替柴静说几句话--针对那些不做事的愤青

        看了柴静制作的雾霾报道的视频,觉得不错,说清楚了雾霾危害,雾霾的来源,以及防护和防止措施。
        随后在网上看见了很多很多黑柴静的文章,基本上就是黑这么几条:
        1)  用自己的女儿来煽情,也不管柴静他们家到底在哪国;
        2)  柴静不是在做纪录片,以为自己在TED网做演讲;
        3)  听说柴静拍这个花了几百万来拍这个,烧钱啊;
        4)  柴静在为政府做经济转型做铺垫;
        5)  柴静动机不纯;

        最有意思的是,这帮人自己什么都不做。作为一个程序员,我来替柴静解释一下:
1)  用自己的女儿来煽情,也不管柴静他们家到底在哪国
       我记得做产品经理宣讲培训的时候,老师曾经说过:“对于任何产品和解决方案,千万不要直接讲解,通过贴近用户生活的故事去讲,这样才能吸引用户,才能靠近用户”。
       什么意思呢?意思就是,柴静以母亲这个大众的方式,进入讲解,是最能贴近所有网民的实际生活的。所有人都可能是妈妈,爸爸,都不想让自己的孩子吸雾霾,能让人去看完这个片子,能让大众更能接受。
       也就是说,作为新闻媒体人,作为宣讲人,这个开场很职业。
       关于柴静自己在哪国?这个问题不用太纠结,近几年大量精英都离开了中国。当前最重要的是不让更多的人离开,并且让离开的人再回来真心的帮助留在中国的人。

  2)  柴静不是在做纪录片,以为自己在TED网做演讲
       如果柴静在做演讲的话,这个演讲太出色了。这个演讲始终能贯穿这个节目。我的演讲老师说过,宣讲的主体不是胶片或视频,是宣讲人本身,也就是说宣讲过程中需要通过技巧来让观众关注宣讲人。
       高手宣讲,观众除了有时看身后的胶片和视频外,眼光必须一直都在宣讲人身上,这样才能达到宣讲的效果,宣讲是人与人得沟通,不是胶片和视频跟人得沟通。
       柴静做到了。
       可能你没有做过产品和解决方案的大众宣讲,不知道其中的难度。能做到这样的宣讲,不知道需要在基层打拼过多少年,才能有这样的水平,这个是通过不断的尝试,
不断的失败, 不断的实践才能有的水平。
       试想一下,你自己看着这个视频,自己从头到尾讲一遍,看看能讲得多差!!

 
3)  听说柴静拍这个花了几百万来拍这个,烧钱啊;
       这个问题就比较简单了,试想一下,现在突然给你500万,给半年去拍这个片,看看你能拍得出来不?
       估计环保部你谁都见不到吧!想想自己有能力见这么多人吗?自己有清晰的逻辑去拍出这个片吗?
       没有媒体新闻多年基层的摸爬滚打,没这个实力吧!

4)  柴静在为政府做经济转型做铺垫;
       98~99年经济转型的时候,多少人下岗,需要做铺垫吗?做干就干,还用铺垫?
       尤其经过了这么多年,谁还在为下岗这个在意。企业不行了,就找亲戚朋友另找出路。

 
5)  柴静动机不纯;
       这个是最无聊的,很多人动机不纯:张作霖动机不纯,曾经当军阀独霸东三省,但是他坚决抗日,寸土不让;蒋介石动机不纯,搞独裁,但是他带领国军将士誓死抗战;任正非动机不纯,华为员工曾经活活累死,但是他让民族品牌遍布世界。。。。
       这个复杂的世界,很难说某某人动机纯不纯,最重要的是他做了什么?他做的事对我们是否有正面影响?

       看见网上的各种评论,我仿佛回到了明朝。在明朝有这样的一群言官,自己不去做事,也没有做事的能力,但是却不停的写帖子谩骂。看见不干活的也骂,干活的也骂! 张居正搞改革,言官一通骂;申时行怠工,言官也一通骂。
        弄到最后,谁的不干活,反正要被骂,还不如不出头,省的中枪!

        如果想真的鄙视柴静的话,我建议你自己去拍一个比她更好的纪录片,你都不用黑她,到时候对她轻视的一笑,你就满足了。

        对于各种不做事的愤青,我最后想说:有点时间黑人,不如自己独自去看几本书;
        对于讨厌柴静的媒体人,不如自己再去拍几部更好的纪录片;
        对于程序员,不要老去评论小米、雷军怎么糟糕,不如自己去写几个好点的程序;
        
        你的愤青不能改变世界,但是柴静改变这个世界一丁点。。。。。。 
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。
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