《只有偏执狂才能生存》（一下以“偏执”来替代）一书听起来就像是某个大牛的布道式自传，要告诉你需要怎么偏执才能生存，自己又是怎么通过偏执成功的，其实，真正讲的是与战略转折点到来时，企业的应对之道。就像书上封面上写的那样：“战略转折点来的时候，如果你不想被摧毁，就只能快速反应、适应、并且改变。”
“偏执”一书，最重要的是提出了所谓的10X倍速变化，并且提出了必须应对可能发生10X倍速变化的6大因素，包括竞争，技术，用户，供应商，互补企业，营运规则。我所说的“偏执”境界是在“窘境”之上的意思是，“窘境”的结论更像是“偏执”要表达意思的一个子集（即技术方面的10X倍数变化），起码我先阅读“窘境”然后马上读的“偏执”，是这样感受的。
在谈到这些变化的时候，总体而言，是提倡提前做决定，主动适应变化，而且书中也举了一些各行业相关的事例，但是总给人感觉不痛不痒，其实最最主要的事例和最具说服力的事例应该就是Intel相关的两个了。毕竟作者安迪· 格鲁夫是Intel的联合创始人，前董事长，首席执行官，他从亲历者的身份，讲的这些例子，细节更加具体，也更加让人信服。
1.Intel放弃存储器市场，最后在微处理器市场成功
2.坚守了CISC（复杂指令集）的微处理器市场，没有走上RISC（精简指令集）的道路，并且取得了成功。
这两段事情的经过，在《浪潮之巅》的第5章“奔腾的心”中还有段第三方的很生动的记载。
本书不仅提出了问题，同时也提出了一些问题的解决方案，实话说，有些方案其实不外乎多听，多看，多了解，多猜想……（可能因此本书也受到一些人的诟病）不过，还是有些有意思的东西，比如，第六章中，如何察觉10X倍速变化，提到要从噪声中分辨出信号，可以尝试回答一下几个问题：
“1.你的主要竞争对手是否就要发生某种改变？
2.自问一下，你的主要互补企业是否就要发生某种改变？
3.你周围的人是否显得迷惑不知所从？”
这些问题非常有意思，因为我拿这些问题来问今天的Intel，就会发现，这些问题是如此的有用。比如1.今天Intel的主要竞争对手已经发生变化，不再是AMD和那些曾经靠与Intel兼容来获取市场的其他PC微处理器制造商，而是ARM….以及靠ARM授权制造RISC CPU的移动设备CPU制造商。2.Intel的互补企业MS，是PC时代的霸主，但是，却是现在移动时代的落后者，windows phone7有多大的未来尚未可知，同时windows8将推出ARM版本。通过这些问题就可以知道，今天的Intel的确就在经历着他们的10X倍速变化，而且，连我这个局外人都能够察觉。Intel假如不再有所举动的话，这一次，可能就很难再次通过他们的死亡之谷了。结合书里面格鲁夫很自豪的宣布自己选择CISC放弃RISC的故事，到今天真正的遭遇到RISC的强烈挑战，不得不让人感叹，也许，后世的历史学家写这段历史的时候，当年格鲁夫的决定，不是他想象的那么明智，而是断送Intel真正前途的错误决定。同时，也让人深刻的感受到，技术的进步真不是个人，或者一个公司所能够阻挡的，即使你今天通过市场手段暂缓了一时，技术趋势的潮流总是不可能逆向的，这不就是那句，“出来混，总是要还的”翻版吗？
假如这本书就是这些内容，这已经是本非常不错的值得一看，也能让人有所思考的书籍了，书籍的最后，格鲁夫将企业的管理之道，引申到个人的职业发展之道上来，提出了职业转折点的概念，我感觉也算是神来之笔。并且个人感受也是非常的深刻。“你的职业就是你的生意”，这句话多么的警醒啊~~~就算我们不是CEO，同样可以像CEO一样思考，就算我们不能像CEO一样，决定一个企业的发展方向，我们还能像CEO一样思考，来决定自己的职业发展方向！
我记得两年多以前，我从一家做网络游戏的公司出来，肯定的觉得移动才是未来，所以决定去一家做手机游戏的公司工作，投简历的时候，几乎是非手机游戏开发不投，最后本来也有两家公司的offer比较好，可以选择，一个是国内一家老牌的网络游戏公司，一个是一个我没有太听说过的法国手机游戏企业，最后，我还是选择了那家手机游戏公司，在那时候，智能手机还远没有这么普及，那时候在国内还没有iphone行货，国内的人也鲜有人知道这家叫做gameloft的手机游戏制造商（因为主要关注国外市场），这段故事在《小小游戏程序员一年加九个月工作总结》中有所描述，现在看来这个选择真正的证明了格鲁夫所说的，对于个人职业的选择，“时间就是一切”。假如我今天才觉得移动领域可以大有所为，然后才决定转行的话，也许就已经太晚了……因为，我的前辈们，已经在这行干了好几年了。
最后，以原来leader的一个QQ签名作为结束（似乎也不是他的原创）：“今天的优势会被明天的趋势代替，把握趋势，把握未来”。
我读的版本：
