开始写博客,为了写思考

两年前第一次在网上看到介绍写技术博客的重要性的文章,无比地心潮澎湃,心底暗暗对话一定要开始写技术博客。而这两年间又不止一次看到甚至质量更高的关于推荐写博客的文章,令人信服的理由也越听越多。自己几次也都对自己承诺立刻开始写自己的博客,甚至一直想给自己注册独立域名,然而不管是开始写,还是注册,三番五次,都未成行。

究其原因,无非是这两个方面:1.不知道该写些什么东西好;2.自己写东西比较深入(自我感觉),耗时较长,一想着漫长的写作时间,就会心生惬意。关于该写些什么东西,相关的文章不可谓不少讲,什么学习了一个新知识可以写,整会了一个配置方案可以写,看到了别人的好文章可以转,等等。然而我总是会想,这些东西网上各种人的博客都写,相似又混乱,很多又是互相复制粘贴,我如果仅仅是写一个新学的知识,或一个配置方案,主要影响恐怕不是对他人有益,反而是增加了网上相关知识的冗余,除非我是系统地整理一块知识,或者写对某个问题深入的所思所想。


王垠在一篇名叫《原因与证明》的博客中有这样几段话:

证明与原因的区别

从以上的故事,以及你的亲身经历中,你也许注意到了大部分的教育过分的重视了“证明”,却忽略了比证明更重要的东西——“原因”。

原因往往比证明来得更加简单,更加深刻,但却更难发现。对于一个事实往往有多种多样的证明,然而导致这个事实的原因却往往只有一个。如果你只知道证明却不知道原因,那你往往就被囚禁于别人制造的理论里面,无法自拔。你能证明一个事物具有某种特性,然而你却没有能力改变它。你无法对它加入新的,好的特性,也无法去掉一个不好的特性。你也无法发明新的理论。有能力发明新的事物和理论的人,他们往往不仅知道“证明”,而且知道“原因”。

打个比方。证明与原因的区别,就像是犯罪的证据与它的原因的区别。证据并不是导致犯罪的原因。有了证据可以帮助你把罪犯绳之以法,可是如果你找不到他犯罪的原因,你就没法防止同样的犯罪现象再次发生。

古人说的“知其然”与“知其所以然”的区别,也就是同样的道理吧。



这个论断也是深深震撼了我,让我对“写”这个概念从这个角度去思考。尽管网上各种名为“为什么你应该写博客”之类的文章众多,但是其实它们讨论的都是写博客的好处,讲述写博客的好处就像是在证明该写博客一样,你能证明写博客具有某些益处,然而你却发现你的确在写博客,但却没有能力把握你写博客的效果。你无法用它帮助到别人,你自己似乎也并未收获良多。你也无法写出流传广泛的文章。一味地强调写博客的好处,感觉像是过分的重视了“证明”,却忽略了比证明更重要的东西——“原因”。那么什么才是“写”的原因呢?按照刘未鹏在《知其所以然》系列文章的观点,思考这类问题的过程比得出最后的结论更为重要,也更为复杂。我尚对描述思考“写”的原因的过程感觉吃力,只能先给出我自己思考的结论——“写”的原因是个人的思考需要被写出来。能写即能思考,能思考却不一定能写,“写”的过程是体会描述思考的乐趣的过程,“写”的过程也是发现思考不完整的过程。写出来的思考才是真正属于你自己的,如果长时间不愿意去写,不管看书,还是思考,都能感受到自己日渐模糊的思维。此外,对他人真正帮助大的是让人审视你的思考,更是让人观察你思考的过程。


当我明白了这一点,我感觉博客的分类其实不重要,不管是技术思考,还是生活思考,都是属于一个分类“WriteThinking”,不必反客为主,做不同领域的划分。同时,我感觉博客被阅读虽然很重要,但却不是“写”的原因,申请个人域名也许很酷,但根本涉及“写”的意义,所以不能主次不分,倘若抓不住主线,次线也根本不属于你。写思考,虽不是始于今日,但从思维上,WriteThinking从今天开始。

  • 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
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