算法人生(5):从“元学习”看“战胜拖延”(没兴趣版)

本文涉及的产品
实时计算 Flink 版,5000CU*H 3个月
检索分析服务 Elasticsearch 版,2核4GB开发者规格 1个月
大数据开发治理平台 DataWorks,不限时长
简介: 元学习是让机器学会学习策略,适应新任务的机器学习范式。通过定义任务分布、采样任务、内在和外在学习循环来优化模型,增强其跨任务适应性和泛化能力。面对不感兴趣的任务导致的拖延,我们可以借鉴元学习的思路:重新评估任务价值,寻找通用兴趣点;设定奖励激发行动;改变环境以提高执行力。通过调整视角、自我激励和优化环境,可以克服因无兴趣而产生的拖延。

现代人拖延产生的原因有很多,比如因为害怕失败而拖延,完美主义倾向而拖延,不想走出“舒适区”而拖延等等, 今天我们要针对一个常见的原因“对要做的事情没有兴趣”而产生的拖延来看,如何从“元学习”的思路中找到些启发。

元学习(Meta-Learning)的概念:

元学习是一种机器学习范式,其目标是让机器学习算法学会学习的策略或方法,即让机器不仅学会解决当前给定的任务,还能快速适应和解决未来未见过的新任务。某种程度上,元学习会对模型架构或超参数进行自动地优化,使得模型能够在不同任务上表现出较强的自适应性和一致性,从而帮助智能体更快地适应环境的变化。

元学习的大概步骤如下:

  1. 定义任务分布: 该分布包含了一系列相关的子任务,这些子任务可能有不同的输入、输出或目标函数,但它们共享一些潜在的结构或模式。

  2. 采样任务: 从任务分布中随机抽取多个子任务用于训练,每个子任务都会有自己的训练集和验证集。

  3. 内在学习循环:

    • 初始化模型参数:对于每个采样的子任务,使用元学习算法初始化模型参数。
    • 在子任务上训练:在子任务的训练集上进行学习,更新模型参数以适应这个特定的子任务。
    • 评估性能:在子任务的验证集上评估模型性能,并基于此反馈更新模型参数。
  4. 外在学习循环:

    • 更新元模型:根据内在学习过程中不同子任务上的表现,更新元学习算法本身的参数,使之能更好地适应和解决新任务。
    • 泛化能力检验:在新抽取的、未在训练中出现过的子任务上测试元模型的泛化能力,以确保元学习算法能够很好地推广到新的任务。
  5. 重复训练: 重复上述过程,不断地优化元模型,直到在新任务上的表现达到满意的程度。

总的来说,元学习(Meta-Learning)具有以下特点值得我们借鉴:

  • 跨任务适应性: 元学习致力于让机器学习模型通过学习一系列相关的任务,从而获得快速适应新任务的能力。模型不仅能从每个单独任务中学习,还能提炼出一种通用的“学习算法”,这种算法可以应用到之前未曾遇到过的相似任务上,从而快速收敛到较优解;
  • 学习“如何学习” :元学习的核心在于“学习如何学习”,即通过训练一系列任务来学习一个更高层次的策略或优化算法,使得模型能够在遇到新任务时,仅需少量示例或有限迭代次数就能达到很好的性能。
  • 泛化能力高,适应能力强: 元学习通过抽取不同任务间的共性知识和规律,增强了模型在未见任务上的泛化能力,解决了传统机器学习对大量训练数据和长时间训练的依赖。并且,在强化学习等连续决策环境中,它能够帮助智能体更快地适应环境的变化,学习出更加灵活和泛化高的策略。

在生活中,面对那些我们不喜欢或不感兴趣的任务时,内心的抗拒感和不情愿感会极大地影响我们开始行动的积极性。这种情绪上的阻力,使得我们即使知道任务的重要性,仍然会选择逃避,希望自己能够避免那份不愉快。如果这种事情是可以避免或者分配给他人,当然是最好的选择,但如果自己不得不做,又拖着不做,就会造成我们自己时间的浪费。 因为打心眼里不想做,所以会很自然地给自己找理由不做,就算做了,也会心不在焉,做起事来的效率也不会高,而且越做这些事情越会加重内心的抵触情绪,从而加剧拖延的行为。但我们可以从“元学习”的解决思路里找些灵感来化解因为“不感兴趣、不喜欢做而产生的拖延”。这里抛砖引玉给些思路,大家也可自行发挥,主要是要提高自身的“适应环境的思维”能力,比如这样做:

重新评估任务,找到“通用”兴趣点: 尝试从不同的角度看待任务,找出其中的有趣之处或潜在的价值。尝试在任务中寻找一些与自己兴趣相关的方面,或者将任务与自己的兴趣结合起来。同一种事物从不同的角度看有不同的特点,尝试从自己不感兴趣的事情中换角度找到对自己的“通用兴趣点”,也就这样可以使任务变得更有趣,减少讨厌的感觉。(注意:有些事情是强求不得的,不感兴趣就是不感兴趣,如果真的尝试找兴趣点,依然找不到,此处还是建议“转移这项任务给其他人”或“找到合适的理由拒绝”。但如果这些路走不通,自己又拖着不做,对自己的精力是一种耗费,那还不如找到能“勉强接受的点”支持自己做起来。 )这里强调的是 “注意让自己多角度看问题,不陷入某个角度的执念中”。

