《自我实现的人》读书笔记

我是去年7月住院时看的,对书中一些深以为然的观点摘录,时隔一年翻出来看,发现认知改变不大,比较乱,权作一个记录吧。

《自我实现的人》,马斯洛,1987年三联出的中译本,85分。该书是《动机与人格》、《人性发展能够到达的境界》(又名《人性能达的境界》)、《存在心理学探索》中论述“自我实现”章节的汇编。

l 对现实更有效的洞察力

n 客观、冷静、理性,受情感影响小,甚至是不近人情

l 对自我、他人和自然的接受

n 努力去理解、接受他人做的任何事情

n 对于自然,敬畏并接受

n 经常把自己看作一个客体,能做到把自己当作另外一个人去理解并接受“我”的各种想法、行为

l 行为的自然流露

n 如果言行完全按照本意,会表现得与社会生活不协调,好象是异类,所以会自我保护式的少说少做

n 生存的动机是自我实现,不在乎低级需要

l 以问题为中心

n 非自我为中心,不关心自己,“我”只是自己实现理想的工具

n 有使命感,希望去解决需付出大量精力的身外问题,在旁人眼中显得不可理解

l 超然独立的特性;离群独处的需要

n 对待个人不幸反应不强烈,甚至觉得这也是一种有意义的经历

n 可能渐渐转变为严峻和冷漠,可能伤害到亲近的人

l 对自由意志的强烈需要,任何一点的受迫感、不能自主决定都会让其感到很不爽

l 欣赏的时时常新

n 对一切保持着敬畏、兴奋、好奇甚至狂喜

l 民主的性格结构

n 对任何种类的人都可以表示友好,甚至意识不到他们的区别

n 愿意向任何人学习

l 区分手段与目的

n 价值观很明确,但往往不合习俗,目的绝对大于手段

l 富有哲理的,善意的幽默感

n 反感伤害人、嘲笑人、猥琐的笑话

n 自嘲式的哲理幽默

n 引起会心一笑而不是捧腹大笑

n 场景自发的,无法重复

n 显得严肃庄重

l 对文化适应的抵抗

n 疏远文化,希望自成一体,不信仰任何业已存在的东西,只信仰自己想出来的东西

n 受个性原则而不是社会原则支配

你是这样的人么?

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