梦里不觉秋已深

前言

  这是一篇相当无聊的长长的文字堆砌,实在不值得看,不妨看看下一篇线段树上种凸包的总结(链接)……


正文

  随着10月新番的不断更新,天气渐渐微凉(广东时冷时热),让人一下子意识到原来秋天已经来了。

  写这篇博客时,已是10月末。这天晚上,我在机房,科学楼上,东悬初月,孤星寥落。

  国庆后博客停更了一段时间,因为一检和noip初赛。一检的话我并不是特别在意,因为作业几乎没有做过,所以我也不奢望成绩。但是初赛如果炸了就是AFO了。于是国庆回来那周我就天天做初赛。结果物极必反,初赛程序输出题连错三道,差点就GG了。

  那时颓废如我,在课室想好好听课又不停发呆,各位大讲师讲的习题我都没做,所以也听不懂;讲新课时好歹我还有些不虚的,结果还坐在进口班主任特意安排的“王位”上,看个屏幕天天被挡住,只看到各大讲师秀丽亲切的脸,抄个笔记什么的也是忒带劲儿,别人都是不停动手,我动腰。

  机房算是我为数不多的可以去的地方之一,天天在机房呆久了,切几道题的时候感觉很不错,看番颓的时候又“三看一回头”,不过还好机房其他的人也很颓,不对,应该说他们比我更颓。不过他们都好厉害,不过也不是特别厉害,而我则是这群人中的达利特。

  高一刚开学进来SM的时候,一检还能靠近前五名(好吧第五),经过我一年天天去机房,不爱写作业,考试前看《分身》《疯狂宇宙》的不懈努力,我的成绩不断反向进步。平时悦读《微积分初步》《数学分析》《高等数学》的我,数学也终于成为全班倒数。终于在下学期考完GDOI,去北京旅游回来后退出了100强,不过班主任告诉我平均排名还有24,所以期末不炸,还有机会穿上“千里傲岸”的衣服。我当时就懵懵哔哔地点点头,然后期末开始听了一波课,看了看《疯狂宇宙》,然后还是考到了100多,单看理科的话,勉强水进。我仿佛看到了我更浪的资本。
  
  到了高二,前不久努力准备的一检又炸得满天飞,退了两百多名,为我们宿舍贡献了绝对值为20000+的得分(进、退一名正负100分)。之前我们宿舍演的基情话剧拿了第一,加了150分,一次考试就白演了成十上百次话剧。然而我感到很惭愧,恨不得去考蓝翔,然后挖个地洞把自己埋起来。考试之前班主任问我要不要考虑不考一检,我不假思索地说考啊,为啥不考捏?然后他苦劝我回心转意,结果还是劝不住我。舍友也拉不动我,结果我就成功力拉平均分。也让我们宿舍下一次有了登顶的可能。

  这周lml又带领我们SM抽机大队去了jz,感受。感受纪中那几百亩的占地,几倍于我们的country school;感受纪中的饭堂物菜价低的饭菜;感受被jz大佬支配吊打的恐惧;感受每天早上颓到很晚才睡然后很早起来的自己,感受一堆注定会被遗忘的东西……
  
  会石中85周年大庆,又与校运会连在一起,于是就丢掉了看全校师生健步如飞的机会。失去了看文演的机会。一大遗憾。然而,自己却在中山早上和炉石柯一起追车的时候健步如飞,早上起晚了,胡乱吃了点早餐后就百米冲刺地去追那去jz的车,然后kxy在前面飞快地跑,跑到离车还剩5m的时候,司机师傅发现不对劲,然后就把车开走了,留得我们两个在晨风中飘摇。然后DD打牛,然后去到机房,捂着肚子做题(刚塞完早餐就跑,刺激)……

  在中山的这5天里,除了天天做题领略自己有多菜,我还入了新坑国漫《狐妖小红娘》(使我看其他番的进度变成零),一口气几十集,差点喘不过气来,还把一起住的炉石柯拉进了坑,天天比赛看,他看完了给我剧透。对于那些以剧透为乐的人,我要是没有反手就是一巴掌足以证明我们的友谊有多么深厚。剧情感觉真是太棒了,看得我废寝忘食,乐不思蜀。OP、ED也炒鸡棒。
  
  不过是之前一个契机,我听了狐妖的op后睡不着觉,然后在被窝里清醒着,躺在冰凉一片的枕头上。
  
  “持有一半的梦尚未回还,许三生缘定的千万羁绊。这条殊途,我不回转。”

  过去的我出现眼前,然后又霎然离去。
  
  不过是一个契机,我看到了国漫崛起的希望,但愿国漫越来越好,而不是单纯注重经济效益,天天打小广告……

  集训回来,看着同班的同学都穿着新的班服,不得不说真的丑的一批。然而制造商还觉得自己很6,真是6如老狗。教练说可以停课了,我感觉终于要来了,final judgement. 回到班里发现调位了,而我依然坐在那里,我便对教室没有什么好留恋的了,突然回想起在酒店打cs时爆一个叫Neil的人机的头时的爽感,真是难以让人忘怀。想起一句话:I can accept lots of things, but nobody can accept everything. 全力备考NOIP的时光再一次来临了。
  
  秋已深,愿多穿衣服。
  梦已深,愿一切安好。


后记 

  关于博客,我决定以后要将题解写得尽量简洁,以后博客的可读性可能会降低。欢迎对我博客中的错误提出指证。但是我会提高更博效率。水题的题解就略过,我现在想清楚了,不写的太清楚对以后的巩固复习和思考反而更有帮助。
 
