关于【饭前喝汤好还是饭后喝汤好】，四物汤饭前还是饭后喝最好，今天涌涌小编给您分享一下，如果对您有所帮助别忘了关注本站哦。

1、「Python」零起步数学+神经网络入门

摘要：手把手教你用(Python)零起步数学+神经网络入门！

在这篇文章中，我们将在Python中从头开始了解用于构建具有各种层神经网络（完全连接，卷积等）的小型库中的机器学习和代码。最终，我们将能够写出如下内容：

假设你对神经网络已经有一定的了解，这篇文章的目的不是解释为什么构建这些模型，而是要说明如何正确实现。

逐层

我们这里需要牢记整个框架：

1. 将数据输入神经网络

2. 在得出输出之前，数据从一层流向下一层

3. 一旦得到输出，就可以计算出一个标量误差。

4. 最后，可以通过相对于参数本身减去误差的导数来调整给定参数（权重或偏差）。

5. 遍历整个过程。

最重要的一步是第四步。 我们希望能够拥有任意数量的层，以及任何类型的层。 但是如果修改/添加/删除网络中的一个层，网络的输出将会改变，误差也将改变，误差相对于参数的导数也将改变。无论网络架构如何、激活函数如何、损失如何，都必须要能够计算导数。

为了实现这一点，我们必须分别实现每一层。

每个层应该实现什么

我们可能构建的每一层（完全连接，卷积，最大化，丢失等）至少有两个共同点：输入和输出数据。

现在重要的一部分

假设给出一个层相对于其输出（∂E/∂Y）误差的导数，那么它必须能够提供相对于其输入（∂E/∂X）误差的导数。

记住，Eæ˜¯æ ‡é‡ï¼ˆä¸€ä¸ªæ•°å­—ï¼‰ï¼ŒX和Y是矩阵。

我们可以使用链规则轻松计算∂E/∂X的元素：

为什么是∂E/∂X？

对于每一层，我们需要相对于其输入的误差导数，因为它将是相对于前一层输出的误差导数。这非常重要，这是理解反向传播的关键！在这之后，我们将能够立即从头开始编写深度卷积神经网络！

花样图解

基本上，对于前向传播，我们将输入数据提供给第一层，然后每层的输出成为下一层的输入，直到到达网络的末端。

对于反向传播，我们只是简单使用链规则来获得需要的导数。这就是为什么每一层必须提供其输出相对于其输入的导数。

这可能看起来很抽象，但是当我们将其应用于特定类型的层时，它将变得非常清楚。现在是编写第一个python类的好时机。

抽象基类：Layer

所有其它层将继承的抽象类Layer会处理简单属性，这些属性是输入，输出以及前向和反向方法。

from abc import abstractmethod# Base classclass Layer: def __init__(self): self.input = None; self.output = None; self.input_shape = None; self.output_shape = None; # computes the output Y of a layer for a given input X @abstractmethod def forward_propagation(self, input): raise NotImplementedError # computes dE/dX for a given dE/dY (and update parameters if any) @abstractmethod def backward_propagation(self, output_error, learning_rate): raise NotImplementedError

正如你所看到的，在back_propagation函数中，有一个我没有提到的参数，它是learning_rate。 此参数应该类似于更新策略或者在Keras中调用它的优化器，为了简单起见，我们只是通过学习率并使用梯度下降更新我们的参数。

