管理故事1——怎样给猎狗分骨头

管理故事——怎样给猎狗分骨头

時間:2004/03/15    來源: 不详

  猎人带着猎狗去森林中打猎,猎狗将兔子赶出了窝,一直追赶它,追了很久仍没有抓到。后来兔子一拐弯,不知道跑什么地方去了。猎人看到这种情景,讥笑猎狗说:“小的反而跑得快多了。”猎狗回答说:“你不知道我们两个的‘跑’是完全不同的!我仅仅为了一顿饭而跑,而它却为了性命而跑呀。”

  猎人想,猎狗说得也对。我要想得到更多的猎物,就得想个好办法,让猎狗也为自己的生存奋斗。猎人思前想后,觉得有必要给猎狗引入竞争机制,在竞争中表现优秀的会得到更多的奖赏。

  于是,猎人就多买了几条猎狗,并规定凡是能够在打猎中抓到兔子的,就可以得到五根骨头,抓不到兔子的就没有饭吃。刚开始猎狗们很反感,但随着时间的推移,也逐渐适应了这种机制。这一招果然奏效,猎狗们纷纷努力去追兔子,因为谁也不愿意看见别人吃骨头,自己没有吃的。

  过了一段时间,问题又出现了,猎人发现虽然每天都能捕到五六只兔子,但兔子个头却越来越小。原来有些善于观察的猎狗,发现大的兔子跑得快,逃跑的经验非常丰富,而小兔逃跑速度相对比较慢,逃跑的经验也少,所以小兔子比大兔子好抓多了。而猎人对于猎狗的奖赏是根据其抓到兔子的数量计算的,不管兔子的大小,那些观察细致的猎狗最先发现了这个窍门。

  猎人对猎狗们说:“最近你们抓的兔子越来越小了,为什么?”

  猎狗们说:“反正大小对奖惩没有影响,为什么要去抓大的呢?”

  猎人决定改革奖惩办法,按照兔子的重量来计算给猎狗的食物。这样改革后,猎狗们都尽量去抓大的兔子。这一招好像起到了很好的作用。

  过了一段时间,猎人发现邻居家的猎狗和自己的一样多,可抓到的兔子却比自己多得多。猎人很奇怪,就去问邻居。邻居介绍说:“我的猎狗中有能力强的,有能力差的。我就让能力强的去帮助能力差的,让它们之间互相学习。另外,我将猎狗编成几组,每一组猎狗分工配合,这样,抓到的兔子数量就明显上升了。”

  猎人觉得这样的方法非常好,回家后也决定让自己的猎狗互相学习、互相配合,并将猎狗编成几个小组。实行一段时间后,猎人发现效果一点也不好,猎狗们根本就没有学习的积极性,每个小组抓到的兔子数量反而没有以前单干时抓到的多。是哪里出了问题呢?

  让猎狗们互相学习,提高抓兔子的本领,这点肯定没错;将猎狗分成几组,分工配合,应该也没有错,因为猎人的邻居就是这样做的呀。猎人决定和猎狗们开会讨论,猎人对猎狗说道:“我让你们互相学习,提高抓兔子的技能,你们为什么不愿意学习呢?另外,为什么配合起来还不如单干的时候成绩好呢?”

  猎狗说:“抓兔子已经很辛苦了,学习还要占用我们的时间,抓到的兔子当然少了,但骨头还是按照以前的分配方式,你让我们怎么愿意去学习呢?另外,你将我们编成几组,分骨头的时候却没有考虑到我们是怎样分配工作的,我们每个小组内部经常为分骨头而打架,你让我们怎么合作?”

  猎人觉得猎狗说得也有道理,决定彻底改革分骨头的办法。不管猎狗每天能否抓到兔子,都给固定数量的骨头,抓到兔子以后,还有另外的奖赏。但是仔细一想,还有很多问题,因为现在是按照小组来工作的,小组中有的猎狗负责追赶兔子,有的负责包抄,有的负责在外围巡逻,防止兔子从包围圈中逃跑。每个小组按照抓到的兔子来领取奖赏,小组内部应该怎样分配呢?骨头数量是永远不变,还是过一段时间调整一次?分工不同的猎狗得到的固定骨头数是否该一样呢?猎狗会不会自己跑出去抓兔子,而不上缴呢?

  面临着一系列的问题,这回猎人可犯难了。

  这是一个关于绩效考核与激励机制建立的典型案例,请各位人力资源经理一起来探讨探讨!
`classify_image`函数通常是由深度学习框架或者图像处理库提供的,使用方法可能会有所不同。以下是一个使用TensorFlow Hub提供的图像类模型进行图像类的案例代码: ```python import tensorflow_hub as hub import tensorflow as tf import numpy as np import PIL.Image as Image # 加载图像类模型 module_handle = "https://tfhub.dev/google/imagenet/mobilenet_v2_140_224/classification/4" model = hub.load(module_handle) # 定义图像预处理函数 def preprocess_image(image_path): image = Image.open(image_path) image = image.resize((224, 224)) image = np.array(image) / 255.0 return image # 定义类函数 def classify_image(image_path): image = preprocess_image(image_path) image = np.expand_dims(image, axis=0) predictions = model(image) predictions = np.squeeze(predictions) top_k = np.argsort(predictions)[-5:][::-1] labels_path = tf.keras.utils.get_file("ImageNetLabels.txt", "https://storage.googleapis.com/download.tensorflow.org/data/ImageNetLabels.txt") with open(labels_path) as f: labels = f.readlines() labels = [label.strip() for label in labels] results = {} for i in range(5): label = labels[top_k[i]] score = predictions[top_k[i]] results[label] = float(score) return results # 测试类函数 image_path = "test.jpg" results = classify_image(image_path) print(results) ``` 上面的代码首先加载了一个名为`mobilenet_v2_140_224`的图像类模型,然后定义了一个图像预处理函数和一个类函数。预处理函数将输入的图像文件路径转化为符合模型输入要求的图像数组,类函数将处理后的图像传入模型并得到类结果,最后返回一个字典类型的结果,键为类标签,值为该图像被类为该标签的概率。 运行上面的代码,假设输入的测试图像是一只狗的图片,输出可能长这样: ``` {'golden retriever': 0.9215273265838623, 'Labrador retriever': 0.05019818967580795, 'vizsla': 0.005006699260681152, 'hen-of-the-woods': 0.00218029093769145, 'cocker spaniel': 0.0017814641147258282} ``` 这表示该图像被类为金毛猎犬的概率最高,为0.92,被类为拉布拉多猎犬的概率为0.05,以此类推。
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