有所为而读与无所为而读—读李敖读书

以为然否?看李敖的读书方法

http://culture.enorth.com.cn/system/2002/11/18/000456076.shtml

1.      读读书方法之前

年少时除了金庸、司马中原、柏杨之外,特别喜欢李敖。他笔锋犀利流畅,月旦权威,不留余地,读来过瘾。当年有一种书属口袋型,轻握掌中,感觉很好,因此李敖的书都购藏了。不过,后来的许多官司,让我觉得李敖的“谋算”太深,太可怕,于是逐渐和他的书拉远了距离。

一别几近二十年。前些天看央视《海峡两岸》节目,电视荧屏上再见他的风采,旁征博引,雄辩滔滔,说来都有凭有证,不像是吹的,不禁对他的渊博重燃兴趣。

李敖的渊博和他的精于读书,善于用书大有关系。最近买了他的《要把金针度与人》——200种中国古典名著导读,值得推荐这本书是根据1983年他自己编的《中国名著精华全集》所收各书的导读集合而成。书的封底介绍说——你可以上下古今,把千年精华,尽收眼底;你可以纵横左右,把多样遗产,罗列手边。你可以从古典中寻新义,从旧籍里找时潮;从深入浅出的文字里,了解古代和现代的中国——这段话虽然广告味道浓厚,但多少道出这本书的价值,尤其序言,谈到怎样读书。

2.      跳读不死读不连读

李敖说他看书只跳看一遍,“所谓跳看,是每页的重点让它跳出来给你看,而不是逐字逐句地死读,也不是所谓连读。连读的方法我看像小和尚念经——有口无心,是骗人的。”这个方法可以加强读书效率,但却不是每个人都能做到。我觉得“跳看”必须有两个基础:一是对相关问题已具备相当认识,才能有拨云见月之功,轻易找出重点;二是带有目的去读,知道该向哪个方向寻索重点。而且“跳看”只适用于查阅资料,不能用在文学欣赏。试想“孔雀东南飞”,如果不跟着“五里一徘徊”,怎能理解个中淋漓反复的曲折情节,怎能品味诗中主角死后合葬,有情人“枝枝相覆盖,叶叶相交通。中有双飞鸟,自名为鸳鸯;仰头相向鸣,夜夜达五更”的缠绵哀痛?

3.      眼到手到

李敖读书方法的第二个重点是眼到手到,“重点部分立即用色笔勾出,剪刀剪下或刀片割下。这样子随看随动手,再把‘分尸’下来的分类处理。这样一来,这本书,就跑不掉了。它永远为你所用,并且拈之则来,不易忘记。”这确实是好办法,尤其对年事稍长者。年纪有了,记忆不好,过目即忘,读了等于没读。若能眼到手到,在书本上勾勾划划,写写眉批,作些简单笔记,必有助于记忆。其实慢读比泛泛而读有效。

4.      同步通读

第三个重点是同步通读,同个主题串起来读。他说在跳读过程中,对重点有兴趣,会找来其他相关的书同步钻研。“这时候,不是每次只看一本书了,而是触类旁通,互相印证与补充。这样子折腾下来,书才真正为我所用。”这个层次的读书已经不是单纯读书,而是在做研究了。不过这个方法确实可以加强读书的深度与兴趣。

5.      有为无为的境界

做事讲求方法是对的,识得窍门,事半功倍。李敖的读书方法积极进取,我们不妨称之为“有所为而读”。可是,海阔天空,瞬息永恒,我们大可不必拘泥一端,以为读书非如此不可,破坏了兴趣反而不好。为怡情遣兴,读书也不妨随兴之所至,飘到哪里就落在哪里。喜欢时随手拈来,倦了掩卷寻梦而去;能记得最好,忘掉也算了;重读时幽默处可以再莞尔一笑,悲戚处再扼腕叹息吧!这样“无所为而读”,也不失方法之一,不知诸位以为然否?

 

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