好久没更新博客了呢~~

仔细一看,整整三个月。

临近期末事情就特别多。如果你上过大学的话你应该会知道,你的大多数时间都会被学校的各种活动给剥夺。当然,庆幸的是我并不抗拒。这几个月真的是忙的不可开交——师兄师姐的毕业庆祝,赴京参赛,期末作业设计,考驾照,还有——各种自己接下来的外包项目。

考驾照。。。科目一没能考过。。。。。。原谅我这个裸考的孩纸→_→

六月份到北京参加算法大赛。说实话,真心不习惯这里的气候,太干燥。每天早上起来都会流鼻血,去了一个星期,感受了当了一回女人滋味。不过这趟北京之旅总算拿到成绩了,嘿嘿。

对于接外包项目,我更多的是在淘宝接的期末作业还有毕业设计。这点我要吐槽一下:难道真的那么多没入门的认为程序员真的是廉价来动力?好吧,你说是码农,但是!!!!!!做个推箱子的游戏。。。50块。。。?

你特么的在逗我!!!这种事还不止发生一次!还有做音乐播放器的,20块。还有做个订单管理包括支付和退款功能的,100块。还有各种XXX管理系统。40块。60块。80块。120块。

通常这种情况都是发生在需求都说明确之后才发生的。当然,对于行内人,价格还是很好商量的,所以说,同道中人~~嗯哼~

最近打算自己用WordPress搭建博客,然后搬迁到上面去——域名都买下来了(CallMeDavid.com)。但是对php不熟悉难免会花上一定时间吖。。

忙,确实忙。暑假也很忙。但是博客还是会更的~~谢谢大家的支持~~~~~~


oh!

对了,还有一些感悟。

当初刚开始学习Android的时候(高中开始接触编程,进入大学才开始系统的学习)总觉得要把各种模块、组件的用法记下来,得写得像一本教程那样才能算是博客(看看我以前的blog就长这个样子)。后来发现,这样压根没用,反而像是在翻译官方文档。后来呢,习惯直接去看文档了,于是发现写的博客都没啥用。。(囧)。

所以以后呢,就不写那些满大街都是的内容了。可能更多的是解决奇葩问题的心得,又或者是研究某些算法的感悟,这样写博客才有意思~~


最后再补充一句:真心觉得以前自己写的技术博客很渣很渣。。。(而且部分欠缺严谨。酌情参阅)


该睡觉了,晚安。

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