行走职场必看的13个经典寓言故事

茶饭后,翻出来看看,思量一番,看看自己做的够不够……

1:鹦鹉一个人去买鹦鹉,看到一只鹦鹉前标:此鹦鹉会两门语言,售价二百元。另一只鹦鹉前则标道:此鹦鹉会四门语言,售价四百元。该买哪只呢?两只都毛色光鲜,非常灵活可爱。这人转啊转,拿不定主意。结果突然发现一只老掉了牙的鹦鹉,毛色暗淡散乱,标价八百元。这人赶紧将老板叫来:这只鹦鹉是不是会说八门语言?店主说:不。这人奇怪了:那为什么又老又丑,又没有能力,会值这个数呢?店主回答: 因为另外两只鹦鹉叫这只鹦鹉老板。

这故事告诉我们,真正的领导人,不一定自己能力有多强,只要懂信任,懂放权,懂珍惜,就能团结比自己更强的力量,从而提升自己的身价。相反许多能非常强的人却因为过于完美主义,事必躬亲,什么人都不如自己,最后只能做最好的攻关人员,销售代表,成不了优秀的领导人。

2:金人曾经有个小国的人到中国来,进贡了三个一模一样的金人,金壁辉煌,把皇帝高兴坏了。可是这小国的人不厚道,同时出一道题目:这三个金人哪个最有价值?皇帝想了许多的办法,请来珠宝匠检查,称重量,看做工,都是一模一样的。

怎么办?使者还等着回去汇报呢。泱泱大国,不会连这个小事都不懂吧?最后,有一位退位的老大臣说他有办法。皇帝将使者请到大殿,老臣胸有成足地拿着三根稻草,插入第一个金人的耳朵里,这稻草从另一边耳朵出来了。第二个金人的稻草从嘴巴里直接掉出来,而第三个金人,稻草进去后掉进了肚子,什么响动也没有。老臣说:第三个金人最有价值!使者默默无语,答案正确。

这个故事告诉我们,最有价值的人,不一定是最能说的人。老天给我们两只耳朵一个嘴巴,本来就是让我们多听少说的。善于倾听,才是成熟的人最基本的素质。

3:一只乌鸦坐在树上,整天无所事事。一只小兔子看见乌鸦,就问:“我能象你一样整天坐在那里,什么事也不干吗?”乌鸦答道:“当然啦,为什么不呢?”于是,兔子便坐在树下,开始休息。突然,一只狐狸出现了。 狐狸跳向兔子……并把它给吃了。

这个故事的寓意是……要想坐在那里什么也不干,你必须坐(做)得非常非常高。

4:一只火鸡和一头公牛在聊天。“我非常想到那棵树顶上去,”火鸡叹口气道,“但是我没有那份力气。”“这样啊,那你为什么不吃点我的粪便呢?”公牛答道,“那里面充满了营养。”火鸡吃了一团牛粪,发现它真的使自己有力气到达树的第一个分叉处。第二天,在吃了更多的牛粪以后,火鸡到达了树的第二个分叉处。最终,两星期后,火鸡非常骄傲地站在了树的顶端。但不幸的是,没多久,它就被一个农夫盯上了,并且农夫非常利索地就将火鸡射了下来。

这个故事的寓意是……牛粪(狗屎运)也许能使你抵达顶峰,但它不能使你永远呆在那儿。

5:一只小鸟正在飞往南方过冬的途中。天气太冷了,小鸟冻僵了,从天上掉下来,跌在一大片农田里。它躺在田里的时候,一只母牛走了过来,而且拉了一泡屎在它身上。冻僵的小鸟躺在牛屎堆里,发掘牛粪真是太温暖了。牛粪让它慢慢缓过劲儿来了!它躺在那儿,又暖和又开心,不久就开始高兴地唱起歌来了。一只路过的猫听到了小鸟的歌声,走过来查个究竟。顺着声音,猫发现了躲在牛粪中的小鸟,非常敏捷地将它刨了出来,并将它给吃了!

这个故事的寓意是……

1) 不是每个在你身上拉屎的都是你的敌人。

2) 不是每个把你从屎堆中拉出来的都是你的朋友。

3) 而且,当你陷入深深的屎堆当中(身陷困境)的时候,闭上你的鸟嘴!