全连接层

现在先定义并实现第一种类型的网络层：全连接层或FC层。FC层是最基本的网络层，因为每个输入神经元都连接到每个输出神经元。

前向传播

每个输出神经元的值由下式计算：

使用矩阵，可以使用点积来计算每一个输出神经元的值：

当完成前向传播之后，现在开始做反向传播。

反向传播

正如我们所说，假设我们有一个矩阵，其中包含与该层输出相关的误差导数（∂E/∂Y）。 我们需要 ：

1.关于参数的误差导数（∂E/∂W，∂E/∂B）

2.关于输入的误差导数（∂E/∂X）

首先计算∂E/∂W，该矩阵应与W本身的大小相同：对于ixj，其中i是输入神经元的数量，j是输出神经元的数量。每个权重都需要一个梯度：

使用前面提到的链规则，可以写出：

那么：

这就是更新权重的第一个公式！现在开始计算∂E/∂B：

同样，∂E/∂B需要与B本身具有相同的大小，每个偏差一个梯度。 我们可以再次使用链规则：

得出结论：

现在已经得到∂E/∂W和∂E/∂B，我们留下∂E/∂X这是非常重要的，因为它将“作用”为之前层的∂E/∂Y。

再次使用链规则：

最后，我们可以写出整个矩阵：

我们已经得到FC层所需的三个公式！

编码全连接层

现在我们可以用Python编写实现：

from layer import Layerimport numpy as np# inherit from base class Layerclass FCLayer(Layer): # input_shape = (1,i) i the number of input neurons # output_shape = (1,j) j the number of output neurons def __init__(self, input_shape, output_shape): self.input_shape = input_shape; self.output_shape = output_shape; self.weights = np.random.rand(input_shape[1], output_shape[1]) - 0.5; self.bias = np.random.rand(1, output_shape[1]) - 0.5; # returns output for a given input def forward_propagation(self, input): self.input = input; self.output = np.dot(self.input, self.weights) + self.bias; return self.output; # computes dE/dW, dE/dB for a given output_error=dE/dY. Returns input_error=dE/dX. def backward_propagation(self, output_error, learning_rate): input_error = np.dot(output_error, self.weights.T); dWeights = np.dot(self.input.T, output_error); # dBias = output_error # update parameters self.weights -= learning_rate * dWeights; self.bias -= learning_rate * output_error; return input_error;

激活层

到目前为止所做的计算都完全是线性的。用这种模型学习是没有希望的，需要通过将非线性函数应用于某些层的输出来为模型添加非线性。

现在我们需要为这种新类型的层（激活层）重做整个过程！

不用担心，因为此时没有可学习的参数，过程会快点，只需要计算∂E/∂X。

我们将f和f'分别称为激活函数及其导数。

前向传播

正如将看到的，它非常简单。对于给定的输入X，输出是关于每个X元素的激活函数，这意味着输入和输出具有相同的大小。

反向传播

给出∂E/∂Y，需要计算∂E/∂X

注意，这里我们使用两个矩阵之间的每个元素乘法（而在上面的公式中，它是一个点积）

编码实现激活层

激活层的代码非常简单：

from layer import Layer# inherit from base class Layerclass ActivationLayer(Layer): # input_shape = (1,i) i the number of input neurons def __init__(self, input_shape, activation, activation_prime): self.input_shape = input_shape; self.output_shape = input_shape; self.activation = activation; self.activation_prime = activation_prime; # returns the activated input def forward_propagation(self, input): self.input = input; self.output = self.activation(self.input); return self.output; # Returns input_error=dE/dX for a given output_error=dE/dY. # learning_rate is not used because there is no "learnable" parameters. def backward_propagation(self, output_error, learning_rate): return self.activation_prime(self.input) * output_error;

可以在单独的文件中编写一些激活函数以及它们的导数，稍后将使用它们构建ActivationLayer：

import numpy as np# activation function and its derivativedef tanh(x): return np.tanh(x);def tanh_prime(x): return 1-np.tanh(x)**2;

损失函数

到目前为止，对于给定的层，我们假设给出了∂E/∂Y（由下一层给出）。但是最后一层怎么得到∂E/∂Y？我们通过简单地手动给出最后一层的∂E/∂Y，它取决于我们如何定义误差。

网络的误差由自己定义，该误差衡量网络对给定输入数据的好坏程度。有许多方法可以定义误差，其中一种最常见的叫做MSE - Mean Squared Error：

其中y *和y分别表示期望的输出和实际输出。你可以将损失视为最后一层，它将所有输出神经元吸收并将它们压成一个神经元。与其他每一层一样，需要定义∂E/∂Y。除了现在，我们终于得到E！

以下是两个python函数，可以将它们放在一个单独的文件中，将在构建网络时使用。

import numpy as np# loss function and its derivativedef mse(y_true, y_pred): return np.mean(np.power(y_true-y_pred, 2));def mse_prime(y_true, y_pred): return 2*(y_pred-y_true)/y_true.size;

