《天才在左,疯子在右》读书随笔

  看书的名字以为这本书就是简单的介绍疯子的,实际的目的,作者希望读者通过阅读这本书,可以通过拨开文字和表象的迷雾,更开阔地接触这奇妙世界的本质。作者希望读者通过阅读这本书后,能有自己的想法和思考。“有自己的思想很重要,甚至可以说,这个比什么都重要”。
  作者本文记录的疯子都有异于常人的能力和智慧,可是他们的思维方式的偏激,最终天才和疯子就是一线之隔。说实话,本书很多的故事我没有看懂,很多关于物理量子力学的以及时间和空间的关系,我不是很懂,毕竟知识的深度有限,也可能是自己除了专业知识其他的知识涉猎太少,也很少的关注与专业无关的书籍,深深的惭愧,觉得自己的脑子不够聪明。下面就简单就介绍一下本书让我印象深刻的几个故事。
  角色问题:可能是本书的第一故事原因,所以印象深刻,本书描述的是一个妄想症患者,他把自己的生活当成是一部书,自己是一部书中的主角,同时自己是这部书的作者,可以理解这是一个幻想自己创造自己的生活,并在演绎自己的生活,自己控制出现在自己生活里的一切人和事,他为了将自己送进精神病院,试图杀自己的孩子,将自己的生活一切按自己的设想的小说情节进行,作者的到来他也视为是自己的写作,作者的语言刺激,他视为是对他的思绪的波动。之后作者又去过精神病院看望他两次,可是他就不再提小说的事,后来就出院。告诉作者去看看他们第一次见面的桌子背面,背面写着“半年后离开”。这个故事的主人公,最终还是沉浸在自己的妄想中,不过可怕的事他的逻辑思维是受他自己控制而且是比较清晰的,以至于可以通过一定的手段让别人以为自己是疯了,还可以按自己的计划出院,在这个患者的眼里,他是这个世界的创造者,控制这个世界的一切。
  飞禽走兽:她是作者遇到的特例,这个患者是一个19岁的小姑娘,她看到的每个人是各种各样的动物,什么动物都有,但是她看电视、照片和电影都是人,不知道为什么。她看到的人映射的动物都和这个人的性格有关,但是她不能称为精神病,性格很开朗。最后作者也咨询了学医的朋友,将这种现象解释为“第六感”。我觉得最有意思的是作者最后发出的感慨“有时候眼睛看到的,还真不一定是真实”。
  人间五十年:在读这个故事的时候,我不认为这个患者是一个精神病人,这里的一些话语很有启发性。“你的性格和你的选择虽然是有一定的变数的,但它们交会在一起,形成了一个必然的点;机遇是充满变数的,但它和你的胆识相交也成为了一个交汇点。这些点之间相互吸引、排斥、影响着,再次形成了新的点,那么这些点排列组合起来,就成了你的命运”。一个必然的点能否改变?答案是肯定的,变动是随机的,但是变动的影响是很小的,甚至是你感受不到的。但是我认为,命运固然是充满变数的,但是当条件发生改变时,它应该是也改变的,也就把人的努力和奋斗考虑进去,条件是会发生改变的,人多的命运是发生改变的。量变引起质变,而且这种微小的变化会引发“蝴蝶效应”。
  本书有很多的故事讲述一些“不正常人”的生活,以及对事务的不一样的认知,有孜孜不倦的研究石头的、花草的;有仅仅是兴趣来研究玛雅文化的;有多重人格的人,近乎让接近他的人有恐怖感。开始读这本书,读几个故事就在想自己会不会发疯,其实是我自己想多了,每个故事都有值得自己思考的地方,有感动也有震惊,更多是发现自己的无知。不过,我觉得这本书很多还是不太懂,可能需要读第二遍了。

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,博主看到后会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,博主看到后会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,博主看到后会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。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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