量与强度,你get了吗?!肌肉负荷

马拉松和百公里越野训练,“量”和“强度”谁更胜一筹的争论,从未消停。那么,到底哪个最重要?

处理好量与强度之间的关系

运动训练,它既是竞技体育的组成部分,也是实现竞技运动目标最重要的途径。具体落实到日常训练,就是处理好“训练量”与“训练强度”之间的关系,科学、合理地安排运动负荷,提升成绩。

一、量的重要性

20世纪80年代初期,日本马拉松提出“训练量+训练量=冠军”,多次夺得世界大赛奖牌。80年代中期,我国马拉松借鉴日本模式,培养出张国伟、蔡尚岩、赵友凤等著名运动员。

它更多采用有氧耐力训练,不仅可以更加有效地提升运动员耐力水平,也是其他训练(混氧耐力、无氧耐力)开展的必备条件。只有当有氧耐力水平得到稳步提升后,再强化混氧训练和无氧训练,才能提升比赛成绩。

因此,训练量一直是运动员最看重的指标。

二、强度的重要性

当然,要想全面提升比赛能力,阶段性提升训练强度也是必须的。

在经受一定的运动负荷后,必然会产生相应的训练效应,产生适应,这时候身体会进入“偷懒”状态。比如:同样是月跑量300公里,运动员A每月训练次数15次,每次训练量和训练强度不等。B每月训练次数30次,每次固定训练量10公里。A的训练始终处于变化状态,更能促进心肺、肌肉刺激,打破机体平衡,产生更好的训练效果。从健身的角度,运动员B的训练模式是可以提倡的,但从提升成绩的角度,几乎属于“无效训练”。

多于马拉松距离(如:45公里)的大训练量、低配速训练课和低于马拉松比赛距离(如:半程、30公里)的大强度训练课,都是有必要的。

大强度速度耐力训练对呼吸和循环系统的刺激强度大于长距离有氧耐力训练,阶段性地进行大强度训练可以使运动员最大摄氧率增加。在马拉松训练过程中,巩固训练量是基础,提升训练强度是关键。

三、量和强度之间的关系

(一)基础训练阶段基础训练阶段的特点:“低负荷、低强度”,主要是针对竞技运动能力比较低(或竞技运动能力下降),身体抗折腾能力(体质比较弱)的人群。因此,刚开始训练者,正在伤病康复期者,以及赛后身体调整者,都属于基础训练阶段人群。

此阶段,这部分人群可以适当增加一些交叉训练(核心力量训练、游泳等),全面提升综合运动能力,但是无论采取何种交叉训练,都要采取低运动负荷训练模式。

以马拉松为例,冬训(12月~3月)和夏训(6~9月)期间都属于周期训练阶段,以提高有氧耐力能力为重点,是全年训练量最大的两个阶段。当运动员训练量持续上升时,就要把运动强度降到中等或以下,从而保证周期训练的系统性和连贯性。

(三)赛前训练阶段赛前训练阶段的特点:“训练量小、强度大”。赛前训练阶段属于比赛调控阶段,这个阶段,把竞技状态调控到最佳。

通常,一个完整的赛前训练在3~4周左右,根据运动员此前周期训练时的运动能力和竞技状态,采取“降低训练量,提升训练强度”的手段。提升强度有上限,控制在不超过比赛目标强度的85%,保证最佳状态留在比赛时。

