一个屌丝的生活状态 #M02

屌丝模型

小D是一个年轻人,每天挤公交车上班,有时会挤下地铁,从出门到公司会消耗一个小时左右。早上七点多出门,晚上回来接近十点了,很多时候都会觉得,一晃又是周末了,时间过得好快,可小D心里也觉得自己一周好像也没有做什么事情,似乎没什么收获,时间却过得很快。Ta在心理还是有些焦虑,总是在想这种状态是不对的,Ta也有自己的计划。

Ta是一个算是上进的人,想要在平时能有所提升,在未来的某一天自己也能“出人头地”。平时也会学习英语,购买一些付费的课程等等,希望通过学习来提升自己的能力,让自己变成一个有价值的人,也能让自己找到满意的对象。

Ta分析了一下时间,觉得如果把碎片时间利用好了,那么学习计划就能很顺利的进行。于是,Ta计划在上下班的途中学习英语和其他课程,会到家或者周末也安排了其他事情,例如总结一下,计划一下。这样感觉特别好,因为能想象自己通过这些努力慢慢变得牛逼,这样就可以做好多事情了。

早上,走到公交站等车,车等了好一会儿都还没来,看到其他人都在玩手机,想起了自己计划要学英语。于是,掏出手机开始认真地学习。一会儿车来了,Ta想着上车找个稍微好的地方站着继续学习。后面发现人越来越多,车上的噪音有时也很大,会有些影响自己学习,于是有些定力不足了,觉得这样好不舒服,反正也没有计划在车上一定要把这部分学完,想了想晚上再学吧,晚上效率高些。

几天后,Ta发现课程落后了好多,计划也有被执行,晚上回家觉得累了,玩一会儿手机就睡觉了,堆积在晚上的任务也就没有做。上进的Ta觉得有些失落,这样下去不行。分析了一下原因,觉得公交车上环境确实不太利于学习,于是想了一个办法,晚上坐地铁回去,地铁上可能有位置又稳定,方便学习。Ta觉得自己调整了策略,情况会好起来,心情恢复正常。

晚上加了会班,上地铁感觉有些累了,但是想起之前自己毫无执行力堆积了那么多课程,还是掏出手机开始学习。 一会儿发现地铁上还是有点吵,英语听力有点听不清楚,效率不高,心里想着,我先休息一下,会家学可能更加高效,有些纠结。 这时候,地铁上有又来了很多人,Ta平时会去观察一些周围的人,感觉多数都是“底层”的人,衣着气质都没有亮点。有时候Ta会突然发现某一个人的发型或者衣着还不错,就会去观察一下别人,跟被人比较一下形象甚至身高。同时也会在地铁的玻璃上照一下自己的的形象,看到发型有点蓬松,还会马上用手梳理一下,让自己能看得下去。再扫一眼自己的穿衣搭配,觉得好low,心想等几天自己一定要好好整顿一下自己的穿衣风格,同时,早上要好好梳洗一下,不然发型看着好邋遢。 因为发现自己也是地铁不修边幅大军中的一员,自己看不上的那种,发现自己也是自己看不起的人,心中暗下决心,一定要找时间好好整顿一下。

每次坐地铁,这种有类似镜子的地方,Ta都会有上面的想法,一直都在想自己要好好改变形象,有时也会发现,他妈的我为什么还没有行动呢。手机早就已经揣进了自己的口袋,思考这些问题,思考为什么没有行动。

一直都在思考。

晚上回到家,记得自己还有任务没完成,拿出手机或者书开始读,读着读着发现精力跟不上,眼睛也有点酸,完全没有状态学习。哎,没办法,还是明天学吧。

刷着朋友圈或者文章,看到一些牛逼人的建议,或者某个触动人心的爱情故事。心中会触发原始的向往,毕竟是个上进的人,一直在追求自我成长。心中也坚信自己按照某个方向持续积累学习,某一天自己也可以变得有价值。有时候,再接上自己对于“爱情”的向往,就会在心中开始临时导演一部精彩的电影: 自己在几年间通过努力积累变得牛逼了,这时候遇到了自己心仪的Ta,向心仪的Ta展示自己,两个人相互吸引,最终收获令人倍感幸福的感情。 电影有时候会持续好几个小时,由于兴奋还可能失眠,第二天早上疲惫不堪,醒来后想想昨晚的“电影”,对自己的行为有略感失望。

