下面的列表试图描绘出loser的特性,帮人识别潜在的毁灭性的恋爱关系,避免受到严重的感情和身体伤害。如果你的伴侣拥有哪怕只是一项特性,你们的关系已经一定有风险。如果你的伴侣拥有至少三项特性,说明你已经陷入与loser的高风险关系,最终很可能受到伤害。如果你的伴侣拥有以下特征的多数,这已经不是“可能”或者“很可能”的问题了,如果你继续保持与他的关系,会被对方严重的伤害。
1.粗暴的对待:loser 会故意伤害你。如果他或她打你,扭你的胳膊,拉你的头发,踢你,推挤你,或者毁坏你的个人物品,哪怕只有一次,立刻离开他们。男性loser一开始会推推搡搡,或者以拳击墙发泄怒火。女性loser被激怒时常常甩人耳光,或者踢人打人。
2.飞速建立感情和表达感情:loser 与他人的感情纽带非常浅。你可能被loser吸引的一个原因是他们认识你不久后很快就会说“我爱你”,或者想和你结婚,或者想和你建立长期排他的关系。通常在不到几个礼拜的约会之后,你就会听到甜言蜜语,你是他生命中的真爱,他想和你永远在一起,而且他想和你结婚。你会收到礼物,很多誓言,时时刻刻感受到他的关注与好意。在“蜜月期”里,他试图套牢你,信誓旦旦他是你生命中能遇到的最好的人。记住那句人们常说的话—— “如果某件事情好的不像真的,那么它十有八九不是真的”。你可能被迅速出现的迷恋,誓言,共度一生的计划迷倒以至于忘记最重要的一点——这不合逻辑啊!正常健康的成年人需要较长的过程发展一段严肃的亲密关系,因为有很多因素要慎重考虑。正常健康的人确定恋爱关系需要一定的时间,搜集足够的信息互相了解,然后才给出诺言——而不是三个礼拜。的确我们会飞快的迷恋上一个人,但不会飞快的作出不切实际的承诺,在三次约会后就计划着共同度过一生。这种快速“升温”是肤浅感情的征兆。以后loser 想抛弃你的时候,他们的动作也一样快。Loser 通常在认识爱慕对象一个月不到就提出同居或者结婚。
3.可怕的脾气:Loser 的脾气非常吓人。如果你的男友或者女友有时会突然发作,做出以下这些危险的举动——在抓狂的时候超速驾驶,损毁物件,扔东西,打架,或者威胁别人—这怒气总有一天会发泄到你身上。在恋爱关系的初始阶段,你会“目击暴力” —— 他们和别人打架,威胁别人,对别人暴怒,等等。你会在他们的生活中听到暴力。你会亲眼看到脾气的发作——扔东西,大喊大叫,诅咒,超速驾驶,撞墙,踢东西。尽管loser 向你保证他只会对别人或者别的情况发脾气,而不会对你做出这种事,你还是会觉得羞辱,害怕他的暴力潜质。一开始他会发誓保证不会把敌意和暴力倾泄在你身上,但是他有意让你心知肚明,如果有一天你得罪了他,他对你也做得出来。逐渐地,你开始害怕挑战和面对他,害怕那样的脾气和暴力会落在你身上。
4.抹杀你的自信:Loser 会反复经常地贬低你。他会不停纠正你的小错小毛病(其实是提醒你),让你时刻觉得紧张,觉得自己很笨,老是作错事。他会告诉你,你太胖,没吸引力,讲话的方式不对,或者差劲。他渐渐蚕食掉你的自信和自尊之后,就可以对你为所欲为了—好像因为你太差劲他才那么做似的。在公共场合,你如履薄冰——总是害怕说错话作错事,导致他怒火爆发或者猛吵一架。
