总结(7.10—7.16)

1、首先是这周做了多少道题:简单搜索8题,数论基础6题,二分法1题,训练赛1题。另外两天开的搜索进阶和数论基础2没有做。
2、总的来说,我认为这周我的效率非常低,因为这部分我做的题中水题的比例很大,而当看到有点难度的题时就不想去看,这绝对不是一件好事,而且现在我发现自己的拖延症又出来了= =上午到了机房没进入状态,就什么都不想做,大概看看今天的内容刷刷手机就到了中午,然后吃完中饭回去觉得有点困,看看题目没思路就开始搜题解,看着题解一会儿就刷几下手机,然后下定决心终于做完一道题,进入了些状态,感觉可以休息会儿了又开始一轮循环。。。总之效率非常低下,并且一天下来并没有学到多少,却觉得一天过得很快。
3、至于为什么会这样呢,第一就是自己这个对待集训的态度,自己大概还是有着那种蜜汁自信吧= =虽然自己是其中最弱的一个,却总是不认真对待每一道题,这种事情不花时间就不会有进步!!!但是当看到别人比自己领先太多的时候却又会很失落,然后也是更不认真了。。。自己大概需要给自己打点鸡血??第二的话我必须把这个锅甩给学校!!!晚上没有空调真的过不下去啊,每天半夜就会热醒好几次,大早上的又一次被热醒,每天上午到机房都要过一个小时才能缓回来,而且头一直处于热懵的状态,这样没法集中注意力。。。
4、抱怨啥也没用,先想想解决方案。
首先以后还是要制定计划,不管完成率如何,总之先有个目标才不至于每天过的迷迷糊糊,然后是要敢于面对挑战= =这话说的好官方,但是当遇到不会的题目的时候就应该至少看题解会,并且下次遇到差不多的题时能做出来。在做数论的题时我在博客上写了几个自己对题解的理解,感觉这个方式还是很好的,下次尽量除了特别水的题外都要写一下自己的理解。(就是自己太水写的题解也很水- -那种特别简单的原因都要写一堆orz)然后就是除了刷题外,还是需要看点书补充一下理论知识的,从网上看到的知识点都是零散的,要不每天上午到了之后先把每天的单词背个一半左右,然后把当天的题目都看一遍,从看似最简单的题开始,不会就去搜题解,总之对这次的知识点有个大概的印象,中午吃完午饭后把书上对应的内容看一下,再开始继续做题。晚上的话就继续刷,现在在考虑把想看的书索性借了,放在机房,晚上可以看会儿书大概9点半到10点再回宿舍。ps.理想都是很美好的,那么看看明天的执行效果吧,and那些没做过的先放着,哪天觉得自己闲了就拿出来做!下周是图论,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