晚上提高学习效率的10个技巧

很多考研er到了冲刺期都会陷入拼时间的误区,恨不得不眠不休才好。殊不知,这样下来,身体吃不消,效率自然提不上去。备考后期,在保证复习时间的同时,效率也要提上去。今天,跟大家聊聊如何提升晚上的学习效率。

复习一下白天的内容

白天已经学习了太多知识,疲惫的大脑已经无法容纳新的知识了,这个时候的我们可以适当的回顾下已经学过的知识,再复习下所学过的东西,这样可以在无意识中加深印象,巩固所学。

每晚给自己设定目标

时间是有限的,有必要的话就列一个单子,量力而行,找到适合自己当前的目标。

给自己一些时间限制

连续长时间的学习很容易使自己产生厌烦情绪,这时可以把任务(比如一套真题)分成若干个部分,把每一部分限定时间,例如一小时内完成这几道阅读、八点以前做完这一章等等,这样不仅有助于提高效率,还不会产生疲劳感。

不要整个晚上都复习同一门课

我以前也曾经常用一个晚上来看数学或英语,实践证明,这样做非但容易疲劳,而且效果也很差。后来我在每晚安排复习两门,情况要好多了。

做一套题或进行模拟

做题,是另外一种总结梳理式复习。有时候到了晚上,如果再看书的话,我们的精力就很难集中了,而做题,就成了一种对意识的约束,是一种“强迫”自己投入的好方式。当我们沉浸于题目中时,精力不知不觉就集中起来了。

避免外界因素干扰

在学习之前上网到处逛逛或看会电影,经常不知不觉就花很长的时间。如果学习的时候同时开着聊天软件或其他通讯软件,建议关掉(如果不是学习需要的话)。清理桌面,拿掉桌子上能干扰注意力的物品。

一般人的注意力很难绝对集中的,如果是和家人朋友一起住也尽量不要让他人打扰自己。

一开始学习,立即进入状态

最重要的是开始的15分钟,这个时间很重要,如果一开始你就心猿意马,看东看西自然是不行的。只要专心致志的学习15分钟之后,你就开始步入正轨了,之后的学习都会是一帆风顺,你也会信心大增地继续学习了。

晚上学习适量喝白开水

不需要多喝,根据自己情况适量即可。不建议去喝咖啡或茶,咖啡刺激神经系统,这属于强迫大脑兴奋起来,同时还消耗体内维生素,更何况晚上学习是用脑的,不要为一时的精神亢奋而去喝咖啡。还有牛奶喝了会犯困,可以晚上睡前喝。

不熬夜,保证充足睡眠

晚上不要熬夜,定时就寝。中午坚持午睡。充足的睡眠、饱满的精神是提高效率的基本要求。睡眠不足,到了晚上容易犯困,做题无法集中精力,背政治也效率不高。

心情不安定的时候可以休息

可能有些事情让你情绪一直不稳定,如果强迫自己进入学习状态无果,就休息或进行其他活动发泄一下,比如做运动等。如果实在不能调节情绪晚上就不要学习了,这样只会让自己更累。

来源于 考研网

20考研的QQ群,有各个学校的考研资料,欢迎加入

群号是 984844252


您还可以在以下平台找到我们

你点的每个在看,我都认真当成了喜欢

【无线传感器】使用 MATLAB和 XBee连续监控温度传感器无线网络研究(Matlab代码实现)内容概要:本文围绕使用MATLAB和XBee技术实现温度传感器无线网络的连续监控展开研究,介绍了如何构建无线传感网络系统,并利用MATLAB进行数据采集、处理与可视化分析。系统通过XBee模块实现传感器节点间的无线通信,实时传输温度数据至主机,MATLAB负责接收并处理数据,实现对环境温度的动态监测。文中详细阐述了硬件连接、通信协议配置、数据解析及软件编程实现过程,并提供了完整的MATLAB代码示例,便于读者复现和应用。该方案具有良好的扩展性和实用性,适用于远程环境监测场景。; 适合人群:具备一定MATLAB编程基础和无线通信基础知识的高校学生、科研人员及工程技术人员,尤其适合从事物联网、传感器网络相关项目开发的初学者与中级开发者。; 使用场景及目标:①实现基于XBee的无线温度传感网络搭建;②掌握MATLAB与无线模块的数据通信方法;③完成实时数据采集、处理与可视化;④为环境监测、工业测控等实际应用场景提供技术参考。; 阅读建议:建议读者结合文中提供的MATLAB代码与硬件连接图进行实践操作,先从简单的点对点通信入手,逐步扩展到多节点网络,同时可进一步探索数据滤波、异常检测、远程报警等功能的集成。
内容概要:本文系统讲解了边缘AI模型部署与优化的完整流程,涵盖核心挑战(算力、功耗、实时性、资源限制)与设计原则,详细对比主流边缘AI芯片平台(如ESP32-S3、RK3588、Jetson系列、Coral等)的性能参数与适用场景,并以RK3588部署YOLOv8为例,演示从PyTorch模型导出、ONNX转换、RKNN量化到Tengine推理的全流程。文章重点介绍多维度优化策略,包括模型轻量化(结构选择、输入尺寸调整)、量化(INT8/FP16)、剪枝与蒸馏、算子融合、批处理、硬件加速预处理及DVFS动态调频等,显著提升帧率并降低功耗。通过三个实战案例验证优化效果,最后提供常见问题解决方案与未来技术趋势。; 适合人群:具备一定AI模型开发经验的工程师,尤其是从事边缘计算、嵌入式AI、计算机视觉应用研发的技术人员,工作年限建议1-5年;熟悉Python、C++及深度学习框架(如PyTorch、TensorFlow)者更佳。; 使用场景及目标:①在资源受限的边缘设备上高效部署AI模型;②实现高帧率与低功耗的双重优化目标;③掌握从芯片选型、模型转换到系统级调优的全链路能力;④解决实际部署中的精度损失、内存溢出、NPU利用率低等问题。; 阅读建议:建议结合文中提供的代码实例与工具链(如RKNN Toolkit、Tengine、TensorRT)动手实践,重点关注量化校准、模型压缩与硬件协同优化环节,同时参考选型表格匹配具体应用场景,并利用功耗监测工具进行闭环调优。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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