【年度总结】天空不留痕迹,鸟儿却已飞过

本文是一篇年度总结,作者回顾了从大一进入生物专业到后来转向计算机的学习历程。在TGB的学习中,作者不仅提升了计算机技能,参与了多个项目,还对理财产生了兴趣。在项目实践中,作者体验了从CS到BS的转变,以牛腩新闻发布系统为转折点,深入学习了各种技术。同时,作者也意识到英语学习的重要性并计划加强。在成长的过程中,作者感慨大学生活的得失,表达了对未来的期许和对健康的重视。
摘要由CSDN通过智能技术生成

一、缘起:

    盼望着盼望着,大四来了,毕业的脚步近了。时光如白驹过隙,弹指一挥间,恍惚之间,自己脑海中还有那个稚气未脱,刚刚迈入大学的画面。那时以为大学生活很美好,充满阳光,乃人间天堂。

    大一一年,和大部分大学生一样,过着打工、参加社团活动的日子,虽然日子貌似很充实,但似乎没有自己的想法,没有自己的目标,仅仅是随大流。专业课也没有怎么听,很不幸,大一上半年就让我挂了一科。从此大学生活就圆满啦。在这里要和自己的专业课老师说声对不起啦。想当初,自己的既是因为对生物的兴趣使然,又是高中生活老师对我的洗脑,那个老师常常说:21世纪是生物的世纪。那时,很喜欢老师老师给我们说一些生物的最新发展。感觉很美好。就这样义无反顾的选择了生物专业。不知是大学开始堕落,还是老师讲课缺乏吸引力,渐渐失去了兴趣。                

    不知是造化弄人,还是上帝喜欢和我们开玩笑,抑或米老师魅力使然。不知不觉中,自己已经学了两年的计算机啦。遥想当年,自己可是个电脑白痴,大学报选专业的时候,也有意避开了计算机的相关专业,因为在我的潜意识中告诉我,我不感兴趣,这不是我想要的。还记得省一级考试,自己以47分的成绩,荣幸的没有通过考试。哈哈,我貌似知道了,原来最吸引我的是金钱。要说这钱真是个好东西。当初自己选择提高班,目的很单纯,也很明确,的的确确是被金钱吸引啦。每次有毕业的师哥师姐回学校,说他们薪资的时候,好家伙,那两双眼睛简直发光,贼亮贼亮的。

     后来,随着时间的推移,慢慢发现,TGB并不简简单单是让你挣大钱的地方。在TGB最吸引我的还是米老师,无论是气质还是谈吐,都充满魅力。首先呢,是他的文学素养,我虽是理科出身,但内心还是一个爱装文艺的小青年。米老师在讲课中总能引经据典,侃侃而谈,每次看他的博客,总是被文字所吸引,迟迟不肯移开目光。其次是米老师的理财意识,无论是炒房还是买信托,总能挣大钱。在耳濡目染之中,我也渐渐有了些理财的意识。余额宝、人人贷、蚂蚁聚宝(基金)都让我小赚一笔。不过我已经还开心啦,毕竟是新手,只要不赔钱就行。

    当然,师哥师姐和小伙伴们的魅力也不容小觑。在这里,有着周六周日不休息来机房学习的小伙伴,更有时不时给我们来场技术分享会的师哥师姐,总感觉师哥师姐非常棒。能够和志同道合的小伙伴一起学习,一起成长是一个非常幸福的事情。

 

二、成长:

1、计算机篇:

    从机房重构到BS项目的完结,比培养计划上的进度稍慢。自己对这个成绩还算满意。给自己个及格分,以资鼓励。从CS项目迈向BS项目,这是一个转折点,毕竟以后出去工作还是以BS的项目为主。牛腩新闻发布系统,带领我们迈向了BS的大门,到现在为止,我依然觉得牛腩新闻发布系统是BS项目中最经典的一个。对他的印象最为深刻。从最基本HTML、CSS、JavaScript、XML、ASP.NET到JQuery、AJAX,牛腩中均有涉猎,并且充分应用在项目中。

    或许是因为牛腩代码敲的最多,所以对它情有独钟吧。由此可见,学习不仅仅是看个视频,做个笔记,写个博客就算完了,关键还是要应用,只有在应用中,我们才能发现问题,才能有所成长。

2、项目篇:

    当得知,自己被分到ITOO基础部的公共选修,还是蛮激动的,毕竟之前就听说这块涉及到了“秒杀”,是目前好多电商平台都有所涉猎的。首先,先给我们一个半成品的项目,让我们在这个基础上调试bug,让系统能正常跑起来。该项目采用ASP.NET MVC+EF框架+EasyUI,后台以C#语言编写。最初感受,项目业务逻辑比较复杂,涉及到了好多表,好多字段,单单是理需求,就够让我们头疼的。后来开始敲代码也是各种不会啊,什么lambda表达式啊、数据表的左右连接啊、JSON一团糟,不过后来还是在小组的努力下,将bug一个个消灭掉了。

    Redis研究了有一段时间啦,目前还没有加入到代码中。大思路已经有了。如何就是将需要的数据从数据库中放入Redis中,当学生选课时,直接从Redis中获取数据。如果Redis中没有相关数据,再去数据库中查找。采用Redis一是能实现消息队列的功能,单线程,保证线程安全。二是直接从缓存中获取数据,能够大幅度提高运行速度。Redis是以key-value形式储存的,支持5种数据类型,有关详情,请参考我的相关博客

    大思路已经有了,那么究竟哪些字段作为key,哪些字段作为value呢?目前小伙伴正在梳理中,已经八九不离十啦,并且关于Redis的demo已经有了,万事俱备,只欠东风,马上就要加入战斗啦。

3、英语篇:

    每个人都知道英语的重要性,要是现在开个头脑风暴,探讨一下英语的重要性,张口就来。但是究竟又有多少人落实到实处,又有多少人做到了坚持呢?

    这一年,有过学英语的激情,那段时光还是非常美好的,看见任何事物,脑海中第一反应是用英文说出了,但话到嘴边,却又张不开口。但是好景不长,三分钟热度,说好的坚持早起,也没能落实下来。自己的small baby,不知道断粮了多少天,说来惭愧啊。

    说白了还是执行力的问题,自己对英语提不起兴趣,总是懈怠。嗯,从今天开始。充分利用一些零散时间,多听听英语,少玩会手机。

                        

         

 

三、续缘:    

    说实话,看别人过着正常的大学生活,自己有时还是蛮羡慕的。那些说走就走的旅行,林荫树下的爱情,觥筹交错的小聚、然而鱼和熊掌不可兼得,既然选择了提高班,就必然意味着要放弃一些东西。每个人有每个人的生活,又何必一山望着一山高,去羡慕别人呢?或许我们 也是被羡慕的那些人吧。。。

    开篇以盼望着盼望着,大四来了,毕业的脚步近了,仅仅是想自己早点工作,不再伸手向父母要钱,实现财务自由,能够早点让父母休息休息,不再那么劳累,最好是能出去旅游,见一见外面的世界,感受一下祖国的大好河山。其实内心还是很舍不得毕业的,毕竟那些人,那些事,那些物,足够让我一生铭记。

    好了,不矫情了,毕竟要想早点毕业,还是要靠实力说话的。相信在提高班四年的沉淀和历练,我们终将凤凰涅槃,一飞冲天。fighting!!

    最后的最后,给个小小的忠告:程序猿(当然我们是攻城狮)一定要注意自己的身体,多运动,拥有了强健的身体,我们努力和付出才更有意义。

        

 

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 81
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