第一次戒烟失败总结 - 光靠毅力是莽夫

第一次戒烟失败总结 - 光知道挺住不抽是不行的

太阳火神的美丽人生 (http://blog.csdn.net/opengl_es)

本文遵循“署名-非商业用途-保持一致”创作公用协议

转载请保留此句:太阳火神的美丽人生 -  本博客专注于 敏捷开发及移动和物联设备研究:iOS、Android、Html5、Arduino、pcDuino否则,出自本博客的文章拒绝转载或再转载,谢谢合作。


第一次戒烟失败总结一下,光知道挺住不抽是不行的,戒烟是需要个过程的,这次戒烟失败,导致的后果是,得了肺炎,不过还好,后果不严重。

不过得声明一下,不是因为戒烟,才得病,而是戒烟的方式不对,导致了这个结果。

而前述有一篇,我已经阐明,戒烟是需要一个过程的,但真正戒的时侯,只想着要挺住,确忽视了这个过程的递减了。


看来还是得有个数据记录,一天抽了多少支烟,每个小时抽了多少,按中医的2小时来计,每一时段抽多少;然后针对每一时间适当减一支或半支;

再有,抽烟也得有计划地抽,要排除不必要的抽烟次数,保证必要抽烟的供给量,这个就得从上面的记录中分析而知了,并且上面的记录中要给每一次吸烟的诱因注明,以便做计划;


从专业医生处了解到,戒烟确实不能过急,至少要跨度一年把烟戒掉,才不会对身体有害。

医生讲了一个很好的引喻,吃激素,还不能一下就停掉呢,需要不断地减量!这个估计大家都知道,这是个医学常识。


这次病好后,两个月后,准备下一次戒烟,按上面的两个步骤来:

一是先历时一个月记录一下每一次吸烟的时间、地点、环境、诱因、数量;

二是根据诱因整理,安排计划吸烟,确保必要吸烟量,试行一个月,再根据情况反馈,以确定不必要吸烟量是否需要确保或确保一部分,也参与到计划戒烟的过程中来;

三是迭代几次后,能适应的吸烟计划之上,试行减一支或半支,根据情况确定减量的级数;

四是根据三中所试行的结果,长期迭代下去。


归结起来是如下概要:

一、现有吸烟习惯统计

时间、地点、环境、诱因、数量


二、按诱因整理生理和环境两种诱因的吸烟量


三、有计划地确保现有吸烟量


四、有计划地在现有吸烟量上进行减量





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