“刻意练习”,目标与战斗意志

在这里插入图片描述
最近在团队晋升评审中发现一个现象,就是随着时间的流逝,同事们之间的表述整理能力差距是在拉大;
回想平时工作中的点点滴滴,有些同事在关键时刻,在取舍的决定点上,有的迈过去了,有的回退了。。。
大家是如何成长的,让我思考不少。

背后的道理平时一些有科学原理的书还是鸡汤文大抵有所覆盖,这里确实在一件件实际的事情上交织起来,值得品味。

ppt中的额外20%
与很多一线同事所不以为然的相反,整理出一个条理清晰,简洁扼要的presentation的能力是至关重要,这背后考验的是问题思考的深度以及沟通中的共情能力;
确实是一个高端能力,有的时候呈现华而不实的状况也是被一些想走捷径的人给玩坏了,与其本质的重要性并无关系;
这点做不好的话,在实际工作中的思考完整性和深度都会很有问题;

那么一些同事之间的思考差距是如何拉开的呢?就在于准备过程中额外的20%时间;
一些同事因为种种原因,可能是自己比较佛系,可能是版本压力大,最后到现场讲之前,也就自己讲了1,2遍;
有的同事能花多得多的时间,在现场之前,讲了超过20遍;
一般准备ppt的过程,时间比较接近,视级别不同,1-2周,但是最后在polish过程中的2小时(试讲1,2遍)到3天(试讲+polish)的差距则直接拉开大家的现场表现,以及能力增长。
在准备的过程中的1,2周,大家之间是差不多的,就是把东西整合起来,是一个常规的过程,并不会很多的落在“刻意练习”的能力增长中。
正是最后的polish阶段,可以认为是大量的挑战自己常态的过程,怎么把逻辑梳理的更加精辟,表达更加流畅的过程,这部分大家很容易拉出3-5倍的时间差距。
这个就是在真正的能力增长阶段,产生了3-5倍的差距,让人唏嘘不已,我们可以看到起点类似的同事,在若干年的发展之后,居然产生了如此的差距。

只玩一个种族的妙处
我是一个即时战略的爱好者,在星际和魔兽上都花了大量的时间,由于平时工作和学业比较繁忙,所以玩的时候毕竟时间有限,那么你就面临一个问题,是专注一个种族还是多玩random(各个族的都玩)。
在两种都尝试过后,个人的选择就是只玩一个种族,这样你更能体会到即时战略的妙处,就是高阶战略的阶段。
从拖把流(ipxzerg),到战术欺骗,骚扰跳科技,到面对速度优势的攻其必救,想在这种层面上有所施展,至少要基础的操作非常过关,所有方面熟练至足够扎实,都是肌肉记忆了,那么就有了可以思考整体战略的空间。
这个就是在重复了n次之后,才打开的那扇门,才是游戏的精华。
这个点上,也可以理解是我们ppt把内容准备好了,开始进入polish阶段了,我们要做的是要继续的深挖下去。
于即时战略,那么就是各种精彩的战略套路,斗智斗勇;于ppt准备就是观点的浓缩和组织,言语的打磨。

目标和战斗意志
在重复了n遍之后,继续打磨,这点上其实我了解的大部分做的比较好的人,其实并没有奔着“刻意练习”或者“高阶很牛逼”这几点去的。
大家落地的方式,还是在很高的目标与不肯放弃的战斗意志上。
去年天刀中间从龙版本上线给我留下了深刻的印象,由于技术升级的规模比较大,所以造成了比较严重的性能挑战,这里在最后关头开始尝试能不能加上更多的优化。
当时我这里给的说法是,这个很有挑战,时间很紧张,我们试一试,发现不行的话,可以撤退。
但是两个同事都表现了很高的战斗意志,愣是在我觉得不可能的时间里把事情搞定了。
这种情境,我自己也是经历很多,最后关键关头的坚持,会重新刷新之后所有的事情的难度主观感觉,之前觉得很难的事情,在经历几场这样的挑战(尤其还是胜利收场),个人的各种认知,自信和能力都有所上升。
职业生涯最明显的一次就是天刀端游2测时候,临上线发现重大bug,在极短的时间里把事情处理好,其间的难度挑战主观感觉是平时的10倍有余,当这关过了之后回头看做过的事情,普遍发现简单很多。
所以“刻意练习”更适合用来解释能力有效上升的情景,但是实际落地的时候,我们还是面对所有情况下,都保持一个极高的要求和很强的战斗意志,在挑战越过之后就会有一个明显的能力提升。
若干年内持续如此,可以说就会有很大的不同了。

sum
回头来看,百尺竿头更进一步的最后这一步,是极其精华&极其精彩的一步,是能力扎实增长&刻意练习的一步。
高目标&战斗意志能把我们带到这一步。

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。
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