为什么写作是最好的自我投资

职场,或者说当代社会,最重要的能力就是表达能力。因为,传统社会最重要的资产,是财富和权力,而未来社会最重要的能力,是影响力,影响力怎么构成?写作,演讲。-- 罗振宇

1

不会写作的你,正在失去职场竞争力

19年,新东方年会节目《释放自我》,在网络上引起了不小的轰动。不是因为好听,而是唱出了很多员工的心声。

“干活的累死累活,有成果那又如何,到头来干不过写PPT的…”。

听完后,心头不由得为他们捏了一把汗,还真敢唱!不怕被开除吗?但坐下了,仔细想想,情况是否真的如他们所说:”要问他成绩如何,他从来都不直说,掏出PPT一顿胡扯…“

都是干活的,吃得苦不比他少,干的活比他还多,凭什么他能拿到更高的薪资,凭什么他能得到老板的赏识。心里是一肚子不服气。

这个时代,能干活的人很多,能写的人太少。那些会写“PPT”的人,可能还真有两把刷子。

薄薄的一张纸,字不多,可能承载了一次有战略眼光的营销策划活动,亦或是对市场行业前瞻性的分析报告,又可能是对同赛道中竞对的数据分析。

这些战略性的报告,往小了说关乎挣钱多少,往大了说可能关乎公司生死。看吧,对比你能把活干的更漂亮,这一张纸是不是显得格外有分量。

本质上说,写作是一项思维逻辑的综合呈现。

《超越智商》里讲,我们要学会把知识进行迁移、联系、总结、输出,当你发现这些信息成了块,也就完成了从信息到知识的转变。

2

混得不好,因为知道你的人太少

这个时代,你能连接多少人,决定了你能值多少钱。

七八十年代,能有一门好手艺,那指定是这条巷子里最靓的仔。全村乃至十里八乡的人都来找你,相邻地理位置成了你们的连接点。

但你能连接的可能也就是村里村外的这些人,再远一点恐怕就少有耳闻了。

缺少连接点,很难形成自己的社交货币。虽然有一门好手艺,但并没有交付给大众和市场,缺少与更多人之间的连接。

那,外面的世界还和你有关系吗?

张小龙说:”从前一个人的世界的大小,是由他的脚的行走半径来决定的;现在一个人的世界的大小,是由他所获得的信息的宽广度来决定的“。

连接的人越多,你的社交货币就越值钱,市场对你的期待度越高。

连接很重要。从商业模式角度看,连接属于”平台战略模式“。

平台是一种新的底层架构,一种新的DNA,在与各行各业结合之后,能够赋予我们新的力量和再生能力。

它无形为利益相关群体彼此的交流互动搭建了桥梁。

彼得·德鲁克说,”当今企业之间的竞争,不是产品和服务之间的竞争,而是商业模式之间的竞争“。

企业如此,写作亦是如此,本质上都是基于底层的连接在输出价值。在网络效应下,拥有更多连接的平台,不但可以打造共赢生态圈,而且可以掌控全局。

3
                                                                              贪婪的自我进化

人,是一种不安分的生物、永远也不知足的怪物。⼈的本性就是贪婪,但没有贪婪社会就不会进步。

电影《华尔街》中说:”贪婪(我想不到更好的词语)是好的,贪婪是对的,贪婪是有用的。贪婪阐明、解释和抓住了进化的本质。对生活、金钱、爱情和知识的各种贪婪推动了人类的发展。“

贪婪是好的。当才华配不上你的野心的时候,你就要深刻的意识到,学习不再是简简单单挂在嘴边的两个字。

而是需要你头拱地,认真做。

这个世界上,最怕的不是你有多失败。

最怕的是比你优秀的人比你努力,比你有钱的人比你更会用钱,比你有势的人更会借力使力,比你成功的人更会发现商机。

因为他们懂得,人有人的本性,钱有钱的规律,事有事的逻辑。

认清事物规律,贪婪的自我进化。

所以,改变命运之前,先改变对世界和自己的看法。诚信,激情,拥抱变化。

在没人看到你的时候,你更要默默发光。一个人平静地努力,刻意地训练,低调地前行,去创造出一个更好的自己。

心理学家阿尔弗雷德·阿德勒在《自卑与超越》一书中说:“真正决定一个人行为的,是我们想要达到的那个目标,想要改变自己,就要认清自己的目标。一旦校准目标之后,你就会像弓箭手一样,绷紧身体和精神,让自己的一切行为都为你的目标服务。”

4
                                                                          在风口上飞

为什么要写作?

首先,写作是一种综合能力的表现,大量的写作需要不断搜集外部信息,不断汲取有效知识内化到大脑中,然后倒逼自己输出。

其次,写作要逐步形成自己的一套知识体系,会避免去盲目学习。

同时,生活中你会不自觉的保持对”知识“的敏感度。保持对生活的热爱,对知识的敏感,其实生活中一切皆可写。

软件设计中,接口声明了很多方法,但没有类实现,这些方法最终都是无用的。

生活中,听过很多道理,但都没有去实践,最后也不得不感叹:听了这么多道理,还是过不好这一生。只不过不是这个道理没用,而是在你这没有用。

互联网时代,是野蛮生长的时代。

生活在这个时代,我们就像是采果子的小孩童被丢进了果园里,只要你愿意,满目玲琅的“知识果实”任你采摘。

雷军说:”在风口上,猪也能飞起来!“。互联网的风还在吹,我们需要通过学习来让自己不断变强大,才不辜负这个时代给我们的自由生长的机会。

乘势在风口上长出自己小小的翅膀,让自己飞起来。

所以,在没人看到你的时候,你更要默默发光。一个人平静地努力,刻意地训练,低调地前行,去创造出一个更好的自己。

因为只有更好的自己,才能配得上更好的生活。改变自己,就是小人物最大的野心。

————————————————
版权声明:本文为CSDN博主「sunny_sailor」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/sunny_sailor/article/details/107463761

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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