Get ebook downloads in full at ebookmeta.

com

Geometry of Deep Learning: A Signal Processing

Perspective Ye

https://ebookmeta.com/product/geometry-of-deep-learning-a-
signal-processing-perspective-ye/

OR CLICK BUTTON

DOWNLOAD NOW

Explore and download more ebook at https://ebookmeta.com

 Recommended digital products (PDF, EPUB, MOBI) that
you can download immediately if you are interested.

Deep Learning for Multimedia Processing Applications:

Volume Two: Signal Processing and Pattern Recognition 1st
Edition Uzair Aslam Bhatti
https://ebookmeta.com/product/deep-learning-for-multimedia-processing-
applications-volume-two-signal-processing-and-pattern-recognition-1st-
edition-uzair-aslam-bhatti/
ebookmeta.com

Coherence: In Signal Processing and Machine Learning

Ramírez

https://ebookmeta.com/product/coherence-in-signal-processing-and-
machine-learning-ramirez/

ebookmeta.com

Natural Language Processing A Machine Learning Perspective

Yue Zhang

https://ebookmeta.com/product/natural-language-processing-a-machine-
learning-perspective-yue-zhang/

ebookmeta.com

Alpha Biker Daddy: An Age Play DDLG Motorcycle Club

Romance (Big Bad MC Curvy Little Soulmates Book 1) 1st
Edition Penny Snoak
https://ebookmeta.com/product/alpha-biker-daddy-an-age-play-ddlg-
motorcycle-club-romance-big-bad-mc-curvy-little-soulmates-book-1-1st-
edition-penny-snoak/
ebookmeta.com
Jewish Displaced Persons in Italy 1943 1951 Politics
Rehabilitation Identity 1st Edition Chiara Renzo

https://ebookmeta.com/product/jewish-displaced-persons-in-
italy-1943-1951-politics-rehabilitation-identity-1st-edition-chiara-
renzo/
ebookmeta.com

Memories Hope is the Question 1st Edition Richard Bandler

https://ebookmeta.com/product/memories-hope-is-the-question-1st-
edition-richard-bandler/

ebookmeta.com

The Ultimate French Review and Practice Premium 4th Ed 4th

Edition David M Stillman Ronni L Gordon

https://ebookmeta.com/product/the-ultimate-french-review-and-practice-
premium-4th-ed-4th-edition-david-m-stillman-ronni-l-gordon/

ebookmeta.com

Science and Society in the Sanskrit World 1st Edition

Christopher T. Fleming

https://ebookmeta.com/product/science-and-society-in-the-sanskrit-
world-1st-edition-christopher-t-fleming/

ebookmeta.com

Recent Trends in Image Processing and Pattern Recognition

4th International Conference RTIP2R 2021 Msida Malta
December 8 10 2021 Revised Selcted Papers Kc Santosh
https://ebookmeta.com/product/recent-trends-in-image-processing-and-
pattern-recognition-4th-international-conference-rtip2r-2021-msida-
malta-december-8-10-2021-revised-selcted-papers-kc-santosh/
ebookmeta.com
Research Methods for Political Science Quantitative
Qualitative and Mixed Method Approaches 3rd Edition David
E. Mcnabb
https://ebookmeta.com/product/research-methods-for-political-science-
quantitative-qualitative-and-mixed-method-approaches-3rd-edition-
david-e-mcnabb/
ebookmeta.com
Mathematics in Industry 37

Jong Chul Ye

Geometry
of Deep
Learning
A Signal Processing Perspective
Mathematics in Industry

Volume 37

Series Editors
Hans Georg Bock, Interdisciplinary Center for Scientific Computing IWR,
Heidelberg University, Heidelberg, Germany
Frank de Hoog, CSIRO, Canberra, Australia
Avner Friedman, Ohio State University, Columbus, OH, USA
Arvind Gupta, University of British Columbia, Vancouver, BC, Canada
André Nachbin, IMPA, Rio de Janeiro, RJ, Brazil
Tohru Ozawa, Waseda University, Tokyo, Japan
William R. Pulleyblank, United States Military Academy, West Point, NY, USA
Torgeir Rusten, Det Norske Veritas, Hoevik, Norway
Fadil Santosa, University of Minnesota, Minneapolis, MN, USA
Jin Keun Seo, Yonsei University, Seoul, Korea (Republic of)
Anna-Karin Tornberg, Royal Institute of Technology (KTH), Stockholm, Sweden
Mathematics in Industry focuses on the research and educational aspects of
mathematics used in industry and other business enterprises. Books for Mathematics
in Industry are in the following categories: research monographs, problem-oriented
multi-author collections, textbooks with a problem-oriented approach, conference
proceedings. Relevance to the actual practical use of mathematics in industry is the
distinguishing feature of the books in the Mathematics in Industry series.

More information about this series at https://link.springer.com/bookseries/4650

Jong Chul Ye

Geometry of Deep Learning

A Signal Processing Perspective
Jong Chul Ye
Korea Advanced Institute of Science
and Technology (KAIST),
Daejeon, Republic of Korea

ISSN 1612-3956 ISSN 2198-3283 (electronic)

Mathematics in Industry
ISBN 978-981-16-6045-0 ISBN 978-981-16-6046-7 (eBook)
https://doi.org/10.1007/978-981-16-6046-7

Mathematics Subject Classification: 68T01, 68T07

© The Editor(s) (if applicable) and The Author(s), under exclusive license to Springer Nature Singapore
Pte Ltd. 2022
This work is subject to copyright. All rights are solely and exclusively licensed by the Publisher, whether
the whole or part of the material is concerned, specifically the rights of translation, reprinting, reuse
of illustrations, recitation, broadcasting, reproduction on microfilms or in any other physical way, and
transmission or information storage and retrieval, electronic adaptation, computer software, or by similar
or dissimilar methodology now known or hereafter developed.
The use of general descriptive names, registered names, trademarks, service marks, etc. in this publication
does not imply, even in the absence of a specific statement, that such names are exempt from the relevant
protective laws and regulations and therefore free for general use.
The publisher, the authors, and the editors are safe to assume that the advice and information in this book
are believed to be true and accurate at the date of publication. Neither the publisher nor the authors or
the editors give a warranty, expressed or implied, with respect to the material contained herein or for any
errors or omissions that may have been made. The publisher remains neutral with regard to jurisdictional
claims in published maps and institutional affiliations.

This Springer imprint is published by the registered company Springer Nature Singapore Pte Ltd.
The registered company address is: 152 Beach Road, #21-01/04 Gateway East, Singapore 189721,
Singapore
To Andy, Ella, and Joo
Preface

It was a very different, unprecedented, and weird start of the semester, and I did
not know what to do. This semester, I was supposed to offer a new senior-level
undergraduate class on Advanced Intelligence to jointly teach students at the Depart-
ment of Bio/Brain Engineering and the Department of Mathematical Sciences. I
had initially planned a standard method for teaching machine learning, the contents
of which are practical, experience-based lectures with a lot of interaction with the
students through many mini-projects and term projects. Unfortunately, the global
pandemic of COVID-19 has completely changed the world and such interactive
classes are no longer an option most of the time.
So, I thought about the best way to give online lectures to my students. I
wanted my class to be different from other popular online machine learning courses
but still provide up-to-date information about modern deep learning. However,
not many options were available. Most existing textbooks are already outdated or
very implementation oriented without touching the basics. One option would be to
prepare presentation slides by adding all the up-to-date knowledge that I wanted to
teach. However, for undergraduate-level courses, the presentation files are usually
not enough for students to follow the class, and we need a textbook that students
can read independently to understand the class. For this reason, I decided to write
a reading material first and then create presentation files based on it, so that the
students can learn independently before and after the online lectures. This was the
start of my semester-long book project on Geometry of Deep Learning.
In fact, it has been my firm belief that a deep neural network is not a magic black
box, but rather a source of endless inspiration for new mathematical discoveries.
Also, I believed in the famous quote by Isaac Newton, “Standing on the shoulders
of giants,” and looking for a mathematical interpretation of deep learning. For me
as a medical imaging researcher, this topic was critical not only from a theoretical
point of view but also for clinical decision-making, because we do not want to create
false features that can be recognized as diseases.
In 2017, on a street in Lisbon, I had Eureka! moment in understanding hidden
framelet structure in encoder-decoder neural networks. The resulting interpretation
of the deep convolutional framelets, published in the SIAM Journal of Imaging

