫情初期，她挺着大肚子从非洲回来待产，孩子他爸坚守着非洲的小本生意。是的，上有四老，下有两小，这是我们唯一的经济来源。只要有一丝丝可能，都没办法放手。当年6月生下二宝，再过几个月二宝就要过两周岁生日了。可是，她爸爸却还沒有抱过她。
还有网友表示，疫情的三年，老公的公司运转不了，拖欠工资，借了朋友的钱，甚至连高利贷都借上了，本以为今年好了，可是青岛的疫情形势更加严峻了，一关一关的太难了！
两年融资上亿元
园区数量翻了十倍
据此前资料介绍，纽诺教育创立于2009年，面向珠三角地区的新中产家庭，提供针对1-3岁婴幼儿的看护服务和早期教育，早教课程包含运动、音乐、语言、数理逻辑等八个系列的课程，一整套服务的打包客单价在4500-6500/月，一般按季度收费。
根据天眼查显示，2017年3月到2019年4月期间，纽诺教育一共获得了4轮融资，融资额至少上亿元。
2017年3月，纽诺教育获得广东文投创工场、毅聪资本上千万元的 Pre-A轮融资。拿到投资之后，王荣辉随即启动规模化扩张，通过开设直营店的方式，从广州拓展到深圳、佛山两地，由最初的3个园，发展到30个园。
2018年4月，纽诺教育完成A轮6500万元的融资，由安赐资本、广州创玺领投，广东文化产业投资基金跟投。2018年全年，纽诺在校生3000人，总营收近亿元。
2020年4月，纽诺教育发布了C轮融资信息，并表示在2020年还要开设30家新园区。不过， 该轮融资在没有了下文。
在纽诺教育的官网上，在正式倒闭之前，纽诺教育有33家园区。
前合伙人发文回应
在3月18日下午，疑似王荣辉前合伙人发文，直指王荣辉并没有她自己说的那么努力、单纯，曾用各种手段排挤、踢走包括她在内的一同创业的合伙人。
该合伙人表示，2016年王荣辉早教中心发展困难时找他寻求帮助，随后一起孵化项目，定发展方向、拉投资，还把自己的人脉关系全都介绍给了王荣辉。
可是没想到，在拿到两家机构的第一笔天使投资后，王荣辉立刻变了，承诺的股份、合作条件等都以各种理由不兑现，还将者这位合伙人从项目中踢了出去。
文章中还提到了其他几位曾被王荣辉用手段排挤出局的合伙人。
据天眼查显示，王荣辉确实和“付X及徐SM”存在股权转让纠纷。
博文显示，“杜RR”在她借钱投入多年且低薪之后被王荣辉用同样的手段和方法扫地出门，双方后来走上司法诉讼。
据天眼查资料显示，杜荣荣曾于2018年7月向广州市天河区人民法院主张将广州纽诺家投资合伙企业（有限合伙）持有的广州纽诺教育科技有限公司30万元股权过户至杜荣荣名下。据天眼查显示，杜荣荣也是广州纽诺家投资合伙企业股东，持股比例为10%。
另一位前合伙人徐SM，王荣辉从来不给她看财务报表，也没有分红，还篡改数据，双方最终走上法庭。
据天眼查资料及诉讼的法律文书显示，徐诗敏的遭遇基本与博文描述的一致。
家长看法：明知要闭园、还怂恿家长续费
与微信文章下面的感恩、支持、同情不一样的是，在王荣辉的微博评论区，排名靠前的留言基本都是家长讨债的。
还有几位家长表示，纽诺2月份还在装修、大力招生，不少家长才交了2万多的学费，现在却突然说公司不行了，认为这就是诈骗。
上述家长表示某个园区30多个小朋友无处可去，涉及金额50万以上。
还有家长透露，纽诺甚至在3月初及前几天让缴费，现在突然闭园了。据悉有的家长交了4个月，有的交了6个月，有人是透支了信用卡交的费。突然闭园，根本没有给“双职工”家庭留出时间解决小孩托管的问题。
作者最新动态：
直播带货、赚钱退费
3月18日下午，作者再次发文表示，“没想到，我却收到了无数的鼓励和安慰。让我在至暗时刻，感受到人世间最大的温暖和善意。”
随后在文末表示，18日晚上8点将在直播间跟大家谈谈“孩子的财商教育”。
在直播间里，王荣辉的背景，是一个个奖杯的上方贴了一张“赚钱退费”的纸条，直播间里提供有多种课程，收费从50到399元不等。
图为王荣辉18日晚直播截图及其所带货的课程
这让基金君想起了靠直播带货，在两年时间里还了4个亿的罗永浩。据说他已经打算退出直播界了，但是他上演的“真还传”却激励了不少创业者投身于“直播带货”的红利浪潮中。
最后，祝愿每一个创业者能扛过冬天，也希望王老师能早日通过直播带货把1个亿还清!
