我的2012和2013,吼吼

    昨天开会时大叔说,既然是总结,就既要总结成功,更要总结失败,这样的总结才会更有意义。这句话也改变了我对年末总结的看法。下面来说说我的2012吧。


    2012年,普通又不普通。这一年,我本科毕业了,离开了HUST。这一年,我读研了,来到了陌生的北京。这一年,还是有过一点成长的。

 

1)学习:

    仍然是一个打基础/广泛涉猎的过程,对一个22岁的成年人来说,有时候觉得蛮坑爹的,还要学组合数学神马的,但是看到同班里一些三四十岁的在职研究生,也就告诉自己要释然。学习上最大的收获就是让自己爱上了算法,以及算法老师(呵呵,玩笑)。怎么会有一个东西如此美丽,几行伪代码在我眼中就已非常的美丽动人。

2)读书:

    《算法导论》第2次读,加深了很多理解。但还是时间有限,以后还是要翻翻的。这次对图的算法的思路清晰多了,主要分为4块吧,搜索算法的bfs/dfs,最小生成树的kruskal/prim,单源最短路径的bellman-ford/dijkstra,最大流的ford-fulkerson/edmons-carp。可惜的是,这些图的算法用在实际中还无处可用。而像分治/动态规划/贪心的思想倒是会有用武之地,但是在大数据量处理才会更加有价值,可惜我还没有做这种项目的好机会。

   《大话设计模式》粗略看过一遍,忘记了很多。

3)人际交往:

    成功的举办了2次部门活动,自己也把每周一次的打工子弟志愿者坚持下来了。

    组织了3次党组织生活会。

4)业余生活:

    7月份拿到驾照,这是社会人的第一步。 (同想想,婷妹妹一起经历过,真是酸甜苦辣尽有啊,还认识了sg)

    10月起开始练笛子了,打音颤音都会了,气息也能控制得不错了。(认识了很多朋友,tl,ym,rq,qh,sj

    代表学院参加学校研究生乒乓球比赛,团队获全校第三。(谢谢zx室友全程陪同,还有一起攻下江山的乒乓大牛lz,hg,jl,qh)

    参加学校研究生运动会,现学的跳远,跳了全校第6。(全靠fa现场给我教的跳远,还帮我拿包)

5)物质:

    5月入手kindle touch

    5月入手iphone4 ,尽管那时候4s已经出来了。

    12月入手mac air 13 inch。(感谢hh的捐献哈哈)


    感觉自己2012也就只有这么一点所得,不知道算多还是算少。再总结一下自己的失败之处吧。

1)职业规划:

    感觉1年过去了,自己对自己的定位仍然不清晰,对于自己的职业规划仍然迷茫。学it,女生,自己的圈子又太小了,比自己大3岁以上的人就基本上不怎么认识了,缺少生命中的伯乐和指路人。

2)读书:

    这一年,前半年忙着项目忙着毕业忙着玩儿,下半年忙着适应新环境忙着上课。实在没有能够静下心来看书。


    下面对自己的2013提出一点点期望吧。

1)科研:

    投一篇SCI paper,中不中就“尽人事听天命”了。这是1年的头等大事。

2)技术:

    以后就搞java 了吧,以前还摇摆不定的。java有很多细节的地方还不了解,应该借助课设or项目多积累。

3)学习:

    选修了经济学课程,这是为未来打算的。做一个眼界开阔的技术人。

4)业余生活:

    学会游泳。选上游泳课了,学会游泳后我的运动生涯就完整了,又会向伪白富美更进一步。

    笛子小牛。勤奋练习,不说称为高手,至少要成为一个笛子中手。等到再提升一个level后就开始往原创音乐基地传自己的演奏作品。

5)人际交往:

    关心实验室临毕业师兄师姐。

    结交5个其他专业的朋友,培养融入不同文化圈的能力。

    继续一部分社工。英语考试时有篇阅读里说,领导分2种,一种是情感领导型,一种是事务布置型,学生组织里亦是如此。我得慢慢向情感领导型努力,事务性的领导力不会持久。多吃饭多私聊,加强感情建设。

6)看书:

    豆瓣走起来。各种求园友监督求互粉,豆瓣我还不怎么会玩。

    http://www.douban.com/people/30239597/

 

    最后的最后,这篇文章我只发在了这一个地方,独一无二的哦。谢谢博客园陪伴我的成长。祝大家新年快乐~过年回家好好待父母待家人!~


<script type="text/javascript"> </script><script type="text/javascript" src="http://pagead2.googlesyndication.com/pagead/show_ads.js"></script>
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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