赵小楼《天道》《遥远的救世主》深度解析(21)丁秋红的“跟你说话你累我们也累”和“我相”

这篇博客讲述了《天道》剧情中丁元英回国后的人际交往和生存法则。文章指出,丁元英与妹妹丁秋红因思维方式的不同导致沟通困难,强调了在现实社会中,没有特殊能力的人难以获得高层次的认可。他还拒绝了为妹妹劝说父亲改造茶馆的请求,通过分析市场和客观条件教育丁秋红理解商业逻辑。博客以这段故事探讨了客观规律在人际交往中的重要性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

本文是《天道》解读系列按《遥远的救世主》小说情节深度解析的第21集,解读完后会按《天道》电视剧不同于小说部分的情节再补充解读,然后会出专题解读系列,整体共约160集以上。

关注我,与10000+人一起重读天道,学习强势文化思维!


前面我们花了20篇详细解读了从肖亚文到法兰克福找芮小丹,到丁元英结束私募基金,中间涉及到的种种人和事。

今天开始解读丁元英回国后的事了,咱们继续:

丁元英、肖亚文和李志江在6月份就到了北京,下飞机后马主任和小赵就接到了他,马主任告诉丁元英她妹妹丁秋红已经在等他,韩楚风交代晚上不要安排别的活动,要和丁元英喝酒。

在去的路上,刘会计汇报了公司的财务情况和汽车手续,并和丁元英说以后有什么需要帮忙就打电话。

图片

丁元英只回了谢谢,没说别的,他是不会在意这些的。

他和刘会计就是雇佣关系,公司关门就意味着雇佣关系解除,丁元英以后真要再做什么事,也不一定会给他打电话,因为市面上的会计很多,发薪水就可以找到,现代这个经济环境也是,普通会计也很多,丁元英没有必须用这个会计的必然关系。

 

论生存法则,你没有特别的能力,“高层次的人”凭什么高看你一眼?凭什么愿意维系你的关系?凭什么把人情落到你身上?凭什么要给你机会?

 

你,无以为凭。

丁元英在阳光酒店见到了他妹妹丁秋红,就看到丁秋红在收拾东西准备离开,像他这种客观到骨子里的人是不适应于人情世故这些东西的,家人、亲人之间也不例外。

妹妹表达更多的是市井文化,丁元英表达的更多是客观规律,思维意识和念头行为都有着非常大的不同,交流起来不同频,非常的麻烦。

所以他和秋红在一起说话,彼此双方都累,秋红也是想让他把事情交代完就马上回去。

何止是他的妹妹秋红,包括后文肖亚文提到过的丁元英的前任妻子,包括现实中绝大部分人都是如此,跟丁元英相处起来,双方都会很累。

“更高级的哲人独处着,这并不是因为他想孤独,而是因为在他周围找不到他的同类”。

图片

为什么丁元英那么想找个“清静”地,跟这方面有很大关系。

小插曲在秋红想把老家她爹的茶馆装修一下,但老爹不同意,想让丁元英给老爹打电话做做工作,这个事情丁元英没有同意,还给出了自己的看法,让秋红明白了道理而主动放弃。

这里面涉及到市场消费人群定位、数量问题、消费标准、和是否盈利,茶馆的位置在成都老家,那里的经济还没起来,人群数量也不大,市井味浓,基本上每天都是固定的一批老主顾在一起喝喝茶聊聊天。

如果抬高了门槛,看似是档次提升了,但也同时变了味了,那客人来不来就两说了,这是丁秋红不够客观的体现,她只知道我想,着了我相,却没有真正看清和分析客观条件。

在交代了电脑汽车和钱的分配后丁秋红就回老家成都了。

### NWD 损失函数的图表与可视化 对于YOLOv5中的`yolov5-NWD.py`文件,该文件实现了Wasserstein损失函数用于目标检测[^1]。然而,在提及NWD(假设为噪声到唤醒网络)时,并未找到直接关联于这种特定架构或方法下的损失函数图表或可视化的具体描述。 通常情况下,为了展示任何类型的损失函数的变化情况及其性能表现,可以采用如下几种常见的可视化方式: #### 1. 训练过程中的损失变化曲线图 通过记录训练过程中每轮迭代后的损失值,绘制出随着epoch增加而对应的平均损失下降趋势图。这有助于直观了解模型收敛速度以及是否存在过拟合等问题。 ```python import matplotlib.pyplot as plt def plot_loss_curve(epochs, losses): plt.figure(figsize=(8,6)) plt.plot(range(1, epochs+1), losses) plt.title('Training Loss Curve') plt.xlabel('Epochs') plt.ylabel('Loss Value') plt.grid(True) plt.show() ``` #### 2. 不同超参数设置下对比分析图 当调整某些关键性的超参数比如学习率、正则项系数等之后,可以通过多条不同颜色或者样式的折线来比较它们各自带来的影响效果差异。 #### 3. 测试上预测结果分布直方图 除了关注整体上的数值指标外,还可以针对测试样本生成其真实标签预测得分之间的差距统计图形,以此评估模型泛化能力的好坏程度。 由于当前关于NWD的具体定义不够清晰,上述建议更多基于一般意义上的机器学习项目实践给出。如果确实存在名为"NWD"的独特技术方案,则可能需要查阅更专业的资料源获取针对性更强的信息。
评论 1
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

打赏作者

赵小楼

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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