5.切断你的外来支持:为了完全控制一个人,必须切断他和朋友的联系,有时候甚至是和家人的联系。Loser 认为你的朋友和亲人会影响你,或者对批评他和他的行为。一开始loser 会告诉你,你那些朋友对你不好,在利用你,或者不能理解你们之间的特殊爱情。如果他没法赶走你最好的同性朋友,有时候loser 会宣称你朋友勾引他。如果你和朋友及亲人联络,loser会惩罚你,问很多问题或者粗暴地谴责你。最后你会觉得,与其被骂被责备,被审问和虐待,还不如不要和朋友亲人联络。你试图跟朋友和亲人保持距离,于是他们生你的气,然后loser 就会告诉你,他们又在对你不好了,你最好和他们保持距离。一旦你和其他人隔离开来,失去支持,loser 就更加方便加强对你的控制。
上文的第2条是大多数拙男易犯的毛病,所以说真命天女症可能真的是种病哦。继续……不良的精神控制法。
6. “虐待-体贴”的循环:Loser 的行为在虐待与体贴间来回循环。循环的一开始,他故意伤害你,虐待你。你会因为一些小事被责骂,被诅咒,被威胁。第二天他会突然变得很温柔体贴,像你们刚开始约会那样为你做很多事情。于是你留了下来,希望这次的虐待-体贴循环是最后一次。虐待期的另一个后果是让loser有机会对你或者你关心的人做出恶劣的评价,再次蚕食你的自尊和自信。Loser 常常会事后拼命道歉,但是你的自尊已经收到了伤害——而这正是他的计划。
7.错的总是你:如果loser生气了,或者自己做错了事,他会反过来怪你。当他欺骗你,对你大喊大叫,对你很坏,毁坏你的物品,或者公开的羞辱你——不知怎么这都成了你的错,你造成的结果。如果你约会迟到了10分钟,那么他以每小时80迈的速度开车,把其他驾驶者从路上挤走,并且整晚上都板着脸,这些都是因为你的错。Loser 会告诉你,如果你没犯那些简单的错误,如果你能更爱他一些,或者没有质疑他的所作所为,如果你能无限包容,他就不会生气,也不会有那些过分的举动。Loser 永远不会(这里强调一下,是永远不会)为他自己的行为负责——责任总是别人的。如果他发狂似的驾驶,要把某个无辜的驾驶者挤出高速公路——他会觉得那不是自己的责任,而是别人的责任,因为别人换车道时没打转向灯。他会给你造成这种印象——是你招来了他的愤怒,咆哮,和攻击,你活该遭遇他的怒火,暴力,冷漠,或者殴打。
8.分手恐慌:Loser 为分手的念头而恐慌——除非分手完全是他的主意,那么他会像甩一块烫手的石头一样把你扔掉。当你提出要结束关系的时候,虐待型的男友常常会崩溃哭泣,他会恳求你,发誓一定会改变,还表示愿意和你结婚,和你去旅行,送你礼物。男女loser都可能威胁要自杀,或者回到前情人的身边(对方大概在庆幸终于摆脱掉他了),或者要辞职离开这个地方——就好像你得为他的决定负责似的。Loser 会做很多让步,提出妥协方案,比如“哪怕让我们再约会一个月吧!”
