羊皮卷->羊皮卷之一(世界上最伟大的推销员)

羊皮卷1到10 羊皮卷打印版.doc 方便直接A4打印出来(最好双面打印) 立即下载


羊皮卷之一

今天,我开始新的生活。
今天,我爬出满是失败创伤的老茧。
今天,我重新来到这个世上,我出生在葡萄园中,园 内的葡萄任人享用。
今天,我要从最高最密的藤上摘下智慧的果实,这葡萄藤是好几代前的智者种下的。
今天,我要品尝葡萄的美昧,还要吞下每一粒成功的种子,让新生命在我心里萌芽。
我选择的道路充满机遇,也有辛酸与绝望。失败的同伴数不胜数,叠在一起,比金字塔还高。
然而,我不会像他们一样失败,因为我手中持有航海图,可以领我越过汹涌的大海,抵达梦中的彼岸。
失败不再是我奋斗的代价。它和痛苦都将从我的生命中消失。失败和我,就像水火一样,互不相容。我不再像过去一样接受它们。我要在智慧的指引下,走出失败的阴影,步入富足、健康、快乐的乐园,这些都超出了我以往的梦想。
我要是能长生不老,就可以学到一切,但我不能永生,所以,在有限的人生里,我必须学会忍耐的艺术,因为大自然的行为一向是从容不迫的。造物主创造树中之王橄榄树需要一百年的时间,而洋葱经过短短的九个星期就会枯老。我不留恋从前那种洋葱式的生活,我要成为万树之王--橄榄树,成为现实生活中最伟大的推销员。
怎么可能?我既没有渊博的知识,又没有丰富的经验,况且,我曾一度跌入愚昧与自怜的深渊。答案很简单:我不会让所谓的知识或者经验妨碍我的行程。造物主已经赐予我足够的知识和本能,这份天赋是其它生物望尘莫及的。经验的价值往往被高估了,人老的时候开口讲的多是糊涂话。
说实在的,经验确实能教给我们很多东西,只是这需要花费太长的时间。等到人们获得智慧的时候,其价值已随着时间的消逝而减少了。结果往往是这样,经验丰富了,人也余生无多。经验和时尚有关,适合某一时代的行为,并不意味着在今天仍然行得通。
只有原则是持久的,而我现在正拥有了这些原则。这些可以指引我走向成功的原则全写在这几张羊皮卷里。它教我如何避免失败,而不只是获得成功,因为成功更是一种精神状态。人们对于成功的定义,见仁见智,而失败却往往只有一种解释:失败就是一个人没能达到他的人生目标,不论这些目标是什么。
事实上,成功与失败的最大分别,来自不同的习惯。好习惯是开启成功的钥匙,坏习惯则是一扇向失败敞开的门。因此,我首先要做的便是养成良好的习惯,全心全意去实行。
小时候,我常会感情用事,长大成人了,我要用良好的习惯代替一时的冲动。我的自由意志屈服于多年养成的恶习,它们威胁着我的前途。我的行为受到品味、情感、偏见、欲望、爱、恐惧、环境和习惯的影响,其中最厉害的就是习惯。因此,如果我必须受习惯支配的话,那就让我受好习惯的支配。那些坏习惯必须戒除,我要在新的田地里播种好的种子。
我要养成良好的习惯,全心全意去实行。
这不是轻而易举的事情,要怎样才能做到呢?靠这些羊皮卷就能做到。因为每一卷里都写着一个原则,可以摒除一项坏习惯,换取一个好习惯,使人进步,走向成功。这也是自然法则之一,只有一种习惯才能抑制另一种习惯。所以,为了走好我选择的道路,我必须养成的第一个习惯是:
每张羊皮卷用三十天的时间阅读,然后再进入下一卷。
清晨即起,默默涌读;午饭之后,再次默读;夜晚睡前,高声朗读。
第二天的情形完全一样。这样重复三十天后,就可以打开下一卷了。每一卷都依照同样的方法读上三十天,久而久之,它们就成为一种习惯了。
这些习惯有什么好处呢?这里隐含着人类成功的秘诀。当我每天重复这些话的时候,它们成了我精神活动的一部分,更重要的是,它们渗入我的心灵。那是个神秘的世界,永不静止,创造梦境,在不知不觉中影响我的行为。
当这些羊皮卷上的文字,被我奇妙的心灵完全吸收之后,我每天都会充满活力地醒来。我从来没有这样精力充沛过。我更有活力,更有热情,要向世界挑战的欲望克服了一切恐惧与不安。在这个充满争斗和悲伤的世界里,我竟然比以前更快活。
最后,我会发现自己有了应付一切情况的办法。不久,这些办法就能运用自如。因为,任何方法,只要多练习,就会变得简单易行。
经过多次重复,一种看似复杂的行为就变得轻而易举,实行起来,就会有无限的乐趣,有了乐趣,出于人之天性,我就更乐意常去实行。于是,一种好的习惯便诞生了,习惯成为自然。既是一种好的习惯,也就是我的意愿。
今天,我开始新的生活。
我郑重地发誓,绝不让任何事情妨碍我新生命的成长。在阅读这些羊卷的时候,我绝不浪费一天的时间,因为时光一去不返,失去的日子是无法弥补的。我也绝不打破每天阅读的习惯。事实上,每天在这些新习惯上花费少许时间,相对于可能获得的快乐与成功而言,只是微不足道的代价。
当我阅读羊皮卷中的字句时,绝不能因为文字的精炼而忽视内容的深沉。一瓶葡萄美酒需要干百颗果子酿制而成,果皮和渣子抛给小鸟。葡萄的智慧代代相传,有些被过滤,有些被淘汰,随风飘逝。只有纯正的真理才是永恒的。它们就精炼在我要阅读的文字中。我要依照指示,绝不浪费,饮下成功的种子。
今天,我的老茧化为尘埃。我在人群中昂首阔步,不会有人认出我来,因为我不再是过去的自己,我已拥有新的生命。