6:表演大师有一位表演大师上场前,他的弟子告诉他鞋带松了。大师点头致谢,蹲下来仔细系。

等到弟子转身后,又蹲下来将鞋带解松。有个旁观者看到了这一切,不解地问:“大师,您为什么又要将鞋带解松呢?”大师回答道:“因为我饰演的是一位劳累的旅者,长途跋涉让他的鞋事松开,可以通过这个细节表现他的劳累憔悴。”“那你为什么不直接告诉你的弟子呢?”“他能细心地发现我的鞋带松了,并且热心地告诉我,我一定要保护他这种热情的积极性,及时地给他鼓励,至于为什么要将鞋带解开,将来会有更多的机会教他表演,可以下一次再说啊。”人一个时间只能做一件事,懂抓重点,才是真正的人才。

7:去掉自己身上的气味!

一只鸽子老是不断地搬家。

它觉得,每次新窝住了没多久,就有一种浓烈的怪味,让它喘不上气来,不得已只好一直搬家。

它觉得很困扰,就把烦恼跟一只经验丰富的老鸽子诉苦。

老鸽子说:“你搬了这么多次家根本没有用啊,因为那种让你困扰的怪味并不是从窝里面发出来的,而是你自己身上的味道啊。”

寓言启示录:与团队格格不入,问题来自于自己!

有些人会不断埋怨别人的过错,指责别人的缺点,他们觉得周围的环境和人处处跟自己作对;或者是认为自己“曲高和寡”,一般人无法理解自己丰富而深刻的思想。实际上,他们没有意识到真正的问题不是来自于周围,而是来自于他们自己。

像这样的人,必须试着认清自己,试着认真而深刻地反省自己。

而一个组织也没必要为了失掉这样一只“鸽子”而遗憾。

愈来愈多的研究显示,领导能力不是天生的,人们完全可以透过后天的努力获得这种能力。因此,领导者要想成功地改变员工,首先就必须改变自己的领导特质。

对领导者而言,出色的管理能力仍然是必需的。领导者拥有这种管理能力,不是为了控制和命令员工,而是为了支持、帮助员工的发展与成长。

在这变幻莫测的全球竞争时代,公司高层与其苦苦追寻“先进”的管理方法与手段,不如将眼光放远,锁定员工的才智与热情,这是公司取之不尽的宝藏,公司必须找到适当的途径将他们释放出来。实现这个目标的唯一途径,就是让管理从控制员工,转向为相信员工潜力、鼓舞员工热情。

8:辞职A对B说:“我要离开这个公司。我恨这个公司!”B建议道:“我举双手赞成你报复!!破公司一定要给它点颜色看看。不过你现在离开,还不是最好的时机。” A问:为什么?B说:“如果你现在走,公司的损失并不大。你应该趁着在公司的机会,拼命去为自己拉一些客户,成为公司独挡一面的人物,然后带着这些客户突然离开公司,公司才会受到重大损失,非常被动。”A觉得B说的非常在理。于是努力工作,事遂所愿,半年多的努力工作后,他有了许多的忠实客户。再见面时B问A:现在是时机了,要跳赶快行动哦!A淡然笑道:老总跟我长谈过,准备升我做总经理助理,我暂时没有离开的打算了。

其实这也正是B的初衷。一个人的工作,永远只是为自己的简历。只有付出大于得到,让老板真正看到你的能力大于位置,才会给你更多的机会替他创造更多利润。

9:选择有三个人要被关进监狱三年,监狱长给他们三个一人一个要求。美国人爱抽雪茄,要了三箱雪茄。法国人最浪漫,要一个美丽的女子相伴。而犹太人说,他要一部与外界沟通的电话。三年过后,第一个冲出来的是美国人,嘴里鼻孔里塞满了雪茄,大喊道:“给我火,给我火!”原来他忘了要火了。接着出来的是法国人。只见他手里抱着一个小孩子,美丽女子手里牵着一个小孩子,肚子里还怀着第三个。最后出来的是犹太人,他紧紧握住监狱长的手说:“这三年来我每天与外界联系,我的生意不但没有停顿,反而增长了200%,为了表示感谢,我送你一辆劳施莱斯!”

这个故事告诉我们,什么样的选择决定什么样的生活。今天的生活是由三年前我们的选择决定的,而今天我们的抉择将决定我们三年后的生活。我们要选择接触最新 的信息,了解最新的趋势,从而更好的创造自己的将来。

10:老虎两个人在森林里,遇到了一只大老虎。A就赶紧从背后取下一双更轻便的运动鞋换上。B急死了,骂道:“你干嘛呢,再换鞋也跑不过老虎啊!”A说:“我只要跑得比你快就好了。”二十一世纪,没有危机感是最大的危机。特别是入关在即,电信,银行,保险,甚至是公务员这些我们以为非常稳定和有保障的企业,也会面临许多的变数。当更多的老虎来临时,我们有没有准备好自己的跑鞋?

