禅说教育(之三)——磨瓦岂能成镜?

禅说教育(之三)——磨瓦成镜
平等思维唐曾磊
  有一次,达摩大师和一些比丘在禅房一起打坐,深夜,突然外面刮起大风,把油灯吹灭了,有个比丘说:啊!油灯灭了。另一个比丘说:你为什么说话,我们坐禅时不能说话的。说完后,自己感到很惭愧,因为自己也在说话。坐在最后面的一位比丘笑着说:嘿嘿!只有我没有说话。这时,大家都看着他,心想:原来你也在说话。比丘们都因犯戒说话,而感到惭愧。 
   
   
禅说教育(之三)——磨瓦岂能成镜? - johnlxj - johnlxj的博客  坐在一旁的达摩大师用手在小桌上轻轻地来回磨着碗,所有比丘惊讶地看着达摩,一比丘问:大师你在做什么?  
  达摩反问:你在做什么?
 
  一比丘回答:我在坐禅成佛!
 
  达摩说:我在磨瓦成镜!
 
  比丘惊讶地问道:磨瓦怎可成镜?
 
  达摩反问:坐禅岂能成佛?
 
  一位老比丘向达摩大师请教:那怎样才能成佛呢?
 
  达摩回答:《金刚经》云:若以色见我,以声音求我,是人行邪道,不能见如来。要知道佛并无一定的形态,而禅也并非坐卧。你们只知道打坐而不知道为何打坐,这样便永远不见大道。
 
  比丘们虔诚地向达摩大师请教:要怎样做才能见大道呢?
 
  达摩答:从根本上修起,心为根本,罪从心生,还从心灭,一切善恶,皆由心生。如果连这个道理都想不通,只在表面上下功夫,徒然浪费时间。
 

  因果律是人们认识和改变世界最普遍、最有效的规律之一。因果律指的是事物之间引起与被引起的关系。任何一种现象或事物都必然有其原因。 
  苏格兰启蒙运动以及西方哲学历史中最重要的人物之一、18世纪英国著名的哲学家休谟非常强调因果律的重要性:“因为因果关系是能使我们超出当下直接印象而推知任何对象的存在、或者任何事件的发生的惟一关系。如果没有因果律,我们就没有根据去相信任何超出我们自己当下的直接经验的事物。” 
  科学研究的目的在于揭示因果关系,使因果关系更加明确。所以,学习了科学知识的人,在处理某些方面的事情的时候,就会对表现得更加自信,因为他们明白其中的因果关系。他们比没有这方面科学知识的人更能够说出必然达成某些结果的因。 
  比丘们每天坐禅、做功课,目的是要成佛,但他们不明确成佛的因果关系,所以,他们在不断地操作一些事情,在“以色”、“以音声”求如来,所以,肯定不能见到。 
  古时候,一个赶路人坐在路边一颗树下休息,看到另一个人朝着旁边一棵树踹了几脚,从树上劈劈啪啪地落下了好多红枣。赶路人也照着朝这棵树踹了几脚,果然,也落下了好多红枣。这人高兴坏了,饱餐一顿后,就继续赶路。 
  到他又感到饥饿的时候,他就又找到路边的一棵树,狠狠地踹了几脚,但奇怪的是,一颗枣都没有落下来。他又用更大的力气踹树,依然不见有红枣落下。 
  因为,他踹的是一颗杨树。 
……    
  很多人每天在努力工作和学习,总是不见有好的结果,于是他们就更加努力,加倍地努力,但依然不见结果。 平等思维告诉我们:努力不见结果,主要原因就在于努力不是在做必然导致结果的因。因果的必然性越强,做此因得此果的可能性就越大。 

  有位初中女生来基地学习,她的成绩不好,我问她:怎么能够提高成绩? 
  她说:多写多练。(有的同学可能回答:好好听课、作业、复习、预习等等) 
  我又问:你有没有多写多练? 
  她说:有。 
  我继续问:你的成绩有没有提高? 
  她不好意思了:没有。 
……   
  孩子每天在学习,但每天学习的努力跟学习成绩之间没有必然的因果关系,他的成绩怎么提高? 
  我们说执行“学会的三个标准”成绩就一定会提高,是因为学会的三个标准是可以必然达成“成绩提高”这个果的因。 
  学会的三个标准分别是: 
  得满分:解决孩子学习中的正确、准确和精确的问题; 
  熟练化:解决孩子学习中的速度、耐性和能力的问题; 
  举一反三:解决孩子学习中创造、破解和悟性的问题。 
  (详细内容见博文:学习三部曲二:学会的三个标准 
  所以,我们才说,只要执行好了学会的三个标准,成绩一定快速提升。 
  同样,一位老师每天在试图把学生教好,但他始终不知道做什么就一定可以教好学生,这样的老师怎么能够教好?也许他很努力,甚至废寝忘食,但学生依然教不好。 
  我们的击穿式教学法,目的就是为了解决教师做什么可以一定教好学生的问题。 
  以后我将撰文专门介绍击穿式教学法,以饷各位爱学习的老师和家长。 
  
相关文章
禅说教育(之一)——百般说教不如帮人悟到
禅说教育(之二)——名师出高徒
禅说教育(之四)——沟通是心与心的碰撞

教育者——一朵自己的玫瑰 
您的读书在哪个层次?
皇帝不急太监急——中国特色教育的尴尬与解决!
您是哪种学习类型? 
“因材施教”不如“观机逗教”
教育就是传播爱
学校的起源,老师的故事
教育是一种文化,就是成为自己的光,照亮别人
教授的困惑——教授与狗的故事分析
以爱杀人——思想偏见
“盲人摸象”新解
培养认真的能力
每次做到能力的顶峰——提高的秘诀
越是聪明人越要懂得下笨功夫
快速提高成绩的法宝——学会的三个标准
学生为什么学习不好?
   禅说教育(之三)——磨瓦岂能成镜? - johnlxj - johnlxj的博客 
  

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。
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

打赏作者

johnlxj

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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