设定奖励,激发行动: 既然没什么驱动力让自己开始做,那只能从“欲望”的角度出发来驱动自己行动起来,为自己完成某项拖延的任务设定些“奖励”吧,这种满足自我的激励可以提升自己完成任务的积极性。奖励可以是买个喜欢的东西、吃顿大餐或者是进行一次小小的旅行等。(注意:“奖励”需要适当,能达到让自己不拖的效果即可,免得引发其他因“欲望”而产生的问题。)

改变环境: 有时候,环境也会影响我们对任务的态度。尝试改变工作或学习的环境,创造一个更加舒适和有利于集中把这个任务完成的空间,这样也可以很好的改善此类型的拖延。比如,离开人群,找个办公室安静的角落或会议室,集中精力把自己拖延的事情做完,反正横竖都是要做,那不如痛快点,找个时间段集中做了,也不会让自己的心灵一直被拖延的事情影响。

比如,你可能拖着某个开发文档一直不想写,因为你真的不喜欢写文档,而且觉得写了文档后也没什么看。但是领导要求你要在本周把开发文档写出来,那这时候你或许可以想一想,写文档也是一个帮自己梳理思路的机会,写的过程中对自己怎么思考的,哪里的设计很好,哪里的设计不足,都在你写文档要给别人介绍的过程中浮现在你的脑海了。然后,你还可以给自己设定点小奖励,比如写半个小时的文档,玩10分钟手游。虽然相对于一口气写完文档来说,总时长更长了,但是总好过一直拖着不写的强。对于自己实在没兴趣而又不得不做的事情,快速地完成他们是最好的解脱办法。

总之,当我们对某个任务感到没有兴趣,没有意义甚至讨厌时,很容易陷入拖延的泥潭中。然而,通过重新评估任务的价值点、奖励自己,改善环境等方法,我们也可以战胜这种拖延,从而提高自身的效率和生活质量!

相关文章
|
2天前
|
存储 算法 测试技术
数据结构学习记录——树习题-Complete Binary Search Tree(题目描述、输入输出示例、数据结构的选择、核心算法、计算左子树的规模)
数据结构学习记录——树习题-Complete Binary Search Tree(题目描述、输入输出示例、数据结构的选择、核心算法、计算左子树的规模)
8 1
|
2天前
|
存储 算法
数据结构学习记录——图应用实例-六度空间(题目描述、算法思路、伪代码及解读、图解)
数据结构学习记录——图应用实例-六度空间(题目描述、算法思路、伪代码及解读、图解)
5 0
|
2天前
|
存储 算法 安全
数据结构学习记录——图应用实例-拯救007(问题描述、解题思路、伪代码解读、C语言算法实现)
数据结构学习记录——图应用实例-拯救007(问题描述、解题思路、伪代码解读、C语言算法实现)
7 0
|
2天前
|
算法
数据结构和算法学习记录——平衡二叉树(基本介绍、平衡因子、平衡二叉树的定义、平衡二叉树的高度)
数据结构和算法学习记录——平衡二叉树(基本介绍、平衡因子、平衡二叉树的定义、平衡二叉树的高度)
7 0
|
2天前
|
算法
数据结构和算法学习记录——小习题-二叉树的遍历&二叉搜索树
数据结构和算法学习记录——小习题-二叉树的遍历&二叉搜索树
7 0
|
2天前
|
算法
数据结构和算法学习记录——层序遍历(层次遍历)、二叉树遍历的应用(输出二叉树中的叶节点、求二叉树的高度、二元运算表达式树及其遍历、由两种遍历序列确定二叉树)
数据结构和算法学习记录——层序遍历(层次遍历)、二叉树遍历的应用(输出二叉树中的叶节点、求二叉树的高度、二元运算表达式树及其遍历、由两种遍历序列确定二叉树)
6 0
|
2天前
|
存储 算法
数据结构和算法学习记录——二叉树的非递归遍历(中序遍历、先序遍历、后序遍历)
数据结构和算法学习记录——二叉树的非递归遍历(中序遍历、先序遍历、后序遍历)
8 0
|
2天前
|
存储 算法
数据结构和算法学习记录——二叉树的存储结构&二叉树的递归遍历(顺序存储结构、链表存储结构、先序中序后序递归遍历)
数据结构和算法学习记录——二叉树的存储结构&二叉树的递归遍历(顺序存储结构、链表存储结构、先序中序后序递归遍历)
6 0
数据结构和算法学习记录——二叉树的存储结构&二叉树的递归遍历(顺序存储结构、链表存储结构、先序中序后序递归遍历)
|
2天前
|
算法
数据结构和算法学习记录——初识二叉树(定义、五种基本形态、几种特殊的二叉树、二叉树的重要性质、初识基本操作函数)
数据结构和算法学习记录——初识二叉树(定义、五种基本形态、几种特殊的二叉树、二叉树的重要性质、初识基本操作函数)
5 0
|
2天前
|
算法
数据结构和算法学习记录——栈和队列作业(实现链栈上的进栈、实现链栈上的退栈、实现链队上的入队列)
数据结构和算法学习记录——栈和队列作业(实现链栈上的进栈、实现链栈上的退栈、实现链队上的入队列)
8 0

热门文章

最新文章