2017年总结

时间飞快,今天是2017年上班的最后一天,在这一年里提升很多,但还有许多不足,还需不断努力。

平时公司事不太多的时候就静下心来搞搞技术,看看优秀代码,看过OkHttp,Glide,RxJava等一系列优秀的开源库,虽然不能做到彻底吃透,但也明白了其中的一些东西,对我自身来说是很有裨益的,偶尔会试着封装一些简单库,能够简化开发流程。其间封装了三个库

  • WPViewpager
    一个便捷实现导航页,广告banner开发的库,是在17年刚开始的时候封装的,当时用的时候确实觉得挺好用的,一行代码就完成了开发工作,现在不这么觉得了,耦合太严重了,已处于废弃状态,作反省用,避免原来的坑。

  • TabBarViewForAndroid
    一个将首页tab快速开发的库,大概是在年初的时候封装的,当时觉得还挺不错的,现在看看简直不忍直视。估计勉强能用吧。

  • CommonLibrary
    这个是我一个月前开始做的公共库,现在觉得颇自豪的东西了,以组件化的思想作为引导进行的封装,尽可能低的耦合,有兴趣的可以看看,我觉得挺不错的,可以简化很多开发工作(自夸一下,或许明年底又会觉得是一坨shit了,哈哈哈)

要说2017年让我受益最大的还是去参加美团面试,从接到面试邀请到参加面试,准备了一个星期的时间,从算法,数据结构到操作系统,并发编程,吃灰多年的《Thinking In Java》又翻出来看了一遍,认为很OK了,自信的去参加面试,结果还是被现实给予了沉重的一击,面试官问的其实不难,不过是偏向底层,原理方面的,面试过程很糟糕,有很多其实我是知道的,但是不知道怎么说,表达不出来自己的意思。面试结束后很懊恼,为什么知道的就是说不出来呢?我开始反思,经过半天的反思找到了原因

  1. 技术知识不够扎实
  2. 表达能力有问题

平时看看源码也没看太深,只是不求甚解,大概是个什么意思就完了,没有刨根问底的问why?how?用面试官的话来说就是思考不够。所以2018年我要多问自己几次why?how?

表达能力方面确实没受到过太多的锻炼,很多时候都是在脑子里想好的话一用嘴说就说不清楚了,在公司通常需要借助纸笔来辅助表达完整自己的意思。2018年要多多跟人交流,争取早日克服这个问题。

2017年已经过去,2018年也到来了,在新的一年里还需不断锤炼自己的技术,锻炼自己的表达。

2018年技术目标:充分熟练运用Android各种技能,应用层做到手到拈来的地步,不光要知道怎么做,还要知道为什么这么做,还有没有更好的做法。学习后端开发技术。加油!

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