转自：https://mp.weixin.qq.com/s/lC8UVvaYHqIQBjEGrjv9CA
今天开始完成一个欠你们好久的事。
之前写各区头部班级的时候就答应各位数据复合完发一遍完整的表格。来了。
和之前的各区Top系列会略有出入。主要原因是高校的权重根据2021年的秋考分数做了重做，以及修正了部分数据错误。
有冲突，以本表为准。
这个系列拖延的另外一个原因是我关于每个区知道的事情都写完了。我又是一个特别不愿意重复自己的人。
不过幸好各位读者有话要说。所以我把系列前序和本区相关的文章中有意思的留言和我的回答做了精选，附在表后。
系列前序本区文章留言精选：
斜体为我的回复
我们那一届格致普通班到复旦交大都十个左右，现在怎么那么差了？而且那时候还没和南市合并，生源范围也小。是教学质量差了吗？
人口导出、激励机制、对手野蛮生长、上海市域整体升学人口结构变化
从高考数据看，985和211的头部，格致应该是妥妥的超过大同了，从学校的总体实力看，大同平行班比格致平行班强些，中考的录取分值大同也比格致高四分，但从高考成绩来看，格致985的实力是超过大同了，跟你说的反一反。G大请再确认下，高考成绩年来基本都这样，头部格致更尖，总体大同强一些
大同的头部班级是不错。事实上复交同三校的比例，大同和格致差得并不远。两校的差距从华师大开始变大，到上大段差距最大。到后面两校的差距就又收窄了，到上理段就基本无差。感觉就是大同不太擅长教中段的孩子。
大同的亲儿子是立达，也确实有亲儿子的待遇。格致的亲儿子是明珠，但似乎待遇还不如格初。向明的亲儿子原来是永明，但永明现在好像已经没有了，G大又说向初不是向明的亲儿子，那么向明现在还有没有亲儿子呢？
目前的格致初、向明初、大同初都是继子。向明亲儿子没了，继子也就成了亲儿子。
当年我格致全校二三百名的水平名考的华政，复交有120人左右。
各老牌八大实验班的学生居然还会有非原一本的学生，放在以前压根不敢想。现在的学生太惨了
看来并区对向明自招影响不大 黄浦各校都比10年前退步不少
大同2班是二外班，一年半都要学和高考没关系的德语和法语
大同比格致多一个班，人数也应该相应多几十句个，头部班级却少一个，是不是可以理解为大同头部学生更集中？何况大同中考分数线比格致还高，虽然真头部的大都不是裸考进来的，但8选2和7选3差别还是要考虑的吧。就像黄浦人少，后面的重点只好矮子里拔长子了。
嗯，的确有点感觉大同对平行班的重视程度不如格致
G大老师，想了解一下格致的8班和9班（在奉贤）的数据是要算到奉贤区吗？
对，格致奉贤生源绝大部分是奉贤的，所以在奉贤区算。
大家都是700+考进去的，为什么徐汇和黄浦的头部学生差距那么大
中考难度低呀，套用一句话，有些人考一百分，是因为卷子只有一百分
小编文章写得很好，给小编一个小小的建议。在评价向明中学的时候，成语差强人意用的不太恰当，成语意思是尚能使人满意
不要这样说，卢湾是生源流失最严重的区，向明能维持这样的水平已属不易
应该从小学就开始关注G大，盲目给孩子选了一个最差强人意的学区
黄浦性价比还不错，孩子没那么苦
五爱外区班中考分数甩本区的好几条街
嗯，有些外区特定分数段下，五爱（看起来）是最好的选择了，导致分数高，高过这个高中的实际实力
光明和卢高基本就是区重了，比某些区重差太远了
我们那个年代上大被称为保底的“万人坑”，现在这么看看，连主力区的主力班级也就主要在上大的层次，果然比我们那时候考大学要难多了
黄浦现在不能算主力区了。这个区的优点只是下限比较高
看着这些顶级高中的理科班的成绩，除了前五个，是不如外省的县中10选1实验班的成绩
对。我今年做咨询的时候，有若干次和对面家长得出的结论是，如果回乡确保能有最好的教育资源，那可能回乡可以上一个更好的大学。这么做也有缺点，孩子的视野，人生宽度，人脉资源等
市南现在75%进大专了？想当年是25%大专还是表现好的
对，现在的本科率比以前高很多很多。只是多出来这部分本科，你可能都没听说过。
读书在南市就像老国企，思路活出路宽，还看老黄浦。
90年的时候，我在大同初中混，老师说大同要成为全市第五的中学，那时我知道了四大。后来高考，我们班是普通理科班，回顾了下，一个班级进复交的7人。
市区的高中规模太小啦，路过格致中学，小小的场地，估计400米标准操场，都没有，要是想提升成绩，规模扩大，解决食堂就餐，学生尽量全员住宿，统一管理，吧电子设备的干扰减少，好的生源，和较严格管理模式，高考成绩肯定会提升的
