日本游的简单总结

已经回来好几天了,人太懒,现在才想起来写总结。

简单跟读者们汇报一下。

最后几天不是很顺利,当然,从某种意义来说,见证了日本不那么严谨的一面。

11.10日从函馆去东京,那么日本新干线是新函馆到东京,提前订好票,第二天中午看到说函馆列车延误较多,提前很久来到函馆站,准备做通勤的火车从函馆到新函馆站,这段距离不算短也不算长,但没想到的是,一直没有列车过来,问车站的管理人员,才知道路上有故障检修,让我去下一个站候车,我看门口很长的队伍等公交车过去,我着急就打车去了下一个站,结果还是没有火车,当然,也是财迷了一些,从函馆到新函馆距离还是有点远的,打车成本有点吃不消。然后发现不可能赶上那趟新干线了,所以重新订了一张票,还好用的周游券,没有额外花钱。后来列车终于恢复了,坐上了后一班的列车,在比原计划提前出门一个多小时的前提下,到达目的地比原计划耽误了差不多一个小时,也就是前后浪费了差不多两个多小时。不过和后面的遭遇相比,这个算好的了。

其实11.9日从札幌到函馆的路上也遇到了铁路故障检修,火车临时停靠了一会,不过时间不长,没有太当回事,看来日本的铁路交通的稳定性,并不是那么好。

11.13,按计划去机场,办理登机牌,过安检海关,登机,通知老婆接机时间,飞机按时起飞,看上去一切都很顺利,只是感觉飞机似乎略显颠簸,波音787按说应该很稳的。正在看机上电影,传来机长广播,飞机故障,需要返航。结果天上转了一圈飞回了东京,赶紧给老婆发消息,不要去机场接我了,行程有变。飞机上枯坐了差不多20分钟或半小时,大概是航司还在最后挣扎,试图快速检修,最后放弃了挣扎,请全体旅客下飞机,那么出来后给了一张临时通关单,我就纳闷了,我问飞机啥时候飞,不飞了,后续航班呢,没有。解决方案就两条,或者自己免费改签(该航班非每日航班,下一个航班要隔好几天),或者全额退款。

我这个人比较抠门,回程定的是廉价航司,所以连额外住宿费补偿都没有,没辙,重新出关,在线订了离机场通勤较近的酒店,然后退掉了这个机票,紧急订了第二天的一个台北经停航班(还是抠门,第二天的直飞舍不得订)。期间因为做错了机场列车,误上了一辆直达市区的列车,又回到东京市区绕了一大圈折腾,等于是整整半天时间全浪费了。还好第二天还算顺利,总算安全回到了新加坡,期间在台北机场买了一盒凤梨酥和一盒芋头酥,也算让经停产生了一些价值,我儿子还蛮喜欢吃的。

不过往好的方向去看,至少飞机在故障的情况下能平稳返航,毕竟安全第一,其他的也就不好太计较了。

旅行就是这样,你总要面对一些不可预期的意外和风险,其实任何情况下,都要学会放松。虽然多耽误了一天,但是晚上依然多泡了一次温泉(酒店内的免费温泉),多吃了一次叽丸水产(落地第一餐是它,临走最后一餐也是它),还额外买了一些台湾特产,这不也是旅行的一部分么。

前半程的记录不赘述,可以通过这里去回顾->出游半程的碎碎念

后半程重心在北海道,那么两天在札幌,期间去了一次小樽,第三天住在函馆,然后再回到东京。

季节不太对,所以没有滑雪,也没有薰衣草,这里特别说明一下,如果你夏天来北海道,一定要去富良野看薰衣草。不过北海道一年四季吃海鲜都是对的,我来北海道也是图这个来的。

我定的酒店下面就是札幌二条市场,(也是狸小路商店街对面),不过点评上最有名的水产店一直有人排队,所以我随便选了一家,当时感觉还是非常不错的。但后来去了小樽,在站前三角市场找了一家,发现性价比完胜札幌。后来函馆去了朝闻市场,价格上最实惠,但感觉没有小樽的味道好分量足。