vii
viii Preface

Science, has had a significant impact on the applied math community and has
been one of the most downloaded papers since its publication. However, the role
of the rectified linear unit (ReLU) was not clear in this work, and one of the
reviewers in a medical imaging journal consistently asked me to explain the role
of the ReLU in deep neural networks. At first, this looked like a question that went
beyond the scope of the medical application paper, but I am grateful to the reviewer,
as during the agony of preparing the answers to the question, I realized that the
ReLU determines the input space partitioning, which is automatically adapted to
the input space manifold. In fact, this finding led to a 2019 ICML paper, in which
we revealed the combinatorial representation of framelets, which clearly shows the
crucial connection with the classic compressed sensing (CS) approaches.
Looking back, I was pretty brave to start this book project, as these are just two
pieces of my geometric understanding of deep learning. However, as I was preparing
the reading material for each subject of deep learning, I found that there are indeed
many exciting geometric insights that have not been fully discussed.
For example, when I wrote the chapter on backpropagation, I recognized the
importance of the denominator layout convention in the matrix calculus, which
led to the beautiful geometry of the backpropagation. Before writing this book,
the normalization and attention mechanisms looked very heuristic to me, with
no evidence of a systematic understanding that is even more confusing due to
their similarities. For example, AdaIN, Transformer, and BERT were like dark
recipes that researchers have developed with their own secret sauces. However,
an in-depth study for the preparation of the reading material has revealed a very
nice mathematical structure behind their intuition, which shows a close connection
between them and their relationship to optimal transport theory.
Writing a chapter on the geometry of deep neural networks was another joy
that broadened my insight. During my lecture, one of my students pointed out that
some partitions can lead to a low-rank mapping. In retrospect, this was already in
the equation, but it was not until my students challenged me that I recognized the
beautiful geometry of the partition, which fits perfectly with fascinating empirical
observations of the deep neural network.
The last chapter, on generative models and unsupervised learning, is something
of which I am very proud. In contrast to the conventional explanation of the gener-
ative adversarial network (GAN), variational auto-encoder (VAE), and normalizing
flows with probabilistic tools, my main focus was to derive them with geometric
tools. In fact, this effort was quite rewarding, and this chapter clearly unified various
forms of generative model as statistical distance minimization and optimal transport
problems.
In fact, the focus of this book is to give students a geometric insight that can
help them understand deep learning in a unified framework, and I believe that this is
one of the first deep learning books written from such a perspective. As this book is
based on the materials that I have prepared for my senior-level undergraduate class, I
believe that this book can be used for one-semester-long senior-level undergraduate
and graduate-level classes. In addition, my class was a code-shared course for
Preface ix

both bioengineering and math students, so that much of the content of the work
is interdisciplinary, which tries to appeal to students in both disciplines.
I am very grateful to my TAs and students of the 2020 spring class of BiS400C
and MAS480. I would especially like to thank my great team of TAs: Sangjoon
Park, Yujin Oh, Chanyong Jung, Byeongsu Sim, Hyungjin Chung, and Gyutaek
Oh. Sangjoon, in particular, has done a tremendous job as Head TA and provided
organized feedback on the typographical errors and mistakes of this book. I would
also like to thank my wonderful team at the Bio Imaging, Signal Processing
and Learning laboratory (BISPL) at KAIST, who have produced ground-breaking
research works that have inspired me.
Many thanks to my awesome son and future scientist, Andy Sangwoo, and my
sweet daughter and future writer, Ella Jiwoo, for their love and support. You are my
endless source of energy and inspiration, and I am so proud of you. Last, but not the
least, I would like to thank my beloved wife, Seungjoo (Joo), for her endless love
and constant support ever since we met. I owe you everything and you made me a
good man. With my warmest thanks,

Daejeon, Korea Jong Chul Ye

February, 2021
Contents

Part I Basic Tools for Machine Learning

1 Mathematical Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1 Metric Space . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Vector Space . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Banach and Hilbert Space. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.1 Basis and Frames . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Probability Space . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5 Some Matrix Algebra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5.1 Kronecker Product . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.5.2 Matrix and Vector Calculus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.6 Elements of Convex Optimization. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.6.1 Some Definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.6.2 Convex Sets, Convex Functions. . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6.3 Subdifferentials . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.6.4 Convex Conjugate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.6.5 Lagrangian Dual Formulation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.7 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2 Linear and Kernel Classifiers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Hard-Margin Linear Classifier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.1 Maximum Margin Classifier for Separable Cases . . . . . . . . 31
2.2.2 Dual Formulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2.3 KKT Conditions and Support Vectors . . . . . . . . . . . . . . . . . . . . . 35
2.3 Soft-Margin Linear Classifiers. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3.1 Maximum Margin Classifier with Noise . . . . . . . . . . . . . . . . . . 36
2.4 Nonlinear Classifier Using Kernel SVM . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.4.1 Linear Classifier in the Feature Space . . . . . . . . . . . . . . . . . . . . . 39
2.4.2 Kernel Trick. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.5 Classical Approaches for Image Classification . . . . . . . . . . . . . . . . . . . . . 42
2.6 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

xi
xii Contents

3 Linear, Logistic, and Kernel Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2 Linear Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2.1 Ordinary Least Squares (OLS) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.3 Logistic Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3.1 Logits and Linear Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3.2 Multiclass Classification Using Logistic Regression . . . . . 50
3.4 Ridge Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.5 Kernel Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.6 Bias–Variance Trade-off in Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.6.1 Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.7 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4 Reproducing Kernel Hilbert Space, Representer Theorem . . . . . . . . . . . . 61
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.2 Reproducing Kernel Hilbert Space (RKHS) . . . . . . . . . . . . . . . . . . . . . . . . 62
4.2.1 Feature Map and Kernels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.2.2 Definition of RKHS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.3 Representer Theorem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.4 Application of Representer Theorem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.4.1 Kernel Ridge Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.4.2 Kernel SVM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.5 Pros and Cons of Kernel Machines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.6 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

Part II Building Blocks of Deep Learning

5 Biological Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.2 Neurons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.2.1 Anatomy of Neurons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.2.2 Signal Transmission Mechanism . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.2.3 Synaptic Plasticity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.3 Biological Neural Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.3.1 Visual System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.3.2 Hubel and Wiesel Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.3.3 Jennifer Aniston Cell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.4 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
6 Artificial Neural Networks and Backpropagation . . . . . . . . . . . . . . . . . . . . . . 91
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.2 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.2.1 Notation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.2.2 Modeling a Single Neuron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6.2.3 Feedforward Multilayer ANN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
Contents xiii

6.3 Artificial Neural Network Training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96

6.3.1 Problem Formulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
6.3.2 Optimizers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
6.4 The Backpropagation Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
6.4.1 Derivation of the Backpropagation Algorithm . . . . . . . . . . . . 102
6.4.2 Geometrical Interpretation of BP Algorithm . . . . . . . . . . . . . . 105
6.4.3 Variational Interpretation of BP Algorithm . . . . . . . . . . . . . . . 106
6.4.4 Local Variational Formulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
6.5 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
7 Convolutional Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
7.2 History of Modern CNNs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
7.2.1 AlexNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
7.2.2 GoogLeNet. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
7.2.3 VGGNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
7.2.4 ResNet. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
7.2.5 DenseNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
7.2.6 U-Net . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
7.3 Basic Building Blocks of CNNs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
7.3.1 Convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
7.3.2 Pooling and Unpooling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
7.3.3 Skip Connection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
7.4 Training CNNs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
7.4.1 Loss Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
7.4.2 Data Split . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
7.4.3 Regularization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
7.5 Visualizing CNNs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
7.6 Applications of CNNs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
7.7 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
8 Graph Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
8.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
8.2 Mathematical Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
8.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
8.2.2 Graph Isomorphism . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
8.2.3 Graph Coloring . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
8.3 Related Works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
8.3.1 Word Embedding . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
8.3.2 Loss Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
8.4 Graph Embedding . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
8.4.1 Matrix Factorization Approaches . . . . . . . . . . . . . . . . . . . . . . . . . . 146
8.4.2 Random Walks Approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
8.4.3 Neural Network Approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
xiv Contents