他们会电话轰炸你,常常5分钟一个,寄希望于你会做出让步,或者和他们见面,哪怕只是为了停止电话骚扰。有些人会给你的亲人,你的朋友,他的朋友,或者任何他想到的人打电话——只为了让这些人给你打电话,转达他有多爱你。有创意的loser很会给你造成大量的社会和舆论压力,逼对方宁愿回到糟糕的旧关系中也不愿意忍受这种压力。想象一下吧,你想要终止关系,结果从他的所有亲戚那里接到哀恳的电话(他们暗地里希望你继续和loser呆着一起,这样他们就不用被他骚扰),在报纸上读到恳求你回来的广告,更糟糕的是在本地的布告版上,每天都在工作的地方收到花束,他甚至会跑到你工作的地方,当着你的同事的面献上结婚戒指(男性loser手法)或者告诉你她可能怀孕了(女性loser手法)!给你造成情绪上的紧张气氛,从而控制你的感情。如果你回到他身边,下次你再想要分手,就会害怕遇到更糟糕更强烈的反应。后来他也会常常跟人回忆起以前的分手事故,进一步证明你是多么坏的人,你多亏待他。记住,如果你的爱狗跳过栅栏逃跑了,你把它找回来以后就会建造更高的栅栏。一旦返回落入loser的掌控——下一次的逃离会加倍的困难。
9. 催促你放弃外来兴趣: Loser 会鼓励你放弃业余爱好,兴趣,以及同其他人的来往。如果你想自己干点什么,他会非要陪着你,让你全程都感觉很糟糕。他这么做的动机是防止你拥有他无法完全控制的兴趣爱好。
10.神经质的控制: Loser会不停的查岗,时刻追踪你在哪里,和谁在一起。如果你和异性说话,他会问上20个问题,例如你是怎么认识他的。如果你不接他的电话,他会盘问你在哪里,你在干什么,你在和谁说话,等等等等。他会注意到你汽车上的泥巴,然后质问你为什么要去某个地方买东西,质问你为什么要给某个朋友打电话,某个朋友为什么要打电话给你,等等等等。有些 loser 会跟踪你到某个商店,事后假装不知道,问你是不是到某处买过东西,好抓住你有没有在撒谎。在严重的情况下,他们会偷看你的信件,搜查你的钱包,拨你电话上的重拨键,甚至翻你的垃圾来搜寻证据。高技术loser可能会鼓励你在他们家打一些给朋友的“私人”电话,同时偷偷的录下来检查。开始他们可能“教育”你该穿什么,该听什么音乐,在公共场所该怎么行为举止。最终他们会训练你不许和某些朋友熟人交谈,不许去某些地方,不要公开的谈论某些话题。如果星期五晚上不约会,loser会告诉你,他会给你打电话——但不一定什么时候。这样就可以保证你整晚都呆在家里等他电话,一边还害怕如果不在家等电话会遭到怎样的言语上的羞辱和质问。运用这种技巧,loser 可以自己随心所欲地参加各种社交活动,即使不在场也能遥控你的行为。
11.公共场合的困窘:为了在公共场合也能控制你,loser 会在私下里或者当着别人的面攻击你,咒骂你,或者冷酷地,羞辱地谈论你。在公共场合,你发现你发表任何意见都可能招来他们当时或者事后的口头攻击。如果你和 loser 在一起的时间较长,会发现自己在公开场合总是礼貌地微笑,沉默,一直挂在他的胳膊上。你还会发现自己走路的时候低着头,害怕遇到可能和你交谈的朋友,以至于招来 loser 愤怒的反应。
12.永远不够: Loser 让你相信,你永远不够好,你说的“我爱你”怎么也不够多,你站的时候靠得不够近,你对他的“牺牲”的回报远远不够,你的行为也总是和期望的有很大距离。这是另一种摧毁你的自尊和自信的手法。这样训练了几个月之后,他会开始告诉你,你是多么幸运才能找到像他那样的伴侣——他居然可以容忍像你这样无能和无价值的人。
13.理所当然:Loser 持有非常理所当然的态度,觉得自己可以做任何事情而理直气壮。如果在开车的时候被人挡住,Loser 认为自己完全有权把他挤到路边,攻击他,或者在暴怒的时候威胁别人的生命。别忘了,这种理所当然的态度总有一天会落在你身上。如果你不服从 loser 的要求和命令,或者触犯他的规则,他会觉得完全有权惩罚你,手段呢,只要他说正当就正当喽。