 
 

用4690张图片搞定物流仓储难题:手把手教你训练YOLOv8纸箱检测模型(附完整源码) 本文详细介绍了如何利用YOLOv8目标检测技术解决物流仓储中的纸箱识别难题。通过4690张图片构建高质量数据集,提供完整的训练教程和源码,实现98.7%的mAP@0.5准确率。文章涵盖数据采集、模型训练、调参技巧到边缘计算部署的全流程,帮助读者快速构建智能仓储检测系统。 阅读详情

相关推荐

WRF-BEM相关参数说明

本参数适用于WRF-BEM模拟武汉市气候。

m0_60013472的博客 1896

羊皮卷1

今天,我开始新的生活。    今天,我爬出满是失败创伤的老茧。    今天,我重新来到这个世上,我出生在葡萄园中,园内的葡萄任人享用。    今天,我要从最高最密的藤上摘下智慧的果实,这葡萄藤是好几代前的智者种下的。    今天,我要品尝葡萄的美昧,还要吞下每一粒成功的种子,让新生命在我心里萌芽。    我选择的道路充满机遇,也有辛酸与绝望。失败的同伴数不胜数,叠在一起,比金字塔还高。  然而,我

weil的专栏 1376

GEO生信数据挖掘实战:从临床信息提取到多维分组可视化(聚类与PCA)

本文以GSE1297数据集为例,详细讲解了GEO生信数据挖掘中临床信息提取与分组构建的实战流程。通过R语言解析样本元数据,利用字符串处理技术从文本中精准构建疾病与对照分组,并强调使用层次聚类图和PCA图进行可视化验证,确保分组合理性与分析可靠性,为后续差异表达等高级分析奠定坚实基础。

cheese的博客 361

《世界上最伟大的推销员》 里的十张羊皮卷

羊皮卷之一  今天,我开始新的生活。  今天,我爬出满是失败创伤的老茧。  今天,我重新来到这个世上,我出生在葡萄园中,园 内的葡萄任人享用。  今天,我要从最高最密的藤上摘下智慧的果实,这葡萄藤是好几代前的智者种下的。  今天,我要品尝葡萄的美昧,还要吞下每一粒成功的种子,让新生命在我心里萌芽。  我选择的道路充满机遇,也有辛酸与绝望。失败的同伴数不胜数,叠在

