《反经 大体》原文

反经 大体

大体

臣闻老子曰:“以正理国,以奇用兵,以无事取天下。”荀卿曰:“人主者,以官人为能者也;匹夫者,以自能为能者也。”傅子曰:“士大夫分职而听,诸侯之君分土而守,三公总方而议,则天子拱己而正矣。”何以明其然耶?当尧之时,舜为司徒,契为司马,禹为司空,后稷为田畴,夔为乐正,倕为工师,伯夷为秩宗,皋陶为理官,益掌驱禽。尧不能为一焉,奚以为君,而九子者为臣,其故何也?尧知九赋之事,使九子各授其事,皆胜其任以成九功。尧遂乘成功以王天下。

汉高帝曰:“夫运筹策于帏幄之中,决胜于千里之外,吾不如子房;镇国家,抚百姓,给饷馈,不绝粮道,吾不如萧何;连百万之军,战必胜,攻必取,吾不如韩信。三人者,皆人杰也。吾能用之,此吾所以有天下也。”

(《人物志》曰:“夫一官之任,以一味协五味;一国之政,以无味和五味。故臣以自任为能,君以能用人为能;臣以能言为能,君以能听为能;臣以能行为能,君以能赏罚为能。所以不同,故能君众能也。”)

故曰:知人者,王道也;知事者,臣道也。无形者,物之君也;无端者,事之本也。鼓不预五音,而为五音主;有道者,不为五官之事,而为理事之主。君守其道,官知其事,有自来矣。

先王知其如此也,故用非其有,如己有之,通乎君道者也。

(议曰:《淮南子》云:“巧匠为宫室,为圆必以规,为方必以矩,为平直必以准绳。功已就矣,而不知规矩准绳,而赏巧匠。宫室已成,不知巧匠,而皆曰某君某王之宫室也。”

孙卿曰:“夫人主欲得善射中微,则莫若使羿;欲得善御致远,则莫若使王良;欲得调一天下,则莫若聪明君子矣。其用智甚简,其为事不劳,而功名甚大。”此能用非其有,如己有者也。)

人主不通主道者,则不然。自为之,则不能任贤;不能任贤,则贤者恶之。此功名之所以伤,国家之所以危。

(议曰:“《申子》云:“君知其道也,臣知其事也。十言十当,百言百当者,人臣之事也,非人君之道也。”《尸子》云:“人臣者,以进贤为功也;君者,以用贤为功也。”贾谊云:“臣闻圣主言问其臣,而不自造事,故使人臣得必尽其愚忠,惟陛下财幸。”由是言之,夫君不能司契委任而妒贤恶能,取败之道也。)

汤武日而尽有夏商之财,以其地封,而天下莫敢不悦服;以其财赏,而天下皆竞劝,通乎用非其有也。

(议曰:孙卿云:“修礼者王,为政者强,取人者安,聚敛者亡。故王者富人,霸者富士,仅存之国富大夫,亡国富筐箧、实府库。是谓上溢下漏。”又曰:“天子不言多少,诸侯不言利害,大夫不言得失。”

昔者周厉王好利,近荣公,芮良夫谏曰:“王室其将卑乎?荣公好专利而不知大难。夫利,百物之所生也,天地之所载也;而有专之,其害多矣。天地百物皆将取焉,何可专也!所利甚多而不备大难,以是教王,其能久乎?”后厉王果败。

魏文侯御廪灾,素服避正殿,群臣皆哭。公子成父趋入贺曰:“臣闻天子藏于四海,诸侯藏于境内。非其所藏,不有火灾,必有人患。幸无人患,不亦善乎!”孔子曰:“百姓足,君孰不足?”周谚有言曰:“囊漏储中。”由此言之,夫圣王以其地封,以其财赏,不与人争利,乃能通于王道,是用非其有者也。)

故称:设官分职,君之体也;委任责成,君之体也;好谋无倦,君之体也;宽以得众,君之体也;含垢藏疾,君之体也。君有君人之体,其臣畏而爱之,此帝王所以成业也。

人主官人为能,匹夫自能为能。不过实质上,仍然是组织内的职守。因为单凭个人能做的事情极有限,因而需结成组织,以具备超越个人的力量,成个人所不能为的事。那么需要组织内有人维持人与人的关系,有人去具体参与改造物质世界,或者改造社会关系,使其有一定的秩序,各司其职,如此组织的作用能顺利发挥。组织必然因目标而存在,但亦会在特定的环境和条件下崩溃。就如同自然生态的系统,也是从一个状态向另一状态保持动态演化。人类社会的组织,也会逐步演化成适应当前环境的组织,可能会经历短暂的混乱。所以说最适应当前社会的组织,将发挥出强大的力量。比如,那些在一个时期,在全球产生巨大影响力的公司,它们调动了社会大部分力量,也为人类社会创造高价值的事物。
貌似,将达尔文的进化观点也用在了社会组织演化过程了。未经实证,仅是个人的观点。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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