我一个从不吃鱼生的人,在北海道天天吃海胆蟹肉盖饭(在札幌点了海胆蟹肉双拼,在小樽点了海胆蟹肉帆立贝刺身三拼,在函馆是海胆蟹肉鱼子三拼),真的是鲜甜可口,回味无穷。

札幌的地下商业街四通八达,店铺很多,路线很长,有空可以逛逛,不过大阪商店街走的太多了,已经见多不怪了。

吃夜宵的时候误入红灯区,我直播特意说了,果然食色性也,那家日式咖喱连锁店网上搜索,发现只有一家分店晚上8点以后还营业,过去看到满街的海报才发现周边都是风俗产业,想想逻辑是这样的,新加坡芽笼也是吃夜宵的好去处啊。

札幌的藻岩山风景还是不错的,海拔550米,比新加坡最高峰还是高很多的,考虑到我的膝盖问题,我选择了缆车上山,徒步下山。不愿意折腾的可以来回缆车,体力好的可以徒步攀登。

小樽和函馆晚上路上基本没人,店铺关的也很早,这个季节日本天黑的太早了,下午四点半天就开始黑了,五点半就几乎全黑了,本来觉得北海道火车很长的路线都是沿着海边开的,风景应该不错,结果黑漆漆的几乎什么都看不到。

东京见了一些新老朋友,也大概了解了一下日本的行业氛围,但体会不深,不敢随便乱讲,以免误导读者。

其实日本的移动支付并不弱,paypay扫码支付的普及率蛮高的,其次是linepay,此外手机绑信用卡也是很常见的一种移动支付方式。

最近几年去日本的中国人其实也不少,新加坡因为地方小,所以密度很高,感知度就很强烈,日本哪怕同样多的人过去,稀释一下,就没那么强烈的感知了。生财有术社区在日本的成员就比在新加坡的要多不少。

不多说了,视频号上看吧。

最后瞎扯几句,有人会好奇,旅行的目的是什么,其实没什么目的,对世界好奇,想要满足自己的好奇心,当然也要满足自己的口腹之欲,这就足够了。人生哪有那么多目的。

还有人好奇,开销大么?

我粗略算了算,前后两周吧,大概是3万人民币左右的开支。

账是这么算的,新加坡往返机票差不多5000元人民币左右,其实如果不是日本宣布开放的时候机票涨价比较快,实际上3000以内是能做到的。疫情前国内廉价航空飞日本往返2000以内都很常见。

住宿总额差不多1万人民币多一点的样子。平均每天差不多人民币600-700之间,有些地区比较便宜的,住的是万枫酒店,moxy酒店,福朋喜来登这种万豪旗下低端品牌,比较贵的地方,住一些本地连锁品牌,我选的位置都很不错,但不会追求所谓五星级体验。其实想再省钱也是做的到的,本地连锁品牌很多都是位置很好,价格很平易近人,设施也不错,就是房间小一点,只是睡个觉,我是觉得无所谓的。

本地交通费用差不多2500-3000左右,充个passmo卡平时用,一个本地航班(名古屋到札幌)也没多少钱,然后后面买个27000日元的周游券用了6天,最贵的新干线的费用被周游券覆盖了。期间只有列车停运的时候打过一次车,也只有3公里多,其他的时候都是公共交通。

景区门票好像很少,都不太记得,连皇宫的御园都是免费的。就保津川游船稍微贵一点。

购物花了可能2000-3000人民币?最后两天集中买了点东西,但都不贵。

其他开支有没有1万人民币,吃饭有几天吃的比较奢侈,蟹道乐啊,神户和牛啊什么的,好像只有三顿饭比较贵,在1万日元左右的奢华大餐。但平时其实也花不了多少钱。北海道的海鲜盖饭套餐我选的基本上是3000-4000日元的样子,合人民币150-200么。至于其他的更便宜了。最便宜的是松屋的肥牛盖饭套餐500日元,是日元,还包含了饮料和小菜。最后在东京还有两顿饭跟当地朋友吃的,没给我买单的机会。

差不多是这样的开支,真的不是穷游,如果要走穷游路线,省下一半真的毫无压力,咱也不至于对吧。

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
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