2022 年,写给自己

文章讲述了作者在2022年的个人成长与变化,包括工作上的独立项目、生活环境的变迁、资产与户口的调整、投资策略的改变以及情感状态的转变。在价值认知上,强调了关系管理、目标管理和过程管理的重要性。2023年的目标集中在本职工作、玄学学习和个人生活中建立健康关系,同时也识别了可能的工作和财务风险,并制定了相应的策略。
摘要由CSDN通过智能技术生成

2a158372dbe6bd9de4cef5cb24317b8e.jpeg

今天是 2023 年的立春,正式由壬寅年进入癸卯年。

按照惯例,继续给自己写一封信,来总结 2022 年,以及展望未来(稍微晚了点)。

前言

开头依然放《原则》作者 瑞·达利欧 的一句话,献给看到这些文字的人。

如果你现在不觉得一年前的自己是个蠢货,那说明你这一年没学到什么东西。 ——瑞·达利欧

依然采用是上一封信形成的复盘框架,通过【变化】【价值】【认知】三个维度来回顾过去,通过【目标】【风险】【策略】三个维度来面向未来。

c3296dde72b1e5d11c9ce556bf003a4d.jpeg这几个维度的含义前几封信已经提过,就不赘述了。

接下来对 2022 年每个维度做下总结。

变化

2022 年最大的变化:

  • 【工作方面】搭建新领域的系统,从规划到设计到落地到应用到迭代,第一次拥有了完全且独立的作品。

  • 【住所变了】了解到阳宅对人的影响后,又搬了一次家,即便新家变小,通勤不如之前方便。

  • 【户口变了】成为了新上海人。

  • 【资产组成变了】有了属于自己的不动产,算是在这座城市扎稳了脚跟。

  • 【投资策略变了】因为需要资金,基金股票类资产忍痛清仓,转为现金类理财。

  • 【婚恋状态变了】短暂的恋情过后,回到了单身。

  • 【注意力变了】上海被困三月后,户外活动明显增多。

近几年一直没变的:

  • 【持续学习】香帅的金融课,所长的跨学科通识课,玄学知识。

价值

上一封信,我把自己认为重要的东西拆成了关系管理、目标管理和过程管理三个部分,以下为过去一年新增的部分。

关系管理

  1. 【关系修复需要机缘】井水不犯河水的关系可以因为一件共同参与的事情,双方冰释前嫌。

  2. 【小朋友】小朋友会成为家庭的中心,大家都围着他转。

  3. 【择偶】喜欢是看到了对方的优点,能走进婚姻是接受对方的缺点。(《心灵捕手》提到,不完美才是好东西,它决定了谁进入你的生活)

  4. 【磁场】什么样的磁场吸引什么样的人,要养好自己的磁场。磁场不合,距离产生美。

目标管理

  1. 【择城】初期保持多种可能性,适时调整,到达一定阶段要确定长期居住城市。

  2. 【取舍】人的精力很难同时集中在多个方面,要舍得,舍得舍得,有舍才有得。不同阶段,精力有侧重很重要。

  3. 【了解自己】知道自己想要什么,什么条件下可以得到,得到后会有什么影响,是否能守住。

过程管理

  1. 【择时】顺时而动,不超前也不滞后。

  2. 【戒骄】戒之初,戒之盛。

  3. 【看神不看形】少即是多,慢即是快。

  4. 【保持开放心态】面对新东西,先假设是正确,再去验证。

  5. 【以果决行】学会预判未来潜在结果,根据结果来决定当下的行为,趋吉避凶。

认知

2022 年新认知:

  1. 【合作要素】不同岗位一起合作,最重要的是共同的目标。当对方无法理解你的执行过程时,无需多费口舌,给出对方想要的效果即可。

  2. 【祸福相倚】祸福大多命中注定,但祸福相倚,有些劫难渡过后,一切会变好。

  3. 【人无完人】世上无完人,这也给了每个人自修的机会来改善自己的不足,自修程度能弥补甚至超出天命的不足。

  4. 【把握天性】什么样的命,做什么样的事,找准自己的天性,做符合天性且正派的事情,能正向影响生命轨迹。

目标

2022 年的目标好像除了本职工作外,都没啥进展,不过收获了别的一些意外结果,比如买了房,培养了新的兴趣爱好,算是弥补吧。

2023 上半年目标:

  • 【本职工作】少说多做,维持正常状态。

  • 【新领域学习】玄学知识体系搭建和实践。

  • 【个人生活】建设一段健康良好的亲密关系。

风险

2023 上半年风险:

  • 【工作不满意】

  • 【收入不理想】

策略

2023 上半年有所变化或新增策略:

  • 【财务管理】财务管理维稳为主,不做大的支出,不投资非保本类产品。

  • 【户外活动】增加户外活动。

尾声

2022 年对很多人来说,是非同寻常的一年,对我同样也是。经历了感情的变动,疫情的封控,目标的扑空,却意外接触到了玄学,落下了户口,搞定了房子,人生进入新的阶段。

2023 年是后疫情时代的第一年,走向万象繁荣的过渡之年,这一年好好沉淀一下吧!

推荐阅读:

2021 下半年,写给自己

2021 上半年,写给自己

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

打赏作者

蜗牛互联网

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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