《深度学习的艺术》笔记整理&读后感

深度学习的艺术

一. 提问

一个人的阅读和思考,都是在自己提出问题的牵引之下、在因问题无法完美解答所形成的焦虑和不安的鞭策之下进行的。对问题的好奇,对答案的渴望,是我在知识海洋中索求的最大动力。向自己提问是成为一名好的学习者的第一步

举例:

如果不以问题为导向的学习过程应该是这样的:

  1. 建立学习计划(这星期我要看完这本书,这几天要把教学视频撸一遍……)

  2. 实施学习(从头到尾把视频或者书看一遍,然后把其中认为比较重要的部分摘取出来,做成笔记放在Evernote里)

  3. 回顾和整理(把笔记整理一番,或者画成思维导图---把书中的所有要点以一个整体的形式再体现出来)

这种学习方法固然优秀,但是学习者只是扮演一个“吸纳者”,或者说一个“搬运者”的角色,把一本书的知识点整理出来→以一个集合为中心→遇到相关的知识的精确性、完整性,以学习者的心智,难以刨根问底,一般都会搁置起来。

   这种学习模式称为【直接传递模式】,学习过程简单,线性,期间遇到的相关问题不会得到解决,很难组成知识网络,即知其然而不知其所以然。知识零散,随机的去涉猎学习材料,甚至有些率性而为,去了解一些不相关的知识。这种学习的结果就是得到一盘知识的散沙。

更加合理的模式应该是【建构主义模式】,即学习者  的知识不是简单的吸收而来的,而是主动的建构出来,(一有相关问题就立马解决),学习者必须充分的调用他们的已有知识,在一个主动性目标的指引下,在一个丰富的情景中,去探索甚至撞击那些新接触到的知识,在进过一系列复杂的交互之后,把这些知识纳入到原有的知识体系中。在问题的牵引下学习,则是在不停的构筑知识之间的联系,是他们以一种有意义的方式组合在一起。

提问的技巧与方法

引子:罗素在《人类的知识》中写道:一个人的求知历程就像是一个登山者在靠近一座被雾霾笼罩的高山,一开始他就只能看到一个模糊的轮廓,所有的东西都无法看清,慢慢的走近时,这座山的各个部分才渐渐地清晰起来。——问题就像向导,指引者登山者前进的路,而这个路,又依赖他已经看到的,那个不完整的轮廓。

 

这个比喻很到位,登山不易,将知识变成自己的亦是如此。2018/10/28 7:51 下午

 

提问并非空中楼阁式的,而是基于现在你已掌握的知识。而在提问和回答的过程中,你现有的知识又被拓宽了。这就进一步说明,在学习的过程中,我们对已有知识、新学习知识的梳理和反思特别重要。就像一个美食家,他们绝不会狼吞虎咽,不会只求把眼前的这份食物一股脑吃下去,而是会选择细细品味,并且和他原来的经验相对照。因此在学习的过程中,需要思考以下四个问题:

  1. 针对当前的学习材料,我已具备了哪些相关知识?

  2. 针对当前的学习资料,我又学到了哪些新的知识?这些知识对原有知识构成了何种补充或者挑战?

  3. 针对当前的学习资料,还有哪些未知的东西,且这些东西我通过简单的探索就可以了解?

  4. 针对当前的学习资料,还有哪些未知的东西,无法轻易地获得解答,同时又价值成为我长期去探索的问题?

举例

我们问:【速度是不是一种好的读书方法】

非问题导向:得出好或者不好的结论,这个问题over

问题导向:读书是应如何选择和调整阅读的速度?

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
深度学习物体检测是机器学习的一个重要研究领域。它主要利用深度神经网络来识别和定位图像中的物体。 深度学习物体检测通常包括两个主要任务:分类和定位。分类任务是指识别图像中的物体属于哪个类别,而定位任务是指确定物体在图像中的位置和边界框。 深度学习物体检测的流程一般包括以下几个步骤。首先,需要收集和标记大量包含物体的图像数据集。然后,利用这些数据集来训练深度神经网络。在训练过程中,网络会通过多次迭代来调整权重和参数,以使得网络能够更好地识别和定位物体。训练完成后,我们可以使用网络对新的图像进行物体检测。 在深度学习物体检测中,一种常用的网络结构是卷积神经网络(Convolutional Neural Network,CNN)。CNN可以通过多层卷积和池化操作来提取图像的特征。在物体检测任务中,通常会在网络的最后添加额外的全连接层和边界框回归层,来进行物体类别的分类和位置定位。 常见的深度学习物体检测算法包括:R-CNN(Region-based Convolutional Neural Networks)、Fast R-CNN、Faster R-CNN和YOLO(You Only Look Once)等。这些算法在准确率和速度上各有优劣,可以根据具体的应用场景选择合适的算法。 深度学习物体检测在图像处理、计算机视觉和自动驾驶等领域有着广泛的应用。它可以帮助我们准确地识别和定位图像中的物体,从而实现自动化的目标检测和跟踪。随着硬件和算法的不断发展,深度学习物体检测的性能和效率也在不断提升,为实际应用提供了更多可能性。

“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