光明崛起了啊，04年毕业时平行班只有不到一半能进本科的
光明21年考得的确比较好，另外如上所说，现在的本科也不是过去的本科了。
黄浦区作为一个“多金”的区，其实一直在做一些或更多元化，或更回归教育初心的教学改革，甚至是教学实验，本身可以说是勇气可嘉：比如市八的“男生班”、同济创意中学等等，但对其评价是比较分化的。其实，关键还是要看家长对孩子的期待是什么，或者说想要什么。
同济创意中学感觉最初几年定位不清，耳闻最初几届最终走艺术的人没有外界预想的多。
除了同创以外，黄浦其实现在还有2个艺术特色的高中： 一个是市南中学的“中意美术班”（2018年黄浦区和意大利领馆文化处签了2个合作项目，其一是上外附属大境中学的意大利语语言课程，还有就是市南中学的“中意美术班”。
换言之，市南“中意美术班”的第一届学生已于去年6月毕业了。但因为规模只是一个班20人，加之相当一部分是出国导向，感觉社会影响不是很大。）
另一个是比乐中学，去年签了约，要挂牌“上海音乐学院附属比乐中学”。
十余年前大境毕业生飘过，彼时英语、化学老师还有复旦毕业的老大学生，英语老师和他复旦的老同学黄关福教授合编的某本英语教辅（懂的人自然懂）持续更新了二十多年，现在的高中生还在刷……
和卢湾并区之前大境和敬业为了“老三”的位置相爱相杀了多年，甚至祭出了一些奇葩的招生政策；并区之后，皆成过往。
语文老师以前还办过学生文学校刊，后来和我们感叹生源素养不比以往，渐渐也就不搞了（当然也有电子设备依赖等造成的大环境因素）。
向明、敬业想必也是如此，有过阵痛期。南市地区最惨的还是市八，和老黄浦并区之初分数尚比光明高（当时光明还没有评上市实验性示范性高中），现在看2021进分和2018进分比，又被五爱反超了，flop得厉害啊……
大境的英语特色保留至今，依然是学校最强，初高中都是。学校冠名上外附属，两年前高考还有自招的时候，每年上外都会定向招走5个左右的英语生。
17届向明平行班毕业路过~回顾高中感觉除了好班其余就是在放养 哪怕和好班公用同样的老师…
和两位八大比不拉夸，怎么可能呢？
刚高一开学化学老师就和我们说他知道并区后招进来学生都是三流学生，一上来就给定好性了^_^*
我儿子小学初中高中一直在格致系，感觉初中高中老师都相当敬业，即使平行班也是如此
个人认为格致自招的生源，特别是外区的四校漏网生源比大同好，所以高考25%分位略好于大同。
那个说大同谁都不怕的，我当年大同排过全市第6，第8。然后就没有然后了。
南市和黄浦合并以来的二十多年里，应该大部分都是格致中考分数虽低于大同，但高考好于大同的，03.04年时候格致优势很大的，可能是近几年开始大同反超了几年吧？
中考分数的确反超了好多年了
黄浦学校多人少，新政后浦东牛蛙会减少。若还能维持这样的表现就是普娃天堂了。
看了G大的整理，总感觉现在考大学有那么难吗？还是错觉
你并不孤单。没有正确认识到现在考好大学比我们小时候难很多，是95%教育策略错位的起点。
G大，问一下，格致初级，向明初级是不是可以考大同高中啊？现在这个政策还有亲儿子一说吗
当然可以考，名额到校和裸考对全区初中开放，前者还必须每个初中都有。新政下儿子的作用更多体现在自招和名额到区。顺便说下，目前的格致初、大同初和向明初都不是亲儿子，都是后来过继的养子。只是在各区类似的关系里面，黄浦区的养子属于和爸爸关系比较近的。
从黄浦区和闵行区2021录取分数和中位数来看，感觉在闵行区重点和黄浦尾部市重点相差不大。
大境在伪市重里有种低进高出的感觉啊
这个数据可以说是非常准确了。10年之后开始减招，我感觉从2012年左右开始，差不多对应的录取率就是这样的。但总还是有很多人觉得上海人考复交很容易，上大东华闭眼考。实际上从十年前开始能考到上大的都是老八校市重点排名前列的学生了。要知道复交在05.06年左右在上海每届要招两千多人，现在只有以前的1/4。还有教育局对外宣称的80%大学录取率，其实并不是本科录取率。真正本科录取率有多少，把志愿册上的数字加一下就知道了。
本科录取率的确是80%多。但是50%-80%那段的本科，都是上海父母都没想过的学校。这辈子没想过，甚至都没听说过。
转自：https://mp.weixin.qq.com/s/5jPku376xxbQ0EgQQF9aEg