找到你真正喜欢做的事情,坚持下去,坚持多深入一些(转)

 英文原文:My advice for kids: The 1,000-hour rule

  1000 小时定律

  我还没有资格给孩子们提供一些生活上的建议,但是我想分享一条简单的建议,在我还是孩子的时候貌似没有听过:

  找到你真正喜欢做的事情,坚持下去,坚持多深入一些,大约十年之后,你一定会精通于此,并以你为傲。

  这是我自己对受欢迎的10,000 小时定律的个人实践,解释了用 10,000 小时的紧张训练,从而成为某个特定领域的专家。例如,一流的音乐家、艺术家、运动员、科学家和其他在各自领域的专家都分享了一个普通的经验:他们持续地、超过 10,000 个小时高强度训练,常常从幼年开始。这等于每周训练 4 个小时,坚持 10 年,葆有巨大激情和坚持不懈。

  我不想强迫你成为某方面的专家,但是我真的希望你成为某方面的专家,我认为这只需要更少的时间和专注。下面是我的 1000 小时定律,它是 10,000 小时定律的更为温和的版本:我宣称大约 1000 小时的训练就能精通某方面。1000 小时在 10 年内约等于每周两个小时,相较于每天 4 小时,更有可持续性。想必你可以为某个兴趣每周抽出 2 个小时。因此找到你真正喜欢做的事情,坚持下去,坚持多深入一些,大约十年之后,你一定会精通于此,并以你为傲。

  一点自我陶醉

  举一个我本人的例子,你现在访问的网站是我在过去的十年里所维护的。我现在认为我自己非常擅长创建个人网站以及在线文章写作。

  我不总是以网站设计和写作为傲。我在过去的几年里,只是开始收到了一些赞美,不过我已经做了 10 年网站了,可追溯到 1997 年。我最初的尝试看起来非常可怕(比如,MS 画笔和剪贴画3D 裸男)。有人对我说,他们认为我在写作和网站设计上有某种天赋。我可以担保,在我 13 岁刚开始的时候,没有人这样对我说过!回到中学时代,我的写作水平很糟糕:我的某些文章得过C和D。我对视觉审美毫无认知

  然而,我在过去的十年用闲暇时间通过忙于我的网站,学会了提高写作和视觉设计感。我从来不记得在这上面花过大量时间,或影响了学校或工作的责任。这是一个爱好,我一有合适的时间就能去做。这样,如果在十年里你能持续地从事一种爱好,即使你每周投入数个小时,我保证你一定会非常精通于此!在整整十年里,积累 1000 个小时是相当容易的。

  我认为我目前已经超过了 1000 小时,但是我离真正专家的 10,000 个小时的标准还差很远。我绝不认为自己是一个专业作家或网站设计师。我只不过是一个沉溺于某种癖好者,虽然在很多年里从事这个爱好了。然而,做为一名爱好者,我已经设法磨练了关于这门手艺的一些深入直觉,这无法从看一本书或入门向导上获得。对于长时间的持续训练,是无法简单取代的,没有速成的方法。然而,如果你只是长期地坚持你喜欢的东西,这是很容易达到的。

  关键信息

  不过这对我而言已经足够了。你不必关心我的爱好让我如何产生愉快的;你只需关心你能够从阅读本文过程中获取什么。

  我的建议很简单:找到你感兴趣的地方,并坚持下去,保持一颗始终如一的好奇心去学习更多,只是当做一个爱好、而没有任何将来的激励,坚持下去。从现在开始的十年里,你会认为,你已经持续坚持了很多年,你会变得擅长某事。最好的地方在于,这根本就不难,也不费力!

  变成精于某项技能的世界级专家需要 10,000 小时的流血、汗水和泪水,多少次甚至让你接近崩溃的边缘,不过,只是精于爱好,花费较少的时间和情感投资。很少人能同时有潜力和机会发展成为世界级专家,但是只是精于某个技能差不多每个人都能达到。

http://news.cnblogs.com/n/502181/

转载于:https://www.cnblogs.com/softidea/p/3934316.html

【6层】一字型框架办公楼(含建筑结构图、计算书) 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。
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。
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。
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