大一的总结

随着东北四省赛的结束,和期末考试的来临,我的大一生活也即将结束。

在进入大学的第一个学期,满脑子都是当学霸,转专业,混社团;经过一个学期,自己学霸也装了,社团也混了,也仔细的看待了转专业这件事;

然后发现学霸不是那么好装的,社团与自己想象的也不相同,至于转专业,我也不想转了,倒不是觉得自己的成绩不行转不了,我是真的觉得计算机这妆也蛮适合我的,自己也比较喜欢着计算机,虽然我过去的18年一直都没发现这一点,电脑对于过去的我来说仅仅只是用来打游戏什么的。

说道进ACM这个坑纯属偶然,当时社团招新,觉得“算法学社”这和学习有关的社团应该很有发展前景,就报了名,最后的最后就变成竞赛狗了。。。

ACM的主要发展阶段还是在寒假集训之后,各个训练赛以及测试CONTEST都打得比较认真,理所当然的就进入了校队;

在写这篇随笔的时候回想当时寒假集训的我,DP什么的完全是空,看个PRIM、FLOYD什么的老费劲了,现在感觉网络流老费劲了不过自己感觉着一个学期差不多不到4个月的时间里面自己的进步还是蛮快的。提高的也挺多的(尽管还是一条大菜狗,最近被一堆网络流,各种维线段树,各种状态压缩,还有各种期末考试吊打)

主要的成绩:校赛二等奖;感觉应该打出了自己的真实水平,排名什么的貌似是40左右,可以接受,吐槽一下。。最后一道书上的模板题我果断没看见自己敲WA了19发。。还没过 。。。

省赛三等;这个感觉就打得逗比了,就出了两道,被一道乱搞(强连通分量)吊打了,然后最开始一道计算几何,我是没看方正那辆队友对着模板敲整了2个多点,最后发现模板理解错了,果断自己敲1A。。这早干嘛去了。然后和一队友想那个乱搞,两个人其实思路完全不一样,还讨论的热火朝天的。。真不知道当时怎么想的。。最后反应过来的时候已经没有时间了。省赛就这样逗比的过去了。

东北四省赛二等奖;这场比赛槽点颇多,这种诡异,我前面的文章已经吐槽过了,就不多说了。我们队全场41名。有一道题在JUDGE上是两道题,我们队就交了一次,貌似说排名应该高于41.,不过也无所谓了,感觉算是发挥出了自己的水平,单还是觉得有些遗憾,本来最开始有一道BFS我感觉应该可以做的,就是DEBUG要花不少时间,我们就选择了去打最后一道题的表,结果也没搞出来;

这个学期的比赛给我最直观的感觉就是自己的经验还是不足,首先拿到题测不能快速的找到签到题,而后对自己的认识还是有不足,不知道自己那些题目能做哪些不能;而后自己的代码能力确实有待提高。

本学期末尾,我感觉自己对图论、数据结构、搜索(图论就是搜索。。。)不能说好吧,只能说兴趣比较大,我觉得要在ACM这条路上走得更远应该要有自己专攻的方向;3个人每个人会9中算法必然没有3个人每个人会不同的3中算法来的NB;不过确实也如学长所说,每种算法的基础都要有要不然会很坑,应为在题目算法的分辨以及以后的高端题不会单单只靠一个算法,一般都是多种算法的混杂,毕竟一个人解决比多个人混敲一道题要好;

站在这第一年的末尾,我眺望未来,值得庆幸的是我不觉得迷茫,我给自己在大学四年中的目标:

在区域赛上拿一银;

至少揽一个有些档次项目;

怒减30斤;

正如我们高中班主任所说,大学最终要的就是坚定不移目标外加百分之百的努力。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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