实习相关

本周开始在公司实习。来报道实习的主要有两大拨人,K大和WG大是组团来的,还有几个像我这样零零散散的。第一天填完基本信息,就被各自的部长或是项目经理带走了,原来事先每个人都被选到各部门各课各组了。

从下午申请机器领机器到配置绑定地址能上网,下载文件安装完程序,那是第二天的事了。这几天也都没有什么实际的工作给我。主要是围绕我的毕设来讨论。学校的课题不改,是什么方案,改掉后又是什么方案。也讨论了三四次,leader们都有自己的想法,也都有为我考虑的方面。见此场景也有感动,可见对新人的负责。

前天晚上和院领导确认可以修改课题,昨天下午确定了在公司毕设的方向,将在下周开始我的真正意义上的工作。

公司的工作环境也还不错,宽敞明亮舒适,有阿姨一直维持着清洁。每层有好几个会议室,每天从早就会有各个项目组的会议。上班时间也算宽松,可以自由选择时间段。只是公司没有午餐,带饭,订饭,或者去另外公司的食堂,可是那个食堂的饭菜比学校贵多了呢,而且味道也一般般。晚上加班的话只有集体订饭了。当然目前我是不加班的,毕竟花一个半小时奔波在学校和公司之间。

尚未接触到作为正式员工的新人培训,会有集中的时间统一开始。已经听说公司很注重培养员工的技能之类,大约会在不久之后体验。氛围不错,人们相处也很融洽,leader也没有给人居高临下的感觉。前辈们在先前的各个环节都有给与帮助。

目前唯一不便之处就是上下班实在太累了,人特别多,还要转一次地铁。上班前一半还能坐,下班就得全程站回去。

坚持吧,毕业了就搬到公司附近,会好很多~~~

正好周末了,好好调整休息。

且为接下来的工作加油打气!

 

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