11:赶考有位秀才第三次进京赶考,住在一个经常住的店里。考试前两天他做了三个梦, 第一个梦是梦到自己在墙上种白菜,第二个梦是下雨天,他戴了斗笠还打伞, 第三个梦是梦到跟心爱的表妹脱光了衣服躺在一起,但是背靠着背。这三个梦似乎有些深意,秀才第二天就赶紧去找算命的解梦。算命的一听,连拍大腿说:“你还是回家吧。你想想,高墙上种菜不是白费劲吗?戴斗笠打雨伞不是多此一举吗?跟表妹都脱光了躺在一张床上了,却背靠背,不是没戏吗?”秀才一听,心灰意冷,回店收拾包袱准备回家。店老板非常奇怪,问:“不是明天才考试吗,今天你怎么就回乡了?”秀才如此这般说了一番,店老板乐了:“哟,我也会解梦的。 我倒觉得,你这次一定要留下来。你想想,墙上种菜不是高种吗?戴斗笠打伞不是说明你这次有备无患吗?跟你表妹脱光了背靠靠躺在床上,不是说明你翻身的时候就要到了吗?”秀才一听,更有道理,于是精神振奋地参加考试,居然中了个探花。

积极的人,象太阳,照到哪里哪里亮,消极的人,象月亮,初一十五不一样。想法决定我们的生活,有什么样的想法,就有什么样的未来。

12:骆驼在动物园里的小骆驼问妈妈:“妈妈妈妈,为什么我们的睫毛那么地长?”

骆驼妈妈说:“当风沙来的时候,长长的睫毛可以让我们在风暴中都能看得到方向。” 小骆驼又问:“妈妈妈妈,为什么我们的背那么驼,丑死了!”骆驼妈妈说:“这个叫驼峰,可以帮我们储存大量的水和养分,让我们能在沙漠里耐受十几天的无水无食条件。”小骆驼又问:“妈妈妈妈,为什么我们的脚掌那么厚?” 骆驼妈妈说:“那可以让我们重重的身子不至于陷在软软的沙子里,便于长途跋涉 啊。”小骆驼高兴坏了:“哗,原来我们这么有用啊!!可是妈妈,为什么我们还在动物园里,不去沙漠远足呢?”

天生我才必有用,可惜现在没人用。一个好的心态+一本成功的教材+一个无限的舞台=成功。

每人的潜能是无限的,关键是要找到一个能充分发挥潜能的舞台。

13:分粥有七个人曾经住在一起,每天分一大桶粥。要命的是,粥每天都是不够的。

一开始,他们抓阄决定谁来分粥,每天轮一个。于是乎每周下来,他们只有一天是饱的,就是自己分粥的那一天。后来他们开始推选出一个道德高尚的人出来分粥。强权就会产生腐败,大家开始挖空心思去讨好他,贿赂他,搞得整个小团体乌烟障气。然后大家开始组成三人的分粥委员会及四人的评选委员会,但他们常常互相攻击,扯皮下来,粥吃到嘴里全是凉的。最后想出来一个方法:轮流分粥, 但分粥的人要等其它人都挑完后拿剩下的最后一碗。为了不让自己吃到最少的,每人都尽量分得平均,就算不平,也只能认了。大家快快乐乐,和和气气,日子越过越好。

同样是七个人,不同的分配制度,就会有不同的风气。所以一个单位如果有不好的工作习气,一定是机制问题,一定是没有完全公平公正公开,没有严格的奖勤罚懒。如何制订这样一个制度,是每个领导需要考虑的问题。

 

 

 

 

 

转载于:https://www.cnblogs.com/BritneyComeOn/archive/2009/04/23/1442003.html

DeepSeek与豆包真实体验对比:普通人日常AI助手怎么选 大模型应用已从技术参数竞争转向真实生活体验竞争。对普通用户而言,AI助手的核心价值不在于模型多大、上下文多长,而在于能否稳定理解模糊指令、容错纠偏、跨场景连贯响应,并将专业能力转化为可感知的温度与效率。本文基于通勤、办公、学习、育儿、创意五大高频生活场景,聚焦响应确定性、意图捕捉鲁棒性、容错兜底能力与场景嵌入深度四大人本指标,深度对比DeepSeek与豆包在弱网环境、老旧机型、OCR噪声、口语化输入等‘脏数据’条件下的实际表现。结果表明:决定用户体验高下的,不是服务器算力,而是产品层面对生活常识、语言习惯与 阅读详情