网络类

到现在几乎完成了！我们将构建一个Network类来创建神经网络，非常容易，类似于第一张图片！

我注释了代码的每一部分，如果你掌握了前面的步骤，那么理解它应该不会太复杂。

from layer import Layerclass Network: def __init__(self): self.layers = []; self.loss = None; self.loss_prime = None; # add layer to network def add(self, layer): self.layers.append(layer); # set loss to use def use(self, loss, loss_prime): self.loss = loss; self.loss_prime = loss_prime; # predict output for given input def predict(self, input): # sample dimension first samples = len(input); result = []; # run network over all samples for i in range(samples): # forward propagation output = input[i]; for layer in self.layers: # output of layer l is input of layer l+1 output = layer.forward_propagation(output); result.append(output); return result; # train the network def fit(self, x_train, y_train, epochs, learning_rate): # sample dimension first samples = len(x_train); # training loop for i in range(epochs): err = 0; for j in range(samples): # forward propagation output = x_train[j]; for layer in self.layers: output = layer.forward_propagation(output); # compute loss (for display purpose only) err += self.loss(y_train[j], output); # backward propagation error = self.loss_prime(y_train[j], output); # loop from end of network to beginning for layer in reversed(self.layers): # backpropagate dE error = layer.backward_propagation(error, learning_rate); # calculate average error on all samples err /= samples; print('epoch %d/%d error=%f' % (i+1,epochs,err));

构建一个神经网络

最后！我们可以使用我们的类来创建一个包含任意数量层的神经网络！为了简单起见，我将向你展示如何构建......一个XOR。

from network import Networkfrom fc_layer import FCLayerfrom activation_layer import ActivationLayerfrom losses import *from activations import *import numpy as np# training datax_train = np.array([[[0,0]], [[0,1]], [[1,0]], [[1,1]]]);y_train = np.array([[[0]], [[1]], [[1]], [[0]]]);# networknet = Network();net.add(FCLayer((1,2), (1,3)));net.add(ActivationLayer((1,3), tanh, tanh_prime));net.add(FCLayer((1,3), (1,1)));net.add(ActivationLayer((1,1), tanh, tanh_prime));# trainnet.use(mse, mse_prime);net.fit(x_train, y_train, epochs=1000, learning_rate=0.1);# testout = net.predict(x_train);print(out);

同样，我认为不需要强调很多事情，只需要仔细训练数据，应该能够先获得样本维度。例如，对于xor问题，样式应为（4,1,2）。

结果

$ python xor.py epoch 1/1000 error=0.322980epoch 2/1000 error=0.311174epoch 3/1000 error=0.307195...epoch 998/1000 error=0.000243epoch 999/1000 error=0.000242epoch 1000/1000 error=0.000242[array([[ 0.00077435]]), array([[ 0.97760742]]), array([[ 0.97847793]]), array([[-0.00131305]])]

卷积层

这篇文章开始很长，所以我不会描述实现卷积层的所有步骤。但是，这是我做的一个实现：

from layer import Layerfrom scipy import signalimport numpy as np# inherit from base class Layer# This convolutional layer is always with stride 1class ConvLayer(Layer): # input_shape = (i,j,d) # kernel_shape = (m,n) # layer_depth = output depth def __init__(self, input_shape, kernel_shape, layer_depth): self.input_shape = input_shape; self.input_depth = input_shape[2]; self.kernel_shape = kernel_shape; self.layer_depth = layer_depth; self.output_shape = (input_shape[0]-kernel_shape[0]+1, input_shape[1]-kernel_shape[1]+1, layer_depth); self.weights = np.random.rand(kernel_shape[0], kernel_shape[1], self.input_depth, layer_depth) - 0.5; self.bias = np.random.rand(layer_depth) - 0.5; # returns output for a given input def forward_propagation(self, input): self.input = input; self.output = np.zeros(self.output_shape); for k in range(self.layer_depth): for d in range(self.input_depth): self.output[:,:,k] += signal.correlate2d(self.input[:,:,d], self.weights[:,:,d,k], 'valid') + self.bias[k]; return self.output; # computes dE/dW, dE/dB for a given output_error=dE/dY. Returns input_error=dE/dX. def backward_propagation(self, output_error, learning_rate): in_error = np.zeros(self.input_shape); dWeights = np.zeros((self.kernel_shape[0], self.kernel_shape[1], self.input_depth, self.layer_depth)); dBias = np.zeros(self.layer_depth); for k in range(self.layer_depth): for d in range(self.input_depth): in_error[:,:,d] += signal.convolve2d(output_error[:,:,k], self.weights[:,:,d,k], 'full'); dWeights[:,:,d,k] = signal.correlate2d(self.input[:,:,d], output_error[:,:,k], 'valid'); dBias[k] = self.layer_depth * np.sum(output_error[:,:,k]); self.weights -= learning_rate*dWeights; self.bias -= learning_rate*dBias; return in_error;

