拉琴的年轻人

谭顿是一个喜欢拉琴的年轻人,可是他刚到美国时,却必须到街头拉小提琴卖艺来赚钱。事实上,在街头拉琴卖艺跟摆地摊没两样,都必须争个好地盘才会有人潮、才会赚钱;而地段差的地方,当然生意就较差了!


很幸运地,谭顿和一位黑人琴手,一起争到一个最能赚钱的好地盘,在一家银行的门口,那里有川流不息的人潮。


过了一段时间,谭顿赚到了不少卖艺钱之后,就和黑人琴手道别,因为他想进入音乐学院进修,在音乐学府里拜师学艺,也和琴技高超的同学们互相切磋。于是,谭顿将全部时间和精神,投注在提升音乐素养和琴艺之中。


在学校里,虽然谭顿不像以前在街头拉琴一样赚很多钱,但他的眼光超越了金钱,转而投向那更远大的目标和未来。


十年后,谭顿有一次路过那家银行,发现了昔日老友——黑人琴手,仍然在那最赚钱的地盘拉琴,而他的表情一如往昔,脸上露着得意、满足与陶醉。


当黑人琴手看见谭顿突然出现时,很高兴地停下拉琴的手,热情地说道:“兄弟啊,好久没见啦,你现在在哪拉琴?”谭顿回答了一个很有名的音乐厅名字,但黑人琴手反问道:“那家音乐厅的门前也是个好地盘、也很好赚钱吗?”“还好啦,生意还不错。”谭顿没有明说,只淡淡地说着。


那黑人哪里知道,十年后的谭顿,已经是一位知名的音乐家,他经常在著名的音乐厅中献艺,而不只是在门口拉琴卖艺呀!
 
启示:
我 们会不会也像黑人琴手一样,死守着“最赚钱的地盘”而不放,甚至还沾沾自喜、洋洋得意 ……?我们的才华、我们的潜力、我们的前程,会不会因死守着最赚钱的地盘,而白白地断送掉?我们要培养一种积极的职场发展观,就好象在攀登高峰的过程中, 我们应该做的就是往前看,有发展潜力的单位,可能规模上、实力上还比不上老东家,但却可能是只“成长股”,可能在若干年后给自己一个很大的惊喜。一个能够 给予自己足够发展空间的单位,虽然承诺的薪水可能比不上原单位,但却可能有更大的职场发挥空间和发展机会。


人,必须懂得何时抽手,离开那看似最赚钱,却不再进步的地方;人,必须鼓起勇气,不断学习,再去开创生命的另一高峰啊!
再高级的奔驰汽车都会在后车箱上放置一颗备胎,你的人生当中是否已经找好了您的备胎呢? 眼前是一帆风顺,但是如果你可以在得意的时候先想出退路,就不会在失意的时候,急急忙忙的去找寻出路……


在 科技高度发达、竞争十分激烈的现代社会,人们常常发现自己原有的知识很快变得过时和陈旧,接着发现这直接影响到就业和生存。据美国国家研究委员会调查,半 数的劳工技能在1至5年内就会变得一无所用,而以前这段技能的淘汰期是7至14年。特别是在工程界,毕业10年后所学还能派上用场的不足1/4.而想获取 更高的薪水和职位,就得有更丰富的知识、更高超的技能作为支撑。不断的充电成为了职场人士的必修课。“知识改变命运”的道理在职场已深入人心。学习已变成 随时随地的必要选择。强化知识更新,树立“终身受教育”的观念,已成为时代的呼唤。


日本的经营之神松下幸之助先生曾经说过:看一个人有什么成就,可以看他晚上的时间在做什么。如果能够善用七点到十点钟的人,它的成就将比一般人高出两倍。
曾经有人说过:第一等人,是创造机会的人;第二等人,是掌握机会的人;第三等人,是等待机会的人;第四等人,是错失机会的人。你是第几等的人呢?
 
Bedbug视角:
人生观很大程度上影响著人生的高度,谭顿和黑人从同一起点出发,却走出两条完全不同的道路。谭顿实现了音乐家的梦想,黑人依旧得意、满足、陶醉地拉小提琴卖艺,可见他们都对自己所得感到满意,并且十分享受。如果你想有所成就,就将目标定得远大点吧,远大的目标能促使你不断走向高处;如果你想过得安稳,平淡是福,就努力做好感兴趣的事情吧,它能令你从快乐到满足。


人生,也就是一个选择的过程,选择了此,自然也就失去了彼,鱼与熊掌不可得兼,那就选择最符合你人生观的道路吧!

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    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
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