写字的自由——内篇

在上一篇文章写字的自由——外篇,我就一直在打腹稿,打算写一篇“内篇”。外篇谈的还是平台(系统)带来的不自由。而内篇,打算谈谈我们自己的内心,是如何会陷入到不自由之中的。

我们不仅需要考察,为何有些文字不能写?更需要考察,为何我们会写出那些文字?

一、还是先从起点的写手说起

我是一个起点的忠实用户,所以我从来不看盗贴,只在起点付费阅读。也正因为如此,所以我会在小说之外,读到很多作者与读者“谈心”的文字。这种文字主要分为2大类:拉票和请假。

拉票是一门艺术,甚至有些起点大神,被公认为:拉票单章写得比小说还要好!有些单章写得令人热血沸腾,有些单章让人读来荡气回肠,有些单章我们读后生出与作者肝胆相照的错觉,有些单章却直白得令人发指。

至于请假,我经常会有一种感觉,起点的作者,大概是世界上最倒霉的一群人。自己生病,家人生病,朋友生病。U盘坏了,电脑坏了,笔记本坏了,网吧的电脑也坏了。家里停电,小区停电,被雷劈了。幸好还有一些我挺佩服的作者,会这样请假:“今天想不出来,停更一天。”;“今天朋友来喝酒,没空写了。”

起点的写手不仅要琢磨什么样的文字更加吸引读者,还要琢磨什么样的文字,能够吸引读者投票(月票、推荐票),能够吸引读者打赏,能够吸引读者不看盗贴,而订阅正版。为什么会写出这样的文字来呢?有所求而已!至于自由,谁还关心?

二、聊聊我在知乎的体会

我曾经是知乎的重度用户(4 年),这个社区渐渐的形成了一种令我反感的文化。当然,诚实的说:我也曾经乐在其中。

在知乎,我们的社会地位几乎是完全量化的,有多少关注者,有多少赞同,有多少感谢,回答问题赞答比是多少,写了多少篇专栏文章,有多少篇文章被知乎周刊收录。

既然这些数据决定了我们在知乎的社会地位,那么:如何写出高票的回答,就是一门值得研究的学问!文字要犀利,语言要幽默,要学会讲一个好故事,如果是女生,还可以爆照(只要让人相信那是本人就行)。回答的内容,要么短得一句话就把题主噎死;要么长得让所有的读者纳头便拜(有数据、图表更佳)。

在我没有删除自己在知乎的答案前,我那些得票最高的答案,要么是喷题主的,要么是喷其他答案的,至少也是语气较为激烈的。相反那些客观理性的回答,通常得票数都不会高。

类似的现象也发生在我的知乎专栏里,得票最高的文章,是骂知乎的文章,与人吵架的文章依次排在后面。而那些我深入思考,认真写出来的分析文章,通常得票寥寥。

这就是知乎的规则,在规则之下大家的都会写那样的文字!对于大多数身在其中的朋友,他们其实并无自觉,甚至乐在其中。至于自由,谁还关心?

三、微信公众号

社交媒体的威力,在微信上体现得淋漓尽致。以至于现在的微信公众号文章,出现了一些新的趋势。

标题党固然在互联网上一直存在,但是直接加上(深度好文)、干货、揭秘、不看后悔之类的标题,再加上一些与内容完全无关的诱人题图。简直无所不用其极。有很多次,我都会忍不住好奇心点进去,然后再悻悻然的关掉,再恨恨的对自己说:“叫你不长记性!”

现在的微信文章,往往紧跟社会热点,然后起一个耸人听闻的标题,再炮制一些惊人的观点,甚至不惜杜撰一些若有似无、未经证实的论据。这样的文章,往往会被广为传播,火爆一时。

比如说前段时间丁香园出了一篇:《老天爷欠江西农村一个好儿媳?呵呵,你家媳妇20年前就埋土里了》,这篇文章的阅读数,超过100万!

但是这篇文章的内容,真的值得推敲吗?通过某种跳跃式的逻辑,以及对数据的歪曲解读,暗指江西人比印度人,更“喜欢”杀掉新生的女婴?!

而后续的客观分析文章,阅读数能超过10万吗?我很怀疑!事实上,我在微信公众号上看到的绝大多数客观、理性、公正、平和的文章,往往都应者寥寥,冷冷清清。

为何那种博人眼球的文章,会大行其道呢?我能够想到的原因是:阅读数、点赞数、打赏数,以及让公众号筛选评论的做法,大大的保护并刺激了作者的“创作热情”。而公司企业、网络媒体、乃至自媒体的刻意“运营”,更加重了这一灾难!对于那些追求阅读数、点赞数、打赏金额的作者而言,微信公众号是他们的工具。至于自由,谁还关心?

四、为何我在简书写字?

之前我与霍炬有过一次对话,他很奇怪,我为何不在微信公众号写东西,却跑到简书来写。我当时的回答,让他无法理解:“因为简书的人少(对不起,@简叔)。而且,我不追求成为自媒体。”

事实上,我只是想找个地方安安静静的写点字。以我的经验,通过写文章在网络上发布,找到知音其实是非常困难的,找到能够相互探讨,互相启发的朋友,就更加少得可怜。在这个网络时代,更加悖论的是:如果你的文章被大面积传播,更多人会因此而喷你。我曾经写过的一些文章,通常会经历三个阶段:纷纷点赞、有人来喷、最后是他们在文章下互喷。至于我写了啥,连看完的人都不多。

曾经我也写过一些标题党的文章,然后才发现:吸引到更多的眼球,并非我的目标。

所以:找到一个写作体验比较好的地方,人也不多,不会有多的吵吵嚷嚷干扰我的思考与写作。至于能够有多少人看到,能够有多少人赞同甚至来找我探讨,一切随缘。这就是我选择简书的原因。

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。
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