8.5 WL Test, Graph Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150

8.5.1 Weisfeiler–Lehman Isomorphism Test . . . . . . . . . . . . . . . . . . . . 150
8.5.2 Graph Neural Network as WL Test . . . . . . . . . . . . . . . . . . . . . . . . 152
8.6 Summary and Outlook . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
8.7 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
9 Normalization and Attention . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
9.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
9.1.1 Notation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
9.2 Normalization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
9.2.1 Batch Normalization. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
9.2.2 Layer and Instance Normalization . . . . . . . . . . . . . . . . . . . . . . . . . 159
9.2.3 Adaptive Instance Normalization (AdaIN) . . . . . . . . . . . . . . . . 161
9.2.4 Whitening and Coloring Transform (WCT) . . . . . . . . . . . . . . . 163
9.3 Attention . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
9.3.1 Metabotropic Receptors: Biological Analogy . . . . . . . . . . . . . 164
9.3.2 Mathematical Modeling of Spatial Attention . . . . . . . . . . . . . 166
9.3.3 Channel Attention . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
9.4 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
9.4.1 StyleGAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
9.4.2 Self-Attention GAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
9.4.3 Attentional GAN: Text to Image Generation . . . . . . . . . . . . . . 172
9.4.4 Graph Attention Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
9.4.5 Transformer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
9.4.6 BERT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
9.4.7 Generative Pre-trained Transformer (GPT) . . . . . . . . . . . . . . . 182
9.4.8 Vision Transformer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
9.5 Mathematical Analysis of Normalization and Attention . . . . . . . . . . . 185
9.6 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189

Part III Advanced Topics in Deep Learning

10 Geometry of Deep Neural Networks. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
10.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
10.1.1 Desiderata of Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
10.2 Case Studies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
10.2.1 Single–Layer Perceptron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
10.2.2 Frame Representation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
10.3 Convolution Framelets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
10.3.1 Convolution and Hankel Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
10.3.2 Convolution Framelet Expansion . . . . . . . . . . . . . . . . . . . . . . . . . . 205
10.3.3 Link to CNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
10.3.4 Deep Convolutional Framelets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
10.4 Geometry of CNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
10.4.1 Role of Nonlinearity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
10.4.2 Nonlinearity Is the Key for Inductive Learning . . . . . . . . . . . 211
Contents xv

10.4.3 Expressivity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212

10.4.4 Geometric Meaning of Features . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
10.4.5 Geometric Understanding of Autoencoder . . . . . . . . . . . . . . . . 220
10.4.6 Geometric Understanding of Classifier . . . . . . . . . . . . . . . . . . . . 222
10.5 Open Problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
10.6 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
11 Deep Learning Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
11.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
11.2 Problem Formulation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
11.3 Polyak–Łojasiewicz-Type Convergence Analysis . . . . . . . . . . . . . . . . . . 229
11.3.1 Loss Landscape and Over-Parameterization . . . . . . . . . . . . . . 232
11.4 Lyapunov-Type Convergence Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235
11.4.1 The Neural Tangent Kernel (NTK) . . . . . . . . . . . . . . . . . . . . . . . . 237
11.4.2 NTK at Infinite Width Limit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238
11.4.3 NTK for General Loss Function . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
11.5 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
12 Generalization Capability of Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
12.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
12.2 Mathematical Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
12.2.1 Vapnik–Chervonenkis (VC) Bounds. . . . . . . . . . . . . . . . . . . . . . . 246
12.2.2 Rademacher Complexity Bounds . . . . . . . . . . . . . . . . . . . . . . . . . . 251
12.2.3 PAC–Bayes Bounds . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254
12.3 Reconciling the Generalization Gap via Double
Descent Model. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 256
12.4 Inductive Bias of Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
12.5 Generalization Bounds via Algorithm Robustness . . . . . . . . . . . . . . . . . 261
12.6 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
13 Generative Models and Unsupervised Learning . . . . . . . . . . . . . . . . . . . . . . . . 267
13.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
13.2 Mathematical Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269
13.3 Statistical Distances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
13.3.1 f -Divergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
13.3.2 Wasserstein Metric . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
13.4 Optimal Transport . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 277
13.4.1 Monge’s Original Formulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 277
13.4.2 Kantorovich Formulation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 278
13.4.3 Entropy Regularization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281
13.5 Generative Adversarial Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283
13.5.1 Earliest Form of GAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283
13.5.2 f -GAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
13.5.3 Wasserstein GAN (W-GAN) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 288
13.5.4 StyleGAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290
xvi Contents

13.6 Autoencoder-Type Generative Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291

13.6.1 ELBO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291
13.6.2 Variational Autoencoder (VAE) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 292
13.6.3 β-VAE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 296
13.6.4 Normalizing Flow, Invertible Flow . . . . . . . . . . . . . . . . . . . . . . . . 298
13.7 Unsupervised Learning via Image Translation . . . . . . . . . . . . . . . . . . . . . 301
13.7.1 Pix2pix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 302
13.7.2 CycleGAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303
13.7.3 StarGAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 306
13.7.4 Collaborative GAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 307
13.8 Summary and Outlook . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311
13.9 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311
14 Summary and Outlook . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 315
15 Bibliography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 317

Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 327
Other documents randomly have
different content
meg az esetleges összeütközés eshetőségeit. Lefestettem nekik a
hősugarat és ők rögtön tárgyalásba ereszkedtek maguk között.
– A’mondó vagyok, hogy elfödve közelükbe kell csúszni s azután
rajtuk ütni, – szólt az egyik.
– Ugyan eredj! – szólt erre a másik. – Mi mögé bujnál, hogy meg
ne gyulladj? Csak könnyebben megsülne az ember! A
legegyszerűbb volna olyan közel menni hozzájuk, amennyire a terep
megengedi s aztán futóárkot húzni.
– Ördög vigyen az árkaiddal! Mindig csak árkokat akarsz; kár,
hogy nem tengeri nyúlnak születtél, Snippy.
– Aztán van nekik nyakuk is? – kérdezte hirtelen egy harmadik,
egy gondolatokba mélyedt, kis, fekete ember, pipáját szopogatva.
Újra leírtam a Marsbelieket.
– Polipok! – szólt erre, – csak azok lehetnek. Nem emberre,
hanem halra vadászunk most!
– Nem is gyilkosság leütni ilyen fenevadakat! – szólt az első
katona.
– De miért is nem bombázzuk agyon az átkozottakat, hogy
egyszerre végük legyen? – szólt a kis, fekete ember. – Ki tudja, mi
mindent terveznek!
– Hát hol a bomba? – szólt az előbbi. – Nincs is rá idő! Roham
kell ide, én csak annyit mondok, mentül előbb pedig!
Így vitatkoztak tovább.
De nem akarom az olvasót kifárasztani e hosszú reggel és a még
hosszabb délután leírásával. Sehogy sem sikerült végigpillantanom
a mezőségen, mert még a horselli és a chobhami templomtornyokat
is katonai méltóságok tartották megszállva. Megszólítottam egypár
katonát, de ezek nem tudtak semmit; a tisztek el voltak foglalva és
titkolóztak. Az emberek a városban újra biztonságban érezték
magukat a katonaság védelme alatt. Marshalltól, a tőzsdéstől,
hallottam, hogy a fia is a mezőségen fekszik a halottak között. A
katonaság felszólítására Horsell környékén elzártak mindent s az
emberek eltávoztak a házakból.
Két óra felé hazamentem délebédre. Nagyon ki voltam fáradva,
mert, mint már említettem, nyomasztó forróság volt. Hogy
felfrissüljek, délután hideg vízben megfürdöttem. Fél négy óra tájban
újra az állomásra mentem esti lapot venni, mert a reggeli lapokban
nem volt más, mint Stent, Henderson, Ogilvy és a többiek
pusztulásának felületes leírása. A lapban alig találtam olyasmit, amit
nem tudtam. A Marsbeliekből egy hüvelyknyit sem lehetett látni. Úgy
látszik, nagyon el voltak foglalva; a kalapácsolás folytonosan tartott s
az üregből szünet nélkül gomolygott a füst. Bizonnyal ütközetre
készülődtek. «Újra megkísérelték jelekkel az érintkezést; de
eredménytelenül», – írták a lapok egyhangúlag. Mint egy árkásztól
hallottam, valaki egy árokból hosszú póznára tűzött lobogót
lengetett. A Marsbeliek annyit törődhettek az effélével, mint mi a
tehénbőgéssel.
Megvallom, hogy ez a fegyverkezés, ez a készülődés nagyon
felizgatott. Képzeletem harciasra vált s furcsábbnál furcsább módon
verte le a támadókat. Fölelevenedtek diákkorom hősies harci álmai.
A küzdelem nagyon egyenlőtlennek tetszett. Ellenségeink fölötte
gyámoltalanoknak tűntek fel üregükben.
Három óra tájban ágyúzni kezdtek Chertsey vagy Addlestonne
felől. Megtudtam, hogy a füstölgő fenyőerdőt bombázták, ahol a
második henger lezuhant, azt remélve, hogy szétzúzzák, mielőtt
megnyílik. Öt óra volt már, mikor egy tábori ágyú, amelyet az első
henger ellen küldtek, Chobhamba érkezett.
Este hat óra körül, mikor éppen teánál ültem feleségemmel a
lugasban, élénken tárgyalva a küszöbön álló csatát, tompa
roppanást s rögtön rá tüzelést hallottam a mezőségről. Rá nyomban
erős sistergő reccsenés hallatszott közvetlen közelünkben, hogy a
föld megreszketett belé. Kiugorva a pázsitra, láttam, hogy az
Oriental College-t környező fák koronája füstös, vörhenyes lángba
borul s oldalt a kis templom tornya rombadől. A mecset oromzata
eltűnt s a kollégium teteje olyan volt, mintha száztonnás ágyúból
bombáztak volna. Egyik kéményünk megreccsent, mintha lövés érte
volna, lezuhant, egy része végig gurult a cserepes tetőn s a virágágy
dolgozó szobám ablaka alatt tele lett vörös törmelékkel.
Nőm és én elképedve állottunk. Hirtelen felvillant agyamban,
hogy most a Maybury domb teteje a Marsbeliek hősugarának
vonalába esik, mert a kollégium már nincs előtte.
Megragadtam feleségem karját és minden teketória nélkül
kiszaladtam vele az országútra. Aztán kihoztam a cselédet,
odaszólva neki, hogy magam megyek föl az emeletre ládájáért,
amelyért kiabált.
– Lehetetlen itt maradnunk! – mondtam.
Eközben a mezőn a tüzelés egy percre újra megkezdődött.
– De hová menjünk? – kérdezte feleségem rémüldözve.
Megdöbbenve gondolkoztam. Majd eszembe jutottak
leatherheadi rokonai.
– Leatherheadbe! – feleltem, túlharsogva a lármát.
Feleségem félrefordulva, lenézett a dombról. Az emberek ijedten
szaladtak ki házaikból.
– Hogy jutunk Leatherheadbe? – kérdezte.
A domb alján egy szakasz huszár nyargalt keresztül a vasúti híd
alatt. Három közülük bevágtatott az Oriental College nyitott kapuján;
más kettő leszállt s házról-házra futkosott. A nap vérvörös világgal
sütött keresztül a fák koronájából felszálló füstön s barátságtalan,
komor fényt vetett mindenre.
– Itt állj meg, – szóltam, – itt jó helyen vagy!
És hirtelen elrohantam a «Tarka kutya» felé, mert tudtam, hogy a
korcsmárosnak van lova és egy kétkerekű kocsija. Szaladtam, mert
tisztában voltam vele, hogy egy perc mulva a dombnak ezen az
oldalán mindenki költözködni akar majd. A korcsmáros a söntésben
állt s fogalma sem volt arról, mi történik háza mögött. Valaki, háttal
felém fordulva, beszélt vele.
– Egy aranyat kérek, – szólt a korcsmáros. – Aztán meg
kocsisom sincs!
– Két aranyat adok! – szóltam az idegen vállán keresztül.
– Miért ad két aranyat?
– És éjfélre visszahozom! – folytattam.
– Uram Isten! – szólt a korcsmáros. – Mi lelte? Disznómra
alkuszom! Két aranyat ad s vissza is hozza? Mi történt?
Sebtiben elmagyaráztam, hogy távoznom kell s így megkaptam a
kocsit. Az eszembe sem jutott, hogy a korcsmárosnak is távoznia
kellett. Csak arra volt gondom, hogy rögtön hozzá jussak a kocsihoz.
Kihajtottam, le az országúton s a kocsit feleségem és a szolgáló
őrizetére bízva, beszaladtam a házba és egyet-mást, ami értékes
volt, egyebek közt az ezüstneműt is, összekapkodtam. A ház alatt a
domboldalon égtek már a bükkfák és a kerítés az országut felé vörös
lángokban lobogott. E közben az egyik gyalogos huszár házról-házra
szaladt s felszólította az embereket a távozásra. Éppen előttem
rohant el, mikor abroszba burkolt kincseimet cipelve, kiléptem a
kapuból. Utána kiáltottam:
– Mi újság?
Visszafordult, rám bámult, olyasvalamit kiáltott, hogy «kifelé
másznak valami födőféle alatt» s tovább rohant a dombtetőn levő
ház kapuja felé. Hirtelen fekete füstroham lepte el az országutat,
elfödve őt szemeim elől. Szomszédom ajtajához rohantam, hogy
meggyőződjem, igaz-e, hogy a felesége is vele ment Londonba. A
ház csakugyan be volt zárva. Ujra házamba mentem, mint igértem, a
szolgáló ládájáért. Kicipeltem, odaerősítettem melléje a kocsi
hátulján s megkapva a gyeplőt, felugrottam feleségem mellé a bakra.
A következő pillanatban kijutottunk a füstből és a lármából, lefelé
ügetve a Maybury domb tulsó oldalán, Ó-Woking irányában.
 Nyugalmas, napos táj terült el előttünk. Távolabb az országutat
jobbról-balról búzaföld szegélyezte. Maybury nagy vendéglője előtt
ide-oda lóbálódzott a cégér. Az orvos kocsija előttünk haladt. A
domb alján hátrafordultam, hogy még egyszer végignézzek azon a
vidéken, ahonnan távoztam. Vörös tűzsziporkák szállongtak a
feketén gomolygó füstcsomók között a csendes levegőben, sötét
árnyékot vetve a fák zöld koronáira, kelet felé. Olykor egy-egy
tűzsugár tört keresztül a füstön, amely nagy messzeségbe
széthúzódott már keleten a byfleeti fenyőerdőig, nyugaton pedig
Wokingig. Az országutat felénk rohanó emberek lepték el. És a forró,
nyugodt levegőben távoli, de azért egészen tisztán kivehető
gépfegyver kattogása hallatszott, amely azonban hirtelen elnémult.
Közbe-közbe meg-megújult a puskaropogás. Úgy látszott, hogy a
Marsbeliek felgyujtottak mindent, ami beleesett hősugaruk körébe.
Ügyetlen kocsis létemre minden figyelmemet elsősorban a lóra
kellett fordítanom. Mikor újra hátrafordultam, a második magaslat
elfödte előlem a fekete füstöt. Ostorral hajszoltam a lovat s
megeresztett gyeplővel vágtattunk, míg Woking és Send hátunk
mögé nem került. Woking és Send között utólértem s elhagytam az
orvost.

