探索胃痛
閱讀時間約 1 分鐘
胃痛就醫，醫師檢查為急性胃炎
內在引發了許多聲音
1.如果我生病有人可以為我做到嗎？頻繁的更換負離子（信任）
2.胃部-帶著自己的情緒、也重視別人的情緒與期待，那我呢？我的情緒誰來重視。
所以我總是在生活不滿時，把情緒丟出來給他人來承受，是因為裝的太滿
3.腦海裡不斷練習如何與他人解釋今天不舒服的事情，感覺拖累了工作進度，但。我其實只需要和自己解釋清楚
《 怎樣是一個健康的方式？ 》
搭公車竟然上車是111
下車111（餘額）
天使數字 這體驗
是必然要經歷的。還有要清理的
《 謝謝你 對不起 我愛你 請原諒我 》
別人重要 自己也同等重要‼️
#我探索調閱了自己的阿卡西紀錄
小女孩被媽媽虐待著，在小角落吃著簡單的乾糧，心中滿滿的委屈與不滿，情緒滿腹，讓我哭泣到那是一個厲害（瀑布）
我問紀錄領主：為什麼我要體驗這樣的人生？
紀錄領主說著：妳要體驗的是獨立與活出自己，不被過去的陰影給抓住。
第二段領主帶著我飛越，到巴塞隆納的河口邊，我看著一對對的情侶，充滿的羨慕與期待，卻又為了自己的容貌而懊悔及不喜愛。
要體驗的是：不被外貌所限制，活出自己的天真與熱忱，後來我看見自己接受了自己的容貌，開心熱情的與他人打招呼❤️愛自己果然是最好的靈藥
第三段 我在高塔，被父親囚禁著，失去了自由。但我非常熱愛寫作及觀察窗外的變化，
紀錄領主說要體驗的是自由，什麼才是真正的自由呢？
「心的開闊 與無邊際。」
祂鼓勵著我繼續寫作。
十分感謝這次的體驗
感謝大師們、導師們、以及我所摯愛的人、感謝祂們的愛與慈悲、知識、療癒與觀點。
3會員
13內容數
留言0
查看全部
你可能也想看
Google News 追蹤
這個秋，Chill 嗨嗨！穿搭美美去賞楓，裝備款款去露營⋯⋯你的秋天怎麼過？秋日 To Do List 等你分享！
秋季全站徵文，我們準備了五個創作主題，參賽還有機會獲得「火烤兩用鍋」，一起來看看如何參加吧～
美國總統大選只剩下三天， 我們觀察一整週民調與金融市場的變化（包含賭局）， 到本週五下午3:00前為止， 誰是美國總統幾乎大概可以猜到60-70%的機率， 本篇文章就是以大選結局為主軸來討論近期甚至到未來四年美股可能的改變
Faker昨天真的太扯了，中國主播王多多點評的話更是精妙，分享給各位
王多多的點評
「Faker是我們的處境，他是LPL永遠繞不開的一個人和話題，所以我們特別渴望在決賽跟他相遇，去直面我們的處境。
我們曾經稱他為最高的山，最長的河，以為山海就是盡頭，可是Faker用他28歲的年齡...
走在街上或巷弄裡，總能發現某處矗立著老房子。本期《貢丸湯》邀請具有建築背景的藝文工作者林思駿，聊聊他對於新竹「北門街」的創作計畫，探討老屋如何落實生活，而不再只是古蹟或面臨被遺忘的命運。
這篇文章從類神經網路的起源，也就是單神經元的感知器。簡單的感知器迭代演算法使單神經元可以學習，但卻無法學習超過非線性，如 XOR 的資料分布。另外，本文還介紹了 Logistic regression，藉由透過非線性轉換來使線性輸出近似於機率分佈。最後則以一場大師賭局結束(SVM vs NN)。
本文提到如何以類神經網路為主的深度學習方法，來進行物體偵測。文中包括基礎的物體偵測簡介：如影像問題分類，影像處理和傳統非類神經網路為主的物體偵測方法。這些傳統方法，仍可以在類神經網路的方法中找到其應用。最後簡略敘述當前使用深度卷積網路作為物體偵測的主要研究方向，並對學術界常用的訓練資料集做分析介紹。
在此篇文章終將會簡述機械學習的發展，簡介深度學習以 Sequence to Sequence 為架構，並在多場機械翻譯的學術年會，獲得成績斐然的結果。在本文中，會粗略介紹 Sequence to Sequence 架構並以 google 在 2017 對Seq2Seq 所進行的大規模參數。
來自ZKM德國新媒體藝術中心的機器人實驗室之所以成立，起因於原本機器、機械主要用於工業生產，但他們將其帶入表演藝術中，讓機器人的角色有自主及創意的可能。「我們不創造新的機器人，而是運用現成的機器人進行創作。」
目前深度學習是人工智慧領域中最熱門的研究領域，許多美國科技巨頭紛紛推出他們的深度學習架構，以期能夠在人工智慧的商業應用上，能夠給使用者最無縫的服務。在本篇文章中，會以開發者和 DevOps 的角度，來談論該如何選擇最適合公司以及個人需求的深度學習架構。
538 這個網站，以預測美國總統大選起家，在 2014 開始進行世界盃賽事的預測，包括賽前預測以及賽事現場預測，在 2014 年世界盃後，538 網站也對五大洲各俱樂部的季賽做預測。在此篇中，將介紹 538 為 2018 世界盃所做的預測互動網頁，並介紹 538 ，所使用的國家隊及隊員的評比系統。