江华生 9万+

vmware vsphere5---部署vCSA(VMware vCenter Server)附带第二阶段安装报错解决方案

因为这份文档我是边做边写的,遇到问题重新装了好几次所以IP会很乱ESXI主机为192.168.20.10VCSA为192.168.20.7,后台为192.168.20.7:5480后期请自行对应,后面的192.168.20.57请对应192.168.20.7,或根据自己的来。

m0_70212665的博客 5714

通信原理与MATLAB(八):2PSK的调制解调

通信原理和MATLAB

菜yuan~的博客 3万+

羊皮卷

羊皮卷之一《就在今天》  今天,我开始新的生活。    今天,我爬出满是失败创伤的老茧。  今天,我重新来到这个世上,我出生在葡萄园里,园内的葡萄任人享用。  今天,我要从最高最密的的藤上摘下智慧的果实,这葡萄藤是好几代前的智者种下的。  今天,我要品尝葡萄的美味,还要吞下每一粒成功的种子。让新生命在我的心里萌芽。  我选择的道路充满机遇,也有辛酸与绝望。失败的同伴数不胜数,叠在一起

u011933615的专栏 3635

从零构建:Esp32+Esp-IDF驱动ST7789屏幕并集成LVGL图形库

本文详细介绍了如何从零开始使用Esp32和Esp-IDF驱动ST7789屏幕并集成LVGL图形库。内容涵盖环境准备、SPI驱动配置、屏幕初始化、LVGL图形库集成及常见问题排查,帮助开发者快速实现高效稳定的显示解决方案。

weixin_42657024的博客 525

羊皮卷之一 今天,我要开始新的生活

羊皮卷之一 今天,我要开始新的生活 今天,我要开始新的生活。 今天,我爬出满是失败创伤的老茧。 今天,我重新来到这个世上,我出生在葡萄园中,园内的葡萄任人享用。 今天,我要从最高最密的藤上摘下智慧的果实,这葡萄藤是好几代智者种下的。 今天,我要品尝葡萄的美味,还要吞下每一粒成功的种子,让新生命在我心里萌芽。 我选择的道路充满机遇,也有辛酸与绝望。失败的同伴数不胜数,叠在一起,比金子塔还

Transform 1122

Remosaic 算法

在 4in1 传感器中,相邻的 4 个同色像素(如 4 个红色、绿色或蓝色像素)合并为 1 个“超级像素”,以提升低光环境下的感光能力。例如,在 RGGB 排列中,每个 2x2 的 Quad 单元需要恢复为 4 个独立的 R、Gr、Gb、B 像素1。:传感器通过硬件级 Remosaic 直接输出 4800 万像素的原始数据,每个像素独立记录颜色信息,解析力更高2。:传感器仅输出 1200 万像素数据,再通过软件算法插值放大到 4800 万像素,实际解析力无本质提升2。的原始数据转换为传统。

Damon_X的博客 3725

手把手教你学SINULINK-- --Linear Transformer 模块

模块是 Simulink 中用于模拟理想变压器行为的重要工具。通过本文的详细介绍,希望你能更好地理解和使用模块。

MHD0815的博客 2614

羊皮卷的故事-第三章

时已冬季,橄榄山上寒风凛冽。耶路撤冷庙堂里烧香熏烟的气味,焚烧尸体时发出的臭味,以及山上树林里松脂的清香,混杂在一起,穿过金伦山谷,袅袅飘来。 离贝斯村不远的斜坡上,歇息着帕尔迈拉岛的柏萨罗商队。夜深了,主人最宠爱的种马也不再咀嚼低矮的阿月浑子树丛,靠在月桂树旁,安静下来。 长长的一列帐篷旁,粗大的麻绳围住四棵古老的橄榄树,圈在里面的骆驼和骡子挤在一起,互相取暖。除了两个警卫来回巡逻外,方圆一...