总之,量与强度在不同的训练时期均能发挥重要的作用。要提升成绩,就必须正确理解二者之间的关系。

THE END
1.TensorFlow实现随机训练和批量训练的方法python本篇文章主要介绍了TensorFlow实现随机训练和批量训练的方法,小编觉得挺不错的,现在分享给大家,也给大家做个参考。一起跟随小编过来看看吧 TensorFlow更新模型变量。它能一次操作一个数据点,也可以一次操作大量数据。一个训练例子上的操作可能导致比较“古怪”的学习过程,但使用大批量的训练会造成计算成本昂贵。到底选用https://www.jb51.net/article/139083.htm
2.[PyTorch]批量训练数据的一个流程使用的时候,因为是批量的数据,所以要有一个pack进行压包操作,做完了还要有一个pad解包操作。解包操作pad的第一个第一个返回值ouput就是gru每一步的输出维度是maxLen * batchSize * hiddenSize,第二个返回值就是这个batch里面每个句子的单词数目是一个一维tensor,和传入到Pack的第二个参数感觉一毛一样,如tensorhttps://www.jianshu.com/p/a06a6042d680
3.(83)批量训练和随机训练batchtraining批量训练(Batch Training)和随机训练(Stochastic Training)是深度学习中两种不同的训练策略。 8.3.1 批量训练的概念 1.批量训练(Batch Training) 批量训练是指在每一次参数更新时,将整个训练数据集分成多个批次(小部分数据),然后使用每个批次的数据来计算梯度并更新模型参数。批量训练可以更好地利用硬件加速,如GPU,因为https://blog.csdn.net/asd343442/article/details/135639960
4.神经网络为什么每次训练小批量数据神经网络批量训练原理为什么要使用批量归一化? 使用浅层模型时,随着模型训练的进行,当每层中参数更新时,靠近输出层的输出较难出现剧烈变化。对深层神经网络来说,随着网络训练的进行,前一层参数的调整使得后一层输入数据的分布发生变化,各层在训练的过程中就需要不断的改变以适应学习这种新的数据分布。所以即使输入数据已做标准化,训练中https://blog.51cto.com/u_12995/9856087
5.GPU捉襟见肘还想训练大批量模型?谁说不可以机器之心深度学习模型和数据集的规模增长速度已经让 GPU 算力也开始捉襟见肘,如果你的 GPU 连一个样本都容不下,你要如何训练大批量模型?通过本文介绍的方法,我们可以在训练批量甚至单个训练样本大于 GPU 内存时,在单个或多个 GPU 服务器上训练模型。 深度学习模型和数据集的规模增长速度已经让 GPU 算力也开始捉襟见肘https://www.jiqizhixin.com/articles/2018-10-17-11
6.LLaMAFactory全面指南:从训练到部署训练配置:在这里,你可以设置训练参数,如学习率、批量大小、训练轮数等。 微调配置:如果你正在进行微调,可以在这里设置微调的特定参数,如LoRA的秩、学习率等。 推理配置:在进行推理时,你可以设置生成文本的长度、温度、top-p等参数。 日志和监控:训练和微调过程中的日志信息会实时显示在这里,帮助你监控训练进度和性https://www.skycaiji.com/aigc/ai21379.html
7.四分钟内就能训练目标检测器,商汤基模型团队是怎么做到的?来自商汤的基模型团队和香港大学等机构的研究人员提出了一种大批量训练算法 AGVM,该研究已被NeurIPS 2022接收。 本文提出了一种大批量训练算法 AGVM (Adaptive Gradient Variance Modulator),不仅可以适配于目标检测任务,同时也可以适配各类分割任务。AGVM 可以把目标检测的训练批量大小扩大到 1536,帮助研究人员四分钟训https://m.thepaper.cn/newsDetail_forward_20728146
8.2024年人工智能(AI)训练师职业技能鉴定考试题库(浓缩500题).docxPAGE PAGE 12024年人工智能AI训练师职业技能鉴定考试题库浓缩500题一单选题1.在机器学习领域,监督学习常用于训练哪种类型的机器人A自适应机器人B自主机器人C有教师指导的机器人D强化学习机器人答案:C2.哪个指标用于衡量分类模https://www.renrendoc.com/paper/343440631.html
9.基于点云卷积神经网络的蛋白质柔性预测与Qi等的模型不同的是,不同的蛋白质结构所含有的原子数量不均一、数据尺寸不规则,为了实现网络的小批量训练方法,提出了一种新的批量化策略,使用大小不等的蛋白质小批量输入对网络进行迭代训练,并采用Pearson相关系数作为模型训练的评价指标。同时,在网络的池化层和空间变换网络部分,采用了最大池化、平均池化串联的https://www.pibb.ac.cn/pibbcn/article/html/20200383?st=article_issue
10.机器学习学习笔记(21)深度学习中的正则化腾讯云开发者社区对于每个单元,掩码采样是独立采样的。掩码值为1的采样概率(导致包含一个单元)是训练开始前一个固定的超参数。它不是模型当前参数值或输入样本的函数,通常在每一个小批量训练的神经网络中。一个输入单元被包括的概率的0.8,一个隐藏单元被包括的概率为0.5。更正式的说,假设一个掩码向量https://cloud.tencent.com/developer/article/1327181
11.TF2.0深度学习实战(一):分类问题之手写数字识别train_dataset=train_dataset.batch(32).repeat(10)# 设置批量训练的batch为32,要将训练集重复训练10遍 3.2 网络结构搭建 由于MNIST数据集里的图像特征较为简单,所以本次以搭建一个3层的全连接网络为例,来实现MNIST数据集10分类任务。其中,每个全连接层的节点数分别为:256,128和10。 https://www.flyai.com/article/629
12.上海交大樊昕昱何祖源课题组在计算重构光谱测量技术取得重要上海交通大学智能光子学研究中心樊昕昱教授、何祖源教授团队针对这一问题提出了联合物理模型与数据驱动的光谱重建神经网络,仅需10μs时间下获得的小批量训练数据集即可完成具有2300个频谱输出通道的光谱重构神经网络的训练,且实现了3.2fm的分辨率。 联合物理模型与数据驱动的神经网络结构及训练数据:(a) 系统传输矩阵,(bhttps://news.sjtu.edu.cn/jdzh/20230805/186848.html