《修炼》---修炼

9165446_b.jpg

《修炼》这本书我已经买了很久了,大概是去年10月份的时候买的。书的作者是联想与神州数码的前技术高管,职业经理人。

之所有到了现在才像完成任务一样把它读完,主要是因为本书作者文笔实在算不上优美,与我看过的其它书无法相比。公司搬家以后,我每天都需要在公交车上浪费两个小时的时间赶路,所以在公交车上把本书看完。

看完后有如下感觉:

先说本书的好,本书的任何一件事都是作者亲身经历过的,而且作者直呼其名,看着实在;另外作者从一个基层主管,一路飘红,直至公司高管,其经历对我们肯定会有所启发,甚至有所借鉴。

再说本书的差,本书第一差就差在,把一些网友捧臭脚的言语印在书中注脚,我们看到,有一些评论还算说到一些点子上,但绝大多数的赞美之词让人读着做呕。不知道这些人是不是谢总的现属下。本书第二差差在,作者把曾经发表在一些管理杂志上文章印到了书上,说句实在话,这些文章写的非常一般,既不像学术论文,又不似实战经历,也就是一点心得与体会。与书中的一些真人真事的经历比起来,相差太远。

写了这么多,这本书到底值不值得一下呢?我认为还是值得的,读过以后多少会有一些收获,而且像本书作者这样直接把经历过人和事用真名示人的本实在是比较少。

这里我要描述一下我的读书观。

上一段时间我看易中天《品三国》,看到《天生奇才》这一节,不仅让我心中窃喜,暗自庆幸。书中讲到诸葛亮读书,“所读者甚广,而只观其大略,不求甚解”。易先生讲道,这才是真正的会读书,对于大多人来讲,不是在做学问,没有必要咬文嚼字的一字一句的讲究,只需要“观其大略,取其精华”即可。

本人不敢与古人做比,但这么多年下来,我基本上是这样做的。

我读书有几大原则:

1、书要有名;

2、作者要有名;

3、作者或译者不能超过两个人;

4、不看价钱;

5、越薄越好;

6、不喜欢的不看;

7、不懂即略过,硬着头皮把一本书读完再看有没有必要研究那些不懂的。

注:考试用书除外。

 

上一段时间我转载过刘润的一篇文章《你怎么看这个世界?》,文章讲到任何事物都有其美好一面,我们要懂得学习,学会吸收。对此我深信不疑,但这个话也可以反过来讲,在时间有限时,我们更要优先选择精华进行吸收,提高学习效率,这同样不容否认。

那么从读书的角度讲,上面两个观点应该如何进行运用呢?我想,前者应属于态度与策略层面,而后者属于技术层面。我们先选择好的书,再本着吸收精华的原则去读书。

有一句话是这样讲的,一本书就是再烂我也要坚持把它读完,至少我可以告诉别人它到底有多烂。但明知面前可能是已经腐败的食品还要去津津有味的品尝完毕,的确需要一些勇气。

有时选择比努力更重要,但如果已经没有别的选择,那就只能让自己做的更好了。

转载于:https://www.cnblogs.com/humanchao/articles/827975.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图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观、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。首先检测图像中目标的位置(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)从输入图像中提取特征,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的概念如下图所示: 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
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