X.
A viharban.

Leatherhead körülbelül tizenkét mérföldnyire van a Maybury-

dombtól. Pyrfordon túl tele volt a lég a buja rétek fölszálló
szénaillatával s két oldalt sövények húzódtak végig mosolygó
csipkerózsákkal. A heves tüzelés, amely akkor tört ki, mikor lefelé
hajtottunk a Maybury-dombról, oly hirtelen megszünt, mint ahogy
kezdődött. Az este békét és nyugalmat lehelt. Kilenc óra tájban
minden baj nélkül Leatherheadbe értünk. A lovakat egy óra hosszáig
pihentettem. Ezalatt megvacsoráztam az unokatestvéreméknél s
rájuk bíztam feleségemet.
 Feleségem gondolatokba mélyedve hallgatott az egész úton. Úgy
látszott, rossz sejtelmek gyötörték. Bátorítottam, kimutatva, hogy a
Marsbelieket rendkívüli súlyuk annyira az üreghez láncolja, hogy
legfölebb egy kis darabra mászhatnak ki belőle. De feleségem
mindenre csak igennel vagy nemmel válaszolt. Ha nem tettem volna
igéretet a korcsmárosnak, azt hiszem, nagyon könyörgött volna,
hogy éjszakára maradjak ott Leatherheadben. Bár ott maradtam
volna! Úgy emlékszem, hogy arca nagyon sápadt volt, mikor
elváltunk.
Egész nap lázas izgatottság uralkodott rajtam. Valami harci
lázhoz hasonló érzés pezsgett ereimben, aminő néha-néha
hatalmába szokta ejteni a művelt államokat, s őszintén szólva, nem
igen bántam, hogy még az éjjel vissza kellett mennem Mayburybe.
Szinte féltem attól, hogy az a lövöldözés, amelyet hallottam, a
támadó Marsbeliek végét jelenti. Legjobban az a körülmény jellemzi
lelkiállapotomat, hogy csaknem kívánkoztam a halálos veszedelem
után.
Körülbelül tizenegy óra volt, mikor visszaindultam. Az éjszaka
várakozásom ellenére sötét volt; amint a kivilágított folyosóból
kiléptem, valósággal feketének tűnt fel. Oly nyomasztó volt a
forróság, mint nappal. A magasban a felhők gyors mozgással
kavarogtak, bár körülöttünk szellő sem rezdítette meg a bokrokat. Az
unokatestvérem legénye meggyujtotta a kocsin mind a két lámpát.
Szerencsémre nagyon jól ismertem az utat. Feleségem a kivilágított
kapu alatt állt s aggódó pillantásokat vetett rám, míg fel nem
ugrottam a bakra. Ekkor hirtelen megfordult és bement, otthagyva a
rokonokat, akik egymás után szerencsés utat kívántak.
Egy darabig eleinte rám is átragadt feleségem félelme; de
gondolataim csakhamar visszatértek a Marsbeliekhez. Akkor még
fogalmam sem volt róla, hogy folyt le az esti küzdelem. Azt sem
tudtam, mi idézte elő oly hirtelen az összeütközést. Ockhamon
hajtva keresztül (mert ebben az irányban tértem vissza, nem Send
és Ó-Woking felé), vérvörös fényt vettem észre a nyugati láthatáron.
Amint közeledtem, a fény lassan a magasba emelkedett. A kavargó
fellegek, a gyülemlő vihar előjelei, fekete és vörös füstgomolyokkal
keveredtek össze.
Ripley főuccája elhagyatott volt s a faluban egy-két kivilágított
ablakon kívül nyoma sem volt az életnek; de ahol az út Pyrfordba
fordul, csaknem belehajtottam egy csoport emberbe, akik háttal
álltak felém. Elhajtottam mellettök a nélkül, hogy megszólítottak
volna. Nem tudom, tudtak-e arról, mi történik a domb túlsó oldalán, s
azt sem tudom, vajjon a hallgatag házakban, amelyek mellett
elhajtottam, aludtak-e az emberek, biztonságban érezve magukat,
puszták és üresek voltak-e a házak, vagy virrasztottak-e bennök
nyugtalankodva, rettegve az éjszakában.
Ripley és Pyrford között, a Wey völgyében eltűnt előlem a vörös
fény; de amint felhajtottam a pyrfordi templomon túl levő kis
magaslatra, a fény újra elém került. A fejem fölött függő vihar első
szele végigborzongatta körülöttem a fákat. A pyrfordi templom órája
éjfélt ütött mögöttem, mikor a Maybury-domb sziluettjét megláttam. A
fák s a háztetők éles feketeséggel váltak ki a vörös fényből.
Hirtelen sárgazöld fény ömlött végig mögöttem az országúton,
úgyhogy a messzeségben láttam a fákat Addlestone felé. A gyeplő
megrándult a kezemben. Láttam, amint a kergetőző fellegeket
valami zöldes tűzszalag hasította keresztül, amely, hirtelen
bevilágítva a felhők zavaros összevisszaságát, lehullt baloldalt a
mezőre. A harmadik hulló csillag volt!
Nyomban rá kipattant a gyülemlő viharból a villám. Az erős
ellentét következtében vakító ibolyaszíne volt. Olyat dörgött, mintha
valami óriási rakétát sütöttek volna ki fejem fölött. Lovam
beleharapott a zabolába és vágtatni kezdett.
A Maybury-domb aljához vezető szelíd lejtőn ügettünk lefelé.
Amint a villámlás megkezdődött, egyfolytában követték egymást a
lobbanások. Sohasem láttam még ily sűrű villámlást. A szakadatlan
dörgések, amelyeket valami különös recsegés kísért, mintha valami
működésben lévő óriási villanygépből pattantak volna ki, egészen
máskép hangzottak, mint a rendes mennykőcsapások. A lobogó fény
vakított és kábított s ritkás hegyes jégeső verdeste arcomat, amint
lefelé hajtottam a lejtőn.
Eleinte nem igen láttam egyebet, mint magam előtt az
országutat; de hirtelen valami megragadta figyelmemet, ami
sebesen mozgott lefelé a Maybury-domb szemben lévő lejtőjén. Az
első percben azt gondoltam, hogy valamelyik nedves háztető; de a
szakadatlan villámlás fénye mellett láttam, hogy nagy gyorsasággal
gördül előre. Vizió, pillanatnyi káprázat volt a sötétben; de rögtön rá
villámlott, hogy szinte nappali fény támadt, s ott láttam magam előtt
tisztán, élesen, ragyogóan a dombtető közelében fekvő árvaház
vörös falait, a fenyőfák zöld koronáit és ezt a megfoghatatlan
valamit.
S mi volt ez a valami!? Hogy írjam le? Házmagasságú, rémséges
háromláb, amely keresztül lépdelt a fiatal fenyőfákon, félrevagdosva
őket útjában; járó gépezet csillogó fémből, most már a mezőségen
lépdelve; acél lánckötelek lógtak le róla s amint haladt, csattogása
összevegyült a mennydörgések lármájával. Villámlott s tisztán
látszott egy percre, amint egy lábon az úton állt s két lábát a
levegőbe emelte. Eltűnt, de rögtön rá újra villámlott s a háromláb
száz yarddal közelebb volt. El tudtok képzelni egy fejéshez való
óriási széket, amint erőszakkal tovább gördítik a földön? A villanások
fénye mellett körülbelül ezt a benyomást tette rám. Csakhogy a
fejéshez való szék helyébe képzeljetek egy három lábon álló
hatalmas géptömeget.
Egyszerre csak, mint mikor az ember kétfelé hajtja a törékeny
nádat, ha keresztül akar törni rajta, a fenyőerdő fái kétfelé nyíltak
előttem, egy nyesésre végig zuhantak a földön, s egyenesen felém