《只有偏执狂才能生存》：安迪 · 格鲁夫著 安然 张万伟译，中信出版社出版
原创文章作者保留版权 转载请注明原作者 并给出链接
write by 九天雁翎(JTianLing) — www.jtianling.com
分享到：
相关推荐
地产广告小评.ppt
美的海岸花园广告小评.ppt
部分Latex初学者基础代码，可直接复制使用，便于上手 包括部分特殊字符、表格插入、图片插入、公式键入、函数写法、三角相关公式
基于springboot的java毕业&课程设计
1.版本：matlab2014/2019a/2021a 2.附赠案例数据可直接运行matlab程序。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
卷积神经网络（Convolutional Neural Networks, CNNs 或 ConvNets）是一类深度神经网络，特别擅长处理图像相关的机器学习和深度学习任务。它们的名称来源于网络中使用了一种叫做卷积的数学运算。以下是卷积神经网络的一些关键组件和特性： 卷积层（Convolutional Layer）： 卷积层是CNN的核心组件。它们通过一组可学习的滤波器（或称为卷积核、卷积器）在输入图像（或上一层的输出特征图）上滑动来工作。 滤波器和图像之间的卷积操作生成输出特征图，该特征图反映了滤波器所捕捉的局部图像特性（如边缘、角点等）。 通过使用多个滤波器，卷积层可以提取输入图像中的多种特征。 激活函数（Activation Function）： 在卷积操作之后，通常会应用一个激活函数（如ReLU、Sigmoid或tanh）来增加网络的非线性。 池化层（Pooling Layer）： 池化层通常位于卷积层之后，用于降低特征图的维度（空间尺寸），减少计算量和参数数量，同时保持特征的空间层次结构。 常见的池化操作包括最大池化（Max Pooling）和平均池化（Average Pooling）。 全连接层（Fully Connected Layer）： 在CNN的末端，通常会有几层全连接层（也称为密集层或线性层）。这些层中的每个神经元都与前一层的所有神经元连接。 全连接层通常用于对提取的特征进行分类或回归。 训练过程： CNN的训练过程与其他深度学习模型类似，通过反向传播算法和梯度下降（或其变种）来优化网络参数（如滤波器权重和偏置）。 训练数据通常被分为多个批次（mini-batches），并在每个批次上迭代更新网络参数。 应用： CNN在计算机视觉领域有着广泛的应用，包括图像分类、目标检测、图像分割、人脸识别等。 它们也已被扩展到处理其他类型的数据，如文本（通过卷积一维序列）和音频（通过卷积时间序列）。 随着深度学习技术的发展，卷积神经网络的结构和设计也在不断演变，出现了许多新的变体和改进，如残差网络（ResNet）、深度卷积生成对抗网络（DCGAN）等。
运行程序 1、测试.pt模型文件 1.在pycharm里打开下载的yolov5环境，在根目录打开runs文件，找到trains文件中的best_1.pt即为训练最优模型。 2.在根目录找到 detect.py 文件，修改代码221行默认路径至模型路径，222行路径更改至所需测试图片路径，点击运行。 2、测试.onnx模型文件 1.在pycharm里打开下载的yolov5环境，在根目录打开 export.py 文件，修改默认输出模型类型为onnx，选择best_1.pt输入模型，点击运行。 2.在根目录找到detect_onnx.py文件，修改代码221行默认路径至模型路径，222行路径更改至所需测试图片路径，点击运行。
基于springboot的java毕业&课程设计
华为桌面云解决方案 桌面云架构VDI和IDV VDI：虚拟桌面架构。特点是计算和数据都在云端，集中管理，集中运行。 IDV：智能桌面虚拟化。特点是镜像集中管理，计算和数据还是在终端，集中管理，分散运行。 （从方案的主推厂商看， 业界华为、思杰、Vmware（IDC国内桌面云市场份额排名前三）都主推VDI，目前推IDV架构的只有锐捷、噢易等少数国内厂商）
基于springboot的java毕业&课程设计
