为什么这么努力还这么贫穷?

2 篇文章 0 订阅
2 篇文章 0 订阅
文章指出,真正的努力是有目标和计划的学习,而非表面的努力。强调长期投资自己,专注于一项技能并做到极致,才是获得成功的关键。通过对比穷人与富人的思维方式,阐述了如何跳出舒适区,利用商业思维创造财富。并提醒不要被短期利益迷惑,要成为长期主义者,坚持投入,才能在任何行业取得成功。
摘要由CSDN通过智能技术生成

我的一位大学同学,连续考了3次英语六级都没有过,她垂头丧气地跟我说:“究竟为什么一直过不了呢?”

不可否认,她看起来真的很努力。每天当宿舍的人都在睡觉的时候,她就起床背单词;一有空就去图书馆占位,复习、练听力;抓住每一个时间缝隙,一遍又一遍刷真题……
可是,她真的足够努力吗?

任何没有计划的学习,没有针对性,机械的不断重复过程,只是作秀而已。

因为任何没有走心的努力,都只是看起来很努力。

就像许多人,看起来每天熬夜,却只是拿着手机点了无数个赞;看起来起那么早去上班,却只是在办公桌上补昨天晚上的觉。

看起来在书店坐了一天,却真的只是坐了一天;看起来去了健身房,却只是在和帅哥、美女搭讪,你只是看起来很努力而已。

当你仍旧原地踏步,不妨回头想想:你是感动了自己,还是真的努力了。

赚钱是一种能力,但是如何赚更多的钱却是一门学问。思维限定,让贫富差距不断加大,这也是许多人越来越穷的原因。

在这里插入图片描述

穷人的收入主要来源是以体力劳动和自己的时间去换得生活所需,但事实上,在法律允许的范围内,商业是获得财富最快的办法。

哪怕是你去菜市场低价进点新鲜蔬菜,换个地方卖出去,增加收入的速度都比很多上班族快。

挣钱的方法千万万,但是你总是习惯给别人打工,因为自己不用承担风险,也不用操心,只有有专业技能,就能找到公司上班。

这种思维的窄化,消灭了无数的人才,也浪费了大量的时间。

当你还在安逸于朝九晚五的工作时:

淘宝网红们在给店铺打板、拍照、上新,不断增加订单;微博达人们在熬夜想段子、拍视频,获取流量资源;甚至在你的朋友圈,一样上演着商品的交易和下单。

说到底,不是你变穷了,而是别人抓住了机遇,越来越富有!

人在没钱的时候,常常会因为想要快速解决自己的燃眉之急,而变得智商低下,目光短浅,为了捡颗芝麻而丢个西瓜,那是常有的事。

曾经在知乎上看到一个人问,大学生要怎么样才能赚到钱?

我看有个人回答得特别好,他说:千万不要用宝贵的增值期去换一点小钱,一点也不值得,钱少那可以省着花,但浪费掉的时间和精力却没有办法弥补。

一个人想要赚钱,若不能从长远来规划自己的道路,只图眼前的蝇头小利,哪怕真的能解决当前的财务危机,也同样没法解决他一辈子注定贫穷,碌碌无为的现状。因为在原本最该学习和提升自己的黄金时期,你却选择了眼前那点蝇头小利。你捡了芝麻,却丢了自己的西瓜。

在各种贩卖焦虑的毒鸡汤下,越来越多的人叫嚣着要创业,要搞副业,要做兼职,争做一个斜杠青年。

于是,这也学,那也学,哪里吹得火热,就往哪里钻,原以为多学点技能就能提升收入,结果却被现实打得生疼,因为没有一项你是专业的,顶多算个业余水平,也没人愿意为你的不专业买单。

我们每个人都是普通人,精力有限,除了个别天赋异禀的人,几乎所有人都顾得了头顾不了尾。当把时间和精力全部分散出去后,注定所做之事只有广度而没有深度。

想要拥有更多技能是好事,可很多人连做好一件事的能力都没有,就开始火急火燎的要去做其他事,最终一件事也没做好。

在这里插入图片描述

无论是什么行业,你会发现,最终赚到钱的人,都是那些把一件事做到极致的人,也就是我经常跟大家说的,死磕一件事情到底的人。

以前是这样,现在互联网赚钱更是这样。很多人问我,做了几年互联网了,我说13年开始的,到现在7年,他们又问我,这7年做了几个行业,几个项目,我说就两三个,而且这两三个都是跟虚拟资源项目相关的,比如现在的赚商联盟知识付费网课项目。他们又问,这个行业你觉得还能做多久?我的回答是,只要我本人不放弃这个项目,这个项目就可以一直做下去。大不了会因为客户的需求更多要求更高,项目会换种更高大上的形式出现,但其根本性的东西不会改变。

普通月嫂一个月5000元,金牌月嫂一个月2万;

普通会计一个月6000元,注册会计师年入百万;

普通写手一个月5000元,顶级小说家一年版税上千万……

我们总嫌自己的行业不够赚钱,没有前途,可你看下自己行业顶尖人物的收入,你会发现你其实还有很多的上升空间,只是你的努力程度远远没有触碰到天花板的地步。你以为你很努力,那只是你自己以为而已。事实并非如此。

当你在埋头苦练技能的时候,别人也许已经在夜市摆摊赚了1000块,可你千万不要羡慕他,因为你要知道,当你学成归来技能满格的时候,你在同样时间内,可以赚到好几倍于他的1000块。

我很相信一句话,无论什么行业,真正的赢家,都是长期主义者。

如果你选择的是快速收益,短期收益,那你的一生都会在焦头烂额中应付着当下。如果你选择的是慢速收益,长期收益,你会发现你后面的路会越走越宽,越走越稳,越来越趋于躺赚,日子也会越过越轻松。

长期收益这件事,往往需要很长时间的积累和等待。就像我经常跟大家说的,我在最初写软文的时候,完全没人带,靠着自己琢磨,足足写了三个月之久,都无人问津,无人咨询。但还是坚持每天输出,数量质量都从不打折扣。很多人也许坚持两三周见不到效果就放弃了。我也是坚持到三个月后才慢慢开始有了稳定流量和收益。
在这里插入图片描述

或许这就是为什么成功遵循二八定律的原因,大多数人是坚持不了三个月的。有的项目,别说三个月了,可能还需要你坚持半年甚至更长的时间,才会有效果,可大多数人都坚持不下去。

再次说明,真正的赢家都是长期主义者,都懂得把时间和精力投入到实现长期收益这件事情的过程之中,这也是拉开人和人差距的最根本原因。

2020年,疫情的影响,整个国家的经济形势也好,市场大环境也好,都不好,大家的日子也都不好过,真正长期稳定合法的风口项目也不多,如果这种影响,还没有让你沦落到风餐露宿的地步,只不过是比往年少赚点票子,少吃几顿大餐,少买几身漂亮衣服,那么与其耗费时间精力去做那些毫无技术含量的兼职,赚点渣渣钱,不如趁此机会提高一下自己的专业技能。比如,我常常跟学员说的,去学推广,去学引流,去学写软文,去学操作自媒体,公众号,哪怕就学会一招,学精学透,以后也够你吃一辈子的。

我每天除了要教学员,更多的时候都在学习新的东西,捣鼓新鲜玩意儿,这点很多学员也是知道的。月入数十万了,尚且还能如此严格督促要求自己进步,更何况你们呢?

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。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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加非线性,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。
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加非线性,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 3
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