《30岁人生开挂7步法》读后感

最近花了一周时间读了一本名为《30岁人生开挂7步法》的书,书的作者是一个学习、金钱、外貌都不占优势,白手起家在30岁出头不工作就能月入1亿韩元折合人民币50万的韩国人。相信很多人应该跟我一样,开始看到这个书名都是带着怀疑的态度去想这本书是不是虚的,开挂7步法是不是就是鸡汤?但整体看下来收获颇深。知道了过度的自我意识是如何导致人失败的;学习了如何打破固定思维;在做一些决策的时候如何防止基因的误指挥;包括应该怎么去锻炼自己的大脑,让大脑复利生长;在通往财富自由的道路上应该使用哪些工具等等。

第一步:摆脱自我意识

只有当你愿意承认自己的不足时,你才能成长。

回想起原来做短视频没有流量坚持没多久就放弃了,就把原因归咎于是做的人太多,竞争太大,而没有真正去想是不是自己做的内容还不够好;自己每次在学习时老是纠结东西太多学不完一次次的放弃;包括从别人口中听到市场行情不好,就不会再去自己亲自实践或者不问结果地挑战一下自己;如果不去反思自己的行为,承认自己的不足,往往会倾向于把问题归咎于外界或者环境,但是外界原因往往是自身难以控制和改变的,如果一味地责怪环境、责怪别人,就会陷入了恶性循环永远无法进步。

如果不摆脱你的自我意识,你就不可能有任何进步。

那过度的自我意识是如何影响人的,主要三个方面:

  • 犯错的时候,大脑倾向于用各种理由使其合理化,喜欢找借口安慰自己;

  • 自我意识固化,就会形成一种防御网,无法接受新的思想、人和机会;

  • 碍于名誉或面子不愿意承认自身的不足,即使知道听取别人建议是对自身有利的;

根据上面三个方面总结一下就是过度的自我意识会影响我们接受新事物,故步自封,不愿承认不足,喜欢找借口。如何摆脱自我意识?

探索。对待一些事物注意观察自己的情绪变化,思考这些情绪从何而来。比如:现在AI这么火,你怎么去看待它,你会觉得门槛很高自己根本学不会于是不去了解它吗,还是会觉得它是个趋势

  • 14
    点赞
  • 16
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
步法(Backpropagation)是一种常用的神经网络训练算法,用于计算神经网络中各个参数的梯度,并通过梯度下降法来更新参数。下面是一个简单的MATLAB代码示例,用于实现反步法算法: ```matlab % 定义神经网络结构和参数 inputSize = 2; % 输入层大小 hiddenSize = 3; % 隐含层大小 outputSize = 1; % 输出层大小 learningRate = 0.1; % 学习率 % 初始化权重和偏置 W1 = randn(hiddenSize, inputSize); % 输入层到隐含层的权重 b1 = randn(hiddenSize, 1); % 隐含层的偏置 W2 = randn(outputSize, hiddenSize); % 隐含层到输出层的权重 b2 = randn(outputSize, 1); % 输出层的偏置 % 定义反步法算法 for epoch = 1:numEpochs % 前向传播 z1 = W1 * input + b1; a1 = sigmoid(z1); z2 = W2 * a1 + b2; output = sigmoid(z2); % 计算损失函数的梯度 delta2 = (output - target) .* sigmoidGradient(z2); delta1 = (W2' * delta2) .* sigmoidGradient(z1); % 更新权重和偏置 W2 = W2 - learningRate * delta2 * a1'; b2 = b2 - learningRate * delta2; W1 = W1 - learningRate * delta1 * input'; b1 = b1 - learningRate * delta1; end ``` 上述代码中,我们首先定义了神经网络的结构和参数,包括输入层大小、隐含层大小、输出层大小和学习率。然后,我们初始化了权重和偏置。接下来,使用反步法算法进行训练,其中包括前向传播和反向传播两个步骤。在前向传播中,我们计算了神经网络的输出。在反向传播中,我们计算了损失函数对各个参数的梯度,并使用梯度下降法来更新参数。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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