本文接續上篇直覺式強化學習教學，著重於解釋強化學習中常見的探索和竭盡難題，以及如何利用不同的方法來進行策略函式的學習，並與策略梯度做比較。同時，介紹 A2CS 所使用的損失函式，以及應用這個損失函示於深度學習時會遇到的訓練難題。最後，總結強化學習和深度學習的未來方向，以及本系列文章所企圖達到的目標。
本文介紹由 OpenAI 發表的強化學習中基準模型，並藉由國外軟體工程師所繪畫的生動動畫來做直覺式的強化學習介紹以及教學。在漫畫中，將會比較蒙地卡羅和 Advantage Actor Critic (A2C) 模擬方法的不同，並將強化學習中的基礎觀念融入漫畫中。
<p>給定一份文件，如何在網際網路的無盡文件大海中找到相似的文件？ 主要應用：偵測剽竊，搜尋引擎要尋找的鏡像網頁、網路購物或電影推薦系統中的協同過濾。本篇文章以史坦福大學熱門課程「Mining Massive Dataset」為骨架，讓有志從事大量資料分析的電腦工程師可以從這篇文章入門。</p>
這個秋，Chill 嗨嗨！穿搭美美去賞楓，裝備款款去露營⋯⋯你的秋天怎麼過？秋日 To Do List 等你分享！
秋季全站徵文，我們準備了五個創作主題，參賽還有機會獲得「火烤兩用鍋」，一起來看看如何參加吧～
美國總統大選只剩下三天， 我們觀察一整週民調與金融市場的變化（包含賭局）， 到本週五下午3:00前為止， 誰是美國總統幾乎大概可以猜到60-70%的機率， 本篇文章就是以大選結局為主軸來討論近期甚至到未來四年美股可能的改變
Faker昨天真的太扯了，中國主播王多多點評的話更是精妙，分享給各位
王多多的點評
「Faker是我們的處境，他是LPL永遠繞不開的一個人和話題，所以我們特別渴望在決賽跟他相遇，去直面我們的處境。
我們曾經稱他為最高的山，最長的河，以為山海就是盡頭，可是Faker用他28歲的年齡...
走在街上或巷弄裡，總能發現某處矗立著老房子。本期《貢丸湯》邀請具有建築背景的藝文工作者林思駿，聊聊他對於新竹「北門街」的創作計畫，探討老屋如何落實生活，而不再只是古蹟或面臨被遺忘的命運。
這篇文章從類神經網路的起源，也就是單神經元的感知器。簡單的感知器迭代演算法使單神經元可以學習，但卻無法學習超過非線性，如 XOR 的資料分布。另外，本文還介紹了 Logistic regression，藉由透過非線性轉換來使線性輸出近似於機率分佈。最後則以一場大師賭局結束(SVM vs NN)。
本文提到如何以類神經網路為主的深度學習方法，來進行物體偵測。文中包括基礎的物體偵測簡介：如影像問題分類，影像處理和傳統非類神經網路為主的物體偵測方法。這些傳統方法，仍可以在類神經網路的方法中找到其應用。最後簡略敘述當前使用深度卷積網路作為物體偵測的主要研究方向，並對學術界常用的訓練資料集做分析介紹。
在此篇文章終將會簡述機械學習的發展，簡介深度學習以 Sequence to Sequence 為架構，並在多場機械翻譯的學術年會，獲得成績斐然的結果。在本文中，會粗略介紹 Sequence to Sequence 架構並以 google 在 2017 對Seq2Seq 所進行的大規模參數。
來自ZKM德國新媒體藝術中心的機器人實驗室之所以成立，起因於原本機器、機械主要用於工業生產，但他們將其帶入表演藝術中，讓機器人的角色有自主及創意的可能。「我們不創造新的機器人，而是運用現成的機器人進行創作。」
目前深度學習是人工智慧領域中最熱門的研究領域，許多美國科技巨頭紛紛推出他們的深度學習架構，以期能夠在人工智慧的商業應用上，能夠給使用者最無縫的服務。在本篇文章中，會以開發者和 DevOps 的角度，來談論該如何選擇最適合公司以及個人需求的深度學習架構。
538 這個網站，以預測美國總統大選起家，在 2014 開始進行世界盃賽事的預測，包括賽前預測以及賽事現場預測，在 2014 年世界盃後，538 網站也對五大洲各俱樂部的季賽做預測。在此篇中，將介紹 538 為 2018 世界盃所做的預測互動網頁，並介紹 538 ，所使用的國家隊及隊員的評比系統。
本文接續上篇直覺式強化學習教學，著重於解釋強化學習中常見的探索和竭盡難題，以及如何利用不同的方法來進行策略函式的學習，並與策略梯度做比較。同時，介紹 A2CS 所使用的損失函式，以及應用這個損失函示於深度學習時會遇到的訓練難題。最後，總結強化學習和深度學習的未來方向，以及本系列文章所企圖達到的目標。
本文介紹由 OpenAI 發表的強化學習中基準模型，並藉由國外軟體工程師所繪畫的生動動畫來做直覺式的強化學習介紹以及教學。在漫畫中，將會比較蒙地卡羅和 Advantage Actor Critic (A2C) 模擬方法的不同，並將強化學習中的基礎觀念融入漫畫中。
<p>給定一份文件，如何在網際網路的無盡文件大海中找到相似的文件？ 主要應用：偵測剽竊，搜尋引擎要尋找的鏡像網頁、網路購物或電影推薦系統中的協同過濾。本篇文章以史坦福大學熱門課程「Mining Massive Dataset」為骨架，讓有志從事大量資料分析的電腦工程師可以從這篇文章入門。</p>