2019年4月总结

四月概述

四月是愉快的四月~在上月两个项目验收之后,四月迎来了过去一年以来最惬意的一段时光。本月书看的不多,没怎么学习,吉他也暂时搁置了…但是算是用一个月的时间初步养成了一些良好的健康生活习惯,但不知这种习惯能否经受住加班的冲击与洗礼,让我们拭目以待吧。

一、书单

  • 《津巴多普通心理学》,10分,这种书我是没有资格给出评分的,10分致敬吧,作为教材编写思路排版都非常优秀,作为外行的入门书籍,毫不枯燥乏味。相比国内教材《普通心理学》排版设计更符合人的思维习惯,同时和之前阅读过的其他国外教材类似,非常注重某些通用思维方式的培养,比如在本书中格外强调批判思维的培养。而且最新版本添加了一些较新的理论。

五月计划
心理学教材等资料的学习与阅读不能再拖了,五月务必精度《津巴多普心》一遍。

  • 《津巴多普通心理学》:精度一遍,并绘制思维导图

二、影单

  • 《复联4》8.7分。棒棒哒,对于基本看完全部复联电影却没有复联情节的我而言,最后一部竟看出了情怀,啧啧。
  • 《逃出绝命镇》,8.8分。有色人种版本的《万能钥匙》,但故事节奏把握、情节设计和演员演技水准都比较高,感觉比万能钥匙更好看。
  • 《蜘蛛侠:平行宇宙》,9分。近几年看过最好动漫,没啥可说的。
  • 《德里罪案》,9.1分。几年前看过《印度的女儿》,对这个案子也算是非常熟悉了,本剧不是记录片胜似纪录片,以充足的时长还原了案件涉及的更多细节,包括当时的社会背景,印度神奇的警察系统体制,相关政客对待该事件的反应。同时女儿和警察母亲间的一个争论点:印度会更好吗,也算是该剧的潜在灵魂了。
  • 《一个明星的诞生》,6.8分。lady gaga演技不错,电影中规中矩,也就是非常普通。
    嗯,有点堕落。

三、工作

  • 更换对口人的项目交接
  • 继续调试问题

四、心理学

希望我和津巴多《普通心理学》的缘分还没尽!!!
我大致明白自己的心态,是老毛病又犯了,总觉得还有时间,但事实上时间并没有那么充裕,希望明年此时你不要后悔

五、运动

本章和下一章节算是四月最值得大书特书的部分了,同时也决定了本月可能是今年甚至未来几年的一个转折月份。
(1)关于运动与饮食,我存在的问题

  • 画地为牢,为自己设定天花板。总认定自己无法减肥成功,愤懑自己减肥难度大于别人。恩一定程度上这种想法似乎也没有错,但问题是到底想要什么,万事本来就是想要就去努力,管付出多少做什么。如果真的一定要得到,仔细计划,努力实施就完事了。
  • 忌口犹如索命。我爱吃这个事是没辙了。《少有人走的路》和叔本华都在告诉我们,人生苦难重重,但重要的是尽早认清这个现实。我怎么之前就没转过弯呢,而且做事极端,之前的减脂餐确实还是不够科学,无法让人持之以恒,认清自己无法断了关于美食的念想,适当控制,放弃极端做法,合理搭配就完事了。
  • 认为“减肥是一辈子的事业”是一件十分苦逼的事。事实上,这句话确实蛮令人反感,首先应该将减肥替换成减脂增肌,减肥是一个恶心又过时的词,什么叫肥呢?我认为不应该存在一个通用的要求,而应该作为个人对自我的一种认知标准,说白了因人而异。那么这句话正确的打开方式是:健康积极的生活方式是一辈子的事业。现在我认为好的"减肥"方式应该一定是可以持之以恒的,比如我不会病态的要求自己一点垃圾食品也不摄入,过分压抑自己的欲望。事实上当你关于生活方式的心态变化以后,你会对自己有更高的要求,更自律也更克制,这时候你会发现,健康餐间隙的牛肉堡比放纵的想吃就吃要来的美味得多。
  • 自以为运动量十分足够。认清这一点对我而言无疑是艰难的,其实在我的大脑中出现了概念偷换,一直认定运动能力代表运动量,事实上现在我的运动能力也在下降。四月某天我不知怎的忽仔细衡量起自高中后我的运动量,十分汗颜,这种运动量确实是十分不够的,相当于我小时候每天两次一年基本不间断的体育训练养大了胃口,后期训练不再但胃口却一直棒棒的…

(2)运动计划
上述最后一点对我的打击十分沉重,也最能唤醒我肥胖的灵魂和身体。同时我仔细思考了对自己的期待,甚至是若干年后我对自己的期望,我决定动起来。而且这次我充分利用健身房优势,不再只是单纯的进行有氧运动,并且开始研究人体肌群和一些健身基础知识。基本形成了:

  • 有氧和无氧相结合的运动方式,基本1h+1h,有氧仍以跑步为主(椭圆机太墨迹)。无氧以私教和keep为主。
  • 请私教进行专业指导。花了5000多,所以一定会坚持的,哈哈哈哈。
  • 针对身体弱势肌群进行加强训练。尤其是上肢力量,四月购买了弹力带(主要联系臀腿)和 哑铃,这些小器械非常好用。
  • 利用keep进行假期,非健身房训练。keep我使用的比较早,但一直没有充分利用,而且存在好高骛远的问题,一上手就练最难的。事实上变速跑等高燃脂跑步我确实可以执行K4,且并没十分吃力,但涉及上肢肌群的训练我确实无法更加弱鸡了,于是就非常容易放弃。在经过这一段时间的训练后,目前k3水平训练我基本可以全部完成。由于健身房离家较远,利用keep作为健身房之外的健身辅助还是非常可以的。

目前总的来说计划执行的可以说相当不错,过去三十天除了姨妈期,大部分时间都坚持去健身房了。而且健身也使得我在摄入高热量美食的时候多了一份从容,因为我知道自己可以农业损失副业补,但同时由于训练还是蛮耗时间的,这也不会成为我放纵饮食的理由。

(3)四月运动成果及小结

  • 最低体重56.4,目前基本稳定在57.5以内(晚上称重)
  • 体脂率三月测量大概22-24%,四月末的体测部分数据:体脂率19.4、肌肉量43kg、体脂肪量11.2kg、去脂体重46.4、身体质量指数20.4、体型判定低脂肪肌肉型、上肢下肢脂肪量都偏低(躯干正常)。

体测结果说明,我减下去的5斤重量基本都是脂肪,太酷啦~~~计划在5.17之前体重降到55kg左右。

(4)未来训练重点

  • 有氧方面加强心肺能力(降低跑步心率),10km跑进1h
  • 加强上肢力量,加强背部肌群训练
  • 加强核心训练,提高身体稳定性
  • 腿部着重塑性,改善大腿外翻加强大腿内侧力量训练
  • 利用蚌式等训练改善臀侧凹陷

六、饮食

(1)参考上一节关于之前存在问题的剖析,关于饮食方面的问题具体来说包括:

  • 饿得快、嘴馋摄入量过大
  • 之前自己带饭对油脂等摄入控制的太过极端,不易坚持,且导致对油条这种本来不喜欢吃的东西产生异常憧憬

(2)针对问题,提出了一下饮食方针:

  • 不过分苛求和控制热量,摄入可接近基础代谢率,但如果摄入量过大,一定要通过运动代谢掉
  • 节制与克制,控制垃圾食品摄入,如果实在嘴馋不健康食品(包括低热量),细嚼慢咽,克制的去食用,我的心理不需要这种东西来抚慰
  • 热量不是衡量饮食的唯一标准,健康才是第一位。低热量垃圾食品s,比如魔芋爽一样应该少吃,想吃汉堡,尽量吃汉堡王的牛肉堡这种原材料健康一些的
  • 不强求每天做饭,允许自己烹饪一些热量稍稍出格的美食。自己做的再怎样也比外食健康卫生,同时为了不打击削减自己的做饭热情,可以放假时或忙碌时吃健康外食。
  • 系统研究健康饮食,抛弃传统过时的错误的饮食观念。我有买过减脂烹饪课,最近又买了一本健康饮食书籍,不打算在网络中通过道听途说的碎片信息填充自己的知识库。

七、杂想

  • 克制是一种乐趣,对自己的有力掌握让我感到自信与自由
  • 最近开始研究时间管理和精力管理。自从健身及带饭以来,充分感觉到时间不够用,吉他也已经搁置一个月了,且这还是在工作不是十分忙碌的情况下,我希望四月的生活状态和理念是可以贯穿一生的,而不是暂时的。所以开始打算系统研究学习一下别人的想法,当然对要批判性的学习,个性化的实践

八、其他

能能婚期将至,伴娘裙已买,我们的出行计划却仍未敲定,nj目前也决定与我们同行,初步计划d行程为:深圳_日–>怀化(凤凰)_一二–>张家界_三四–>长沙_五–>武汉_六日

总结

四月是迷人的四月,四月是重生的四月。在这个工作不那么忙碌的难得间隙,我没有同去年10月末一般放纵自己,而是选择尽力改善自己的生活习惯,从内至外的使自己更加美好,我为自己感到骄傲。

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,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,用于防止模过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模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