有力描述(4)

第四招:有力描述

通过人格筛选之后,对方将会正式与我们步入暧昧期。这个时候我们都没有说破,这种

感觉很美妙。此时我们需要通过有力描述来渲染这种氛围,让对方真正迷上我们。

1.有利描述:生活中不存在什么真相,没有什么事情原本就是这样。生活中很多事情都是

我们自己形容出来的,有利描述就是通过语言层面的描述表现出对方在追逐我们,直到

我们和对方都相信。

2.有利描述的三个阶段:反驳期->沉默期->主动承认期。

从暗度开始就已经进入有利描述,这个时候基本上都会反驳,不过这是正常的,在我们不断

穿插性的使用有利描述慢慢的情况就会朝着这个方向发展。此时我们在收到IOI的时候不再

做挑战性测试,而是有利描述回应。但是需要做到的是不要让对方看出我们的规律,应该

时而有利描述,时而挑战性测试,时而正常普通聊天,时而自我引导。有利描述的例子:你

是不是很喜欢和我聊天?你是不是对我有什么企图?你怎么对我这么好奇?等等,但是更多

时候我们需要通过曲解对方的话使其变为我们的有利描述,这会让它通过性更强。

例子:

对方:你结婚了么?

我:我儿子已经五岁了,虽然你很喜欢我,但是你死心吧。

一般这种时候会吃到对方的IOD,这是很正常的,我们要时常保持开玩笑的方式进行,不要

太在意。当对方发现我们这种态度之后,她就会慢慢接受我们这种态度,对我们所说的坦然

接受和默认,随着我们的投资越来越多,对方开始主动承认(一般截杀之后)。

例子:

对方:你拍张照片看看,现在的。

我:我在裸睡,不能拍,你太色了,我怕我受到侮辱。

对方:哎呀,才不是,你想多了,我就是想看看你的照片而已。

我:哈哈哈,我当然知道,可是我现在真的懒得拍啊。大半夜的。

当我们出现误判的时候对方会对我们的有利描述非常讨厌,此时就需要重新回到自我引导了。

3.角色扮演:

通过描述一个场景,或者假设与对方成为某种关系结构,利用带入的手法让人产生与之对应的

情绪。这种关系虽然是虚创的,但是对我们现实也是有一定的影响的。当然不要使用欺压性太

强的角色扮演(地位差距不要太大,略微低于我们,在对方可以接受的范围内),随着时间的

推移可以逐渐增大差距。当我们的地位越高,越欺负对方(在可接受范围内),对方就被我们

吸引。到了后期的相处,我们应该遵守一个平衡:对对方多差就得对她多好。这种角色扮演的

手法分为两种:一种是制造彼此地位的悬殊,另一种是拉近彼此的关系。对于地位悬殊的,我们

就可以在这个关系中指挥她,甚至欺负她。

例子:

我:最近日理万机,朕有些累了。

对方:嗯呢,那皇上早些休息把。

我:嗯,朕要入侵了,今夜就不用你服侍了,你跪安吧。

拉近两个人关系的背景植入:可以设定一个非常浪漫或者亲密的画面,通过这种情景植入从而提升

我们之间的关系。

例子:

我:我最近看了个电影,是关于一对情侣私奔的。哎,问你一个问题

对方:什么?

我:假如有一天咱两私奔,我是说假如,你想让我带你去哪?

对方:XXXX

尽量多的插入各种场景就会让对方有一种和我们认识很久的错觉,这会为联系感的建立做出很好的铺垫。

充分的利用每次有利描述后能带出来的话题填充对话,彼此交换个人信息,渐渐进入联系感阶段。

减敏:就是把一个大的事情分成小事情告诉对方,让对方慢慢接受,有利描述也是利用了这个心理,

不断的提醒对方在追逐我们、喜欢我们。

有利假设:我们需要把注意力集中在好的事情上面,对于坏的事情,我们选择忽略,让自己充满安全感,

我们的安全感也会感染到别人。这让我们看起来更加自信更加自在,这种生活态度会让我们的生活变得越

来越好。

信念赋格:意思是赋予对方一种人格,比如说她温柔贤淑或者善解人意。这样对方就会刻意在我们面前保持这

种形象,当然要达到这种效果首先是对方表现出了相关人格,然后我们再赋格,不然会出现对方不认同的情况。

在对方露出我们喜欢的点时我们对其赋格,使对方尽量在我们面前保持这种形象,对于不喜欢的那些点,要么

忽略,要么表达不良感受。要在进行赋格台词之后做一个轻微的IOD释放动作,让对方从被我们追逐的状态中

脱离出来,这样可以避免暴露需求。

例子:

我:我觉得你性格很温柔,相信以后应该会是一个贤妻良母。

对方:那必须啊,谁娶我都是福气。

我:这么不禁夸,扣你五分。

赋格的意义就是让对方以后表现朝着我们喜欢的方向发展,当我们把对方想象成我们喜欢的那种样子,从字里

行间里也会表现出来,慢慢的对方也会相信。当我们做完暧昧性质的赋格之后两个人的关系已经开始步入和谐

关系的范围,这是进入建立联系感的征兆。

 

转载于:https://www.cnblogs.com/jiangjing/p/6475661.html

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。
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