  为自己加个GEASS:看番和刷题的进度要提起来,坚持不熬夜,早睡早起,还有要天天爱跑步,学跆拳道的妹妹开始嫌弃我天天宅了QAQ

  还有应上级领导的要求,SMOJ的题面以后不会在这里出现了,不过是原题的话还是找得到的。离退役真的不远了,可能就在NOIP之后,也可能还能坚持到明年。总之我的OI路途不再是道长而远了,在回到一个普通学生的生活中前,让我再感受一下吧。


这里写图片描述

我不知不觉把自己遗忘,只想为你完成那个梦想。

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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。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。以下是度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**: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. **度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署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。 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。
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。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。以下是度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**: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. **度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署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。 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。
以下是使用Python生成《红楼梦》词云的示例代码: ```python import jieba from wordcloud import WordCloud, STOPWORDS import matplotlib.pyplot as plt from PIL import Image import numpy as np # 读取文本文件 text = open('hongloumeng.txt', 'r', encoding='utf-8').read() # 使用jieba进行中文分词 words = jieba.cut(text) # 过滤停用词 stopwords = set(STOPWORDS) stopwords.add('一回') stopwords.add('不知') stopwords.add('两个') stopwords.add('什么') stopwords.add('说道') stopwords.add('听见') stopwords.add('这里') stopwords.add('进来') stopwords.add('我们') stopwords.add('你们') stopwords.add('如今') stopwords.add('知道') stopwords.add('众人') stopwords.add('那里') stopwords.add('起来') stopwords.add('姑娘') stopwords.add('这个') stopwords.add('出来') stopwords.add('他们') stopwords.add('自己') stopwords.add('一面') stopwords.add('只见') stopwords.add('怎么') stopwords.add('奶奶') stopwords.add('太太') stopwords.add('婆子') stopwords.add('回来') stopwords.add('不是') stopwords.add('这样') stopwords.add('只是') stopwords.add('一时') stopwords.add('不能') stopwords.add('不敢') stopwords.add('不好') stopwords.add('一点') stopwords.add('就是') stopwords.add('不到') stopwords.add('出去') stopwords.add('一句') stopwords.add('之后') stopwords.add('心里') stopwords.add('今日') stopwords.add('一声') stopwords.add('听说') stopwords.add('咱们') stopwords.add('这些') stopwords.add('就要') stopwords.add('下来') stopwords.add('大家') stopwords.add('不用') stopwords.add('只得') stopwords.add('不想') stopwords.add('不由') stopwords.add('一起') stopwords.add('这么') stopwords.add('这时') stopwords.add('如何') stopwords.add('不同') stopwords.add('不再') stopwords.add('一件') stopwords.add('这话') stopwords.add('不过') stopwords.add('不禁') stopwords.add('不免') stopwords.add('不由得') stopwords.add('不得') stopwords.add('不曾') stopwords.add('不肯') stopwords.add('不敢想') stopwords.add('不往') stopwords.add('不像') stopwords.add('不为') stopwords.add('不识') stopwords.add('不怕') stopwords.add('不觉') stopwords.add('不便') stopwords.add('不由自主') stopwords.add('不怎么') stopwords.add('一下子') stopwords.add('不成') stopwords.add('也许') stopwords.add('不好意思') stopwords.add('不少') stopwords.add('不比') stopwords.add('不大') stopwords.add('不然') stopwords.add('不知道') stopwords.add('不得不') stopwords.add('不会') stopwords.add('不要紧') stopwords.add('不必') stopwords.add('不敢当') stopwords.add('不过是') stopwords.add('不理') stopwords.add('不妨') stopwords.add('不出') stopwords.add('不用说') stopwords.add('不然的话') stopwords.add('不可') stopwords.add('不免让人') stopwords.add('不如') stopwords.add('不得已') stopwords.add('不在乎') stopwords.add('不过如此') stopwords.add('不妨碍') stopwords.add('也好') stopwords.add('不依') stopwords.add('不再说') stopwords.add('不比之下') stopwords.add('不但') stopwords.add('不到位') stopwords.add('不尽') stopwords.add('不妨说') stopwords.add('不挂') stopwords.add('不同意') stopwords.add('不止') stopwords.add('不留') stopwords.add('不是不') stopwords.add('不成问题') stopwords.add('不见得') stopwords.add('不祥') stopwords.add('不问') stopwords.add('不耐') stopwords.add('不就行了') stopwords.add('不免有') stopwords.add('不毛') stopwords.add('不易') stopwords.add('不然的话') stopwords.add('不成体系') filtered_words = [] for word in words: if word not in stopwords: filtered_words.append(word) # 基于文本生成词云 mask = np.array(Image.open('hongloumeng.png')) wc = WordCloud(background_color='white', font_path='msyh.ttc', mask=mask, max_font_size=100, min_font_size=10) wc.generate(' '.join(filtered_words)) # 显示词云 plt.figure(figsize=(10, 10)) plt.imshow(wc, interpolation='bilinear') plt.axis('off') plt.show() ``` 说明: - 代码中使用了jieba进行中文分词,需要先安装jieba库。 - stopwords是停用词集合,用于过滤一些无意义的词汇。在这里,我们添加了一些《红楼梦》中常出现但无实际意义的词汇。 - 词云使用了《红楼梦》的封面作为掩模(mask),通过指定mask参数可以将词云形状限制在指定图形内。在这里,我们使用了一张红楼梦的图片。 - 最后用matplotlib显示生成的词云。
评论 1
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