14.你的朋友和亲人不喜欢他: 你跟 loser 的恋爱关系一旦持续下去,你的朋友和亲人会注意到 loser 是怎样对待你的。他们会注意到你连性情都变了,也许你开始躲避人际交往。他们会警告你,表示忧虑,然后loser就会告诉你,他们这是在妒嫉你拥有的“特殊的爱”。Loser 会把你的亲人朋友的质疑和意见作为他们有意跟你过不去的证据——而不是对他的意见。单纯提到你的亲人和朋友也会引起 loser 愤怒的反击,结果呢,你不再谈及那些你关心的人,甚至自己的亲人。任何和你亲近的人都让 loser 感到妒嫉和受到威胁,甚至包括你的儿女。在某些情况下,你的父母或者兄弟姐妹会被禁止到你家来看望你。
15.坏故事: 当一个人讲述自己的故事时,你常常可以了解到这个人的性格。俗话说,只要给他够长的绳子,他最终会把自己吊死。听别人叙述自己的过去,让我们了解他们是怎么看待自己的,他们的兴趣,以及他们想怎样讨好我们。一个有幽默感的人会讲述关于自嘲,讲好笑的故事。Loser 则讲述关于暴力,侵犯,冷漠待人,以及拒绝别人的故事。他可能会对你描述过去的恋爱关系,不管跟谁好过,他都会强调是对方背叛或者伤害了自己,而他对人家是很好的。他会吹嘘自己的暴脾气,因为本来就不觉得暴力倾向是错的。事实上他对自己这种“老子天不怕地不怕”的态度还很得意。一个人讲什么故事,能反映讲故事的是什么样的人,就好像民间故事和传说描述了某种文化。仔细倾听这些故事——你会了解你最终会被怎样对待,过上什么样的日子。
相关推荐
触摸延时灯课程设计
Multisim源文件下载: 实验名称: 课程设计1:触摸延时灯仿真设计 设计要求: 利用单稳态触发器设计触控延时灯,要求利用触发波形的边沿模拟触控点实现触发,触发后3秒灯亮,灯可以亮的时间可在5-10秒之间可调。 设计思路: 利用集成单稳态触发器CD4098设计简易的触摸延时灯电路。应用CD4098可以实现脉冲延时,原理图如下。4脚未触发信号输入端,可通过比较器对触摸产生的信号进行比较后再产生触发信号,使触发准确度得以提高。...
loser们的共同特征
互联网提供了一个很好的窗口,使我们可以观察形形色色的人们,那么看到最多的,大概就是loser了。这也符合社会人群构成的分布,失意者往往是大多数,成功者往往是极少数。 怎样摆脱失意,成就自己,不妨先看看loser有哪些共性,再看看自己占了几条。loser共性之一, 怨天尤人 别人有个好老板,我们老板真抠门;别人有背景,我们是草根;等等,把自己的无能用
数据结构之栈(Stack)的实现详解
堆栈是一种线性数据结构,其插入新元素和删除现有元素都发生在堆栈的顶部。栈(Stack)按照"后进先出"(Last-In-First-Out,LIFO)的原则存储和访问数据。栈类似于现实生活中的堆叠物体,比如一摞书或者一堆盘子。
【转稿】:loser的共同特征
互联网提供了一个很好的窗口,使我们可以观察形形色色的人们,那么看到最多的,大概就是loser了。这也符合社会人群构成的分布,失意者往往是大多数,成功者往往是极少数。 怎样摆脱失意,成就自己,不妨先看看loser有哪些共性,再看看自己占了几条。 loser共性之一, 怨天尤人 别人有个好老板,我们老板真抠门;别人有背景,我们是草根;等等,把自己的无能用“客观环境”来掩盖,乍一听条条是理,其实呢
告别臃肿VS!仅用Visual Studio 2022 Build Tools为Qt 5.12.12配置MSVC2017开发环境
本文详细介绍了如何仅使用Visual Studio 2022 Build Tools为Qt 5.12.12配置MSVC2017开发环境,避免安装臃肿的完整VS。通过精准选择组件、配置Qt Creator编译器和优化Kit设置,实现高效、精简的Windows平台Qt开发环境搭建,特别适合追求性能和资源优化的开发者。
LTO编译器优化介绍以及开启方法
LTO优化的详细介绍
如何在恋爱中识别Loser?
