学习方法-学习观(15)“知行合一”为何不易?

系列文章解读&说明:

本系列文章 主要是 对 B站上YJango的《学习观》系列视频的一个解读


1 视频链接

本章节 对应 YJango的《学习观》系列视频链接 为:

学习观 17 为何你知道做什么对自己有益,却始终难以行动?上瘾时大脑到底发生了什么?

2 思维导图

第二季中采用 从上到下设计的模式比较高效,因此第三季依然会采用这样的方式,继续采用从上到下的设计方式,不需要后期再重构,一气呵成。本章节对应导图如下:

3 感受分享

知行合一 为何不易?

驱动我们学习 锻炼 工作的并非理性逻辑(也就是我们所谓的“知道”和“理性”),而是动机系统(也就是“做到”的根源和“感性”),理性无法越过动机系统做决策,才导致我们明明知道做什么对自己有益 却难以付诸行动。

谈谈“欲望”和“需求”:

  1. 欲望不是需求本身,而是为了帮助动物选择最适合当前需求的行为 所演化出的一种 主观估计,因此 它有可能犯错。
  2. 当需求 未被满足时,情绪会被积累,而持续的积累便会让人产生“想要”的感觉(也就是所谓的“欲望”),而当需求已经被满足 则不会再有想要的感觉;这也是为什么我们经常说:得不到的永远在骚动,被偏爱的都有恃无恐。这也是 恋爱中 明明男孩对一个姑娘很好,而姑娘却喜欢 所谓“渣男”;也是 亲密关系中 明明妻子/丈夫做的很好,而另一半却会出轨 的原因之一。因为没有了“想要”也就失去了 所谓的“感觉”,很多人把“想要”这种感觉 理解为“爱”。

谈谈“情绪系统”和“动机系统”:人们 很多时候追求的 不是喜悦的情绪,而是欲望的满足,而这也是为什么 很多时候 我们做着 自己不喜欢 / 让自己痛苦 的事情。比如:很多人明明知道自己的工资在北京 买不起房子 没有户口 却依然选择留在这里 ,却毅然决然的选择长久地待在这里;一个长久健身的人 能够承受 一次次 酸爽的运动;为了快速成长 / 诱人的薪资,不惜冒着 失去健康的代价选择长期996、007,还有很多很多。。。。 所以 人类的本能 并非倾向于 追求快乐 和 逃避痛苦,而是追求欲望的满足。

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论 1
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

图王大胜

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