想创业,先来学学怎么讲故事吧

幻想有一天,你成了 Mark Zuckerberg 般成功的创业者,就会有人把你的故事翻拍成电影。如果你还没成功,这个的故事就得留给自己来写。对于创业者而言,学会讲故事不仅仅意味着可以在投资人、用户、媒体面前更好地“为自己代言”,更可以用创作的思维为公司制定宏观的发展路径,解释创业过程中会遇见的各种突发情况。

皮克斯 Pixar 公司的资深剧本创作家 Emma Coats 曾经发表《讲故事的 22 条法则》,讲诉自己创作动画巨制剧本时的原则。资深创业者 Peter Nixey 认为,这简直应该被称作“创业者的 22 条指南”。所谓一通则百通,让我们来看看这些理念你是否受用。

  1. 欣赏一个努力超越自身成功的角色。——成功不是目的也不是结果。
  2. 切实感受听众想要听什么,而不是你想要表达什么。——把消费者需求摆在第一位。
  3. 规划自己想表达的主题很关键,但不到最后一刻你的观点都是片面的。——产品又何曾不是这样的呢?
  4. 曾经,他们每天。直到有一天。因为,所以。因为,所以。最终——曾经这个世界上没有科技博客,上网者每天从门户网站获取信息。直到有一天科技博客出现了。因为更为独到的视角和深度的分析,所以很多人成为了科技博客的读者。因为 36 氪以其别具一格的开拓性潜入互联网创业这个生机蓬勃的领域,所以对未来怀揣希望和抱负的上网者都成为了忠实读者。最终 36 氪在这个市场内斩获了0.2%的市场份额。(kidding)
  5. 简化、专注、整合特色、绕过弯路。这样虽然可能让你觉得失去了有价值的东西,但它可以帮助你从思维定势中解放。
  6. 你的角色擅长干什么,喜欢干什么?给他们相反的东西,看他们如何挑战自己解决这些不曾解决的问题。——别只专注于编程了,试试去开拓市场吧,琢磨怎样让市场接受自己吧!
  7. 先思考故事的结局,再考虑过程和发展。认真地说,结局部分是最难的。——作为创业者,你有制定过切实清晰的发展目标吗?“我们要占领XX市场”,这只是谁都会说的空话。
  8. 落笔后,即使故事不完美也就此结束。完美结局存在于理想中,你得向前走,下次争取做得好一些。——知舍得才是人生的最高境界。
  9. 当进程被卡住时,列一个“下一步不可能做的事”的列表,它往往能告诉你下一步应该怎么做。
  10. 把你喜欢的故事打散,明确自己究竟喜欢的是哪些元素,然后才有化为己用的可能。——想一想自己钦佩的创业者,问一问“XX会怎么做?”,你慢慢就能成为自己心目中的那一位。
  11. 把好主意写在纸上不断地修正完善,不表达出来只会烂在脑子里。——不断与他人沟通,找出自己创业计划的不足,并不断地完善它。与同行、消费者、投资人、竞争者、陌生人沟通,而不仅仅是和自己亲密的朋友。
  12. 忽略脑海中出现的第一个、第二个、第三个...想法,逐出那些理所应当的思想。——你的想法应该独一无二却令人兴奋,充满替代选项的想法无法打动人。
  13. 让笔下的角色拥有自我意识,而不是你的提线木偶。为角色安排剧情对编剧而言很简单,但观众不喜欢这种东西。——赋予自己的品牌或公司以象征性,让它们有所指代。
  14. 你为什么必须说出这个故事,这个故事吸引人的部分源于你内心的何种信仰?这就是故事通篇的核心。
  15. 想象自己就是笔下的角色,在这种情况下你会怎么做?诚实能够让不可信的场景变得可信。——永远保持对用户、员工与投资人的真诚,这会令你受益匪浅。
  16. 利害关系是什么?给观众一个理由去支持这个角色。——人们往往要看到你倾尽金钱与前程做这件事,他们才会愿意把自己的金钱或前程压在你的身上。
  17. 世上没有无用功,即使暂时毫无作用,但总有一时它会显露自己的价值。——永不止步,永远让自己保持做事情的状态,可以是做实事,可以是专研,也可以是与人沟通,不一定非得源于一颗功利之心。
  18. 你必须了解自己,了解自己什么时候是在竭尽全力,什么时候只不过是手忙脚乱。
  19. 让角色“一不小心”陷入困局是喜闻乐见的;让角色“一不小心”摆脱了困局,大家会认为它开挂了。——你应该知道,公众希望看到你的难处和你的努力,而不是你莫名其妙的成功之路。
  20. 试着找一部你不喜欢的电影,将其拆分重组成你喜欢的样子。——找一个市面上已经有的,但你不满意的产品,做出一个更好的来。马化腾也是这样说的。
  21. 你必须对自己创造的角色与场景身临其境,这才能让剧情发展合理化。
  22. 你故事的精髓在哪里,可以用最简洁的语言表述出来吗?如果你已经有了答案,就从这里开始吧。——你创业计划的精髓在哪里,可以用最简洁的语言表述出来吗?如果你已经有了答案,就从这里开始吧。
原文地址:点击打开链接
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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