记忆能力的培育
1.记忆任何东西,首先是记忆的责任心。
2.让孩子喜欢记忆,最好的办法就是把记忆当做好玩的事情。
3.记忆的关键是自信,自信也是水平发挥的保证。
综合培育孩子的记忆能力
①记忆能力:感官方面的能力,视觉,听觉,味觉,嗅觉,皮肤触觉,运动的记忆力;
机械记忆与理解记忆;
逻辑记忆和形象记忆;
记忆与观察,思维。
②记忆的本质是建立联系。
加强联系(重复法,深刻法,网络法)
③游戏记忆法:把记忆作为一种游戏来对待,是培养婴幼儿记忆力的最好方式,也是培育孩子记忆力的最有效的态度和方法。
最好的记忆状态是兴奋,自信,轻松。
1.记忆任何东西,首先是记忆的责任心。
2.让孩子喜欢记忆,最好的办法就是把记忆当做好玩的事情。
3.记忆的关键是自信,自信也是水平发挥的保证。
综合培育孩子的记忆能力
①记忆能力:感官方面的能力,视觉,听觉,味觉,嗅觉,皮肤触觉,运动的记忆力;
机械记忆与理解记忆;
逻辑记忆和形象记忆;
记忆与观察,思维。
②记忆的本质是建立联系。
加强联系(重复法,深刻法,网络法)
③游戏记忆法:把记忆作为一种游戏来对待,是培养婴幼儿记忆力的最好方式,也是培育孩子记忆力的最有效的态度和方法。
最好的记忆状态是兴奋,自信,轻松。
买瓜从来不看,只拍,靠触觉和听觉。拍上去,有空洞的感觉,有回声的感觉,能感觉到力的传导,而不是在表层就被阻挡住了,这样的瓜99%是皮薄的,皮薄的瓜本身就是成长比较充分,瓤的比例大,易熟。此种判断方法对于南方瓜都比较实用,对于内蒙那边的瓜要适当放宽条件,因为那边本来皮都很厚。同时需要运用比较法,我每次拍至少5个瓜,只需要挑其中最有回声感的那个即可,如果都很闷,则增加样本数。
数字化,是终极答案吗? 不一定,电路模拟计算也会是下一代人工智能的重要模式 ——
我们的大脑其实是模拟信号处理模式,我们大脑接受到(视觉 听觉 触觉…)输入,我们的神经网络不是将之先转换为数字(也许有极少人是),而是将其转换为生物电流,激活某一些神经元(并一段时间内保存这种激活),引发生物反应 - 这就非常类似电路,而不是现在的数字计算设备,先把一切都先转化为数字(只能是数字) - 比方说,图像识别的深度人工神经网络是用相对高精度数值来描述物理信号(比如用像素值代表一幅图片的视觉特征,人脑显然不会用一大堆像素数字这么精确的东西来描述图),用数字计算完,然后再还原到一个相对低精度的,概率型的输出 (比如这个图片里有啥)。人脑一眼几乎不用什么能量能完成的事(人脑比较厉害的地方,是可以自动过滤掉很多不必要的细节,只抓自己关心的部分),电脑却要做上几十上百亿次数值计算。这个转换的过程,不但需要很多计算,而且耗费相对高得多的能量把数据从内存,到CPU,GPU之间导来导去(冯诺依曼计算机架构的固有问题)。那有没有办法省掉这些过程,让计算跟生物电流处理过程一样呢?这就是用模拟电路的电压 =电阻x电流的规律来做乘法计算的思路。如下图,我们只要把电流作为输入,把电路的电阻设置好,直接就可以得到乘法结果- 电压,把很多这种电路联起来,就可以实现矩阵计算。当然模拟电路有天然的问题,就是电流电压都会受环境影响轻微抖动,没办法特别精确来用计量,所以这种方法其实不适合高精度的计算和控制,但却非常适合人工神经网络的神经元连接的权重计算,拥有几十上百亿神经元,上万亿连接权重的神经网络,并不需要那么高的权重值精度。这也是目前业界一致看好的"类脑芯片"的一个基本思路。 本质上,也许大脑更像一个电路,而不是现在的计算机。 —— 仅代表尹智个人观点 Ken's personal view only
我们的大脑其实是模拟信号处理模式,我们大脑接受到(视觉 听觉 触觉…)输入,我们的神经网络不是将之先转换为数字(也许有极少人是),而是将其转换为生物电流,激活某一些神经元(并一段时间内保存这种激活),引发生物反应 - 这就非常类似电路,而不是现在的数字计算设备,先把一切都先转化为数字(只能是数字) - 比方说,图像识别的深度人工神经网络是用相对高精度数值来描述物理信号(比如用像素值代表一幅图片的视觉特征,人脑显然不会用一大堆像素数字这么精确的东西来描述图),用数字计算完,然后再还原到一个相对低精度的,概率型的输出 (比如这个图片里有啥)。人脑一眼几乎不用什么能量能完成的事(人脑比较厉害的地方,是可以自动过滤掉很多不必要的细节,只抓自己关心的部分),电脑却要做上几十上百亿次数值计算。这个转换的过程,不但需要很多计算,而且耗费相对高得多的能量把数据从内存,到CPU,GPU之间导来导去(冯诺依曼计算机架构的固有问题)。那有没有办法省掉这些过程,让计算跟生物电流处理过程一样呢?这就是用模拟电路的电压 =电阻x电流的规律来做乘法计算的思路。如下图,我们只要把电流作为输入,把电路的电阻设置好,直接就可以得到乘法结果- 电压,把很多这种电路联起来,就可以实现矩阵计算。当然模拟电路有天然的问题,就是电流电压都会受环境影响轻微抖动,没办法特别精确来用计量,所以这种方法其实不适合高精度的计算和控制,但却非常适合人工神经网络的神经元连接的权重计算,拥有几十上百亿神经元,上万亿连接权重的神经网络,并不需要那么高的权重值精度。这也是目前业界一致看好的"类脑芯片"的一个基本思路。 本质上,也许大脑更像一个电路,而不是现在的计算机。 —— 仅代表尹智个人观点 Ken's personal view only
✋热门推荐