真爱和迷恋的五大区别

 


人生中,我们都在追寻一份爱,能够找到一个知心伴侣,相伴相惜,共度人生路,是一件非常幸福的事情。只可惜人生有太多风浪,人们在爱情中间饱受打击。很多人在婚姻和爱情中受伤。首先我们要明白爱情到底是什么?
爱情是一种感觉。我的一个学生周五参加派对时,在柔和的灯光下,与一双神秘的眼睛四目相接,两人好象触电。当天晚上互相打听,那个女孩、那个男孩是谁,然后在西北大学一个非常美丽的地方不期而遇。在罗曼蒂克的环境下,两人从晚上九点谈到第二天早晨五点,把心中所有的秘密告诉对方。分离以后两人失魂落魄,开始思念对方,电话一打就是四个小时。这就是所谓的分离焦虑。这样的现象大家可能曾经经历过,也就是所谓的陷入爱河。
什么是爱情?
请问大家,这是真正的爱情吗?爱情是一种感觉,因为这种感觉我步入婚姻殿堂,现在我们没有感觉了就分手。真爱与迷恋有什么差别?刚才那种状态比较趋于迷恋,可能不是爱情。
爱和迷恋有什么区别?你知道了之后就比较容易找到你想要的。
第一个区别:迷恋通常都始于一见钟情,都是非常快的时间掉入爱河,有着非常强烈的感觉。
第二个区别:迷恋是基于心理上的投射。
因为每个人在从小成长的过程中,或是通过小说、通过一些电影,或是看到身边的一些样本,你心中慢慢形成一个理想的形象。有一天晚上,在一个很浪漫的情况下,一个男孩子突然看到一个女孩子,穿著一袭白色的斜裙、细细长长的头发、讲话时温柔的样子,她就好象你心中那个理想的形象,也许你不知道那个人是谁,但你已经疯狂地爱上了那个形象。
也许你在小说里面所看到的是一个放荡不羁的男人的形象,因此当你看到一个男孩子抽起烟来的样子很帅,其它什么东西你都还不知道,你就疯狂地爱上了他。结果你爱上的对象其实是你心中那个理想的形象,不是对方真正的自己。在你不知道对方的真我前,没有真正的爱。真正的爱情,你必须对对方有长期的、比较全面的了解之后,你才有可能产生一种真正的爱情。
第三个区别:由于迷恋都是相当以自我为中心的,你带给我一些快乐的感觉我就喜欢你,就像一朵花漂亮,我就喜欢你,哪一天花谢了,你不能再给我这个快乐的感觉,我就把它拋弃掉。谁的条件比较好,我就可以不断换,但是这个是非常危险的现象:因为这个不是真爱,你一直仰赖外面的人给你一些快乐的感觉。问题是,你骗得了世界上所有的人,骗不了自己。
人是很有意思的,当你一直吃甜头的时候,人生不会有什么意义。很多时候,人生的意义是从受苦中得到的。在付出和牺牲中,你慢慢地感受到爱,感受到你过去没有尝到过的真正的快乐。当我们总是抢、总是抓,总是利用别人,我们暂时是快乐的,但最后我们的精神是破产的。
第四个区别:因为迷恋是以自我为中心,而人的占有欲又是非常非常强的。所以我需要你的时候,你要在旁边,我不需要你的时候,就嫌你烦。这是一种比较低劣的迷恋。
但如果是真正的爱情,你会想要了解他,他需要时帮助他成长,让他得到他想要的、对他有益的,让他快乐。
第五个别区别:真爱经得起人生中很多风浪。这是过去一二十年一直忽视的一个东西,后来发现这才是能够让自己活在爱中的秘诀。
耶鲁大学一个教授做了一个关于爱的成分的研究。
爱有三个成份,第一个是激情。例如你看到对方时,心中怦怦跳,希望看到对方微笑,对方不笑时,你就会想办法让对方笑。
第二个要素:友情。当两个人经常在一起后,你就慢慢地发展出一种很舒适很满足的友情。
第三个要素:非常重要的一个部份就是承诺和委身。我们知道现在的婚姻、爱情,如果没有承诺和委身,我不相信有任何一个爱情可以存活下来。因为你没有办法找到一个伴侣可以满足你所有的需要。人有不同的需要,我们同时需要一个亲密感,又需要一个空间。女人同时需要自己的男人像爸爸,又像儿子。男人希望自己的女人像妈妈又像女儿。天下没几个人有这样的特质,所以,我们人总是没有办法得到满足,但是婚姻可以帮助一个人成长。
你的性格应该是有弹性的,每一个人都应该发展自己不同的共生的特质。比如一个男人,你不可能永远是强的,也不是永远都是依赖的。对一个女人来讲,你不能一天到晚做一个非常强势非常能干的人,因为你越强势的时候,你会发现别人越弱势。你的标准非常高,你要求得很完美,你可能会骂对方的衣服到处乱丢,你会发现你越骂对方丢得越厉害,最后捡衣服的都是你。太强势的结果会使你自己很惨,到最后,对方可能觉得自己有一个非常强大的“母亲”(不是妻子),他会选择一个楚楚可怜的对象来保护,这样外遇可能就发生了。
人与外遇结婚的机率是非常小的,真正相处在一起的,大概只有10%,成功人士跟“第三者”之间,婚姻能够存活的,只有3%。
婚姻的维系要*真爱,你必须要有委身,必须要有承诺才能够稳固,也才能够幸福。

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