相关推荐

Crush 终端 LLM 工具安装与使用指南:把 AI 编程助手装进你的命令行

喜欢命令行的开发者需要离线/轻量级 AI 助手的场景希望自定义模型与工具链的高级用户通过LSP + MCP + 多模型支持,Crush 不仅能写代码,还能理解项目、调用工具、连接服务,真正成为你的“终端编程搭档”。

weixin_44058951的博客 1614

母牛的故事 (递推)

有一头母牛,它每年年初生一头小母牛。每头小母牛从第四个年头开始,每年年初也生一头小母牛。请编程实现在第n年的时候,共有多少头母牛? Input 输入数据由多个测试实例组成,每个测试实例占一行,包括一个整数n(0<n<55),n的含义如题目中描述。 n=0表示输入数据的结束,不做处理。 Output 对于每个测试实例,输出在第n年的时候母牛的数量。 每个输出占一行。 Sampl...

yuewenyao的博客 1万+

DeepSeek+Coze扣子搭建智能体(保姆级教程)

DeepSeek+Coze扣子搭建智能体(保姆级教程)

yizhen91y的博客 1万+

(C语言)[递归]母牛的故事

没错,这道题和斐波那契数列很相似,只不过递增的规律稍微变了一些。没错,fn=fn-1+fn-3(n>3)。一个输入,一个输出,多组测试用例,输入0结束,这是首先要明确的,所以要用到循环,并且输入0时结束循环。注意,这里题目明确要用递归的方法,所以大家尽量还是用递归来做,虽说用数组的方法也能提交。(3)找边界:就是递归脱出的条件,这里很明显是n<=3,因为此时上面的公式不适用了。(2)找变化:就是递归时参数的变化,上面的公式一起囊括了;(1)找重复:就是递归时重复操作的部分,详见上面的公式;

a871923942的博客 1254

ERA5气象数据下载与解压全攻略:Python脚本一键搞定(附错误处理技巧)

本文提供了一套完整的ERA5气象数据自动化处理方案,涵盖从CDS API配置、智能批量下载到高效解压与数据验证的全流程。重点介绍了如何通过Python脚本实现一键式数据下载与批量解压,并分享了实用的错误处理技巧与性能优化策略,帮助科研人员高效获取和处理大规模气象数据。

k8l9m0n的博客 337

nnDetection实战:手把手教你用Python在自家电脑上跑通第一个肺结节检测模型

本文详细介绍了如何使用nnDetection框架在普通电脑上实现肺结节检测模型的搭建与运行。从环境配置、数据预处理到模型训练与推理,手把手教你完成医学图像检测的全流程,特别适合初学者入门医学AI领域。

weixin_32377497的博客 330

母牛的故事(c语言)

有一头母牛,它每年年初生一头小母牛。每头小母牛从第四个年头开始,每年年初也生一头小母牛。请编程实现在第n年的时候,共有多少头母牛?

weixin_52740403的博客 1503

ANSYS workbench (关于normal stiffness factor接触刚度因子)

关于normal stiffness factor接触刚度因子的含义和设置方法

weixin_43730845的博客 6799

C语言递归之母牛的故事

递归法下的母牛的故事(C语言) *题目如下:(该题目来自于C语言网上的1004题) *首先,该题目的题意有些不清楚,年初和年头是俩个不一样的概念。 *我们根据规定的输入输出格式,可以推断出一下表格: *简略分析以上表格: 在第四年的时候,有四头牛,一头为第一年的母牛记作A,其他三头分别是3岁,2岁,1岁。 而题目的意思是,3岁的牛在第二年就可以生育。也就意味着,第五年的时候,有奶牛A,4岁奶牛(已经和A具有同等地位),其他四头分别是,3岁,2岁,1岁,1岁。 依此类推,第8年有6头A(每年不断生育),三

Bessie_Lee 5544

西门子AI面试问答(STAR法则回答实例)

