这 2 位程序媛,注定载入史册啦

(给程序员的那些事加星标

原创:程序员的那些事(id:iProgrammer)


注定载入史册的 2 张照片和 2 位程序媛 u1F389.png


2017 年,Katie Bouman 和存储首张黑洞照片的硬盘


Katie 旁边的那些硬盘(半吨重,摞起来也差不多和她同高了),存储着首张黑洞照片的相关数据,超过 5PB。(PS:1 PB = 1024 TB,1 TB = 1024 GB)


640?wx_fmt=jpeg

(照片拍摄于 2017 年,截图来自 BBC 网站报道)


2016 年她在 MIT 读研时开发的一种算法,对 2019 年 4 月 10 日公布的首张黑洞照片起了很大作用。


昨天推文《处理半吨黑洞照片数据,这个程序媛写的算法立了大功》,并没有细说 Katie 读研时写的算法。


有兴趣的童鞋,请看 Katie 团队在 2016 年 6 月发表的算法论文:Computational Imaging for VLBI Image Reconstruction


论文链接:https://dspace.mit.edu/handle/1721.1/103077



1971 年,Margaret Hamilton 和阿波罗 11 号飞船制导系统的代码清单


640?wx_fmt=jpeg

(图来自 MIT 官网)


1969 年 7 月 16 日,阿波罗 11 号飞船在肯尼迪航天中心发射升空。20 日下午,宇航员阿姆斯特朗驾驶登月舱成功降落在月球表面。


阿波罗 11 号飞船制导软件的主要开发者是 Margaret Hamilton。


Margaret 的上面照片拍摄于 1971 年,她旁边一大摞齐人高的资料,就是登月飞船制导软件代码清单。


阿波罗 11 号飞船制导计算机「指令模块」和「登月模块」源码,版权已进入公有领域,热心网友从 MIT 科学博物馆做了扫描数字化,已托管在 GitHub 上,链接:

https://github.com/chrislgarry/Apollo-11


此外,如今程序员熟知的术语「软件工程」,也是由 Margaret 提出的。

Katie 和 Margaret,她们都是 MIT 毕业生。



参考:MIT、维基百科、GitHub


推荐阅读

(点击标题可跳转阅读)

处理半吨黑洞照片数据,这个程序媛写的算法立了大功

第一位做游戏开发与设计的女程序员

这个美女程序员写的代码,带人类成功登月



关注「程序员的那些事」加星标,不错过圈内事

640?wx_fmt=png

喜欢就点一下「在看」呗~

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