rohanva, a rémséges háromláb párja bukkant elő. S én éppen feléje
vágtattam! Amint a második szörnyeteget megpillantottam, teljesen
elvesztettem lélekjelenlétemet. A nélkül, hogy a fékezésre
gondoltam volna, oly erővel rántottam jobbra lovam fejét, hogy a
következő pillanatban a kocsi ráfordult a lóra, a rúd szétroppant, én
oldalt kirepültem a kocsiból s belezuhantam egy pocsolyába.
 Azonnal feltápászkodtam s lábammal folyton a vízben, egy
rekettyebokor alatt húzódtam meg. A ló mozdulatlanul hevert
(szegény pára! nyakát törte) s a villámok fényében láttam a fölfordult
kocsi fekete derekát s a lassan még mindig forgó kerék sziluettjét. A
következő pillanatban a rengeteg mechanizmus mellettem lépkedett
el, föl a dombon Pyrford felé.
Közelebbről hihetetlenül különösnek tűnt föl s mozgása közben
többnek látszott egyszerű értelmetlen gépezetnél. Mindenesetre
gépezet volt; menetközben meg-megzörrentek érclábai; furcsa teste
körül lebegve, csörögve, hosszú, hajlékony, csillámló
tapogatószervek lógtak, amelyek közül az egyik egy fiatal fenyőt
ragadott meg. A gépezet, amint tovább lépdelt, az utat gondosan
megválasztotta s az a sárgaréz csuklya, amely belőle kiemelkedve
ide-oda mozgott, az első pillanatra maga körül tekintgető fejnek a
benyomását tette rám. A gép hatalmas teste mögött óriási
halászkosárhoz hasonló fehér érctömeg látszott s amint a
szörnyeteg mellettem elrohant, eresztékeiből zöld füstcsomók
gomolyogtak ki. Egy pillanat mulva messze járt tőlem.
Ennyi volt az, amit láttam, mindent nagyon határozatlanul, mert
amint a villámok ki-kilobbantak, a vakító fényesség szüntelenül sűrű
fekete árnyakkal váltakozott.
A gépezet haladásközben ujjongó, süketítő ordítást hallatott:
«Elú! Elú!», túlharsogva a mennydörgést; a következő pillanatban
utólérte társát s félmérföldnyire tőlem, ráhajolt valamire a
mezőségen. Kétségtelen, hogy az a valami ott a mezőségen a
harmadik volt a tiz henger közül, amelyet a Marsból lőttek ki
földünkre.
Pár pillanatig fekve maradtam az esőben és a sötétségben s a
megújuló villámok fénye mellett oda bámultam ezekre az
ércszörnyetegekre, amint a sövényeken keresztül lépdeltek a
messzeségben. Ritkás jég kezdett hullani. A szörnyetegek hol
homályba vesztek, hol tisztán látszottak. Olykor szünet állt be a
villámlásban s az éjszaka teljesen elnyelte őket.
 Fölülről a jégben, alulról a pocsolyás vízben álltam. Jóideig
eltartott, míg elképedésemből némileg felocsudva, arra gondoltam,
hogy felmászom a töltésre valami szárazabb helyre s általán véve,
míg eszembe jutott, hogy halálos veszedelemben forgok.
Nem messze tőlem egy egyszobás kis zsellér-fakunyhó volt,
amelyet krumpliskert vett körül. Végül feltápászkodtam s meglapulva
és kihasználva minden kis fedezéket, a kunyhó felé szaladtam,
zörögtem az ajtón, de senki sem hallotta, ha ugyan volt valaki a
kunyhóban. Kisvártatva abbahagytam a zörgetést s az út nagyobb
részén egy árkot használva fel, csúszva-mászva eljutottam a
Maybury felé elnyúló fenyőerdőbe, a nélkül, hogy a gépszörnyetegek
észrevettek volna.
Az erdő védelme alatt, nedvesen, dideregve saját házam felé
nyomultam tovább. A fák között igyekeztem rábukkanni a
gyalogösvényre. Nagyon sötét volt az erdőben, mert most már
ritkábban villámlott s a jégeső, amely úgy zuhogott, mint a
hegyipatak, a sűrű lombozat résein oszloposan tört keresztül.
Ha tisztában lehettem volna a látott dolgok jelentőségével,
bizonyára Byfleeten keresztül a chobhami út felé törekedtem volna,
vissza Leatherheadbe, feleségemhez. De a sok rendkívüli dolog
között, ami az éjjel történt körülöttem s abban a nyomorúságban,
amelybe egész szervezetem jutott, nem is gondoltam erre. Össze
voltam törve, el voltam csigázva, bőrig áztam, belesiketültem és
belevakultam a viharba.
Valami határozatlan gondolatom volt, hogy jó volna házamba
menni. Ez volt az egyedüli ösztön, amely bennem működött. A fák
között botorkálva, beleestem egy árokba, térdemet belevágtam
valami karóba s végre kiláboltam az útra, amely a kollégiumtól lefelé
vezet. A szó szoros értelmében ki kellett lábolnom, mert a vihar árja
magával ragadva a homokot, iszapos hegyi patakban zuhogott le a
domboldalon. Ekkor a sötétben egy férfi botlott belém, úgyhogy
hátratántorodtam.
Rémülten felkiáltva félreugrott s elrohant, mielőtt annyira
összeszedhettem volna magamat, hogy megszólítsam. A vihar
éppen ezen a helyen oly erővel dühöngött, hogy a legnagyobb
erőfeszítésembe került felfelé menni a domboldalon. A baloldali
kerítés mellé szorultam s a palánkokba fogózva, törtettem előre.
A dombtető közelében megbotlottam valami puha tárgyban. A
villám lobbanásai mellett lábaim között fekete posztócsomót s
egypár csizmát láttam. Mielőtt tisztán ki tudtam volna venni, hogyan
fekszik az az ember, akibe belebotlottam, a villámfény kilobbant.
Állva maradtam s vártam a következő lobbanást. Erőteljes férfi volt,
egyszerű, de nem szegényes ruhában. Feje begörbült teste alá.
Összekuporodva hevert, szorosan a kerítés mellett, mintha erősen
hozzávágódott volna.
Leküzdve azt a természetes ellenszenvet, amelyet mindenki
érez, aki sohasem ért még holttesthez, lehajoltam és hátára
fordítottam, hogy szívéhez férjek. Halott volt. Nyilvánvalóan nyakát
szegte. Harmadszor villámlott s megláttam arcát. Talpra ugrottam. A
«Tarka kutya» korcsmárosa volt, akitől kölcsön vettem a kocsit.
Vigyázva keresztül léptem rajta s rohantam fölfelé a dombtetőre,
el a rendőrállomás és a kollégium mellett, házam felé. A
domboldalon nem égett semmi, bár a mezőségről még egyre
idevilágított a vörös fény s vöröses füstgomolyok viaskodtak a
szakadó jégesővel. Amennyire a villámlás fénye mellett elláthattam,
a körülöttem fekvő házak teljesen épen álltak. A kollégium mellett
valami fekete rakás hevert az országúton.
Az országútról, a Maybury-híd felől, hangokat és lábdobogást
hallottam, de nem volt bátorságom kiáltani, vagy odamenni.
Kapukulcsom segítségével beléptem házamba, a kaput betettem,
bezártam és elreteszeltem s a lépcső aljáig botorkálva, leültem.
Magam előtt láttam folyton a hosszú léptekkel haladó érc-
szörnyetegeket s a kerítéshez vágódott holttestet.
Ott kuporogtam a lépcső alján, hátamat a falhoz támasztva s
iszonyúan dideregve.
 XI.

