史前网志年会

2018 年 5 月 26 日,史前网志年会在杭州召开。我没能参加白天的活动,晚上聚餐的时候才赶到,一下子看到诸多老朋友,十年前的记忆一下子纷至沓来。

中文网志年会第一届在 2005 年举办,到 2010 年因为各种不可抗力无法继续下去。虽然只举办了几届,但却是那一批 Blogger 不可磨灭的记忆,成了生命中的一个痕迹。时隔 8 年,「史前网志年会」复活,虽然没那么正式,但是却别有意义。

十年前,2008 年,中文网志年会在广州举行,我在年会上做分享,那也是我人生里第一次在公开场合做演讲。演讲的效果…一塌糊涂。在那之前,我从未想过有一天会当着那么多人去进行表达,能在网络上用文字表达就已经足够了,不是吗?

我还记得那天的场景。现场带去的 USB 盘不能用,手忙脚乱的重新拷贝 PPT,然后一下子就有点慌,场地是开放式的空间,前面一半人在听,后面一半人在交流,嗡嗡声充满了整个会场。讲到一半,实在听不清我讲什么,一个兄弟忍不住站起来对后面大喊:你们有点礼貌行不,都小点声儿!想到那时候的尴尬,想到那位兄弟之耿直可爱,至今仍想哈哈大笑。

我一直认为自己不适合公开表达,不过 10 年之后,我甚至可以随时可以进行演讲,虽然不总是那么精彩,但至少克服了这个障碍,而这,因为中文网志年会。

为什么这次叫「史前网志年会」呢?因为参会的人都是最「老」的那一拨写网志的。网志,还有个更通行的叫法:「博客」。 当初大家都很反感方兴东那拨人把 Blog 翻译为「博客」,更倾向于另外一个小众的叫法,「网志」。我坚持用了很多年,直到后来需要向人解释「网志」就是「博客」,也干脆改口了。

我写了多少年的网志(博客),算下来,可能有超过 10 年,然后在微信公众平台继续写作。现在不少人通过微信公众号知道我,却不知道在那之前,我多年来一直在做技术类的写作分享。那么多年能坚持做一件事,更多是基于兴趣,没有什么大的经济回报,全凭一股热情。我相信我写的东西曾让不少人在当时受启发,但几年后,也有人在社交媒体上讥讽我,写的东西肤浅,没价值,说实话,我觉得也挺嘲讽。

价值很难判断。如果用金钱衡量,消耗大量时间和经历写出来的东西,回报甚微。但值得说的是,有次我心灰意冷,说做 Google 广告的收入连每年托管费都不够,打算关掉网站,豆瓣的阿北看到了,赞助了我三年的网站托管费,于是,就又坚持写下去。后来豆瓣无论怎样,我始终带着感激和祝福,希望豆瓣能抵达美好之地。

现在回想起来,我要感激 Blog 这个东西,是 Blog 让我的人生发生了转变。如蝴蝶效应,当时某些细小的事情,在人生以后的某个时间点带来了巨大的影响,或许其他人也是这样。

我记得那些曾给我影响的人。我还记得王建硕的一些理念给我的启发,记得建硕推荐过的《旅行的艺术》,他说那是一本好书;车东在自己网站上分享的技术内容形式给了我启发,那是我最初思考如何做内容产品的契机;我还记得我以前用 Movable Type 架设的个人站点样式参考了 Webleon 的个人站点的风格,而蘑菇街创始人陈琪帮我调过页面上菜单的一个样式 Bug;我还记得在北京看了詹膑的奇遇花园咖啡馆,回来后不久,杭州的几位兄弟一起创建了到现在也没赚钱的贝塔咖啡,当然也还没倒闭。

我还记得那些不期而遇的人。我还记得和白鸦去广州参加网志年会,他在今天的会上也做了分享,晚上汪峰在黄龙体育中心的演唱会会场,白鸦创建的有赞在大屏幕上打出了招聘广告。我记得在广州的那天晚上我们去了一家酒吧,酒吧的老板如今已经客居海外,回国无期。我记得在酒吧遇到了留着平头的连岳,而如今连岳是微信平台上的自媒体大号,做起了电商,带货能力还挺强;我还记得那年网志年会最精彩的演讲来自一个我们之前并不熟悉的一个人,十年后,这个自称民主小贩的人在微博卖起了壮阳药,还和一个著名女五毛厮混在了一起。我记得那时候我是推特上的流量大户,不少新上推特的人,都被我「赞助」过流量,其中的一位叫「安替」,他居然还记得我当时的举手之劳。

十年,有些人重建了世界观,有些人世界观坍塌,有些人经历了生死,有些人看透了人性,有些人重拾信心与爱。

诸君,这 10 年里,我也经历了巨大的变化,但我内心足够快乐充盈。我经历的那些有趣的故事,值得另外写出来,只要你愿意看。

十年后,这批人会怎样?我内心的期待是自己不要变成一个保守者。除此之外,别无他求。

EOF

Google+
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。
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。
【5层】2800平米框架商务写字楼毕业设计(含计算书,建筑、结构图) 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。
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