10月21号fesco登山节

上周末fesco组织去石林峡 爬山,据说是啥登山节,虽然菜菜对爬山之类的活动实在没啥兴趣,但考虑到最近体重直线上升,而且似乎俺们公司的去是免费的,还提供一顿午饭,于是菜菜义无反顾的报名了。。。。

10月20号的人数报满了,菜菜没赶上,只好报了21号的,顺便祈祷下别太累,免得周一起不了床。

7点50在朝阳集合,由于菜菜住的实在有点偏远,于是俺调了个5点20的闹铃,结果,还是没起作用,幸好某位同志打电话问了俺一下,不然,多半是赶不上班车了。6点种,坐上345快,感叹下,好冷啊,幸好菜菜拎了件厚大衣,不然,肯定得感冒。。。。5555,可惜这件大衣在爬山的时候真是一个沉重的负担。

到了德胜门,换地铁到东直门,折腾半天,冲到朝阳。终于找到队伍了,我晕,这么多人,至少16辆大巴。。。菜菜估算了下,不下500人,固然fesco的人不少,拖家带口更不是少数。。。果然是十上八十啊。。。菜菜边感叹边找了个位置坐下来,可惜,不是美女,于是菜菜开始习惯性的睡觉。。

途中惊醒数次,更是听到负责人不断的说着注意事项。。。&%…%#@&×~&¥。。全部自动忽略。。。只是,朦胧中菜菜似乎听到狗肉两字。。。恩恩,狗肉,不错,难道要请我们吃狗肉???口水。。。

10点多,终于到地方了,领了水和面包,便出发了。。。

一天下来,过后的印象,基本如下

第一 山很破,真的很破。就俺这个在成都盆地长大的同志来说,觉得跟俺学校后面的小山包差不多。尤其奇怪的是为啥每个大点的破石头都能算个景色??

第二 山上好多柿子,红彤彤的柿子啊,满山都是。让你恨不得摘它一堆拎回家慢慢吃。。。当然,绝大部分人都将这个想法付诸实行了。。。但是菜菜没有,当然,这不是因为菜菜品德是多么的高尚,纯粹是因为——菜菜忘记了……为此菜菜后悔了好几天,好歹也要摘个坐纪念吧。

被菜菜逮到的“偷柿子”的“小贼“,不过他们摘得实在是有点多,连菜菜都看不过眼了

第三 刚进山门的浮桥和铁索桥很好玩。那个铁索桥纯粹就是 几根用铁链挂在水面上的圆木,而且是互不相连的,感觉好像秋千。

浮桥似乎就是几个连着的泡沫,很考研平衡能力(似乎运气多点),鉴于这几天天气不咋暖和,菜菜没敢尝试。

倒是走铁索桥的时候碰到一个极品!!用菜菜的话说:身为一个男生,胆小不是你的错,想过铁索桥也不是你的错,但是,你阻碍交通就是不对的了。就是因为这个极品,每走一步都怕得不得了,每走一步都要考虑5分钟以上,尤其是最后一步,起码考虑了15分钟才迈出去,OMG,害得菜菜起码花了一个小时来走这个浮桥。。。脚都站酸了。。。不是菜菜不想放弃,主要吧,前面有个慢的乌龟爬的领头男生,后面吧,都是人,都是迫切希望前面人快走的仁兄,根本转不了身。。。这个,就叫做骑虎难下了吧

过了桥以后菜菜回头拍了一张,没有极品就是速度快啊!!

第四 菜菜在山上捉到一个类似四脚蛇or蜥蜴的小东西,真可爱啊。虽然很想带她回家,但是考虑到它太小了,还没有菜菜的小指粗,而且菜菜也不知道它爱吃啥,于是给它拍了几张玉照后。依依不舍得跟它拜拜了。

 

最后来俩合照

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