它背后的数学实际上并不复杂！这是一篇很好的文章，你可以找到∂E/∂W，∂E/∂B和∂E/∂X的解释和计算。

如果你想验证你的理解是否正确，请尝试自己实现一些网络层，如MaxPooling，Flatten或Dropout

GitHub库

你可以在GitHub库中找到用于该文章的完整代码。

本文由阿里云云栖社区组织翻译。

文章原标题《math-neural-network-from-scratch-in-python》

作者：Omar Aflak 译者：虎说八道，审校：袁虎。

2、饭前喝汤好还是饭后喝汤好

饭前喝汤好还是饭后喝汤好

“科学的进餐顺序：汤——蔬菜——饮品——饭——肉——水果。”

汤怎么在饭前喝呢？往下再看，有一段说明：

“饭前喝汤，胜似药方。吃饭前，先喝几口汤，等于给消化道加点“润滑剂”，使食物能顺利下咽，防止干硬食物刺激消化道，从而有益于胃肠对食物的消化和吸收。”

“这种

说法，看上去很有道理。”任先生打来电话说，“可是我们原来一直是先吃饭再喝汤的，说是饭前喝汤会冲淡胃酸，影响食物消化，到底哪个时候喝汤比较科学呢？”

饭前喝汤，苗条又健康？

饭前喝汤还是饭后喝汤好？上网一“百度”，有相关网页1750条，绝大多数都说，先喝点汤再吃饭比较好，原因是：饭前喝些汤，对胃的保护有一定好处，这正如运动前做准备活动一样，能够使整个消化器官动起来，使消化腺分泌足够的消化液来消化食物，更有利于食物养料的消化吸收。

还有种说法是“饭前喝汤，苗条又健康；饭后喝汤，越喝越胖”。因为饭前喝汤可增强饱腹感，从而抑制摄食中枢，降低人的食欲。相反，饭已吃饱了，再喝汤容易导致营养过剩，造成肥胖。

也有专家认为，饭前饭后喝汤，只是个人饮食习惯问题，喝汤问题的关键在于喝什么汤，喝多少汤。如果饭前喝少量美味而含蛋白质丰富的汤，可给胃肠一种刺激，使之做好接受食物的准备；如果喝酱油汤一大碗，不但会稀释胃液，还可能吃进过多的盐，不利于健康。

这个问题不必太在意

对这个问题，消化病治疗专家、主任医师、浙江省中医院副院长吕宾教授是这样看的：

饭前喝汤、饭后喝汤都可以，只要不是喝得太多，对食物消化都没什么影响。主要还是个习惯问题，像广东人，一般都是饭前喝的，而像我们浙江人，一般都是饭后喝的，两种喝法都不影响正常饮食，不能说哪一种科学，哪一种不科学。

倒是主张饭前喝汤或饭后喝汤的一些理由，其实是站不住脚的。先说饭前喝汤，胃肠道本身能分泌粘液，可起到润滑作用，为润滑消化道喝汤是多此一举，事实上喝汤也起不到这种作用。

胃可根据离口腔的远近分为两部分，近的叫近端胃，远的叫远端胃。近端胃主要负责接纳食物，它的容量就那么大，稍微喝点汤对正常饮食没有影响，喝多了，别的东西就吃不下很多了。所以有的人为减肥，饭前喝大量的水，使食欲减退，如果长时间这样减肥，身体会缺少营养，是得不偿失的。

