为什么你做事总是“三分钟热度”、“半途而废”?

文/林小白

在年末年初就开始兴致勃勃制订年度计划的是不是你?开始执行一项好的新习惯还不到7天就放弃的是不是你?办了健身卡靠着热情坚持去了5天后就再也提不起兴趣去的还是不是你?

那你有没有想过,为什么,别人可以早起、健身、看书、写作都不误,而自己每每开始一项新计划的时候,却总是频频夭折?

是因为我们缺少意志力吗?还是因为我们不够自律?其实都不是,你只是用错了方法而已。

我之前写过一些自我成长、培养习惯方面的文章,但依旧有人给我留言,说还是不知道要怎样开始和坚持。其实,开始并不像我们想的那样难。《微习惯》告诉我们,只要我们把新计划的目标值定得足够低(比如每天1个俯卧撑、每天读2页书),我们就能更容易开始,更重要的是,能更好地持续完成这件事。

持续完成一件事很重要,它决定了你这个新习惯是否能够养成。不论你要养成的习惯是行为习惯、身体习惯还是思考习惯,它们都需要“持续进行”。《坚持,一种可以养成的习惯》告诉我们,一个新习惯很难轻易养成,是因为我们在接触到一个新习惯的时候,我们的身体对“培养新习惯”的变化感受到了威胁,它会自发地抵抗新变化,并想要维持现状,也正因为这种“习惯引力”,你的新习惯、新计划才会频频夭折。这是你的大脑与身体和你产生的对抗,但这种对抗我们可以战胜,方法就是持续进行。

这里写图片描述

正如前面提到的,根据所要培养的习惯不同,需要的持续周期是不一样的。《微习惯》里也提到,并没有21天就能养成所有习惯的说法。如果你的新习惯是整理、阅读这类的行为习惯,那么30天是比较好的持续培养周期;如果你的新习惯是健身、早起等身体习惯,那么则需要90天的事件;如果是积极正面思考能力、创意能力等思考习惯,则需要6个月以上的持续时间才能养成。

所以,想要自己坚持完成某件事。首先最重要的是,明确你要培养的新习惯是行为习惯、身体习惯还是思考习惯,然后根据分类选定培养周期

第二,一次只锁定一项习惯或计划。也就是说,千万不要同时培养多项习惯,即便你很迫切自己变得早起自律、爱运动、又爱看书写作。当我们同时培养多项习惯时,就会承受到多倍的“习惯引力”,这很糟糕,因为“习惯引力”太强大,分分钟会战胜我们的意志力。因此,我们应该先挑战一项习惯或计划,等达成目标之后,再挑战下一项。

第三,是要记得习惯培养的前30天,每天都要坚持行动。只有每天坚持,才能把习惯的节奏渗透到身体内部,才能大大降低失败率。不论你的培养周期多长,至少在30天的过程中,尽量减少什么都没做的空档。30天之后,再把行动的频率降低到一周3-4次也没关系。

这里写图片描述

第四,把行动规则定得越简单越好。以学英文为例,有的人给自己定的学习目标是,每天背单词50个、听30分钟VOA、上1小时在线网课。这样的培养方案非常糟糕。因为,复杂的事情容易失败,简单的事情容易坚持,这是本性。我们需要把行动变得简单,哪怕你就一天一期VOA,并把它坚持下来,也好过只实施了两天的复杂的行动规则。

第五,把行动定得足够小。你的目标可以是健身,但是当你把它落实的时候,你应该选择的是“每天走路5分钟”而不是“每天跑步5公里”。正如《微习惯》这本书提倡的一样,只有当行动看起来足够小、不会给习惯现状的大脑和身体造成威胁的时候,我们才愿意去实施,而这种行动是有效的。因为执行门槛很低,很容易就会触发我们去做,要知道“0与1”的差别远远大于“100与1”的差别。而且,只要我们开始了,踏出了那最困难的一步,后面的行动就会顺利地进行了。比如,你把行动定为“一天1个俯卧撑”,当你完成一个后,你就已经完成预定行动了,但你很可能会接着往下做。就是这个道理了。

第六,最好进行简单记录。记录,在培养习惯的过程中,能发挥巨大的成效,它能够消除“随意”的感觉,让你真实了解自己做出的改变。比如你在培养运动习惯的时候,就可以每天简单记录下大致的运动时间。你可以用手机进行随手记录,只要能体现你今天是否完成、完成情况就可以了,不要特意去制作相应的表格来记录,只要简单的记录就好,因为“做麻烦的事往往会走向失败”,所以尽量以轻松的方法做出记录就好。当然,记录是为了把习惯持续下去,所以为了更好地监督反映,在培养习惯的前30天,我们应该每天记录。这花不了多少时间与精力,这么去做就好。

第七,牢牢把握住新习惯培养的前7天。《坚持,一种可以养成的习惯》里写道,前7天新习惯或新计划失败的概率高达42%,如果在这7天内,我们把习惯的培养地基打牢,那么我们在后期放弃的几率会大大降低。

所以,现在,按照上面说的这件方法开始你一直心心念念想要达成的那个习惯或计划吧。别再把锅甩给“我缺乏意志力”啦,要知道,好习惯之所以能够坚持下去,需要的从不是意志力,而是正确的方法!

—END—

文/Nicole林小白(简书作者)
原文链接:http://www.jianshu.com/p/fc8f74a44709

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。
【4层】3100平米综合办公楼毕业设计(含计算书、建筑结构图) 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
评论 2
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