Az ablakban.

Említettem már, hogy valahányszor nagy izgalmak ejtettek rabul,

izgatottságom rendesen magamagát emésztette fel. Egy idő mulva
fölfedeztem, hogy fázom, át vagyok ázva és hogy körülöttem apró
víztócsák borítják a lépcsőre felfutó szőnyeget. Csaknem gépiesen
fölemelkedtem, bementem az ebédlőbe, megittam egy kis whiskyt és
átöltözködtem.
Ezután fölmentem a lépcsőn dolgozó-szobámba; de hogy miért,
azt nem tudom. Dolgozószobám ablaka a fák és a vasútvonal fölött a
horselli mezőség felé nyílt. Annyira siettünk a távozással, hogy ez az
ablak nyitva maradt. A folyosó sötét volt s a szobában, amint
benyitottam, áthatatlan sötétség fogadott, az ablakkeretbe foglalt
kilátás éles ellentéteül. Megálltam az ajtóban.
A mennydörgés megszünt. A keleti kollégium tornyai és körülötte
a fenyőfák nem voltak már sehol s nagyon messze élénkvörös
világosságban látható volt a mezőség a homokbányák körül. A
világosságban óriási fekete alakok, furcsák és groteszkek, sürögtek-
forogtak ide-oda.
Mintha arrafelé az egész vidék égett volna – egy széles
domboldalon apró lángnyelvek libegtek, csavarodtak az enyésző
vihar szélrohamaiban, vörös visszfényt vetve a magasban nyargaló
felhőkre. Hébe-korba valami közelebbi tűzből füstgomolyok
hömpölyögtek tova az ablak előtt, elfödve a Marsbelieket. Nem
láthattam, hogy ezek mit csinálnak, sem azt nem láttam tisztán, hogy
milyenek, sem azt, hogy mik azok a fekete tárgyak, amiken
szorgalmasan dolgoztak. A közelebbi tüzet sem láthattam, bár
visszfénye ott táncolt a dolgozószoba falán és mennyezetén. Éles,
gyantás égésszag terjengett a levegőben.
Az ajtót nesztelenül betéve, az ablak felé közeledtem. E közben
a kilátás kiszélesedett jobbra a wokingi állomást környékező
házakig, balra a megszenesedett, feketére vált byfleeti fenyőerdőig.
Lefelé végig a domboldalon és a vasút mentén egészen a híd
közeléig világosság volt. A Maybury-országút mentén s az állomás
közelében levő uccák hosszában a legtöbb ház égő romokban
hevert. A vasútmenti fény eleinte meghökkentett. Valami fekete
tömeget, vörös ragyogást és jobbra egy sor hosszúkás, sárga
négyszöget láttam. Csakhamar észrevettem, hogy összeroncsolt
vonatot látok, amelynek eleje kiugrott a sínekből s lángokban állt,
hátsó kocsijai pedig még a síneken állanak.
E három fő világító középpont: a házak, a vonat és a Chobham
felé égő táj között szabálytalan alakú sötét tájrészletek terültek el,
melyeket itt-ott halványan izzó, füstölgő földdarabok szakítottak meg.
A legkülönösebb látvány ez a tűzzel behintett, elnyúló feketeség volt.
Leginkább éjjeli agyagedény-égetésre emlékeztetett. Embert eleinte
egyet sem vettem észre, bár kimeresztett szemekkel nézegettem
mindenfelé. Később a wokingi állomás fénye mellett egy csomó
fekete alakot láttam egymás után keresztül szaladni a pályatesten.
Ime, ez volt az én kis világom, amelyben évek hosszú során át
biztonságban éldegéltem, ez a tűzben álló káosz! Mi történt a
legutolsó hét óra alatt, azt még mindig nem tudtam. Nem tudtam azt
sem, bár kezdtem már gyanítani, minő összefüggés van a gép-
szörnyetegek s azok között az esetlen tömegek között, amelyeket a
hengerből láttam előbujni. Sajátságos, határozatlan érdeklődés
támadt bennem. Az íróasztalom előtt álló széket az ablakhoz
fordítottam, ráültem és a fekete tájra, de főleg arra a három óriási,
fekete valamire bámultam, ami ide-oda járt a homokbányát elárasztó
ragyogásban.
Úgy látszott, hogy iszonyuan el vannak foglalva. Kérdeztem
magamban: ugyan mik lehetnek? Vajjon nem értelmes gépezetek-e?
Éreztem, hogy ilyesmi képtelenség. Vagy talán mindegyikben egy-
egy Marsbeli ül, aki úgy kormányozza, igazgatja, használja, mint a
koponyában székelő agyvelő az emberi testet? Összehasonlítottam
őket az emberi gépezetekkel s életemben először kérdeztem
magamtól, vajjon egy alsóbbrendű értelmes állat miket gondolhat
egy-egy páncélos hadihajó vagy egy-egy gőzgép láttára?
 Elülvén a vihar, az égboltozat kiderült és nyugaton az égő talajból
fölszálló füstgomoly fölött a Mars halványuló, gombostűfejnyi, kis
fénypontja hanyatlóban volt, mikor a katona megjelent kertemben.
Gyönge kaparást hallottam a kerítés felől s felriadva a letargiából,
amely elfogott, letekintettem s láttam, amint a félhomályban
keresztülmászik a palánkon. A másik emberi lény láttára
zsibbadtságom elmult s hirtelen kihajoltam az ablakon.
– Pszt! – szóltam suttogva.
Tétovázott s egy percig ülve maradt, szétterpesztett lábakkal a
kerítésen. Majd leugrott s keresztülment a gyepen a ház szögletéig.
Lehajolva, halkan járt.
– Ki van ott? – szólt susogva s megállt az ablak alatt és fölnézett.
– Hová megy? – kérdeztem.
– Isten tudja!
– El akar bújni?
– Igen!
– Jöjjön be a házba! – szóltam.
Lementem, beeresztettem és az ajtót újra bezártam. Arcát nem
láthattam. Feje födetlen volt s kabátja ki volt gombolva.
– Istenem! – szólt, mikor behúztam őt magammal.
– Mi történt? – kérdeztem.
– Mi történt? – A homályban is láttam kétségbeesett mozdulatát.
– Kiirtottak bennünket… egyszerűen kiirtottak, – ismételte újra meg
újra.
Utánam jött, csaknem gépiesen, az ebédlőbe.
– Igyon egy kis whiskyt, – mondtam, töltve neki.
 Megitta. Azután hirtelen leült az asztal mellé, fejét a két karjára
hajtotta és elkezdett zokogni és sírni, mint egy kis gyerek,
szenvedélyes felindulással, míg én, furamód megfeledkezve saját
kétségbeesésemről, ott álltam mellette csodálkozva.
Jóideig nem volt képes annyira összeszedni magát, hogy
kérdéseimre felelhessen s azután is csak zavarosan, szakadozottan
válaszolt. Tüzérkocsis volt s csak hét óra tájban került a tűzvonalba.
Ekkor már megkezdődött a tüzelés a mezőségen és hallotta, amint
mondták, hogy a Marsbeliek első csapatja egy ércpaizs védelme
alatt lassan a második henger felé közeledett.
Később ez a paizs három lábon botorkált tovább s átalakult azzá
a csatagéppé, amelyet először láttam. Azt az ágyút, amelyet
katonám hajtott, Horsell közelében állították fel, hogy uralkodjék az
egész homokbányán. Megérkezése siettette az ütközetet. Mikor az
ágyútaligás tüzérek hátra vonultak, lova egy lyukba lépett s elesett,
ledobva őt egy mélyedésbe. Ebben a pillanatban az ágyú mögötte
elsült, a munició felrobbant, minden lángba borult s szénné égett
emberek és lovak torlódtak fel körülötte.
– Fekve maradtam, – így szólt, – magamon kívül a
megdöbbenéstől, egy ló eleje alá kerülve. Ki voltunk irtva! S az az
iszonyú szag, – Uram Isten! Az az égett hús-szag! A rám esett ló
megsebezte hátamat s ott kellett hevernem, míg össze nem szedtem
magamat. Egy perccel előbb mintha díszkivonuláson lettünk volna
és rögtön rá a futás, a vereség!
– Kiirtottak mindnyájunkat! – szólott.
Egy ideig az élettelen ló alatt maradt elrejtőzve s lopva végig-
végig pillantott a mezőségen. A Cardigan-ezredbeliek rajvonalba
oszolva rohamot kíséreltek meg az üreg ellen; de egyszerűen
elpusztultak valamennyien. A szörnyeteg ezután lábaira emelkedett
s elkezdett kényelmesen ide-oda járkálni a mezőségen a között a
pár ember között, aki menekülni próbált. Fejszerű csuklyája ide-oda
forgott, mint valami csuklyás emberi lény feje. Valami karfélével
bonyolult szerkezetű érctokot tartott, amely körül zöld lobbanások
szikráztak s amelynek tölcséralakú csövéből szóródott ki a hősugár.
 Néhány pillanat mulva, amennyire a katona elláthatott, nem
maradt élőlény a mezőségen. A fák és bokrok vagy fekete vázak
voltak már, vagy lánggal égtek. A huszárokat nem látta, mert az
országúton álltak, túl a kanyarodón. Hallotta, hogy a Maxim-ágyúk
ropogni kezdtek; de csakhamar elnémultak. A wokingi állomást s a
környező házsorokat megkímélte az óriás; de végül hirtelen oda
irányozta a hősugarat s a városka tüzes romhalmazzá változott. A
szörnyeteg ezután elzárta a hősugarat s hátat fordítva a tüzérnek,
elkezdett afelé a hamvadozó fenyőerdő felé botorkálni, amelyben a
második henger volt. Ugyanakkor egy második csillámló titán
emelkedett ki az üregből.
A második szörnyeteg az első nyomában haladt. A tüzér erre
nagy vigyázattal Horsell felé kezdett kúszni a mezőséget borító forró
hamuban. Sikerült elevenen elérnie az országút mentén huzódó
árkot s ebben Wokingba menekült. Története itt szakadozottá vált.
Wokingon lehetetlenség volt áthatolni. Úgy látszik, hogy néhány
ember élt még ott, de eszméletlen volt; sok megpörkölt, égett holttest
hevert az úton. A katonát a tűz eltérítette útjából s mikor az egyik
Marsbeli óriás visszafordult, elbujt valahol a még csaknem perzselő
romok között. A szörnyeteg üldözött valakit; mikor utólérte, fölkapta
egyik acéltapogatójával s odacsapta fejét egy tölgyfához. Végre a
beálló éjszakában a tüzér hirtelen rohanással eljutott a vasúti
töltésre.
Azóta a töltés mentén rejtőzködve Maybury felé közeledett, azt
remélve, hogy ha London irányában halad, kijut a veszedelemből. Az
emberek árkokba és pincékbe rejtőzködtek s az életben maradottak
nagy része úton volt Woking és Send felé. Szomjúság gyötörte, míg
a vasúti híd közelében rá nem akadt egy összezúzott vízvezetéki
csőre, melyből a víz szökőkút módjára bugyogott ki az országútra.
Ez volt az a történet, amelyet szakadozottan elmondott. Beszéd
közben, mialatt meg akarta velem értetni, mit látott, kissé
nyugodtabb lett. Mint beszélgetés közben említette, dél óta nem
evett semmit. Az éléskamrában találtam egy kis ürühúst és kenyeret
s behoztam a szobába. Nem gyujtottunk lámpát, mert féltünk, hogy a
Marsbeliek figyelmét magunkra vonjuk s kezeink minduntalan
érintkeztek evés közben. Míg beszélt, a dolgok körvonalai
homályosan kiemelkedtek a sötétségből és az ablak mellett tisztán
látszottak a letaposott bokrok és az összetört rózsafák. Egész
csapat ember vagy állat rohanhatott keresztül a pázsiton.
Lassacskán kivehettem fekete, rémült arcát. Ilyen volt kétségkívül az
én arcom is.
Evés után fölmentünk halkan a lépcsőn dolgozó-szobámba s újra
kitekintettem a nyitott ablakon. A völgy egy éjszaka alatt tele lett
hamuval. A tűz mindenfelé szünni kezdett. A lángok helyét gomolygó
füst foglalta el; de az összeroskadt, puszta házak s a fölperzselt
fekete fák romjai, amelyeket előbb az éjszaka elrejtett, ott hevertek
most kietlenül, félelmesen a virradat kegyetlen fényében. Itt-ott volt
egy-egy tárgy, amely szerencsésen elkerülte a pusztulást. Itt egy
fehér vasúti jelző, amott egy üvegház vége maradt meg fehéren,
épen a romhalmaz közepette. A háborúskodások hosszú
történetében sohasem volt még példa ily különbséget nem ismerő,
általános pusztításra. S a hasadó hajnali fényben a három ércóriás
ott állt forgó csuklyákkal, ragyogva, az üreg körül, mintegy
szemléttartva a pusztítás szörnyű munkája fölött.
Úgy látszott, mintha az üreg szája kiszélesedett volna. Újra meg
újra élénk zöldszínű füstgomolyok emelkedtek ki belőle a ragyogó
virradatban. Kiemelkedtek, kavarogtak és széthasadozva
elenyésztek.
Az üregen túl ott álltak a tűzoszlopok Chobham körül. Az első
napsugár érintésére vérvörös füstoszlopokká váltak.