远端胃主要负责研磨食物，消化食物离不开胃酸、胃蛋白酶这两种消化液，但饭前喝汤，并不会冲淡消化液，这就像你滴一滴红墨水到钱塘江不会改变水的颜色一样，胃酸的分泌量很大，酸度很强，喝一小碗汤也不会影响到胃酸浓度。所以，也不能因为这个原因而说饭前喝汤不科学。

喝汤是这样，吃水果也是这样，不管是主张餐前吃，还是主张餐后吃，说起来都有根有据，但一般来说，都不足以影响到身体状况。我认为，饮食上不必太看重进餐顺序上的细节，重要的是要注意饮食结构，像有高血压的人、有胃癌家族史的人，一定要吃得淡些，高血脂、肥胖的人一定要吃得清淡些等等。

饭前喝汤好还是饭后喝汤好？

我有一位朋友，“五·一”去了一趟广州，一回来就给我打电话，让我帮着问问饭前喝汤和饭后喝汤哪个对？朋友说，在广州吃饭，先上桌的是一罐汤，这让北方生、北方长，习惯了饭后喝汤的他有些接受不了。

以前就听过某位仁兄关于喝汤与南北方人胖瘦的高论。这位仁兄说，南方人喜欢饭前喝汤，特别是那种老火靓汤，炖的时间长，营养多，到了胃里，通过神经反射到大脑，食欲自动减少。再者，饭前喝汤，占了胃容，吃的东西自然就会减少，所以人也胖不起来。北方人正相反，吃了饭再喝汤，胃都撑大了，而且北方人的汤里油水多，又会增加很多卡路里。

中国营养学会理事长葛可佑研究员认为，饭前饭后喝汤，属于个人饮食习惯的问题，在营养学上没有定论。因此，喝汤问题的关键在于喝什么汤，喝多少汤。如果饭前喝少量美味而含蛋白质丰富的汤，可以给胃肠一种刺激，使之做好接受食物的准备；如果喝酱油汤一大碗，不但会稀释胃液，还可能吃进过多的钠盐，不利于健康。

《健康时报》

饭前喝好还是饭后喝汤好？煲汤吧认为喝汤的时间很有讲究，俗话说“饭前喝汤，苗条又健康；饭后喝汤，越喝越胖”，这是有一定道理的。

饭前先喝几口汤，将口腔、食道润滑一下，可以防止干硬食品刺激消化道黏膜，有利于食物稀释和搅拌，促进消化、吸收。最重要的是，饭前喝汤可使胃内食物充分贴近胃壁，增强饱腹感，从而抑制摄食中枢，降低人的食欲。有研究表明：在餐前喝一碗汤，可以让人少吸收100—190千卡的热能。相反，饭后喝汤是一种有损健康的`吃法。一方面，饭已经吃饱了，再喝汤容易导致营养过剩，造成肥胖；另外，最后喝下的汤会把原来已被消化液混合得很好的食糜稀释，影响食物的消化吸收。

所以说呢，饭后喝汤比饭前喝汤好。

ps：汤汁能在小肠中均匀分散，营养物质很容易被消化、吸收，所以喝汤容易使人长胖。瘦点的人想长肉可以经常喝汤哦，也许效果就出来了，^_^

饭前喝汤好还是饭后喝汤好

饭前吃什么水果养胃呢？

1、黑加仑

果实富含多种维生素、糖类和有机酸等，尤其维生素C含量较高，具有降低实验性高血脂小鼠血脂的功效。黑加仑含有花青素、维生素C、黄酮和酚酸类等物质，具有抗氧化作用，特别适合那些肠胃不太好的人食用。

2、石榴

中医认为味道甘甜的石榴具有生津止渴，润燥的功效，而味道酸涩的石榴可以治疗腹痛腹泻等疾病。另外，石榴中含有鞣酸、维生素C、柠檬酸、苹果酸等多种有助于消化和降血脂的物质，对于调理肠胃有一定的功效。石榴籽不太容易消化，肠胃不好的人可以连籽嚼嚼，然后吐出来。

