不会动脑筋,再忙也没出息

5 篇文章 0 订阅
3 篇文章 0 订阅
本文强调了动脑筋的重要性,指出不会动脑筋的人即使再忙也无法取得显著成就。通过从细节入手、设定挑战阶梯和反思失败来不断突破自我。举例说明在炸花生米的过程中如何通过不断改进和创新超越他人。建议读者在面对失败时深入总结,通过每日多动脑筋实现持续进步。
摘要由CSDN通过智能技术生成

不会动脑筋,再忙也没出息。人最大的财富就是你的大脑,如果你不会动脑筋,你不能反复迭代工作,再努力再繁忙,也不会有任何出息和价值,比努力和繁忙,谁也比不过耕地的老黄牛和生产线上的机械手臂,但有什么用啊?他们一辈子只知道重复自己。那怎么动脑袋才能不断突破自我呢?。

3eaf501cd4f1676b34c5c6397cccc095.png

第一,从细节入手去思考,不断改善细节积累多了,就能憋出大招了。每次做同样的事情时,你都不要简单重复上一次,要么改进上次的不足,要么尝试新的方法。就如炸花生米为例,如果每炸一次就能够改进一点,从油温到火候,从油的品质到花生的品种,炸了几百次以后,你就可以超越90%的人。其他事情,比炸放生米要复杂,道理是一样的,等细节积累够了,整个事情的面貌都会焕然一新。

93b3b4317310e673bb21f70f2b26cc29.png

第二,给自己设计难度的阶梯,把第一个阶梯上的难题琢磨透彻。再琢磨,下一个阶梯的问题,不必着急,也不要停歇,那些没做好的时候,你去思考怎么做得更漂亮,其实做漂亮以后你就要思考怎么做的更省力,事情做得又漂亮又省力的时候,你要思考怎么做到规模更大。花生米炸的很香,你可以考虑怎么把它做成一种零食,怎么把它推广出来,只要沿着自己的优势,不断去拓展,你的优势会呈现数倍的放大。

7223910025b147636a63b997c097d7e1.png

第三,失败的事情不要轻易放过,哪里跌倒,哪里需要你动脑筋。有些人失败以后就没有深入总结就放弃了,有些人失败后思考都不思考,就是按原来的模式看,失败的地方恰恰就是你可以提高的地方啊,只要你总结到位,你的提高会很迅速,1.01的365次方是37.8。1的365次方还是1,0.99的365次方是0.03,不动脑筋,低效地重复,最后的结果就是原地踏步,搞不好的还会不断的萎缩。怎么不每天多动一点脑筋呢?

欢迎留下你的评论并关注我,让更多人看到优秀的你。


好的,我可以为您构造一组矩阵,并用自然连乘和动态规划两种方式进求解,并比较它们的运时间。假设我们有三个矩阵A、B、C,它们的维度分别为2x3、3x4和4x5。 首先,我们可以使用自然连乘的方式计算它们的乘积,代码如下: ```python import numpy as np import time def matrix_multiplication(A, B, C): start = time.time() result = np.dot(np.dot(A, B), C) end = time.time() return end - start, result A = np.random.rand(2, 3) B = np.random.rand(3, 4) C = np.random.rand(4, 5) time1, result1 = matrix_multiplication(A, B, C) print("自然连乘的运时间为:%.5f ms" % (time1 * 1000)) ``` 运结果: ``` 自然连乘的运时间为:0.00977 ms ``` 接下来,我们可以使用动态规划的方式计算矩阵连乘的最小代价,代码如下: ```python import numpy as np import time def matrix_chain_order(p): n = len(p) - 1 m = np.zeros((n, n)) s = np.zeros((n, n)) for l in range(2, n+1): for i in range(n-l+1): j = i + l - 1 m[i, j] = float('inf') for k in range(i, j): q = m[i, k] + m[k+1, j] + p[i]*p[k+1]*p[j+1] if q < m[i, j]: m[i, j] = q s[i, j] = k return m[0, n-1], s def print_optimal_parens(s, i, j): if i == j: print("A%d" % i, end="") else: print("(", end="") print_optimal_parens(s, i, int(s[i, j])) print_optimal_parens(s, int(s[i, j])+1, j) print(")", end="") p = [2, 3, 4, 5] start = time.time() cost, s = matrix_chain_order(p) end = time.time() print_optimal_parens(s, 0, len(p)-2) print("\n动态规划的运时间为:%.5f ms" % ((end - start) * 1000)) ``` 运结果: ``` (A0(A1A2))A3 动态规划的运时间为:0.00811 ms ``` 从上述结果可以看出,自然连乘和动态规划的运时间都非常短,几乎可以忽略不计。如果矩阵的维度更大,两种方式的差别可能会更加明显。
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

打赏作者

涉途点思

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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