系列好文(4)—— 克服学习的形式主义

本文节选转载自:http://www.sohu.com/a/324232656_803183

   学习的误区:疯狂「输入」但从不「输出」
   学习的过程其实就是处理信息的过程,步骤是「输入-处理-输出」。在我们这个「有价值的学习资料」堆起来能修一座长城的年代,只要愿意,往大脑里输入内容简直跟吃个包子一样简单。无论是阅读文章还是书籍,听音频还是上网课,本质上都是在输入内容。这原本只是学习的最基础步骤,而我之前就是简单粗暴的吸收知识,但不吐出来。就这样只输入不输出,愣是把大脑变成了一只爱屯粮的仓鼠。
   为什么不愿意输出呢?
   因为输入比输出更简单、消费内容比生产内容更轻松啊!可惜,越是轻松的事情越没什么学习效果。
   我发现,如果只是把看到的内容一股脑全塞进大脑里,不加以归纳和整合,那信息与信息之间只是零星碎片,而不是一张紧密联结的知识网。
   所以,尽管之前看的书不算少,但还是觉得一知半解,真到了用的时候还是一脸懵逼。
   为了改变这种现状,我逼着自己「输出」。因为只有在输出时,大脑才会调动一切资源处理接收到的信息,从「浅度理解」变成「深度加工」。而且,大脑越是在一件事情上花功夫,对它的印象越深刻,掌握程度也越好。
   很多年前就流行一个说法,判断一个人是否真的弄懂一个知识,只要看TA能不能把那个知识点讲清楚即可。所以,那些学生时代经常给人讲题的学霸只会越学越好,一遇到问题就着急去问学霸的同学却怎么都考不好模拟考。
可惜,当时我是那个考不好模拟考的人。

继续阅读:https://www.zhihu.com/question/19835957?nids=6842185

学习的形式主义:就是貌似花了很多时间在看书、听课、听讲座、看视频的形式,给自己制造学习的假象。以为自己没有浪费时间,甚至以为自己很努力。
学而不思则罔,思而不学则殆。

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