【读书笔记】自律100天,穿越人生盲点 - 杨晓霞

OHTT——穿越人生盲点的最简单方法论

OHTT”是我自创的一个概念,是指:One Hundred Days(100天)、Two methods(2个方法)和Three things(3件事) ,即做人生中最重要的3件事,通过记录和复盘这2种方法,持续做够100天,在这一过程中穿越人生盲点。

 

习惯具有无穷的力量

 习惯,让你做起事来云淡风轻游刃有余,因为不再需要花时间思考,也不会感到无比别扭。然而,罗马不是一天建成的,习惯也一样。三五天是养不成一个习惯的,只有经过一段时间的刻意培养,习惯才会逐渐形成并潜入你工作生活的每一个细节当中。

养成一个习惯的唯一方法,就是用时间换,需要不断训练,持续积累

习惯养成的五个时间阶段

(1)习惯养成的第一个阶段:反抗期(大约1-7天

习惯养成在反抗期最容易失败

(2)习惯养成的第二个阶段,不稳定期(大约8-21天)

       当度过身体反抗期之后,身体慢慢就接受了这个新习惯,接下来就要提高习惯培养的强度,而这时习惯引力又开始阻碍我们,习惯养成从而进入第二个阶段。

       这个时候主要症状就是因各种突发事件导致失败,半途而废。要度过这个阶段,就要增强身体养成习惯的稳定性,建立能够持续的机制。

(3)习惯养成的第三个阶段,倦怠期(大约22-30天)

       这个阶段的症状就是提不起劲,感到厌烦,这很可能导致前功尽弃。厌烦的根本原因是看不到成效

(4)习惯养成的第四个阶段,适应期(大约30-60天)

        在这个阶段,人的身体已经适应了新的做法,习惯已经初步形成。

(5)习惯养成的第五个阶段,认同期(大约60-100天)

       在这个阶段,你会开始从思维上认同这件事情,并且赋予做这件事情的意义,会有一种享受做这件事情带来的乐趣。一件事情持续做够100天,也会有明显的效果(即正反馈)开始出来,人们也会受到正向激励,从而更加认同这件事情

二、为什么要用记录和复盘这2种方法

1.记录——看见即是降伏

       采用记录的方式呈现自己习惯养成的过程。例如用写笔记和拍图片的方式,这也是为了让我们能够看见我们养成的习惯到底是什么样子,从而“降伏”住这个习惯。

2.复盘——未经思考的人生是不值得过的

       我们所说的一般性复盘,是指在头脑中对过去所做的事情重新“过一遍”。通过回顾、反思和探究,找出原因,总结规律,指导我们下一次的行动。

 

学习主要有三种途径:一种是向书本中学习前人总结的知识;一种是向身边的人学习优秀的经验;还有一种是向自己过去的经验教训学习。

这三种方式中,最重要的学习途径就是向自己学习,特别是成大事者,其所作所为找不到对标的人和企业,都是开天辟地头一遭,这时向自己学习就特别重要。

在执行“OHTT”过程中,我建议大家通过记录对自己的行为做出复盘,这是一种个人学习成长的有效方式。

向自己学习的最佳方法就是反思和复盘,反思自己的行为,对结果进行核对,对自己做出决策判断和实施过程进行情景再现,对于做得好的部分进行总结经验,对做得不好的地方想办法改进。从中找出遇见规律,作为知识和技能保存下来。这样,以后再次遇见相同的问题就可以不犯同样的错误。

在执行“OHTT”的升级计划中,我建议大家做一个“原则”的复盘,即对自己一天所做事情,尤其是那些做错的事情,进行复盘完毕之后总结下属于自己的“原则”,用以指导未来的生活和工作,让自己不至于再犯同样的错误。

三、为什么要做3件事

每天为自己定下必做的3件事,让自己更专注,因为人们的精力是有限的。

在执行“OHTT”的过程中,建议大家选择的必做3件事一定是非常简单易行的事情,因为简单才有力量,而且才能持续下去。

每天记录,每天呈现,每天复盘,在简单的事情里觉察和精进,日拱一卒,聚沙成塔,不需要付出太多的时间,也不需要太强的意志力,通过这种简单的方式,帮助自己穿越人生盲点,走出迷雾森林.

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论 2
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