2020年终简结——人生没有白走的路,每一步都算数

2020年,疫情打乱了生活节奏,但也有收获和成长。拿到驾照,理解了疫情中“逆行者”的伟大。工作上保持稳定,技术方面变化不大。博客写作保持一定频率,健身计划未达目标,理财略有领悟。最重要的是,收获了爱情,带来了许多改变。新的一年,不再设立明确的目标,而是专注于自我提升,热爱生活。
摘要由CSDN通过智能技术生成

拖到现在才写2020年的年终总结,其实也没有什么特别的原因,主要就是因为懒。

在这里插入图片描述
自己抽空看了一下,2019年简结,发现其实差别不大,甚至可以换个标题重新发一次。

在这里插入图片描述
开个玩笑,开个玩笑,不过怎么说,2020年都是极其特殊的一年,不管是对于世界,还是对我来说,这一年都值得被铭记。

在这里插入图片描述

我想,年初的疫情肯定打乱了许多人的规划,也包括我自己,在这里我不想再去过多描述疫情洗礼下的世界,只想发自内心的向疫情中的“逆行者”致敬,中国一直被勇敢的人保护的很好!

在这里插入图片描述
好了,下面说说自己吧,其实每当这个时候就感觉很奇怪,自己明明想了很多很多,可是写的时候又感觉无从谈起,这里就简单总结一下吧。

在这里插入图片描述

2020年,工作上倒是没有什么大的变化,无论是工作内容还是技术跟去年差距都不是很大,就不详提了。

在这里插入图片描述

今年一个小收获是拿到了驾照,赶在了成都疫情严重之前拿到的,这也算是一个比较圆满的结局吧,不过还是要劝告大家一句,驾照能早点考尽量早点考,越到后面成本越高,主要是年龄大了,要面子的啊,老是被骂,面子挂不住啊。

在这里插入图片描述
关于制定的学习计划,2020年又没有完成(我为什么要说“又”),不过刚刚看了一下2020年写(水)了80篇博客,就当马马虎虎吧,只能希望自己新的一年加油了。

在这里插入图片描述
关于健身,夏天的时候还是坚持了一段时间的,不过肯定也是没有达到目标的,不过还好自己不是很胖的样子,新的一年继续坚持吧。

在这里插入图片描述
去年还制定了理财计划,这个怎么说呢,至少没有亏吧,不过倒是深刻的领悟了一句话,“凭运气赚的钱,最终会凭实力亏回去”,新的一年继续在韭菜的道路上越行越远吧。

在这里插入图片描述
除了上面制定的计划外,2020年还有一个最大最大的惊喜,这一年里收获了一枚小可爱,哈哈,这才是2020年最大的收获。跟她在一起后,我发现自己改变了很多,本来我是很内向,很宅的人,可是跟她在一起会有很不一样的感觉,很多时候都会考虑到她的感受,好了,不多说了,哈哈,懂得都懂。

在这里插入图片描述
最后,本来是例行立flag时间,但是今年不想立了,之前听到一句话,“人生没有白走的路,每一步都算数”,很多时候感觉,我们可以改变的只有自己,2020年都过来, 新的一年会越来越好的,新的一年好好努力做自己,爱自己所爱的人。

						我有一壶酒,
						足以慰风尘。
						尽倾江海里,
						赠饮天下人。

在这里插入图片描述

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

打赏作者

Coder-文小白

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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