2021年终总结

准确来说,我的2021真正意义上是5月开始的,前期迷茫且不作为。后期才开始制定计划以及行动。

5月

距离毕业已经快一年了,不免内心慌乱,想跳槽的想法突然涌现了出来,日夜焦虑。制定了一系列的计划,开始系统性的学习。Java的系统学习也是从这个时候开始的。尝试了约hpv,压根没想着会约上。

6月

6月份的工作有点多了,但是内心开始有了小目标,已经快毕业一年了,却一直在内耗干重复性的工作,内心拼命渴望学习,由于工作的繁忙,导致学习时间减少,焦虑更加严重。

7月

7月份,做了一个决定,学车,年底跳槽,好好工作。今年要达成的目标突然多了起来,又多了一丝焦虑。此时已经写了很多的计划,所思所想,开始掰着手指算时间了,也就是这个时候,我意识到时间太少太少了。和考研的时候一样,如此的写计划,完成计划。渐渐开始有了状态,但是焦虑还是未曾减少。类似于下面的这种计划和感想太多了。
请添加图片描述

请添加图片描述

8月

一边学习一边计划一边学车一边工作一边找工作,真的是充实而又焦虑的多事之夏啊。这个时候各种鸡汤:生命可以归结于一种状态,要么忙于生存,要么赶着去死。优秀源于自律积极和勤奋。一边打鸡血一边在担忧,一边在追求梦想一边在社畜,一边在努力一边在偷懒,自我式感动和利他有效性同步并行,矛盾刺激且无趣。但是好运气好像来了,hpv约到了,成功打了第一针,可还是真贵呀。

9月

思考职业规划以及学习方向,开始自我检讨以及写了很多小作文。投简历已经延迟到10月的计划里面了。学车期间进行了一段早起活动,六点,由于自己很多时候迟到的原因,和学车教练battle了多次,也很糟心,反思了很多,得出结论,自己要深刻认识自己,自己很难或无法实现的事情不要给出承诺。

10月

毫无收获,生病了两个星期,既没有认真学习也没有学车,感觉无所收获。好在,java算是系统学习完了,师兄让我写的总结文突然小火了一把。也算是努力小有回报,痛并且快乐着。可能是生病的原因,不免伤春悲秋写了好多小作文,现在读来,忍俊不禁。人都是在经历之后,回过头来才发现自己逐渐成熟的。

11月

练车陷入焦虑,工作没时间请假,和教练的关系开始变的非常紧张,由于要科目二,投递简历找工作,神经越来越绷紧,好在科目二一次过了。一切努力皆有回报。

12月

面试了好几家,有拿到offer,被鸽掉的和我鸽的,说实话,发了offer后被鸽了心情真的是十分低落,但是这是很正常的,要学会接受并且相信自己的能力,避免陷入不良的心情循环中。学车换了个教练,比起以前,省心了很多,很多时候问题无法解决,真的可能是双方一起的原因,实在解决不了可以换个对方,问题自然就解决了。工作越加繁忙,内心开始受尽煎熬,快撑不下去了。和好友去旅行看来美丽的银杏叶,此次旅行美丽且刺激,和顺风车司机进行了battle,最终没能按照计划回到深圳。

1月

工作越来越忙,焦虑达到高潮,也拿到了offer,但是没有达到预期,随着工作上的煎熬,终于,选择了离职,接下来考完科三科四,考试前两天没有教练带着,独自沿着考道走了两天,终于在年前,考过了。考试的心里压力是巨大的,因为离职了,不在这个地方,如果没过到时候时间成本会很大,好在,一切都开始顺利了起来。数着日子规划分秒的日子暂时告一段落。接着开始的深圳的租房记,走了一天半,租房很累,虽然最后没有租到满意的房子,但是,踩到了很多坑,都是以后的找房的宝贵财富,一切,都是最好的安排。接下来快速的搬家和入职,赶在年前,把心头担忧都迅速的落实了下来。

回顾

2021达成的重大事件:

  • 人生第一次跳槽
  • 学车拿到驾照
  • 系统学习完Java
  • Hpv约到成功打完两针

反思

很多事情想做等于没做,什么事情可以先尝试, 比如我从来不相信自己能摇号摇到Hpv,但是我最后还是勇敢尝试了,自己也没有预料到会摇上;
焦虑是内耗的一种表现,要及时调整以及控制自己的情绪。 因为担心学车时间的问题这个事情我多次和教练发生过冲突,其实多数时候,选择收敛锋芒以及认识到自己的不足,是可以避免交往中的麻烦的,包括出去旅行和顺风车司机进行冲突,虽然过错确实是别人的,但是不成熟的做法只会伤敌1000自损800。
注重结果,往往过程很累。 沿路也是风景,失败也不必难过,一切都是最好的安排。找工作就是很典型的例子,双向选择,得到合适答案。
有时候好的结果需要合适的冲动,思虑太久反而不太利于达成目标。 学车是我想了很多年的,因为离职的冲动,激发了我学车的欲望。

希冀

2022年,愿你走出半生,归来仍是少年,永远热枕,奔赴山海热爱。
保持情绪的稳定与身心的健康,平安幸福。

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 6
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