关于自律,80%的人都理解错了 立Flag

研究表明,仅8%的人能实现新年计划,强行自我压制往往无效。真正自律并非每日坚持,而是长期朝目标前进,将所需之事变成习惯。目标比激情更可靠,将热爱变为目标,自律不再是负担。

关于自律,80%的人都理解错了

立Flag

2019年的份额已经过去了超过1/24。也就是说,如果你计划今年要跑100公里的步,到今天应该已经跑了4公里。你的Flag还好吗?

看过一项研究说,只有8%的人可以实现自己的新年计划,而大部分人都会在新年的第二周放弃计划。我们那么渴望自律,却也那么容易放弃。

不知道你有没有这样的经历,越想戒掉的垃圾食品,越会在自己的舌尖回味;睡前越提醒自己不该刷朋友圈、微博,越会刷到停不下来。

太多事实证明,强行的自我压制往往是无效的。甚至有时候,这种自控可能是失控的开始。在我们强行压制欲望的时候,往往会产生相反的效果,让我们更想去做这件我们要求自己不要去做的事。

我们很多时候做不到长久的自律,恰恰是因为我们对自己压制得太狠,消耗掉了我们的意志力。

实例

我有个同学,办理了5年的健身卡,据说比很多3年的健身卡都便宜。办完卡后,他再也没去过那家健身房,甚至忘记了自己还有这么张卡。

卖时间长且算下来相对便宜的年卡,是健身房的惯有招数。但对我们来说,如果你也下意识觉得“这卡那么便宜”时,就是在暗暗给自己的行为贴上了一张“便宜”的标签。如果你把自己的自律,从一开始就贬低得如此廉价,那你心里就会默认自己接下来的坚持一样低廉。

有一个朋友做了一个阶段阅读计划,发了条朋友圈:求监督。

隔段时间我问他进展如何,他说,当时以为这么多人点赞会给自己动力和压力,觉得实现不了会很丢脸,可结果好像也没什么改变,计划依旧失败了。

表面看来,公开目标的行为的确提高了违约成本,但这种违约成本是建立在他人对我们的评价之上。心理测试证明,告诉别人你的目标,大家也承认你的目标,会使你产生一种目标已经达到的满足感,反而会让你对完成目标这件事本身的动力降低。

当我们在朋友圈晒下今日运动成果后,我们错误地暗示了自己“我今天已经达到目标了”,于是往往下一步就是大吃一顿。我们每年都满腔热情地立志,要坚持读书、坚持早起、坚持锻炼……可似乎失败却周而复始。

激情并不可控,如果立下的豪言壮志只是凭一腔激情,没过几天就会被打回原形。

目标

目标,是比激情更靠谱的东西,因为它是固定而明确的。

一个切实的目标,会告诉我们从手中最简单最基础,也是最繁琐最无趣的起点开始努力。此时我们迈出的每一步,都是对目标的承诺。只有把模棱两可的热爱变成斩钉截铁的目标,把模糊的“我喜欢”转变成清晰的“我要完成”,我们才能到达终点。

自律,只是一个手段。如果我们执泥于这个手段之中,总想着坚持的痛苦,那最终自律只能沦为一种形式。透过自律行为本身,而关注自律的结果,我们会发现,我们自律,终究是为了实现一个目标。

每天跑步3公里,是为了拥有一个健康的体魄;每个月读1本书,是为了让自己更多地了解这个世界。如果我们摆脱对过程的执着,专注于目标本身,自律便不再是一种负担,目标会引导我们一步一步地完成该做的事。

真正能自律的人,可能不是那些最有意志力的人,而是在面对行为和意志的冲突时仍然不迷失方向的人。

自律也不一定就是每天坚持做某一件事情,而是长期朝着一个目标前进,把实现目标需要做的事情当成自己的习惯。哪怕累了要歇一会儿也没关系,只要你坚持自己的方向,养足精神后依然可以所向披靡。

只要是离目标越来越近,你就做到了自律。

后记

自律,简单来说,就是朝着自己心中的目标去做,付出的或多或少,进步或大或小都无所谓,只要能越来越接近自己既定的目标就好。

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术员或研究员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
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