在一生中,我们会在恋爱时遇到很多不同性格的人。一个破坏性的伴侣会伤害我们,伤害我们所爱的人,甚至摧毁我们对爱情的信心和希望。如何在恋爱中识别Loser?本文给出20条恋爱中Loser的特性,擦亮你的眼睛吧,对于伤害自己的Loser一脚踢开吧。 绝大多数关系从甜蜜和彬彬有礼开始。在一段关系最初的“蜜月”期,很难确定你的约会对象是哪一种人。你和对方都很小心,试图尽可能的多了解对方的人品,但是又不
ArduSub程序学习(1)——ardupilot框架整理
AP_HAL层(硬件抽象层)是我们制作 ArduPilot 的方式可移植到许多不同的平台。有一个顶级AP_HAL libraries/AP_HAL,用于定义代码其余部分的接口 有针对具体的板子特性,然后就有了AP_HAL_XXX 子目录,例如,AP_HAL_AVR 用于基于 AVR 的 开发板,AP_HAL_PX4用于 Pixhawk 开发板和 AP_HAL_Linux 基于 Linux 开发板。工具目录tools directories工具目录是杂项支持目录。
失败者的共同特点
去年忘了在哪里看到的,当时贴下来放在了电脑上,今天又看了一遍,觉得应该时时警醒一下。 loser们的共同特征 互联网提供了一个很好的窗口,使我们可以观察形形色色的人们,那么看到最多的,大概就 是loser了。这也符合社会人群构成的分布,失意者往往是大多数,成功者往往是极少数。 怎样摆脱失意,成就自己,不妨先看看loser有哪些共性,再看看自己占了几条。loser共性之一, 怨天尤人 ...
JavaScript高级程序设计
作者:禅与计算机程序设计艺术 1.简介 JavaScript(简称JS)是一种直截了当、简单易用的动态脚本语言。它最初由Netscape公司的Brendan Eich(布兰登·艾奇)于1995年创建,但后来逐渐成为事实上的通用编程语言。目前,JS已经成为世界上最流行的客户端脚本语言,广泛用于网页开发、移
⭐️VMwareWorkstation17.0虚拟机安装搭建Windows 7虚拟机(完整图文详细步骤含配置VMware Tools教程)
本教程为大家提供了从安装VMware Workstation 17.0开始,到在虚拟机上成功搭建Windows 7专业版系统的完整步骤。我们详细介绍了准备阶段所需的软件和硬件要求,以及在VMware中配置和安装Windows 7系统的每一步操作。此外,我们还特别提到了如何在虚拟机上配置VMware Tools,以便更好地与宿主机进行交互。 通过本教程的学习,读者不仅能够掌握在VMware Workstation 17.0上安装Windows 7虚拟机的技能,还能了解到如何配置虚拟机的硬件以及安装VMwar
本地生活服务系统:试单和正式开业的单为什么会进同一本账
本地生活服务系统应将试营业与正式运营的订单统一记入同一账本,通过“试单标记”区分,而非分设两本账。单号连续、信息唯一,避免重复或遗漏。正式账单仅提取“非试单且已付款”的记录,确保财务核算准确。过程查询则可查所有单据,便于客服追溯。关键在写入时即标注试单状态,开业日调整取出条件,不修改历史标记,保障数据可审计、可复原。
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');```[](https://bitdeli.com/free "Bitdeli Badge")
设计模式与生活⑰:空腹体检,单子领着人走