weixin_33709219的博客 301

MSP430FR6043超声波传感器设计记录

1.前言 最近项目设计了一个超声波传感器 参考TI官方的板子EVM430-FR6043搭建的电路 EVM430-FR6043评估模块是一个用于评估MSP430FR6043 MCU性能的开发平台。 MSP430FR6043 MCU是一款超低功耗器件, 集成了超声波感测模拟前端 用于精确地进行超声波测量。 专为超声波水表、热量计和燃气表而设计, MSP430FR6043 器件采用低功耗加速器 (LEA), 可实现基于高速 ADC 的信号采集以及后续优化数字信号处理, 为电池供电型计量提供了一款超低功耗、高

bingdund的博客 2870

羊皮卷->羊皮卷之七(世界上最伟大的推销员)

羊皮卷之七我要笑遍世界。只有人类才会笑。树木受伤时也会流“血”,禽兽也会 因痛苦和饥饿而哭嚎哀鸣,然而,只有我才具备笑的天赋,可以随时开怀大笑。从今往后,我要培养笑的习惯。笑有助于消化,笑能减轻压力,笑,是长寿的秘方。现在我终于掌握了它。我要笑遍世界。我笑自己,因为自视甚高的人往往显得滑稽。千万不能跌进这个精神陷阶。虽说我是造物主最伟大的奇迹,我不也是沧海一栗吗?我真的知道自己从哪里来,到哪里去吗

凌空傲雪的流行前锋 895

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

羊皮卷-&gt;羊皮卷之三(世界上最伟大的推销员)

羊皮卷之三坚持不懈,直到成功。在古老的东方,挑选小公牛到竞技场格斗有一定的程序。它们被带进场地,向手待长矛的斗牛士攻击,裁判以它受戳后再向斗牛士进攻的次数多寡来评定这只公牛的勇敢程度。从今往后,我须承认,我的生命每天都在接受类似的考验。如果我坚韧不拔,勇往直前,迎接挑战,那么我一定会成功。坚持不懈。直到成功。我不是为了失败才来到这个世界上的,我的血管里也没有失败的血液在流动。我不是任人鞭打的羔羊,

凌空傲雪的流行前锋 939

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

羊皮卷-&gt;羊皮卷之四(世界上最伟大的推销员)

羊皮卷之四我是自然界最伟大的奇迹。自从上帝创造了天地万物以来,没有一个人和我一样,我的头脑、心灵、眼睛、耳朵、双手、头发、嘴唇都是与众不同的。言谈举止和我完全一样的人以前没有,现在没有,以后也不会有。虽然四海之内皆兄弟,然而人人各异。我是独一无二的造化。我是自然界最伟大的奇迹。我不可能像动物一样容易满足,我心中燃烧着代代相传的火焰,它激励我超越自己,我要使这团火燃得更旺,向世界宣布我的出类拔萃。没

凌空傲雪的流行前锋 970

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

羊皮卷-&gt;羊皮卷之六(世界上最伟大的推销员)

羊皮卷之六今天我要学会控制情绪。潮起潮落,冬去春来,夏末秋至,日出日落,月圆月缺,雁来雁往,花飞花谢,草长瓜熟,自然界万物都在循环往复的变化中,我也不例外,情绪会时好时坏。今天我要学会控制情绪。这是大自然的玩笑,很少有人窥破天机。每天我醒来时,不再有旧日的心情。昨日的快乐变成今日的哀愁,今日的悲伤又转为明日的喜悦。我心中像有一只轮子不停地转着,由乐而悲,由悲而喜,由喜而忧。这就好比花儿的变化,今天

凌空傲雪的流行前锋 1091

羊皮卷-&gt;羊皮卷之五(世界上最伟大的推销员)