晚上熬夜了,白天状态肯定不好,这样下去肯定不行。于是,心里计划要按时早睡,保证第二天的精力。于是好多时候,就开始早睡,效果也不错。可是有时候,早早计划要早睡,心里面却有奇怪的情绪,可能是对自己早睡要求的反抗,突然难以遏制的想要看某个片或偶像剧,控制不住这种情绪。于是,早睡变成了熬夜。

家人有时候会催Ta快点找个对象,Ta心里也明白,自己也比较渴望感情。但是Ta心里也明白,感情或者婚姻是价值交换,自己现在毛都不是,连个人外在形象都还急需改造,收入水平也只是比平均水平高一点点而已,家庭条件也不好。这种情况下,不可能找到自己满意的对象。没有找到满意的对象,生活甚至以后得自我提升等等都会受到影响,要找到喜欢合适的人,才有意义,毕竟感情或者婚姻还是非常重要,能给人带来极大的益处,也能极大地消耗一个人。 Ta很容易地就说服了自己在这个事情上不要急。只有有时会焦虑,自己的眼光和实力的差距有点大,似乎在慢慢变大,而自己的进步速度又感觉不满意,但是Ta还是坚信,随着自己的积累,自己会变得更有价值,这样就能收获更好的果实。

Ta也随时在思考如何在工作中提升自己,某个职位的核心素质是什么? 如何提高效率? 如何高速成长? 等等问题。 每天上班,早上会先大概写出今天的计划,要完成的目标。工作开始后,一头扎进细节中,有时会有些突发的事情进来,打乱Ta的计划,这些情况在很多时候会完全打乱Ta的计划,晚上会发现,今天的时间消耗和计划完全没有关系,而且工作效率好低。Ta发现了自己在应对变化时,计划会完全被忽略,自己的动态调整能力好差,也在思考如何改变这种情况。

在沟通的时候,有时会为一个事情争论,双方都没有把事情搞清楚,瞎说一通。有时还因为对某个事情或者不赞同别人的观点,和被人争论一番,想要说服对方,争了一会儿又觉得没有必要,静下来之后会觉得刚才的行为太不合理了,自己怎么表现出这种状态,别人会怎么看待我,会觉得自己会是个什么样的人。哎,后面发现自己在好多方面还是很差劲,没有自己想的变得更加成熟了,还是会有很多粗鲁不合理的行为,但是当时控制不住,静下来后又懊恼。 发现自己还是个非常平庸的普通人。 一直想要进入好的环境工作,却进了一个自己感觉好多人比较差劲的环境想要。去发现一些不错的人,向他们学习,觉得向他们学习,能不断改变自己。

核心特点

  • 出生、自我资质都相对普通的人
  • 受过些教育,有些想法,能看清楚某些本质
  • 对自己不满意,眼高手低
  • 渴望出人头地,渴望美好的人、事物、状态
  • 缺乏足够的能力
  • 缺乏足够的心力

心理分析

  • 缺乏足够自我认同,渴望认可,自我价值认同容易受外界影响
  • 长期非理性,缺乏自律的心理底座,难以延迟满足
  • 心理相对匮乏

行为分析

  • 上进,一直在思考如何变得更好
  • 没有执行力,不能坚持行动。在 反思->未行动-> 继续反思 -> 未持续行动 的循环中挣扎
  • 不能应对动态变化,难以及时调整自己
  • 缺乏自制力,经常事后自责
  • 缺乏扎实的能力来实施自己的想法。
  • 没有目标感

上帝视角

  • 有想法,但是缺乏能力
  • 世界最终会掌握在屌丝大军中脱颖而出的人中,只有极少数人

在屌丝模型中,你的匹配度有多高?

如何从大军中脱离出来?

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 4
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