深度学习-笨人战胜聪明人的利器

我一直觉得自己不是很聪明,但也不笨,中规中矩吧。所以在技术上,我对自己并没有太多的期望,比如说,独创性地写出一个很厉害的算法,或者发明一个什么东西。我对自己的定位是在常识或者说战略上打败对手。如果说,人一生取得的成绩有个公式的话,可能是:

成绩= 思维 * 能力 * 勤奋。

能力就代表了一个人工作的能力,一般来说,大家大部分都是知识工作者或者脑力劳动者,能力主要体现上智力上。而勤奋,一个人不睡觉,也只是另一个人的2倍,并且不可能总不睡觉,长期不好好休息,身体也受不了,迟早是要还的。记得,微博刚起的时候,李开复常常深夜2、3点发微博,那个时候也是创新工场刚成立的时候,鼓励大家奋斗、拼搏。后来的故事大家知道,他得了癌症,反过来告诫大家,还是要好好爱惜自己的身体。所以,我一直不主张熬夜,不按规律的生活,这些得到的好处是有限的,坏处却是直接game over!

智力和勤奋上我中规中矩,并不占有优势,那遇见厉害的对手的怎么办?我把希望寄托在思维上。

举几个例子:

1,司马懿没有诸葛亮聪明吧,但司马懿笑到最后。凭什么?就是一些常识嘛。你诸葛亮千里迢迢跑过来,我以逸待劳不跟你打,耗死你。最重要的一点,是我心态好,活的比你长,那些小辈,哪个是我对手?

2,希特勒牛x吧,但是方向错了,人生成绩是负分。

3,曾国藩脑子也很笨,打仗也不行,几次要跳江。结果一生严以律己,修身养性,成为半个圣人。

总的来说,人活在这个世上,只要不放弃,都有出路。

又笨又蠢的人,只要下苦力,就有可能有出息,所以,为什么说天道酬勤呢,就是这个道理,天不放弃任何人,即使天资再不好的人,只要不怕吃苦受累,什么脏活累活都干,就有他的一席之地。但是这种人如果要干出名堂,在早期需要有个引路人。这个路最好能干一辈子,现在的很多工作都不满足这个条件,现在技术变化太快,这也是我越来越不想干技术的原因。很多工作干了3、5年就没有了,又要换方向,人生没有积累,又不聪明,怎么能行? 所以在入社会的前几年,能找到可以干一辈子活的这种人,很有福,如果能一直干下去,不自作聪明,耐得住寂寞,结果可能是越干越吃香,这种人就很牛x了。

那些聪明的人,不笨但可能很蠢,就想干嘛干嘛吧。这些聪明人天天追求新奇事物:哪哪出新手机了,哪哪出新包包了,哪哪有牛逼的新技术了。天天被这些所谓新东西搞的团团转。为什么说他们蠢呢?因为新东西好多都是过渡品,经不起时间的考验,到头是一场空。有人可能说我就喜欢,那咋办?我的建议是,喜欢就喜欢吧,不过在职业上要见好就收,为啥?技术公司不长命!即使活着,也很幸苦。李彦宏、马云、马化腾哪个日子好过?各种收购都是怕被时代淘汰,不收不行啊!

最后,我,simplevita,索性,争取做一个不蠢的人吧。

那这个和深度学习(deep learning)有什么关系呢?

有关系!

人活着总是要干事的。干事需要能力啊,我能力一般,哪怎么补这个短板呢?

刘邦靠兄弟、创业靠团队。我孤零零一个人,在以前是没东西可靠了(555555....惨!)。现在不一样了,有了深度学习,我可以靠电脑,靠机器了,哈哈(此处笑声绵延云峰几千里...)

怎么说?

一件事能不能干成,无外乎是否知道这个事里面的因果关系。有能力的人知道,没有能力的人不知道。

比如说:怎么炒番茄炒蛋?怎么把手机做好?怎么把这个产品推销出去?怎么把企业做强?

选一个最简单的,怎么炒番茄炒蛋。

假设我不知道,我该怎么办?我需要自己摸索,但是我很笨,所以比聪明人来说,可能要摸索很久,并且最后还炒的不好吃。但是我知道,需要准备番茄,鸡蛋、盐、油等。

用数学公式表达就是:

y = f (x)

我知道x,它是各种原料: 番茄,鸡蛋、盐、油等。我也知道y,好吃的一盘番茄炒蛋。就是不知道f,相当于一个函数,怎么把这些原料加工.

关键是f.聪明人和不聪明人的区别就在这里。

而现在深度学习可以替我们找出f。并且比人找的更快更好。它也将是我战胜聪明人的法宝!

时间: 2024-10-21 03:44:11

深度学习-笨人战胜聪明人的利器的相关文章

15天倒计时:深度学习高端讲座免费听,最后200位赠教材名额!