羊皮卷之五假如今天是我生命中的最后一天。我要如何利用这最后、最宝贵的一天呢?首先,我要把一天的时间珍藏好,不让一分一秒的时间滴漏。我不为昨日的不幸叹息,过去的已够不幸,不要再赔上今日的运道。时光会倒流吗?太阳会西升东落吗?我可以纠正昨天的错误吗?我能拂平昨日的创伤吗?我能比昨天年轻吗?一句出口的恶言,一记挥出的拳头,一切造成的伤痛,能收回吗?不能!过去的永远过去了,我不再去想它。假如今天是我生命中

凌空傲雪的流行前锋 1082

羊皮卷-&gt;羊皮卷之八(世界上最伟大的推销员)

羊皮卷之八今天我要加倍重视自己的价值。桑叶在天才的手中变成了丝绸。粘土在天才的手中变成了堡垒。柏树在天才的手中变成了殿堂。羊毛在天才的手中变成了袈裟。如果桑叶、粘土、柏树、羊毛经过人的创造,可以成百上千倍地提高自身的价值,那么我为什么不能使自己身价百倍呢?今天我要加倍重视自己的价值。我的命运如同一颗麦粒,有着三种不同的道路。一颗麦粒可能被装进麻袋,堆在货架上,等着喂猪;也可能被磨成面粉,做成面包;

凌空傲雪的流行前锋 863

2024-2-羊皮卷

奥格.曼迪诺 经历人生低谷,终成一代大师。 代表作[世界上最伟大的推销员](

jiafeitutu的博客 1709

羊皮卷全集

《羊皮卷》是世界上最伟大的励志丛书,它所蕴藏的力量改变了无数人的生活命运,包括撰写出风靡世界的《世界上最伟大的推销员》的本书编者奥格·曼狄诺。   奥格·曼狄诺是当今世界上最能激发起读者阅读热情和自学精神的作家。他的18部作品被译成18种语言,销量超过3000万册。 他是世界上最具激励效应的畅销书作家,还是世界上最受追捧的演讲家之一。这位极具影响力的作家与您分享获得成功和财富的最大秘诀。

luliang311的专栏 786

羊皮卷之一

<br />今天,我开始新的生活。<br />今天,我爬出满是失败创伤的老茧。<br />今天,我重新来到这个世上,我出生在葡萄园中,园内的葡萄任人享用。<br />今天,我要从最高最密的藤上摘下智慧的果实,这葡萄藤是好几代之前的智者种下的。<br />今天,我要品尝葡萄的美味,还要吞下每一粒成功的种子,让新生命在我心里萌芽。<br />我选择的道路充满机遇,也有辛酸与绝望。<br />失败的同伴数不胜数,叠在一起,比金字塔还高。<br />然而,我不会像他们一样失败,因为手中持有航海图,可以领我越过汹涌的

shandaliuyan的专栏 1181

羊皮卷之一:今天,我开始新的生活

今天,我开始新的生活。  今天,我爬出满是失败创伤的老茧。  今天,我重新来到这个世上,我出生在葡萄园中,园内的葡萄任人享用。  今天,我要从最高最密的藤上摘下智慧的果实,这葡萄藤是好几代前的智者种下的。  今天,我要品尝葡萄的美味,还要吞下每一位成功的种子,让新生命在我心里萌牙。  我选择的道路充满机遇,也有辛酸与绝望。失败的同伴数不胜数,叠在一起,比金字塔还高。  然而,我不会像他们一样失败,因

Circle 1871

羊皮卷之十

以一个推销员的身份来祈祷   即使没有信仰的人,遇到灾难的时候,不是也呼求神的保佑吗?一个人在面临危险、死亡或一些从未见过或无法理解的神秘之事时,不曾失声大喊吗?每一个生灵在危险的刹那都会脱口而出的这种强烈的本能是由何而生的呢?   把你的手在别人眼前出其不意地挥一下,你会发现他的眼睑本能地一眨;在他的膝盖上轻轻一击,他的腿会跳动;在黑暗中吓一个朋友,他会本能地大叫一声“天呀”。   不管你

逆袭的博客 643
上一篇: VC->学习C/C++ Programming stylse guideness
下一篇: 羊皮卷->羊皮卷之二(世界上最伟大的推销员)
conquerorren
博客等级 码龄21年 58粉丝 46原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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