3、菠萝

菠萝性味甘平，具有健胃消食、补脾止泻、清胃解渴等功用。每100克菠萝果实中所含的维生素C高达30毫克，并含有丰富的水分，适当食用对肾炎，高血压病患者有益。它的果肉中和木瓜一样含有一种能分解蛋白质的酵素，因此它能柔软肉质、消解血块。每次吃菠萝不可过多，过量食用对肠胃有害。

4、葡萄

葡萄可以益气补血、生津止渴、健脾胃利尿。由于葡萄含有大量的酒石酸，因此能够起到帮助消化的作用。所以适当多吃些葡萄可以健脾和胃，对身体的健康大有好处。

5、芒果

芒果是我们熟悉的一种水果，富含膳食纤维，营养价值很高，被誉为"热带水果之王",云南、广西、广东、福建、台湾等地较为多见。芒果性凉，味甘酸；入肺、脾、胃经。市场上多见的芒果西米露是很好的食物，多吃可以保护胃免受损伤。

6、木瓜

众所周知，木瓜是女性所青睐的美容养颜佳品。可是木瓜的养胃功效，你知道多少呢？木瓜中的木瓜蛋白酶，可将脂肪分解为脂肪酸；现代医学发现，木瓜中含有一种酵素，能消化蛋白质，有利于人体对食物进行消化和吸收，这对胃功能不好的人有很大的帮助。

7、柚子

柚子味甘酸，性寒，并且有着很好的健胃、消食、化痰、平喘、解酒的功效。而经过现代医学的研究发现，柚子之所以有这些非凡的功效，主要是由于在柚子中含有蛋白、脂肪、碳水化合物、粗纤维、丰富的维生素C、维生素B2、维生素p、胡萝卜素等物质所致。

8、苹果

苹果的有效成分使得苹果具有降低胆固醇含量、通便和止泻的双重功效，而且对降低血压血脂也有一定的作用，由于苹果所含的营养既全面又很容易被人体消化吸收，因此很多人都爱吃。

饭前喝汤好还是饭后喝汤好

“科学的进餐顺序：汤——蔬菜——饮品——饭——肉——水果。”

汤怎么在饭前喝呢？往下再看，有一段说明：

“饭前喝汤，胜似药方。吃饭前，先喝几口汤，等于给消化道加点“润滑剂”，使食物能顺利下咽，防止干硬食物刺激消化道，从而有益于胃肠对食物的消化和吸收。”

“这种

说法，看上去很有道理。”任先生打来电话说，“可是我们原来一直是先吃饭再喝汤的，说是饭前喝汤会冲淡胃酸，影响食物消化，到底哪个时候喝汤比较科学呢？”

饭前喝汤，苗条又健康？

饭前喝汤还是饭后喝汤好？上网一“百度”，有相关网页1750条，绝大多数都说，先喝点汤再吃饭比较好，原因是：饭前喝些汤，对胃的保护有一定好处，这正如运动前做准备活动一样，能够使整个消化器官动起来，使消化腺分泌足够的消化液来消化食物，更有利于食物养料的消化吸收。

还有种说法是“饭前喝汤，苗条又健康；饭后喝汤，越喝越胖”。因为饭前喝汤可增强饱腹感，从而抑制摄食中枢，降低人的食欲。相反，饭已吃饱了，再喝汤容易导致营养过剩，造成肥胖。

也有专家认为，饭前饭后喝汤，只是个人饮食习惯问题，喝汤问题的关键在于喝什么汤，喝多少汤。如果饭前喝少量美味而含蛋白质丰富的汤，可给胃肠一种刺激，使之做好接受食物的准备；如果喝酱油汤一大碗，不但会稀释胃液，还可能吃进过多的盐，不利于健康。

这个问题不必太在意

对这个问题，消化病治疗专家、主任医师、浙江省中医院副院长吕宾教授是这样看的：

饭前喝汤、饭后喝汤都可以，只要不是喝得太多，对食物消化都没什么影响。主要还是个习惯问题，像广东人，一般都是饭前喝的，而像我们浙江人，一般都是饭后喝的，两种喝法都不影响正常饮食，不能说哪一种科学，哪一种不科学。

倒是主张饭前喝汤或饭后喝汤的一些理由，其实是站不住脚的。先说饭前喝汤，胃肠道本身能分泌粘液，可起到润滑作用，为润滑消化道喝汤是多此一举，事实上喝汤也起不到这种作用。

