《学习之道》第七章优化组块搭建的步骤

  一旦你着手解决某个数学、科学问题,就会发现你做到的每个步骤,都会指示下一步的进行。

  内化吸收解题技巧能够加强神经活动,让你更易听清变强的直觉悄声说给你的暗语。

  1.全程在纸上解决一个重难点题目。(要保证的是,你有现成答案,不管是你以前做过这题,还是书中已有解答。但是不到万不得已,千万不要看答案)

     在下手之前,或还没彻底得到答案之前,千万不要偷看答案,不能跳过任何步骤,或自欺欺人地说“太好了,搞定了”。要确保每个步骤都有理有据。

  2.重做一次,要格外注意关键步骤。如果你觉得重做同一道题有点奇怪,可以想想看,你不可能只弹一遍吉他就学会一首歌,也不可能只举一次哑铃就算完成了锻炼。

  3.休息一下。如果需要,你可以去研究下这门学科的其他内容,之后就去干点别的。比如做兼职、学习不同学科,或者去打打篮球。你要给发散模式留出足够的时间,让它去消化这个问题。

  4.睡眠。在你睡觉前,把这个问题再过一遍(生成效应)。如果卡住了,那么就反过来去聆听问题的声音。你的潜意识会告诉你接下来该怎么做。

  5.再来一次。第二天尽快地把这个问题再做一遍。这个时候你会发现,自己能做到更迅速地解题。你对这个问题应该会有更深层次的理解。你甚至不明白自己当初为何会卡在这个问题上。

     到了这会儿,你就能神速计算每一步了。多关注问题中最困扰你的那个部分。这种持续关注难点的做法,叫作“刻意练习”。尽管这样做有时让人疲惫,但它是高效学习的最重要方面之一。

  6.给自己添新题。再挑一道重难点题目,用之前做第一遍题的相同方法来解答这道题。本题答案会变成你组块资料库中的第二个组块。在解这道新题时,重复1-5步。如果已对这个题目得心应手,

     就去做下一道。你会惊喜地发现,尽管你的组块库只有几个固化组块,但已经可以大大提高你对学习材料的掌握程度,以及高效解决新题的能力。

  7.“主动”重复。走去图书馆的路上,或是锻炼的时候,可以在头脑中回想解决某个题目的关键步骤(生成效应)。你也可以利用等公交、坐车、或者是等教授走教室前的闲余时间。这种主动排演能

     提高你回想关键概念的能力,有助于在家庭作业或考试中回想要点。

  这里用到的原理就是生成效应。相比单纯重复阅读,生成(即回想)材料可以帮助你更有效地学习。

  请记住,幸运女神只眷顾努力的人。不要一看到新科目的全部知识就感到惊慌失措。

  相反,先专注于攻克一些关键概念,你就会惊喜地发现以上的“组块搭建步骤”是多么有用。

转载于:https://www.cnblogs.com/158-186/p/10477947.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
AlexNet是一个经典的卷积神经网络模型,它在2012年的ImageNet大规模视觉识别挑战赛中取得了极大的成功。下面是AlexNet网络搭建的一些基本步骤: 1. 准备数据集:AlexNet是在ImageNet数据集上训练的,这是一个包含超过100万张图像和1000个类别的数据集。你可以从ImageNet官网下载数据集。 2. 搭建网络结构:AlexNet共有8个层,其中5个卷积层和3个全连接层。第一层是一个输入层,输入的是224x224x3的图像。接下来是5个卷积层,每个卷积层后面跟着一个最大池化层。最后是3个全连接层,其中最后一个全连接层输出1000个类别的概率。 3. 定义损失函数:在AlexNet中,通常使用交叉熵损失函数来计算模型的损失。在训练过程中,我们需要将该损失函数最小化。 4. 定义优化器:常用的优化器有SGD、Adam等,我们需要选择一个适合的优化算法来训练模型。 5. 训练网络:在训练过程中,我们需要将数据集分批次送入网络进行计算,并根据损失函数和优化器对网络的参数进行更新,直到达到预设的训练轮数或者损失函数收敛。 6. 测试网络:在测试过程中,我们需要使用测试集对训练好的模型进行验证,计算模型的准确率和其他性能指标。可以使用混淆矩阵来评估模型的分类性能。 7. 优化模型:如果模型在测试集上的表现不够好,我们可以通过调整网络结构、改变损失函数、调整学习率等方法来优化模型,使其更好地适应数据集。
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