一年一度的体检,约在了周二。早上打完卡,没开电脑,先去体检机构——公司指定的那家。空腹,早饭留着查完再吃。前台登记,递身份证,领回一张指引单:姓名、条码,今天要查的项目按房间号排成一列。抽血、心电图、视力……单子一到手,人就被单子领着走了。先查哪项看哪边排队人少,但单子上的项目,一项落不下。去年也是这套流程。单子上的项目换了几样,走的科室还是那几个。身体还是这副身体,单子年年换。这事儿跟代码里的一种结构,是一回事。单子一到手,人就被单子领着走了今天聊的:元素稳定,操作多变;
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
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
从零开始的C++生活——第八讲——01
这个和之前学的二叉树的层序遍历区别在于,这个要求将二叉树每一层的数据分别插入最后返回的数组中,这就需要进行一个思考,之前常规思路实现层序遍历时是队列出一个进来他的孩子,但是这种方式必然会造成不同层元素之间的混淆,我采用的方法是再用一个队列,专门用来存储本层元素,当每次出原队列元素时都需要在新队列中记录一份,此外,还需要一个变量计算此时原数列中本层元素个数,其实就是当前的元素个数,因为是一层一层进去的。相信在写完这三道题后,你一定对栈和队列的基本使用有了了解,下一节就是栈和队列的模拟实现。
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白
第38章:ResNet+CBAM改进模型实战生活垃圾12分类
本文基于PyTorch实现ResNet+CBAM注意力模型,针对复杂场景下垃圾分类图像的遮挡、光照变化等问题,通过在ResNet各残差层后嵌入CBAM模块,实现通道与空间双重注意力增强,提升特征聚焦能力。项目包含数据预处理、迁移学习冻结策略、余弦退火优化、批量推理等全流程代码,支持12类垃圾识别,4600+图像数据集,开箱即用,完整记录训练日志与评估指标,显著提升模型在真实环境下的分类精度与鲁棒性。
从零开始的C++生活——第八讲——02
当你想要获取第i个元素的时候,你需要拿到两个下标,一个是中控数组的下标,你需要知道它存放在哪个数组中,另一个是当前数组的下标,ptr[x][y]即是该元素,x的计算其实是用i/N,其中N是每个数组的大小,每个数组大小必须都是N,不然你计算会混乱。y的计算则是i%N。针对vector,它解决了扩容频繁以及空间浪费的问题,你一个数组存不下了,紧接着扩下一个数组就好,不会一下扩很多,而且vector在扩容时是需要大规模的拷贝数据的,deque也解决了这个问题,至于第二个缺点我一会再说。
从零开始的C++生活——第七讲——02
关于迭代器,由于你要进行操作符重载,所以我选择封装一个迭代器类,从底层的角度思考,你拿到任意一个类型的迭代器一般都是要访问迭代器所指向的空间的成员,所以我们其实应该拿到迭代器所指向节点的值,因此这也是一个模板类,而且,我们要对迭代器的解引用操作符和->操作符进行重载,重载即是分别拿到对应的值以及对应值的地址,除此之外,在遍历过程中我们需要对迭代器进行比较,因此需要重载==!增加的模板参数一个传T的引用,一个传T的地址,而const类型的迭代器则是传const T&和const T*。
生活服务小程序开发案例:按行业接单、虚拟拨号与原服务人员复购
一次生活服务完成后,用户再次产生需求时,可能希望由熟悉情况的服务人员继续提供服务。平台需要处理的,不只是“再次下单”,还包括原服务人员是否愿意接单、拒绝后订单如何继续流转,以及服务完成后的评价和收益结算。围绕某公司的生活服务业务需求,海拔网络开展了一套微信小程序的定制开发,将服务预约、人员认证、行业接单、虚拟拨号、用户确认开始服务、评价和复购连接起来。本项目同时考虑首次预约与再次预约。普通订单进入接单大厅,由对应行业的服务人员承接;
豆包工作接入抖音生活服务经营等官方插件,AI从给建议到深入经营
