又一个一月 / 2013年山大CS专业学位 / 二战 / 边工作边准备

        原打算是5、6号的研究生考试结束后从7号开始坚持写博客的,7号申请了CSDN账号,可实在打不起精神,不想又一个一月的自己改变的似乎只是大了一岁而已,上一个一月坚决要改的陋习还在、坚决要培养的品质依然毫无踪影……
       去年的研究生考试准备得异常辛苦,但却考得一塌糊涂。过完年已没有太多的失落与消沉,因为决定二战。二月匆匆签了第一个给自己offer的公司,三月便已经在上海,没有太多的考虑,也没有太多的期待,因为知道这一份工作注定只能是自己漫漫人生征途中临时的一站。
       时间的价值真是因人而异啊!工作了,在七月拿到毕业证以前只能算实习,七月一号拿到毕业证和学位证后试用期两个月,于是给自己找了各种各样的借口:什么工作还不稳定,需要全身心投入;什么工作太忙;什么刚结交新同事,要注意处理好同事间的关系……于是仅仅隔了俩三个月,刚过去的考试彻底失败的痛已不是那么强烈,“从工作的第一天开始,晚上和周末的时间都给准备2013年的研究生考试”的计划也便这样成为一句空话,一拖再拖,直到国庆节放假。
       国庆节放假,开始收心,投入所有可投入精力到复习功课。从国庆节放假始,到12月4号的请假,再直到1月5、6号的研究生考试结束,自己的状态还是很不错的:在没请假前每天早上会坚持在6点30分到7点起床,然后到张江边念英语文章,背诵一些需要记忆的东西到8点,然后去上班;晚上下班回来也会坚持做数学、英语和专业课的练习题到很晚。就这样一直坚持到12月4号的请假,再到1月5、6号的考试。
       4号去看考场的时候,在自己将要参加的也许会改变自己这一生命运的考试的教室坐了将近一个小时,当时教室的音箱里循环播放着《卡农》、《雨的印记》与一首自己不知名字但同样能让人心静如水的曲子,也正如预期的那样,当时自己的心情真的很平静,有种说不出的感觉……走出教室,回旅社,心想如果这样的心境保持下去,今年的考试一切都不会成问题……
       4号晚,一直到5号凌晨两点,都有人在不断打旅馆的门,有同样要参加考试的学生,有社会上的人,于是直到5号凌晨三点多,自己依然清醒,中间有过几次迷糊,但被打门声惊醒后便再无睡意,还好早有失眠的心理准备,索性穿好衣服躺在床上,顺其自然……,感觉上对5号的政治、英语考试几乎没影响。5号晚也许太累了吧,也许经过4号晚很多人都已经知道旅馆没床位,不再有人打门了,从晚十一点一直安稳睡到6号早六点半闹钟响。数学感觉不错,专业课依然没有太大把握。
       6号晚回家对答案,发现线代的一个选择题两个矩阵相乘自己竟然直接不记得有第二个矩阵,第一个线代大题矩阵AC-CA很清晰记得当时自己是按AC+CA算的,于是感觉也许今年自己的问题同去年的一样大……去年所要坚决改变的东西依然还在,去年所要坚决培养的东西依然还是毫无踪影……
       不管是什么样的过去总归得让它过去,也无论是什么样的未来总归得去面对,堕落了整整一周,该给自己一个新的面貌了,无论接下来会有什么样的打算,会有怎样的生活需要面对……

       写下这一切,只是为了记录下这一段生活,告诉自己:如果这次初试过了,自己可以如愿,那么只是自己的幸运,一些地方自己做的真得不够好,甚至很不好;如果结果一如去年,那么,不要去抱怨、慨叹,上面的文字足以说明问题,无论再做出什么样的决定,无论生活要走向何方,该怎么走,也已很明确。

2013年1月14日晚于上海
SecondJanuary
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值