深度学习是对使用多层神经网络过程进行机器学习的统称.目前已经被应用到图像识别,语音识别,自然语言处理,机器翻译等场景并取得了很好的行业应用效果. 由谷歌研发的新一代深度学习工具Tensor Flow,于2015年底正式向公众开源. Tensor Flow技术是当前最值钱,也是最便利的深度学习库! 目前已在谷歌.优步.京东.小米等公司中广泛应用! TensorFlow主要特性有: 使用灵活:TensorFlow是一个灵活的神经网络学习平台,采用图计算模型,支持High-Level的API,支持Py

Deep Learning(深度学习)学习笔记整理系列 | @Get社区

body { font-family: Microsoft YaHei UI,"Microsoft YaHei", Georgia,Helvetica,Arial,sans-serif,宋体, PMingLiU,serif; font-size: 10.5pt; line-height: 1.5; } html, body { } h1 { font-size:1.5em; font-weight:bold; } h2 { font-size:1.4em; font-weight:bo

(转)大牛的《深度学习》笔记,60分钟带你学会Deep Learning。

大牛的<深度学习>笔记,60分钟带你学会Deep Learning. 2016-08-01 Zouxy 阅面科技 上期:<从特征描述到深度学习:计算机视觉发展20年> 回复“01”回顾全文   本期:大牛的<深度学习>笔记,60分钟带你学会Deep Learning. 深度学习,即Deep Learning,是一种学习算法(Learning algorithm),亦是人工智能领域的一个重要分支.从快速发展到实际应用,短短几年时间里,深度学习颠覆了语音识别.图像分类.文本

【转载】Deep Learning(深度学习)学习笔记整理

目录: 一.概述 二.背景 三.人脑视觉机理 四.关于特征 4.1.特征表示的粒度 4.2.初级(浅层)特征表示 4.3.结构性特征表示 4.4.需要有多少个特征? 五.Deep Learning的基本思想 六.浅层学习(Shallow Learning)和深度学习(Deep Learning) 七.Deep learning与Neural Network 八.Deep learning训练过程 8.1.传统神经网络的训练方法 8.2.deep learning训练过程 九.Deep Learn

【深度学习学习记录】之一:开篇闲扯一些话

深度学习的历史可谓是一波三折,而就在最近阿尔法狗战胜李世乭,让深度学习再次回到人们的视线. 我对深度学习的真正意义上的认识,还得从2016.05.26日的一节课上说起. 讲课老师是信科软工所的李戈老师,他是一位较年轻的副教授,讲课风趣幽默,看上去很健谈,喜欢笑. 这位老师在三个小时的课程中,带领我们从只是听说过深度学习到对深度学习有个大致了解.全程我都非常认真的听了,这种感受已经在大三之后都几乎没有过了,我认为一方面是老师讲课的方式非常吸引人,另一方面是兴趣使然,我对人工智能方面还是非常感兴趣的

从Image Caption Generation理解深度学习

0. 前面的话 建丁让我写一篇深度学习相关小文章,目标读者是国内的开发者.刚接到这个任务时我是颇为忐忑的,写文章要讲究厚积薄发,如果“水之积也不厚”,“则其负大舟也无力”.因为我自知水平很有限,又不是在学校和科研机构做研究,只不过因为工作和个人的兴趣,对深度学习有一点点粗浅的了解,所以担心写出来的东西不但于人无益,甚至还让人误入歧途.但后来又一想,如果把自己作为一个深度学习的学习者,和对它感兴趣的普通开发者分享一些学习的经历,包括学习过程中遇到的问题,可能也是有一些意义的.毕竟读论文或者听学术大

秦涛:深度学习的五个挑战和其解决方案

深度学习的五个挑战和其解决方案 编者按:日前,微软亚洲研究院主管研究员秦涛博士受邀作客钛媒体,分享他对深度学习挑战和解决方案的思考 ,本文为秦涛博士在此次分享的实录整理. 大家好,我是微软亚洲研究院的秦涛,今天我将分享我们组对深度学习这个领域的一些思考,以及我们最近的一些研究工作.欢迎大家一起交流讨论. 先介绍一下我所在的机器学习组.微软亚洲研究院机器学习组研究的重点是机器学习,包含机器学习的各个主要方向,从底层的深度学习分布式机器学习平台(AI的Infrastructure)到中层的深度学习.

Deep Learning(深度学习)学习笔记整理

申明:本文非笔者原创,原文转载自:http://www.sigvc.org/bbs/thread-2187-1-3.html 4.2.初级(浅层)特征表示 既然像素级的特征表示方法没有作用,那怎样的表示才有用呢? 1995 年前后,Bruno Olshausen和 David Field 两位学者任职 Cornell University,他们试图同时用生理学和计算机的手段,双管齐下,研究视觉问题. 他们收集了很多黑白风景照片,从这些照片中,提取出400个小碎片,每个照片碎片的尺寸均为 16x1

Deep Learning(深度学习)学习笔记整理系列之(八)

Deep Learning(深度学习)学习笔记整理系列 [email protected] http://blog.csdn.net/zouxy09 作者:Zouxy version 1.0 2013-04-08 声明: 1)该Deep Learning的学习系列是整理自网上很大牛和机器学习专家所无私奉献的资料的.具体引用的资料请看参考文献.具体的版本声明也参考原文献. 2)本文仅供学术交流,非商用.所以每一部分具体的参考资料并没有详细对应.如果某部分不小心侵犯了大家的利益,还望海涵,并联系博主