胃可根据离口腔的远近分为两部分，近的叫近端胃，远的叫远端胃。近端胃主要负责接纳食物，它的容量就那么大，稍微喝点汤对正常饮食没有影响，喝多了，别的东西就吃不下很多了。所以有的人为减肥，饭前喝大量的水，使食欲减退，如果长时间这样减肥，身体会缺少营养，是得不偿失的。

远端胃主要负责研磨食物，消化食物离不开胃酸、胃蛋白酶这两种消化液，但饭前喝汤，并不会冲淡消化液，这就像你滴一滴红墨水到钱塘江不会改变水的颜色一样，胃酸的分泌量很大，酸度很强，喝一小碗汤也不会影响到胃酸浓度。所以，也不能因为这个原因而说饭前喝汤不科学。

喝汤是这样，吃水果也是这样，不管是主张餐前吃，还是主张餐后吃，说起来都有根有据，但一般来说，都不足以影响到身体状况。我认为，饮食上不必太看重进餐顺序上的细节，重要的是要注意饮食结构，像有高血压的人、有胃癌家族史的人，一定要吃得淡些，高血脂、肥胖的人一定要吃得清淡些等等。

饭前喝汤好还是饭后喝汤好？

我有一位朋友，“五·一”去了一趟广州，一回来就给我打电话，让我帮着问问饭前喝汤和饭后喝汤哪个对？朋友说，在广州吃饭，先上桌的是一罐汤，这让北方生、北方长，习惯了饭后喝汤的他有些接受不了。

以前就听过某位仁兄关于喝汤与南北方人胖瘦的高论。这位仁兄说，南方人喜欢饭前喝汤，特别是那种老火靓汤，炖的时间长，营养多，到了胃里，通过神经反射到大脑，食欲自动减少。再者，饭前喝汤，占了胃容，吃的东西自然就会减少，所以人也胖不起来。北方人正相反，吃了饭再喝汤，胃都撑大了，而且北方人的汤里油水多，又会增加很多卡路里。

中国营养学会理事长葛可佑研究员认为，饭前饭后喝汤，属于个人饮食习惯的问题，在营养学上没有定论。因此，喝汤问题的关键在于喝什么汤，喝多少汤。如果饭前喝少量美味而含蛋白质丰富的汤，可以给胃肠一种刺激，使之做好接受食物的准备；如果喝酱油汤一大碗，不但会稀释胃液，还可能吃进过多的钠盐，不利于健康。

《健康时报》

饭前喝好还是饭后喝汤好？煲汤吧认为喝汤的时间很有讲究，俗话说“饭前喝汤，苗条又健康；饭后喝汤，越喝越胖”，这是有一定道理的。

饭前先喝几口汤，将口腔、食道润滑一下，可以防止干硬食品刺激消化道黏膜，有利于食物稀释和搅拌，促进消化、吸收。最重要的是，饭前喝汤可使胃内食物充分贴近胃壁，增强饱腹感，从而抑制摄食中枢，降低人的食欲。有研究表明：在餐前喝一碗汤，可以让人少吸收100—190千卡的热能。相反，饭后喝汤是一种有损健康的`吃法。一方面，饭已经吃饱了，再喝汤容易导致营养过剩，造成肥胖；另外，最后喝下的汤会把原来已被消化液混合得很好的食糜稀释，影响食物的消化吸收。

所以说呢，饭后喝汤比饭前喝汤好。

ps：汤汁能在小肠中均匀分散，营养物质很容易被消化、吸收，所以喝汤容易使人长胖。瘦点的人想长肉可以经常喝汤哦，也许效果就出来了，^_^

本文关键词：饭前喝汤好还是饭后喝汤好百科，饭前喝汤好还是饭后喝汤好，饭前喝汤好还是饭后喝汤好视频，饭前吃水果还是饭后吃水果好，饭前喝汤能减肥吗。这就是关于《饭前喝汤好还是饭后喝汤好，四物汤饭前还是饭后喝最好（零起步数学+神经网络入门）》的所有内容，希望对您能有所帮助！更多的知识请继续关注《犇涌向乾》百科知识网站：http://www.029ztxx.com！