心态决定你的眼光

心理测验来自西方,是与人潜意识有关。我10多年前认识个朋友,从国外读书回来,给我说了个心理测验《借船过河》,她说是读心理学时老师教的。然后我拿这个测验测过无数人,都很准。这个也不是算命,但可以让你了解自己的需要,有的人死不承认自己是这样的啊,可实际上就是这样子的。我把这个图画下来了,大家可以对照看,不过要听我先讲故事,然后再开始。        

    有个男人叫M,他要过河去和未婚妻F相会结婚,但两人一河相隔,M必须要借船过河才能见到F,于是他开始四处找船。

    这时见一个女子L刚好有船,M跟L借,L遇到M后爱上了他,就问:我爱上你了,你爱我吗?M比较诚实,说:对不起,我有未婚妻,我不能爱你。这么一来,L死活是不把船借给M,她的理由是:我爱你,你不爱我,这不公平,我不会借你的!

    M很沮丧,继续找船,刚好见一位叫S的女子,就向她借船,S说:我借给你没问题,但有个条件,我很喜欢你,你是不是喜欢我无所谓,但你必须留下陪我一晚,不然我不借你。M很为难,L不借他船,S如果再不借他的话就过不去河与F相见了,据说这个地方只有这两条船。为了彼岸的未婚妻,他不得不同意了S的要求,与S有了一夜情。次日,S遵守承诺把船借给了M。

    见到未婚妻F后,M一直心里有事,考虑了很久,终于决定把向L和S借船的故事跟F说了。可惜,F听了非常伤心,一气之下与M分了手,她觉得M不忠,不能原谅。F失恋了,很受打击.

    这时他的生活里出现了位女子E,两人也开始恋爱了,但之前的故事一直让他耿耿于坏,E问M是不是有什么话要跟她说,于是,M一五一十地把他和L、S、F之间的故事讲了一遍。E听了后,说,我不会介意的,这些跟我没关系。

     故事讲完了,问题来了,请你把这几个人排列个次序,标准是你认为谁最好,谁第二,谁第三,第四,第五?这个M男也算在内的。建议不要想太复杂,也不需要考虑大众看法,你认为谁做得好就是好

     看到这里请先选择好你的答案,完了往下翻看看答案。

   

答案其实很简单,就是用你的潜意识告诉你最想要的是什么。不知道自己要什么,这是很普遍的问题,因为什么都挺重要的,舍弃什么都不成体统,只是每个人的人生追求确实差异很大,看别人追求事业,你也羡慕也很想这样,但不知道为什么总做不到;看别人婚姻幸福,你也很想,可实现起来确实不容易,这和运气也不是太有关系,而是你需要的决定了很多。

M——金钱(Money)
L——爱情(Love)
S——性(Sex)
F——家庭(Family)
E——事业(Enterprise)

    我知道,一定有人看了这个答案觉得很失望,就这个呀,这能说明什么呀?别看答案简单,其实这里面既包含这你的价值观,也是对你人生有预示的。

    我说两个故事吧。这故事中的两个人是很典型的,都是测过这个游戏的。一个是我以前乐队成员,贝斯手,当时他写下的是:M、F、S、E、L,这个排列他死不承认,因为当时他还在为音乐梦死磕着,让他承认爱钱这太羞辱了,而且还是结婚狂?但我发现他确实是这样的人,演出有点演出费就赶紧寄家去,还闹过这样的笑话,赚了400块,他好意思地跟别人借一百,说凑个整。爱钱不是坏事,就怕不承认。很多年后,乐队其他人都各奔东西,他留在了那行里,不过做了歌舞厅的伴奏,每天跑场很能赚钱,据说也很快结婚,有了小孩,是个很负责的丈夫,音乐就是他赚钱的工具,生活得也不错。后来我遇到过次他,一肚子不满,虽然开上了车,但理想早破灭了,没事业没爱情,就是富裕的日子。我觉得这就是他的人生轨迹,想追求的还是自己想要的东西。

    另一个是天津的一位女主持人,我当时跟她没什么话聊的,就玩了下这个。她的选择是S、M、L、F、E,我告诉她这几个符号代表什么的时候,她有点不高兴,说不准,她怎么把S放第一呢?是因为她觉得S比较公平,要比L简单,F事儿太多,E太冷漠,M不错但就是太墨迹了。每个人理解问题的方式都不同,刚好这个透露了你的潜意识。很多年后,我在北京遇到了位认识她的人,说起这个女主持来,他说,那谁可惜了,早不干主持了,跟他们单位好多男的乱七八遭,后来被单位开了,嫁了个有钱人。

    我看问我的朋友,其中选择E为首的占大多数,说明事业对不少来说人还是很重要的,还有距离问题,比如你选择了事业和金钱互相挨着,这很正常,这两项都是有关联的,可如果你把爱情排第一,却又把家庭排最后,那就说明,你未必会依赖婚姻这个形式,这排列组合是可以推理的.我想这个东西确实预示性很强,你要什么肯定会下意识地追求了什么,这点和你的名字命盘也是有据可查的。
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