Francek Chen 的512天创作纪念日

最新推荐文章于 2025-05-26 00:20:20 发布

Francek Chen

最新推荐文章于 2025-05-26 00:20:20 发布

阅读量928

点赞数 38

分类专栏：创作里程碑文章标签：程序人生经验分享学习创作纪念日大数据人工智能

本文链接：https://blog.csdn.net/Morse_Chen/article/details/147442804

版权

创作里程碑专栏收录该内容

4 篇文章

订阅专栏

在这里插入图片描述

Francek Chen 的512天创作纪念日

在这里插入图片描述

Francek Chen 的个人主页

文章目录

Francek Chen 的512天创作纪念日

机缘

不知不觉的加入 CSDN 已经第四年了，最初我第一次接触 CSDN 技术社区是在 2022 年 4 月的时候，通过学长给我们推荐了几个 IT 社区平台，有 CSDN，博客园等等。CSDN 作为中国最大的程序员创作平台，我那时也是抱着好奇心注册了 CSDN 的账号，查看一些学习中难题，搜集一些学习资料。

直到 2023 年下半年，在学校开始了大数据专业相关课程的学习，由此才开始萌生了创作的想法，然后在 11 月 28 日发布了人生中第一篇博客《大数据技术概述》，接下来就一直围绕着大数据主题、结合所学的课程进行创作。后来，学习人工智能和机器学习相关的知识和内容，拓宽自己的知识面，提升个人能力。通过写博客来记录学习的过程，也可以巩固知识，与大家分享；同时还能结交一些大佬，以他们为榜样，激励自己不断学习。

在这里插入图片描述

收获

这段时间里，我经历了许多，感受到了成长的喜悦。在日常学习的繁忙中，我依然坚持创作的信念，将技术和经验分享给大家。但无论是繁忙还是减缓，每次打开创作的心扉，都是一次新鲜的体验。这一年来，是技术之路的探索，是表达能力的锻炼，更是自我的成长。每一篇博客都是一次对知识和经验的总结，也是对自己成长的见证。或许在技术领域取得了一些进步，或许在写作中找到了更加独特的风格，这一切都是在不断尝试和努力中实现的。

在这里插入图片描述

经过这 512 天的创作时间，我得到了许多宝贵的收获。截至目前我创作了 314 篇文章，收获了 23943 位粉丝，获得了 1144727 次总访问量、15220 次点赞、5066 次评论、12760 次收藏以及我最喜欢的创作者身份认证大数据领域优质创作者。从新星创作者到优质创作者，从 5k 粉丝到 2w 粉丝，从综合热榜第十六到综合热榜第一，创作者周榜排名不断上升，都是一点一滴、不断积累的结果，这让我感到非常欣慰和鼓舞。

2024 年 8 月第一次参加虚竹哥举办的活动——新星杯·14天创作挑战营·第2期，遗憾获得第6名，2025 年 1 月再一次参加了新星杯·14天创作挑战营·第7期，获得了第2名。这里要衷心感谢虚竹哥带我涨粉。

此外，我还通过创作结识了许多志同道合的领域同行，他们不仅给予了我许多宝贵的建议和支持，还让我看到了更广阔的技术世界。在加入 CSDN 这个圈子慢慢的也是认识了很多创作者：AIGC领域优质创作者小ᶻ☡꙳ᵃⁱᵍᶜ꙳，全栈领域优质创作者景天科技苑，博客专家小虚竹、征途黯然.、韩楚风等等。

在这里，还要感谢大家的支持和关注！

日常

创作文章或许现在已经成为我学习生活的一部分。但主要我的创作和我的学习关系是在有限的精力下，去坚持创作博客，保持这个习惯。CSDN 已经成为我学习上非常重要的伙伴。现在养成了写博客的习惯，也方便之后回顾和查看，慢慢的让自己变的越来越好。无论是对现在的学习，还是对以后的工作，我都认为记录学习过程是一件非常有意义的事。同时，我也会将创作中的经验和教训应用到工作学习中，不断提高自己的工作效率和学习能力。

在这里插入图片描述

成就

1、我认为比较好的专栏有：

欢迎大家前来订阅，共同学习。嘿嘿🤭

2、我最喜欢的三篇文章是：

在这里插入图片描述

其中，创建回归模型部分代码如下：

public class SoftMaxRegression {

    public static MultiLayerNetwork softMaxRegression(int seed, int numRows, int numColumns, int outputNum) {

        Map<Integer, Double> momentumSchedule = new HashMap<>();
        momentumSchedule.put(0, 0.5);
        momentumSchedule.put(2, 0.6);
        momentumSchedule.put(4, 0.7);
        momentumSchedule.put(6, 0.8);
        momentumSchedule.put(8, 0.9);

        MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder()
            .seed(seed)
            .gradientNormalization(GradientNormalization.ClipElementWiseAbsoluteValue)
            .gradientNormalizationThreshold(1.0)
            .optimizationAlgo(OptimizationAlgorithm.CONJUGATE_GRADIENT)
            .updater(new Nesterovs(0.01, new MapSchedule(ScheduleType.ITERATION, momentumSchedule)))
            .list()
            .layer(0, new DenseLayer.Builder()
                .nIn(numColumns * numRows)
                .nOut(128)  // Example hidden layer size
                .activation(Activation.RELU)
                .build())
            .layer(1, new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD)
                .activation(Activation.SOFTMAX)
                .nIn(128)  // Input to output layer
                .nOut(outputNum)
                .build())
            .build();
        
        return new MultiLayerNetwork(conf);
    }
}

在App主类训练并评估模型，增加常量定义：

int epochs = 10;
int seed = 123;
int listenerFreq = batchSize / 5;

log.info("Build model......");
MultiLayerNetwork model = SoftMaxRegression.softMaxRegression(seed, numRows, numColumns, outputNum);
model.init();
model.setListeners(Collections.singletonList(new ScoreIterationListener(listenerFreq)));

log.info("Train model......");
model.fit(dataSetIterator, epochs);

log.info("Evaluate model......");
Evaluation evaluation = new Evaluation(outputNum);
// Correctly initialize test iterator with 'train' set to false
DataSetIterator testIterator = new MnistDataSetIterator(batchSize, false, numSamplesTest);

while (testIterator.hasNext()) {
    DataSet testMnist = testIterator.next();
    INDArray features = testMnist.getFeatures();
    INDArray labels = testMnist.getLabels();
    INDArray predict = model.output(features);
    evaluation.eval(labels, predict);
}

log.info("eval stats:\n" + evaluation.stats());
log.info("End......");