为什么很多女生进入高中后成绩越来越差，是她们不努力吗？为什么很多女生进入高中后成绩越来越差，是她们不努力吗？青春校园精彩事百家号网友一：女生进入高中之后，学习成绩越来越差，这不是个例，究其原因，大概有以下几点：第一，女生爱美，容易分心。进入高中阶段的女孩子，思想越发成熟，很多女生开始注重自己的穿衣打扮，注重自己的身材体型等等。而且比男孩子早熟，更容易遇到情感问题的困扰。所以很多女孩子到了高中阶段不能继续全身心地投入到学习中，而是经常被上述那些问题影响自己的学习状态，所以在成绩上很容易落后。第二，女生的思维结构。高中阶段的知识量要比初中多，而且难度大。女生偏于记忆，而初中阶段的知识偏记忆的居多，所以女生占优势，成绩就会很好。而高中阶段偏于理解，更加注重思维能力，尤其是理科，女生在理解力方面弱于男生，所以高中阶段，尤其是理科班，男生占有优势，成绩自然就容易比女生高。但是文科班，几乎还是女孩生的天下！第三，女生后劲不足。很多女孩子在初中或者高一高二的时候成绩还不错，但是到了高三，需要冲刺的时候，体力跟不上。我们知道高考不仅仅是智力的比拼，也是体力的比拼，男孩子在面对高三阶段大量练习，考试的面前，要比女孩子表现出更好的适应性，所以男孩子后劲足，成绩容易提升，那女孩子的成绩可能就会越来越落后。网友二：无论是数量还是质量上都与初中是不可同日而语的，女孩子学习踏实认真勤奋，在这个时候往往就会显得有些力不从心了，渐渐地掉队了实属正常，你会发现哪门课都难，哪门课都不会。这是公认的科学事实，说白了就是女孩子数学差！体现在什么地方呢？体现在高中数学很多地方与几何有关的女孩子会的还真不多，如果有那绝对是熊猫级别的，渐渐就迷糊了很正常。网友三：高中学习对抽象思维能力要求非常高，而女生在初中则主要靠用功来提升成绩，思考问题的积极性和主动性不高。死记硬背在高中简直毫无用处，这让女生的学习遭遇重挫。要改变，就要转变学习方式，但这是个比较漫长的过程，各位女生和家长需要耐心。最常见的表现是很多女生笔记写的工工整整、满满当当，但是知识却没有理解，学习流于形式。课堂上效率低下，仅能做到跟随老师的思维，深层次的理解做不到。特别是理科，可以说是成绩出现断崖式下降，数学会考出超低分，根源就在课堂。没有真正理解，浅层次的记忆根本行不通。告别被动学习，有意识培养思维能力，把理解能力放在第一位。学得一定要弄懂，仅此一条，做到的必然有大的提高。网友四：高中与初中的不同在于，高中理科多注重抽象思维，这跟初中有比较大的区别，比如初中物理更加侧重的是生活中比较常见的现象解释，多数同学只要多观察生活，初中物理要学好是不难的！但是高中就要明显抽象很多！而女生多数抽象思维比较差一点，所以理科学习相对吃力！知识量增加，不管是传统的三大主科语数英，其他科目的知识量明显都增多了！初中的时候可能短期记忆有的科目还能应付过来，但是高中很难！初中很多女生学习勤勤恳恳，所以成绩还是能保持较好的水平！