写一篇自我惊醒的文章,改掉让自己失败的七个坏习惯

1.犹豫不决,当我们想做某件事情的时候,瞻前顾后,不仅仅想做的事情完成不了,当下的事情也做不好,这种习惯比鲁莽更可怕

2.拖延,六点下班的时候告诉自己回去立马学习,吃着饭学习,回到宿舍就暗示自己,吃饭呢放松一小下,然后打开直播,边吃饭边看直播,然后学习的事情就往后顺延,然后八点了告诉自己该学习了,然后想了想今天是周五了,放松一下吧,明天在学习,就这样明天上午也许又会因为其它一些事情往后顺延,这种拖延的毛病会毁人一生,我们有了自己的计划就一定要控制自己严格的执行,不能像我这样,一个周末也许真正拿出来学习的时间仅仅只有三四个小时,这么年轻就想着舒服,很难想象以后会有怎样的人生。这次我决定改掉自己的坏毛病,不在看直播,不在打游戏,有时间看看书,听听歌,看看新闻。总比时间浪费在直播间,听一些主播扯淡强。话说的有点直白,大家见谅。

3.三分钟热度,我有时候做什么事情都坚持不了太长时间,最长两三天,不光是一个坏习惯,坚持不下来还会影响我们的信心,大多数的失败都是因为放弃,尝试做一件事情并且坚持下来是一件很有成就感的。

4.自我设限,不自信,还没有做的时候就先自我否定,我不行或者我做不到之类的心里暗示,人与人之间的智商差别并不大,别人能做到的事情,我们也能做到。我们要自信

5.找借口,就像第一条说的,总是有各种理由去拒绝学习,好像浪费时间的 事情优先级总比有意义的事情优先级高,所以我们总能找到借口,做错了我们就要承认,今天应该完成的事情无论多晚今天都要完成,不要总是找借口,我最近加班比较多,回到宿舍比较晚,就会告诉自己今天都这么晚了,一会该睡觉了,就不学习了,然后一个多小时的时间去玩了,没有学习,就像这样总是给自己找到各种理由,然后第二天又会为自己的行为感到可耻,不会还不努力学,觉得自己无药可救,好像是一个恶性循环,所以我要改掉这个坏习惯,努力把自己培养成一个优秀的人,我毕业一年了,现在开始还不晚。

6.恐惧,就比如我们现在处于一个比较舒适的环境,其实就是我自己,然后发展的前景并不是很大,想换一份工作,但是又怕找不到,不敢轻易去尝试,其实我们又怕什么呢,年轻都不去拼一拼,年纪大了,就更恐惧了,接下来的一个月,我们更加努力的学习,复习,然后去北京找工作,请小伙伴们监督我。

7拒绝进步,不走出舒适区是无法进步的,也许北京的生活工作环境会很累很匆忙,但是会让人更快的进步,待在舒适区进步很困难的,所以我会尽快的离开舒适区,去找让自己进步更快的地方。

 

欢迎伙伴们留言,交流心得,一起进步!!!!

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 3
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