基于OpenCV的交通路口红绿灯控制系统设计 python毕业设计-源码+全部数据+使用文档（高分项目）.zip本资源中的源码都是经过本地编译过可运行的，评审分达到95分以上。资源项目的难度比较适中，内容都是经过助教老师审定过的能够满足学习、使用需求，如果有需要的话可以放心下载使用。 【备注】 1、该项目是个人高分毕业设计项目源码，已获导师指导认可通过，答辩评审分达到95分 2、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 3、本项目适合计算机相关专业(如软件工程、计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用，也可作为毕业设计、课程设计、作业、项目初期立项演示等，当然也适合小白学习进阶。 4、如果基础还行，可以在此代码基础上进行修改，以实现其他功能，也可直接用于毕设、课设、作业等。 基于OpenCV的交通路口红绿灯控制系统设计 python毕业设计-源码+全部数据+使用文档（高分项目）.zip基于OpenCV的交通路口红绿灯控制系统设计 python毕业设计-源码+全部数据+使用文档（高分项目）.zip基于Op
课设毕设基于SSM的知识产权管理系统源码可运行.zip
卷积神经网络（Convolutional Neural Networks, CNNs 或 ConvNets）是一类深度神经网络，特别擅长处理图像相关的机器学习和深度学习任务。它们的名称来源于网络中使用了一种叫做卷积的数学运算。以下是卷积神经网络的一些关键组件和特性： 卷积层（Convolutional Layer）： 卷积层是CNN的核心组件。它们通过一组可学习的滤波器（或称为卷积核、卷积器）在输入图像（或上一层的输出特征图）上滑动来工作。 滤波器和图像之间的卷积操作生成输出特征图，该特征图反映了滤波器所捕捉的局部图像特性（如边缘、角点等）。 通过使用多个滤波器，卷积层可以提取输入图像中的多种特征。 激活函数（Activation Function）： 在卷积操作之后，通常会应用一个激活函数（如ReLU、Sigmoid或tanh）来增加网络的非线性。 池化层（Pooling Layer）： 池化层通常位于卷积层之后，用于降低特征图的维度（空间尺寸），减少计算量和参数数量，同时保持特征的空间层次结构。 常见的池化操作包括最大池化（Max Pooling）和平均池化（Average Pooling）。 全连接层（Fully Connected Layer）： 在CNN的末端，通常会有几层全连接层（也称为密集层或线性层）。这些层中的每个神经元都与前一层的所有神经元连接。 全连接层通常用于对提取的特征进行分类或回归。 训练过程： CNN的训练过程与其他深度学习模型类似，通过反向传播算法和梯度下降（或其变种）来优化网络参数（如滤波器权重和偏置）。 训练数据通常被分为多个批次（mini-batches），并在每个批次上迭代更新网络参数。 应用： CNN在计算机视觉领域有着广泛的应用，包括图像分类、目标检测、图像分割、人脸识别等。 它们也已被扩展到处理其他类型的数据，如文本（通过卷积一维序列）和音频（通过卷积时间序列）。 随着深度学习技术的发展，卷积神经网络的结构和设计也在不断演变，出现了许多新的变体和改进，如残差网络（ResNet）、深度卷积生成对抗网络（DCGAN）等。
基于springboot的java毕业&课程设计
房地产企业财务风险的成因与防范对策-以万科集团为例.docx
基于springboot的java毕业&课程设计
基于springboot的java毕业&课程设计
基于springboot的java毕业&课程设计
基于Python+定向爬虫的商品比价系统的实现的设计与实现+详细文档+全部资料（高分毕业设计）.zip本资源中的源码都是经过本地编译过可运行的，评审分达到95分以上。资源项目的难度比较适中，内容都是经过助教老师审定过的能够满足学习、使用需求，如果有需要的话可以放心下载使用。 【备注】 1、该项目是个人高分毕业设计项目源码，已获导师指导认可通过，答辩评审分达到95分 2、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 3、本项目适合计算机相关专业(如软件工程、计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用，也可作为毕业设计、课程设计、作业、项目初期立项演示等，当然也适合小白学习进阶。 4、如果基础还行，可以在此代码基础上进行修改，以实现其他功能，也可直接用于毕设、课设、作业等。基于Python+定向爬虫的商品比价系统的实现的设计与实现+详细文档+全部资料（高分毕业设计）.zip本资源中的源码都是经过本地编译过可运行的，评审分达到95分以上。资源项目的难度比较适中，内容都是经过助教老师审定过的能够满足学习、使用需求。
MySQL8.4.0 LTS（mysql-8.4.0-solaris11-sparc-64bit.tar）适用于Oracle Solaris 11 (SPARC)