网友五：第一、相比初中的学习，高中阶段课程难度加大，学习的必修科目增加，导致没有适应高中的学习节奏，成绩一落千丈在所难免！第二、高一的适应阶段没有做好！整个高一上学期阶段所学的内容都还偏向于基础，难度并不大；因为高一上学期是衔接初高中的学段，学生主要要适应高中学习，学习方法、习惯、思想都要调整！很显然，没有做好衔接阶段的适应！第三、教师教法、风格不同，学生学习起来，感觉也会不同！到了高中，是新环境、新同学、新老师！新的老师新的风格、新的方法、新的要求！如果没有适应新老师的教学，那么成绩也会有所下滑！第四、青春期的女生，心理变化很大的，注意力未必能完全集中在学习上，这样会影响自己的听课效果和学习成绩！网友六：近几年，很多家有女孩的家庭，对女孩的教育投资格外加大，他们宁愿把钱都投资在孩子的自身培养上，让孩子能有一个高才能、高学历，也不愿像家有男孩的一样，攒钱去给买房产等。这种情况下，女孩儿的教育素质怎么会有下降的可能呢？至于你所说的上高中后，成绩下降，很可能是你没有调整过来学习方法，没调节好学习生活，没执行好学习计划。本文由百家号作者上传并发布，百家号仅提供信息发布平台。文章仅代表作者个人观点，不代表百度立场。未经作者许可，不得转载。青春校园精彩事百家号最近更新：简介:及时与你分享校园内的精彩瞬间作者最新文章相关文章新浪广告共享计划>
广告共享计划
的这篇博文被推荐到此博主被推荐的博文：
穿澳57：高中女生在澳洲蜕变为成熟美女（组图+视频）
爱迪斯·考文大学的小蔡是教母的学生，她来这里读商学院已经两年了。两年前，教母送她来澳洲，两年之后，教母带着她妈妈为她准备的雅思材料再来看她的时候，惊呼小蔡变化太大了。从当年的那个羞涩的高中生变成了开朗、性感、美丽，举止西化的美女了。小蔡准备移民，所以正在认真地准备雅思考试。她给国内的朋友们分享的心得是，：“学你喜欢的，投入更多”，我们一起来看看小蔡的蜕变历程。
这就是爱迪斯·考文大学最有名的建筑
这是学校的图书馆
一起听小蔡讲讲她的感受
新浪教育、启德教育联手推出、西澳政府、澳洲ATN五大名校联盟、澳洲八大、澳洲教育部协助拍摄的百集纪录片《穿越澳洲》，专题总入口：&
新浪网、启德教育、美国ELS集团联手拍摄的百集纪录片《穿越美国》新浪网总入口
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。深度学习已经成熟到可以教给高中生了么？
深度学习已经成熟到可以教给高中生了么？
[导读]如果你是个工程师，你拿到了这个神经网络，然后你被要求去改进这个网络在某个数据集上的表现。
我思考的这个问题，源于不久前我收到的一封来自某大公司产品经理的邮件。
我喜欢将私人通讯邮件公开于众，所以我将邮件内容摘在下面：
你好 Ali, ...
你如何训练团队里的年轻成员，使得他们有更好的直觉和预判?我团队里的工程师经常从其他科研员那「借鉴」超参数的值，但他们太担心要自己去调整参数了。...