通过建立良好的沟通渠道、倡导透明和积极的沟通,并建立信任和共享目标的文化,我成功地改善了团队合作的氛围和效果。对于一些存在分歧和冲突的情况,我采用了积极的解决问题的态度,促进双方的沟通和理解,寻找共同的利益点和解决方案。我的成果得到了评委和观众的认可,并为我的学术发展和进一步的科学研究奠定了基础。首先,我主动与团队成员进行一对一的沟通,倾听他们的观点和意见,了解他们在合作中遇到的问题和需求。我还参加了学校组织的科学俱乐部和研究小组,与其他热衷科学的同学一起进行讨论和实验,加深我的理解和实践技能。

kashine的博客 7249

设备接入与APP(应用程序)接入华为云iotDA平台的详细操作步骤及获取方式

设备及APP(应用程序) 登录 IoTDA 平台所需的 入场与操作清单内容,提供逐项详细操作步骤和获取方式,并穿插贴士便于理解与实际操作落地。内容基于 华为云 IoTDA 控制台 和 IAM 控制台 的实际使用路径整理。

hy行者勇哥的博客 3058

AI硬件设备批量接入与故障恢复实战:从ESP32到小智固件

在AI硬件与嵌入式设备大规模部署中,设备身份管理是保障系统稳定运行的基石。通过为每台设备赋予唯一标识,并建立包含固件版本、配置模板、在线状态的接入名单,可实现配置批量下发与故障快速定位。灰度发布策略则通过分阶段放量、实时监控激活率与超时率等指标,降低批量引入风险。当设备出现集体掉线或配置不同步时,按故障等级执行回滚、扩容或强制更新,并形成标准化恢复流程,是提升运维效率的关键。本文结合ESP32小智固件实践,拆解从设备接入到故障恢复的完整链路,为物联网开发者提供可落地的工程方案。

weixin_33766805的博客 361

Flow Matching05:概率路径与插值【概率路径:线性插值路径(最简单)、高斯插值路径】【先尝试线性插值,看效果如何;若不够好,尝试高斯插值】

好的,我将从数学角度详细解释Flow Matching,从高中生能理解的基础知识开始,逐步深入到高级概念。

u013250861的博客 173

这些经验可以让你在职场上少奋斗10年

第一:不要对自己说“我是大学生”    这点包涵了很多信息。  1.不要认为自己有多清高  2.不要仍然以学生的标准要求自己  3.不要感觉低人一等  4.不要等待别人的关怀  5.不要把这个作为犯错误自我安慰的借口  6.不要忘记搞清楚,公司究竟给自己的待遇是多少,老练些,这不是在做志愿者。    品格是处理好人际关系的基础,也是确保人际关系质量的关键。除此之外,人际交往的技巧也是尤为重要的。有

mingxunzh的专栏 602

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

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")

哈佛商业管理寓言13则

  1.应万变的能力  鸟儿们聚在一起推举它们的国王。孔雀说它最漂亮,应该由它当,立刻得到所有鸟儿的赞成。只有穴鸟不以为然地说:当你统治鸟国的时候,如果有老鹰来追赶我们,你如何救我们呢?  原意:做任何事一定要深谋远虑,才不至于害了自己。  说明: 一个哈佛经理,当储备多方才能,不只在才识方面要有过人之处,更当有应万变的能力,如此,不但可服人,并且还能对付不可预知的意外事件。  2.本性难移  一

先做好自己的CEO 674

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

面试提供资料后多久给offer,大厂出来的就一定实力强嘛(2),请查收

其实Android开发的知识点就那么多,面试问来问去还是那么点东西。所以面试没有其他的诀窍,只看你对这些知识点准备的充分程度。so,出去面试时先看看自己复习到了哪个阶段就好。当然我也为你们整理好了百度、阿里、腾讯、字节跳动等等互联网超级大厂的历年面试真题集锦。这也是我这些年来养成的习惯,一定要学会把好的东西,归纳整理,然后系统的消化吸收,这样才能极大的提高学习效率和成长进阶。碎片、零散化的东西,我觉得最没有价值的。就好比你给我一张扑克牌,我只会觉得它是一张废纸,但如果你给我一副扑克牌,它便有了它的价值。

2401_83977530的博客 964

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

让你尖叫的13种思维方式

1. 有个老人爱清静,可附近常有小孩玩,吵得他要命,于是他把小孩召集过来,说:我这很冷清,谢谢你们让这更热闹,说完每人发三颗糖。孩子们很开心,天天来玩。几天后,每人只给2颗,再后来给1颗,最后就不给了。孩子们生气说:以后再也不来这给你热闹了。老人清静了。   【境界思维】抓住人性的弱点,无事不成。   2. 两马各拉一货车。一马走得快,一马慢吞吞。于是主人把后面的货全搬到前面。后面的马笑了

