关于意拳站桩摸劲的体验(转)

来源:新浪  作者:新西兰 林子琦

我们学意拳的,每天最少要站桩摸劲一二小时,到底我们摸的是什麽?是寻找整劲呗。不过,这答案太简单,也太笼统了,使初学的人,有丈八金刚,摸不着头脑的感觉。以下是我个人对摸劲的体验。

摸劲是什麽

首先我们要明白什麽是摸劲。站桩时我们不应像块木头一般地枯立不动,因为这样做是站死桩,于技击无补。站桩时我们一直随意念全身前后微微晃动。例如站浑元桩时,我们的意念想把怀抱中的树往前推,那麽我们的头要微微上提,也要往前领。我们的后脚往前蹬,前脚往下踩,两胯两膝往前内合。身也随之微微往前移动,两手也从左右微微往前往下挤合。当我们意念想把树回拉时,动作便相反。这种微微晃动的动作很小,只有一二毫米而已。

姚承荣老师教拳时常说,往前去时要随时能往后回,往后回时也要随时能往前去。这样前前后后的做,日久功深,动作会越做越细,表面看来好像不动,其实里面动得很快。这是比较高级的练法,也正是王老所说的,“不动之动才是生生不已之动“。

可以说摸劲是很细小的试力。例如做勾挂桩摸劲时,把动作放大,加一个前推的动作,之后还原,便成了勾挂试力。

摸劲找甚麽

摸劲找的是一个完整的间架,在头领脚蹬的前提下,全身微微一动全动来培养整力,以备试力,发力,推手,及实战之用。这要在老师的指导,和自己刻苦锻炼一段时间后才能得到。

摸劲时最重要的是要放松,不能用拙力,也不能太刻意,以致全身僵硬。我轻轻松松地练,这半年来,体内有一团东西,很难说它是什麽,有点像是体重呗。这东西使我们站桩,试力,发力时很轻松,灵活也很沉重。我们能轻松,灵活是因为我们能放松,如果我们用拙力,身体僵硬,这东西是不会出现。我们感到沉重是因为它像体重。我们一举一动要是能加上我们的体重。那就很厉害了。

以前的旧汽车常死火,要车上的客人下来推车打火。我们推车时光用手推不行,要身体前倾,把我们的体重加到车上去,才能推动就是同一道理。

体重的妙用

站桩摸劲能摸出这体重来就很好用。我们做前上发力要把这体重加上去才会更有威力。做后下发力时,设想两手握着挂住在高处的滑车的绳或拉杆,想把重物提起。我们两手往下拉时,跨要后坐,我们的体重也要下沉才够力拉动。所以发力时要用体重。

试力时也是如此。在平推,勾挂,分挂旋法试力,往前推的动作要加上体重,往后回或后挂的动作,跨后坐也要加上体重。这样试力便能轻沉兼备,用到推手上便威力很大。我们推手时很多人都能用体重把对手压倒。用勾挂,分挂把对手挂开也要跨后坐用体重来帮助才会有效。

我们练拳法,掌法,出拳或出掌击人,如能加上体重,威力会更大。

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