XII.
Mit láttam Weybridge és Shepperton

pusztulásából?
 Amint jobban megvirradt, elfordultunk az ablaktól, ahonnan a
Marsbelieket megfigyeltük, s amily halkan csak lehetett, lementünk a
lépcsőn.
A tüzér egyetértett velem abban, hogy a házban nem
maradhatunk. Ő, mint mondta, London felé szándékozott s onnan a
lovastüzérség 12. ütegéhez akart visszamenni. Az én tervem az volt,
hogy visszamegyek egyenesen Leatherheadbe. A Marsbeliek ereje
oly lesujtó hatással volt reám, hogy föltettem magamban, hogy
elviszem onnan feleségemet Newhavenbe s késedelem nélkül
menekülök vele együtt erről a vidékről. Azzal ugyanis már tisztában
voltam, hogy London környékén iszonyú küzdelem fog lefolyni, míg e
rettentő teremtményeket sikerül valahogyan kipusztítani.
Csakhogy közöttünk és Leatherhead között ott feküdt a harmadik
henger, az őrködő óriásokkal. Ha magam vagyok, azt hiszem,
elszántam volna magamat s nekiindulok az egyenes útnak. De a
tüzér lebeszélt erről.
– Igazságtalan dolog volna, – így szólt, – erővel özveggyé tenni a
feleségét!
Végre ráálltam arra, hogy vele megyek, az erdők védelme alatt,
észak felé egészen a chobhami útig, mielőtt elválok tőle. Onnan
aztán Epsom felé kerülve, megyek Leatherheadbe.
Azonnal útnak akartam indulni; de társam, aki tényleges
szolgálatban volt, okosabbat ajánlott. Egy palackot kerestetett
velem, amelyet teletöltöttünk whisky-vel s minden használható
zsebünket megtömtük kétszersült-csomagokkal és hússzeletekkel.
Azután kimásztunk a házból s oly gyorsan, amint csak tudtunk,
leszaladtunk azon az irgalmatlan úton, amelyen éjszaka feltörtettem.
A házak elhagyottaknak látszottak. Az országúton három
megszenesedett holttest feküdt egy csomóban – a hősugár
áldozatai; s imitt-amott leejtett tárgyak voltak a földön – egy óra, egy
fél papucs, egy ezüstkanál s más efféle értéktelen apróságok. A
sarkon, ahol a postahivatal felé fordul az út, egy kis kocsi hevert
törött kerekére fordulva, tele ládákkal és bútordarabokkal, de ló
nélkül. Egy pénzszekrényt sietve feltörtek, azután a törmelékek közé
dobtak.
A kapus házikóján kívül az árvaház mellett, amely még mindig
égett, a házak errefelé nem igen rongálódtak meg. A hősugár
leborotválta a kémények tetejét és tovább suhant. De rajtunk kívül,
úgy látszott, más élőlény nincs a Maybury-dombon. A lakosok
többsége, azt hiszem, elmenekült az ó-wokingi országúton – erre
hajtottam volt én is Leatherheadbe – vagy pedig elbújt.
Lementünk a keskeny úton, el a feketeruhás férfi holtteste
mellett, amelyet az éjszakai jégeső jól megáztatott, és benyomultunk
az erdőbe a domb tövében. A vasút felé törtettünk egy teremtett
lélekkel sem találkozva. Az erdő a vasútvonal mentén megfeketedett
romja volt csak az erdőnek; a legtöbb fa ledőlt s ami állva maradt,
komor, szürke törzs volt csak, sötétbarna lombozattal zöld helyett.
Mifelénk a tűz csak megperzselte a közelebbi fákat. Egy helyütt
éppen dolgoztak a favágók szombaton; frissen hántott, kivágott fák
hevertek egy tisztáson, fűrészporrakások között. A közelben
elhagyott ideiglenes kunyhó volt. Szél se rezdült ezen a reggelen és
minden szokatlanul csendes volt. Még a madarak is hallgattak s
mialatt tovasiettünk, csak suttogva beszélgettünk, minduntalan
hátratekintve. Egynéhányszor meg is álltunk hallgatózni.
Kisvártatva közelebb nyomultunk az országúthoz s eközben
lovak dobogását hallottuk s a fatörzsek közti réseken három lovas
katonát láttunk lassan Woking felé poroszkálni. Köszöntünk nekik.
Megálltak, mi pedig odasiettünk hozzájuk. A 8-as huszárok egy
hadnagya volt két közlegénnyel. Egy teodolitszerű állványt vittek
magukkal, de a tüzérem azt mondta, hogy heliográf.
– Maguk az első emberek, akikkel ma reggel errefelé
találkoztunk, – szólt a hadnagy. – Mi újság?
Arca és hangja csupa kíváncsiság volt. A két legény is kíváncsian
bámult ránk a háta mögül. A tüzér leugrott a töltésről az országútra
és szalutált.
 – Az ágyúm elpusztult mult éjszaka, hadnagy úr. Elbújtam.
Megpróbálok visszajutni az ütegemhez. Nemsokára meglátják a
Marsbelieket, azt hiszem, egy fél mérföldnyire innen ezen az úton.
– Hogy néznek ki azok az ördögök? – kérdezte a hadnagy.
– Óriások fegyverzetben, hadnagy úr. Százláb magasak. Három
lábuk van és aluminium-testük, hatalmas nagy csuklyás fejjel,
hadnagy úr.
– Ejnye! – szólt a hadnagy. – Micsoda zagyvaság!
– Majd meglátja, hadnagy úr. Valami tokot hordanak magukkal,
ami tüzet szór és halált oszt.
– Valami ágyúfélét?
– Nem, hadnagy úr, – és a tüzér elkezdte elevenen leírni a
hősugarat. A hadnagy csakhamar félbeszakította és felnézett rám.
Én még mindig fönt álltam a töltésen az országút mellett.
– Maga is látta? – kérdezett a hadnagy.
– Szóról-szóra igaz, – feleltem.
– Nos, – szólt a hadnagy, – azt hiszem, az a kötelességem, hogy
én is meglássam őket. – Majd a tüzérhez fordult: – Minket
iderendeltek, hogy küldjük el a házakból az embereket. Legjobb lesz,
ha maga tovább megy, jelentkezik Marvin dandárparancsnoknál és
elmond neki mindent, amit tud. Weybridge-ben van. Oda talál?
– Majd én útba igazítom, – szóltam; a hadnagy pedig megint
délnek fordította a lovát.
– Félmérföldnyire innen? – kérdezte.
– Legfölebb, – feleltem és a fák fölött délfelé mutattam.
Megköszönte és tovább lovagolt. Többé nem láttuk őket.
Odébb három asszonyra és két gyermekre akadtunk az
országúton. Egy munkáskunyhóból rakodtak kifelé szorgalmasan.
Kerítettek egy kis tolókocsit és telerakták piszkos batyukkal és kopott