商户完成相应账户授权后,无需在多个后台之间切换,通过自然语言对话即可查询数据、对比经营表现,并获得复盘报告与投放调整建议,部分场景还可由豆包工作直接创建广告、调整投放,不用再拿着建议回到后台逐项操作。此次三款插件的接入,让 AI 不再只停留在给建议,而是能跟着商家走完看数据、做复盘、调投放的完整经营流程。在门店经营环节,通过抖音生活服务经营插件授权登录后,通过读取成交、曝光等经营数据,豆包工作可以辅助商家按门店和时间周期进行同口径对比,并可生成含图表的复盘报告和行动建议。抖音生活服务经营插件页面。
设计模式与生活⑬:你坐几号线,谁来运营是另一回事
一到周五,小王的心情就会好一点。倒不是工作少了,而是想到这一天忙完,后面接着双休,心里就有盼头。地铁上,他抬头看标识,发现一件平时没留意的事:5 号线、10 号线常见的是“北京地铁”,4 号线却写着“京港地铁”。再想想,北京的机场也各有各的名字:首都机场、大兴机场。可在成都坐地铁,日常看到的统一称谓就是“成都地铁”。都是出行,名称和背后的主体并不完全一样。对乘客来说,常做的事还是那几样:查线路、进站、上车、到站下车。坐几号线是一条信息,谁来运营是另一条信息,不必揉成一团。同样是在北京坐地铁,线路和运营方并不
设计模式与生活⑭:一栋楼,共用一份热
今天是立冬。天气预报说夜里有暴雪,白天最高也就 4 度。早上起来,屋里比外面强不了多少。窗玻璃上蒙着一层水汽,摸一把暖气片,凉的。物业群里发了通知:今天开始试供暖,暖气片会慢慢热起来,顶层记得排气,边户留意自家热不热。隔了会儿再摸,暖气片上热下凉,温温的,不烫手。再晚一点,整间屋子总算有了点热乎气。一天里最踏实的一件事,是知道这栋楼里不只自己一户在等热。热力站烧的是一锅水,顺着管网送到每家,各家只管拧自己那个阀门。试供暖第一天,暖气片温而不烫今天聊的。
从零开始的C++生活——第六讲——02
看这个测试函数,由于我们初始化空间是4,那么再放第五个元素的时候会触发扩容,由于扩容,原先的迭代器就失效了,但是我们仍对*p的值进行修改,可能对你当前的程序没啥影响,但这是很恐怖的事情,因为你根本不知道*p到底操作了谁。我们把例子中的10u换成10,就会报这么一个错误,直接报到两个迭代器的构造函数上了,这里是因为类型最匹配,我们知道,当类型完全符合时优先不调用模板函数,但是10进来size_t会做一个隐式类型转换,编译器认为两个int这种情况刚好符合两个迭代器的版本,因此会直接匹配迭代器构造。
2000-2020-全球500米分辨率-三生用地(生产-生活-生态)空间分布数据
该数据集为2000–2020年全球500m分辨率生产-生活-生态空间分布图,基于GlobeLand30与NASA人口密度数据融合生成,经Google Earth验证,精度达83.94%以上(卡帕系数≥0.81)。数据涵盖农业生产、工业生产、城市/农村生活及森林、草地、水域等七类生态空间,以GeoTIFF格式存储,支持ArcGIS、ENVI等工具读取,填补了全球三生空间数据库空白,助力可持续发展目标评估。
从潮玩到宠物,情绪消费正在重塑6种生活方式
韧性生长——2025中国青年生活全景报告》在2026年1月的公开报道中显示,近九成受访青年有过为情绪价值付费的经历,其中46.8%将缓解压力焦虑列为相关消费动机,43.1%提到了被需要、被看见的心理满足。2026年艾媒咨询的《新生代市场消费者需求调研报告》显示,在其调查样本中,52.74%的受访者愿为盲盒、潮玩、二次元周边付费,43.23%经常购买零食、奶茶和咖啡等产品。消费者嘴上说喜欢,不代表一定会买。香薰的气味,饮料的口感,玩偶的触感,宠物用品的便利程度,旅行中的实际服务,都可能影响下一次选择。
1万+



被折叠的 条评论
为什么被折叠?



