《李天命的思考艺术》笔记

作者:戎子由 梁沛霖  (李天命作品集)

出版社:中国人民大学出版社

 

神像之所以特别显得高大,
原来只大家都俯伏在地上罢了。P7

愚人只知接收思想的灌输,智者则重视掌握思维的方法。
胡乱思索问题,仿佛用蛛网去捕捉风的颜貌一样,终是毫无所得的。
正确的思维方法,就像荒夜里的一盏风灯。
提着自己的风灯,照亮未知的旅途,这就叫做独立思考。代序

西方哲学家的典范,苏格拉底,他的工作就是思辨,就是思考和辩论。P14

善于思考的人绝不是整天翻来覆去不能放下的人。过分反省恐怕是自恋狂或至少是太过自我中心的表现,他们也许真的特别痛苦,因为他们整天注视自己的痛苦。P31

李天命的基点哲学:
a. 事实实在论
   “物件”是无常的、可毁灭的,但“事件”则是恒常而不可能毁灭的。
   事件一经发生了,就构成了宇宙或永恒存有的一个组成部分。
   事实一成永成,一在永在。 P35

b. 九一主义
   我虽然没有没有别人的第一,但是别人也没有我的第九。
   很多行为表现出来千奇百怪,归根结底原来都是自卑情意结作怪。P37

c. 爱情宗教
   我是一个教徒,我的宗教就是爱情。
   爱是最根本的相依为命--在茫茫宇宙间相依为命。
   一朝经历真爱,人生就是在最基本的层面上圆满了。 P41
  
没有意义的问题无所谓解答与不解答。至于没有意义的说法,则无所谓真假。 P58

思考方法学包含语理分析、谬误剖析、逻辑技巧、科学法度、创意策略等五个部分。 P59

当我们思考问题的时候,原则上我们第一步必须知道问题问什么,那就是首先必须了解问题的意思。如果连问题是什么意思都未能确定的话,那就根本无从着手去解决问题。 P59

清晰的言论都有(起码有)这个共同的优点:就是这类言论如果有缺点的话,其缺点是会比较上最容易看得出来的。相反,迷糊不清的言论都有(至少有)这个共同的毛病:就是令人难以分辨它们有没有其他方面的毛病。 P60

迷糊的言语并不能反应高深的思想,迷糊的言语只反应迷糊的脑袋而已。 P61

正如少年人无暇顾及恋爱时“自愿盲目”和结婚后“被迫盲目”有何分别,同样,独裁者也不拘小节,不屑理会成年人自愿受教与被迫受教之间有什么不同。他们将那两种教育“矛盾统一“之后,就当仁不让,由自己来做伟大导师,担负起教化天下的工作。 ... 简而言之就是语言戏法与诡辩神功。那包括了空话、废话、大话的灵活运用,口号、套话的光辉重复,概念或词义的革命性扭转。P75

没有学识只是无知,拙于思考却是愚蠢。就整个社会来说,只有当越来越多人会独立思考的时候,自由、民主、法治的条件才越有机会产生,才越有坚实的保证。P82

没看清楚就不要签名,这是常识。不知道是什么意思就无从相信,这是颠扑不破的常理。 P84

第I类语害:语义暧昧
    这纠缠不休的问题最后有没有确实的答案呢?答案是:没有确定的答案。P87
    术语是学术的工具,蒙混的面具。蒙混的伎俩之一,就是有理论时讲理论,有数据时就讲数据,什么都没有的时候就用术语去唬人。 P92
第II类语害:言辞空泛
    所有的空废命题都有相等的信息内容,即”零信息内容”。所有空废命题对经验事实都有相等的描述,那就是一无所述。
第III类语害:概念滑转
    对同一言辞作出不同的解释。 P108
   
自知无知,乃是智慧的开始;自以为无所不知,正是愚蠢的极致。 P158

佛朗哥:我只对上帝和历史负责。 P161

注:从血路之旅到天国之旅 章节部分侧重实际的上下文辨析,非常细致。会让大脑处于极速运转。   
   
   









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
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