Belial计算机视觉&机器视觉专栏 1612

相信自己就能做得更好——职场人士寓言(13)

【故事】   有位秀才第三次进京赶考。考试前两天他做了三个梦,第一个梦是梦到自己在墙上种白菜,第二个梦是下雨天,他戴了斗笠还打伞,第三个梦是梦到跟心爱的女人脱光了衣服躺在一起,但是背靠着背。   这三个梦似乎有些深意,秀才第二天就赶紧去找算命的解梦。算命的一听,连拍大腿说:“唉呀,你还是回家吧。你想想,高墙上种菜不是白费劲吗?戴斗笠打雨伞不是多此一举吗?跟一个女人脱光了躺在一张床上了,却背靠背,不

Welcome Friends~ 1610

The Codeless Code: Case 12-13 Effect(成效)、Evolution(进化)

case 12 启示:职场的成功是归功于多方面的努力,但多个方面中没有先后之分,少了那个都不行; case13 启示:编程靠的是创造,不是靠搬砖。

恋蛩音的博客 219

谁偷了我的奶酪(上)

 谁偷了我的奶酪(上): http://blog.youkuaiyun.com/andylin02/archive/2006/11/25/1413383.aspx谁偷了我的奶酪(中): http://blog.youkuaiyun.com/andylin02/archive/2008/03/19/2198525.aspx谁偷了我的奶酪(下): http://blog.youkuaiyun.com/andyli

2271

很有价值的三堂课,以此提醒自己。

第一课 一个男人在他妻子洗完澡后准备进浴室洗澡。这时,门铃响了。 妻子迅速用浴巾裹住自己冲到门口。 当她打开门时,邻居鲍勃站在那儿。 在她开口前,鲍勃说,“你如果把浴巾拿掉,我给你800美元。” 想了一会儿,这个女人拿掉浴巾赤裸地站在鲍勃面前。几秒钟后,鲍勃递给她800美元然后离开了。 女人重新裹好浴巾回到屋里。 当她踏进浴室时,丈夫问她,“是谁呀?

mary19880702的专栏 921

人生四堂课

第一课一个男人在他妻子洗完澡后准备进浴室洗澡。这时,门铃响了。妻子迅速用浴巾裹住自己冲到门口。当她打开门时,邻居鲍勃站在那儿。在她开口前,鲍勃说,“你如果把浴巾拿掉,我给你800美元。”想了一会儿,这个女人拿掉浴巾赤裸地站在鲍勃面前。几秒钟后,鲍勃递给她800美元然后离开了。女人重新裹好浴巾回到屋里。当她踏进浴室时,丈夫问她,“是谁呀?”“是邻居鲍勃。”她回答。“哦,”丈夫说,“他有没有提到还...

挨踢族 132

寓意很深刻的故事

第一课 一个男人在他妻子洗完澡后准备进浴室洗澡。这时,门铃响了。 妻子迅速用浴巾裹住自己冲到门口。 当她打开门时,邻居鲍勃站在那儿。 在她开口前,鲍勃说,“你如果把浴巾拿掉,我给你800美元。” 想了一会儿,这个女人拿掉浴巾赤裸地站在鲍勃面前。几秒钟后,鲍勃递给她800美元然后离开了。 女人重新裹好浴巾回到屋里。 当她踏进浴室时,丈夫问她,“是谁呀?” “是邻居鲍勃。”她回答...

weixin_34024034的博客 89

Redis 到底是怎么实现“附近的人”这个功能的呢?

程序员的成长之路互联网/程序员/成长/职场关注阅读本文大概需要 13.4 分钟。来源:cnblogs.com/flashsun/p/11017431.html最近在给别人讲解 Java...

良月柒 371

【蓝桥杯】母牛的故事

有一头母牛,它每年年初生一头小母牛。每头小母牛从第四个年头开始,每年年初也生一头小母牛。请编程实现在第n年的时候,共有多少头母牛?

m0_67334604的博客 605
上一篇: 关于界面乱码
下一篇: 巧用Js脚本界面验证
denghai9921
博客等级 码龄11年 0粉丝 0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  | 博主筛选后可见
 
 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