我对着这封邮件思考了数日，却没有办法找到一个有条理的答案。
如果说应该有正确答案的话，我想回复说：也许她的工程师应该要有这种担心。
如果你是个工程师，你拿到了这个神经网络，然后你被要求去改进这个网络在某个数据集上的表现。你也许会假设这每层都是有它自己的作用和功能，但在深度学习领域，我们目前还没有统的语言和词汇去描述这些功效。我们教授深度学习的方法和我们教授其他科学学科的方法很不同。
几年前我迷上了光学。在光学领域，你会堆叠好几层不同的组件以处理输的光源。例如下图，就是相机的镜头：
要设计这样的系统，你从最简单的组件开始堆叠，这些组件往往以知名的发明者命名。然后通过仿真，你可 以判断你的设计是否符合你的要求，然后再添加不同的组件去修正先前设计的缺陷。
紧接着你会各种数学优化过程去调整这些组件的参数，例如镜面的形状、位置和倾斜角度等等，去最大程度实现你的设计目标。你就重复如此仿真、修改、调优的过程。
这很像我们设计深度网络的过程。
上图里所有的 36 个元素都是故意加?这个堆叠的系统，以用于修正某项具体的偏差的。这样的设计需要非常精确的解释模型去描述什么样的元素能够对透过它的光有什么样的效应。这个模型往往是关于这个元素的作用的，例如说折射、反射、衍射、散射和波前校正。
?们不害怕这样的设计过程。每年，美国培养的许多?程师都能设计出有的镜头，他们并不为这样的作感到担心害怕。
这并不是因为光学很容易，而是因为我们对光学的模型了然在心。
现代光学是通过抽象出不同层级的知识内容去教授的。
在最顶级，也是最容易的层级，是几何光学。几何光学是对波光学的抽象，光射线于于表达简单的矢量波光 学的波前矢量。而波光学?是对麦克斯韦方程的进?步简化。麦克斯韦方程 由能由量子力学推导而出，量子力学则超出了我的理解范围。
每一个层级都是通过作出?些简化的假定由紧邻的下?个层级推导?出，所以每?个层级能够比上一个层级解释更为复杂的现象。
我花了不少时间在顶四层抽象里设计系统。
这就是当今我们教授光学的方法。但相关理论并非总是如此按层级来组织。在百年前，这些理论还是在?个 相互矛盾的状态中共存。实践家们只能依赖于近乎道听途说的光学理论。
但这并没有阻止伽利略打造性能不错的望远镜，而且是在牛顿形式化几何光学前近?个世纪的时间点上。因 为伽利略对于如何造出能够放大数?倍的望远镜有足够好的解释模型。但他对光学的理解，却不足以让他的望远镜能够修正色差或者获得广视角。
在这些光学理论被抽象总结出来之前，每?项理论都需要从光的最基本概念出发。这就牵涉到要作出?套涵盖许多也许不切实际的假设。牛顿的几何光学把光假定作?束束可以被吸引、排斥的固体粒?。惠更斯则? 由「以太」作为介质的纵波去描述光，也就是说用类似声波的方式去构建光。麦克斯韦也假设光经由以太传播。你从麦克斯韦方程的系数的名字也能窥得这种思路的??。
愚蠢的模型，确实。但它们可量化且有预测的能力。
这些假设，我们今天听来也许觉得很愚蠢，但它们可量化而且有预测的能力。你可以随意代入数字于其中并得到精准的量化预测。这对于工程师而言极其有用。
寻找用于描述每层深度学习网络作用的模块化语言
如果我们能够像讨论光纤穿越每?层镜头元素的作用那样去讨论神经网络每?层的作用，那么设计神经网络将会变得更容易。
我们说卷积层就像在输?上滑动相应滤波器，然后说池化是处理了对应的非线性。但这只是非常低层次的描述，就像用麦克斯韦方程去解释镜头的作用。
也许我们应该依赖于更高级抽象描述，具体表达某个量被神经网络的层级如何改变了，好比我们用镜头的具 体作用去解释它如何弯曲光线那样。
如果这种抽象也能够量化，使得你只需要代?具体数值到某个公式里，它就能告诉你?个大概的量化分析，这样你就能更好地设计你的网络了。
我们离这样的语言还很远。我们先从简单点的开始
上?也许只是我被自己的幻想带跑了。
我们从简单点的开始。我们对深度学习的运作方式有很多解释模型。下?我会罗列?系列值得解释的现象，然后我们看看?些现有的模型对这些现象解释的能力有多强。
