传志谈创业哲学:在尝试中进行战略制定 (ZT)


 传志谈创业哲学:在尝试中进行战略制定

--------------------------------------------------------------------------------
 
http://www.sina.com.cn 2005年09月21日 13:22 人民网-市场报
 
  日前联想集团总裁柳传志在其母校西安电子科技大学为师弟师妹们秘授创业绝招,让我们听听柳传志的连珠妙语。

  谋与行

  我们常把制定战略比喻为找路。当前面草地、泥潭和道路混成一片无法区分的时候
,我们要反反复复细心观察,然后小心翼翼地、轻手轻脚地去踩、去试。当踩过三步、五步、十步、二十步,证实了脚下踩的确实是坚实的黄土路的时候,则毫不犹豫,撒腿就跑。这个去观察、去踩、去试的过程是谨慎地制定战略的过程,而撒腿就跑则是坚决执行的过程。

  整体与局部

  研究行业发展规律是制定本企业发展战略的基础。但根据这个就能制定战略了吗?肯定不够。譬如作战,要让战士知道为什么打仗,然后要去练习投弹、射击、爆破的技术。只有这样才能保证每个具体战役的胜利。对企业也是一样,如何形成正确的产权关系,如何设置组织架构,如何制定规章制度并保证实施,如何激励考评,如何形成企业文化,如何培养人才、吸引人才,这些应该属于企业管理规律范畴。

  鸡与蛋

  对于企业的发展来讲,周边的环境也极重要。对一个鸡蛋孵出小鸡来讲,37度半到39度的温度最为适合。那么,40度或41度的时候,鸡蛋是不是能孵出小鸡来呢?我想生命力顽强的鸡蛋也能孵出小鸡来,但是到了100度的温度一定不行了。对企业来讲,1978年以前可能是100度的温度,什么鸡蛋也孵不出鸡来。而十一届三中全会以后,可能就是45度的温度,生命力极强的鸡蛋才能孵出来。到1984年我们办联想的时候,大概就是42度的温度。今天的温度大概是40度左右,也不是最好的温度。因此,生命力顽强的鸡蛋就要研究周边的环境,一方面促使环境更适合,一方面加强自己的生命力以便能顽强地孵下来。

  船、桥与河

  先把经营管理的规律弄清楚,然后积累资金,一步一步往前做,不要忙于受某些压力。过河目标确定是容易的,难的是解决船和桥的问题。船和桥的问题没解决以前,你硬要过河,就会淹死。弄出一堆泡沫顶什么用,所以还是要根据自己的情况来定战略。

  “1”和“0”

  企业中的一把手就像阿拉伯有效数字的1,后边的人就是0,有一个0就变成10,两个0就是100,三个0就是1000,没有前面的1你就什么都不是。单位中领军人物选不好,也就发展不好。

  “南坡”与“北坡”

  一个大的企业一定要有自己管理方面的一个提法。有点像登珠穆朗玛峰,从南坡上,还是从北坡上,都是上到山顶,但一个登山队不能一半在南坡上,一半在北坡上。比如说公司里有10个事业部,其中一个事业部有先进的经验,但是向全企业推广的时候,不能说法不统一。在管理上一定要有一套统一的理念。


 

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
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