特立,但绝不独行

转载于微信公众帐号 “怪木西西 平凡的世界”

--------------------------------------------------------------------------------------------------


地铁、吃饭、冲凉、看书五页,码字。


生活有规律而不单调,至少我很享受它。


小杰说的是对的,Andy说的也是对的,我是错的。


大闹天宫、五指山下五百年、西天取经,原来西游记可以这样理解。初生牛犊、打击被隐忍、人生的第一步……


也许我现在正在五指山下,五百年也许难熬,但是终归会过去的。


然后不会对玉皇大帝指手画脚,只是在他面前打滚撒娇,不一样的方法,却达成了共识。一个人终归是保护不了唐僧的,需要好吃懒做的猪八戒,需要任劳任怨的沙师弟,需要和曾经兵刀相见的天庭各部门打好关系,在需要他们的时候求得一臂之力。


这就是团队。


小杰说关于钱的问题都不是问题,如果问题是钱,那太好解决了,跳槽、离职、甚至下海,走人就好了,你还是你,公司还是公司。但是问题不是钱,说来说去,职场中无非那几个老掉牙的问题,能力不行、同事间关系不好、领导不和谐、跟不上团队或者团队跟不上你、你觉得别人不行或者别人觉得你不行……更多的是自己。


有时候会觉得领导的某个决策就是错误的,然后balabala说出自己的一堆不是逻辑的逻辑,可事实上是,就是领导的这些决策,让公司一步一步走到这么大,赚的钱那么多,这就是事实,不得不服。只是从自己的角度看问题,没有从一个领导层的角度去看问题。


一定要和自己的直隶上司处好关系,直隶上司也是人,直隶上司也有感情,社会在发展,工具在进步,但是事情还得人去做、人的情感、人的天性没有改变多少。


老家有句话,一瓶谁不响,半瓶水直晃。就像Andy说的,自己读书少,经历少,做事少,就是呼声高。她这样说的时候我是有些不乐意的,但事实上确实如此。无非懂一些小技巧,一些执行环节上的一些所谓的干货,其实在深层逻辑上真的什么也没有,没有什么值得炫耀的,更没有什么值得拿这些东西去批判任何人。一个武术家是不会再大街上找人打架的。


工作的是团队是事情,如果一个人能做完成一件项目,何必去上班呢?在家就能做啊!工作的价值是利用公司这个平台,整合你的团队,让别人和你一起去完成某个项目,借助别人的力量,实现自己的价值,这是一个人价值的体现。学会被管理,然后学着管理,也是就所谓的先装孙子,然后再当爷。


有目的的去做事,朝着一个好的目的,如果一种做法能导致的唯一结果就是不欢而散,那么无论出发点是多么的高尚,无论如何给自己的做法自圆其说,都是于事无补的,结果是适得其反。坏的结果,还不如不做,还不如没有。


沟通是两个人甚至更多人的事情,不是一个人的事情,一个人再怎么个性,都不能不管不顾别人的感受,即使没有任何恶意,这不是一个人的事情,个性是一个人的事情,合作才是团队的事情。


小杰说的都对,包括我打耳钉。


我会在努力学习的,我也会慢慢改变我自己的做事方式。所有这些都会慢慢改变的,只要是好的,只有耳钉事件我会固执己见,直到我七个耳钉全部打成。


特立,但绝不独行。因平凡而独特,不因独特而平凡

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值