在开始之前，我得承认这种努力也许最后是徒劳的。光学花了 300 年在打磨自己的模型之上，而我只花了? 个周六下午，所以这只能算是博客上的?些个?观点和想法。
现象：随机梯度下降 (SGD) 的随机初始化足够好了。但细微的数字错误或者步长会使 SGD 失效。
很多?在实践中发现，对于如何累积梯度的细微调整，可以导致对整个测试集表现的巨大变化。例如说你只用GPU而不是 CPU 去训练，结果可能会截然不同。
现象：浅的局部最优值意味着比深的局部最优值更好的泛化能力。
这种说法很时髦。有些?认为它是真的。有些?则用实际数据反驳。另外也有?给出了这个现象的变种 。众说纷纭，争议目前不断。
这个现象也许有争议性，但我还是先放在这里。
现象：批标准化层 (Batch Norm) 可以给 SGD 提速。
这个基本无争议，我只能提供?个小例外。
现象：即使有很多局部最优和鞍点，SGD 也表现卓越。
这个说法也包含了几个小的点。经常有人声称深度学习的损失表面充斥着鞍点和局部最优。也有不同的 说法，要不就认为梯度下降可以遍历这些区域，要不就认为梯度下降可以不遍历这些区域，但都能给出泛化能力不错的答案。也有说损失表面其实也没那么不堪。
现象：Dropout 胜于其他随机化策略。
我不知道如何正确分类类似 Dropout 的做法，所以我就称之为「随机化策略」了。
现象：深度网络能够记忆随机标签，但它们能泛化。
证据很直白，我的朋友们亲自见证并主张这种说法。
对这些现象的解释
对应上面列举的这些现象，我在下面列举我觉得最能解释这些现象的理论，这些理论均来自我上面引用的论文。
先别激动，原因如下：
1. 我们尝试解释的这些现象部分有争议。
2. 我没办法把这些解释按照抽象层级组织好。光学好教学的特性也没办法在这?重现。
3. 我怀疑部分我引用的理论不正确。
我想说的是
有很多人正在加?这个领域，然而我们能够给他们传授的不过是近乎道听途说的经验和?些预训练好的深度网络，然后就叫他们去继续创新。我们甚?都不能认同我们要解释的这些现象。所以我认为我们离能够在高中教授这些内容还有很远的距离。
那我们如何才能离这?步近点?
最好的不过是我们能够就每?层深度网络的功能作用，按照不同层级的抽象，给出对应的解释模型。例如 说，神经网络里的折射、散射和衍射会是怎么样的?也许你早就用具体的功能去思考神经网络，但我们就这些概念还没有统?的语言。
我们应该把?系列确认的现象组织起来，然后才来进行理论上的解释。例如说神经网络里的牛顿环、磁光克 尔效应和法拉第现象会是怎样的?
我和一小批同事已经开始了?项重大的实践工作，尝试去分类构建适合我们领域的解释模型，去形式化它 们，并且用实验去验证它们。这项工作是巨大的，我认为第?步应该是构建?个分层级的深度学习解释模 型，以用于高中的教学。
千家智客微信公众号
扫描下方二维码，关注千家智客微信公众号（qianjiacom），随时随地知晓智能行业天下事！
编辑：nicle
100/100字符
全部评论（0）
千家智客APP
千家智客客户端
在这里，读懂智能行业！关注微信公众号：跟大咖一起学生物
精彩音频 视频 密押卷 知识点等你来拿。投稿：3粉丝：4分享--dynmicweibozoneqqbaidu将视频贴到博客或论坛视频地址复制嵌入代码复制微信扫一扫分享收藏0硬币--稍后看马克一下~用手机看转移阵地~用或其他应用扫描二维码手机下视频请使用扫码若未安装客户端，可直接扫此码下载应用未经作者授权 禁止转载
看过该视频的还喜欢正在加载...miniOFF成熟的标志 作文讲析_百度文库
您的浏览器Javascript被禁用，需开启后体验完整功能，
享专业文档下载特权
&赠共享文档下载特权
&10W篇文档免费专享
&每天抽奖多种福利
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
成熟的标志 作文讲析
阅读已结束，下载本文需要
定制HR最喜欢的简历
下载文档到电脑，同时保存到云知识，更方便管理
加入VIP
还剩5页未读，
定制HR最喜欢的简历
你可能喜欢