2014年10月30日

从今天起,记录一下每天到历程:

1.了解了一下hadoop,知道hadoop是用于处理大量数据用到,按照我到理解就是协同多台机器一起进行计算的

2.面试宝典看了一章,最重要到收获是c++到四种强制类型转换函数,staic_cast,const_cast, reinterpret_cast, dynamic_cast

static_cast:可用于基本数据类型之间到相互转换,同时也可以用于据用相互联系类之间到相互转化(如:父类和子类)

const_cast:仅仅用于不是const类型的添加const属性,或者用于去掉const类型的const属性

reinterpret_cast:可用于基本数据类型与指针类型之间相互转换

dynamtic_cast:

                             与以上三个函数相比,它最大的特点是在运行检查的,用于在继承体系中运行安全到向下类型转换,即基类指针/派生类指针/引用到转换。如果源和目标函数没有                        继承或被继承关系,则编译将会报错。  


3.static的作用,主要分析三个方面:在函数体内,在模块中,在类中

在函数体内:static变量被放在静态存储在静态存储区,只能被初始化一次,因此其值在下次调用时依然维持上次的值。

在模块内:1.在模块内的static变量能被模块内到所有函数所引用,但不能被模块外到函数所引用

                    2.模块内到static函数只能被模块内的函数引用,static限定函数使用范围在本模块内

在类中:1.static成员变量属于整个类所有,对类的所有对象只有一份拷贝

                2.static成员函数属于整个类所有,这个函数不能接受this指针,因而只能访问static成员变量

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