【程序员杂谈】没有代码的年度总结

写在前面:

2019已经结束了,2020年,它来了,悄悄地来了!

接下来请允许我回顾一下我的2019,来迎接更美好的2020吧!

我的2019:

2019年的寒假:

刚刚经历完大一的上学期,这一整个学期都是迷茫焦虑的状态,也许是因为我真的还没适应这个大学生活吧,所以,寒假的我就是一直在玩玩玩,每到假期,我还是不亦乐乎地玩玩玩,所以说,这是一个失败的寒假,但是呢,在失败中,还是有值得回忆的地方,就这样,我大一的寒假就过去了~


哈哈哈哈,那时候中间那个人就是我啦,这是一张4年后我们又经过祖庙的照片,是一段美好的回忆啊~

2019.3-2019.6:

这是我大一的下学期,焦虑的面对即将结束的大一生活,我开始意识到我应该干点东西了,这时候的我也正自忙着备考四级(哈哈哈,幸好过了),这时候的我也没学到很多专业课,只是学到了C++、算法、计算机组成原理,其中,C++和算法课的老师,是我大一的一位人生导师,他很欣赏我,还在无意之中把我提上了班长这一职位,他对我抱有很大的期待,但是他格外地严厉对待我们,那时候的我对他超不爽,尽管他对我有多好!
在这里插入图片描述
在这里插入图片描述
这一张截图,这一张合照,是我们最后一次见面的时候拍的,那时候的我还不怎么想去,那时候的我总感觉他怎么事这么多啊,老是搞我们,但是,现在回想起来,他所做的一切的出发点都是好的,只是我们都不理解你而已,希望以后我们还有机会再见吧!正所谓,一日为师,终身为师!
在这里插入图片描述

在5月份,我跟着我的“办公室”的小伙伴们一起出发去白水寨游玩,哈哈哈,这是我第一次拿起相机去拍照,但是这仅仅只是拍照~
在这里插入图片描述直到暑假,我参加了三下乡社会实践活动,额额额,这次这个三下乡实在是包含了太多故事了,我们一起拍照,一起吃饭,一起压马路,一起弄推文,这样子,就过了一个暑假了,而我也渐渐爱上了摄影,开始了我的摄影之路,此处附上我这半年来制作的视频,有兴趣的小伙伴,可以点进去看看
https://b23.tv/av76418021
https://b23.tv/av74627370
https://b23.tv/av73405700
https://b23.tv/av73195535
https://b23.tv/av70450218
https://b23.tv/av69987825

接下来就来说一下11和12月发生的事情吧:

11月,是一个分别的月,我一个很好很好的朋友,不知道是啥时候开始,本来我们从暑假到现在一直都有发每天的总结给大家的,以此来监督大家的学习,在11月的某一天,我们彼此突然就没再发了,不知道是什么原因,也许是因为生活的忙碌吧,也许是因为没价值了,也许是因为我们已经到站了,各自要下车了,从此以后,我们再也没有打扰过对方的生活了,也许这就是成长的孤独吧,总会有那么一段路是孤独的(其实我上来大学以后都是孤独的 哈哈哈哈哈)
12月,我接连退出了两支队伍,第一支队伍,是由我组织的,可能是因为我人脉比较窄,所以招进来的队友都是身边那些一起工作的人,但是那时候,我觉得这样子就足够了,但是呢,没想到,其实他们都不太想做这个项目,而且因为没有我没有人脉的关系(此处再次强调人脉,因为在这个社会,你没人脉,只靠单干是很难变强的)结果我是解散了这支队伍。但是在临近截止期的前两周,我很幸运被邀请到一个队伍里面做项目,里面的人都很有想法,他们的表现都很抢眼,我们总是可以想到idea(当时的我在想,我们是不是应该想好一个idea之后,就赶紧去做呢,毕竟想跟做是不一样的!),后来,我们一起搞了很久,终于确定下来要做什么,但是留给我们的时间只有一周的时间,但是我觉得已经足够了。但是就在15号的晚上,我们一起出来做的时候,突然就发现了一个已实现的项目跟我们现在要做的项目是惊人地相似,这简直就是天大的打击啊,经过一番热烈讨论,我们最后得出的结果是,不做了。
这时的我才发现,原来做项目就是这样,思维的碰撞,还有自己的眼界,还有人脉,都是很重要的,虽然我们没有做成,但是跟他们在一起讨论时候,我发现了自己的身上有很多需要改进的地方,例如自身的眼界和人脉。所以,我真的很高兴认识这一群队友!

总的来说:

这个年度总结大概就这样吧,以上内容仅供个人参考,我只是一个渣渣二本的渣渣程序员,哈哈哈哈哈。这一年,其实也没白过的,虽然我在技术还没有实质上的提升,但是,这一年,我在办公室学到的东西,我在与人交往上学到东西,都是不可替代的,希望在2020年里,我能继续坚持自己的目标(考研),不忘初心,继续前行,希望办公室越来越好,希望我的朋友们也越来越好!加油!!!!

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,博主看到后会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,博主看到后会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,博主看到后会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
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
评论 2
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