如何学习技术?

文章来自baidu NY 同学的邮件,整理发出。

1. 想学的技术非常多,该怎么办?

区分重点,选定目标,循序渐进。技术是无边际的,随着知识的不断增加,会发现未知的东西更多。我们能做的是:

1) 找重点:区分感兴趣的技能和必须技能,将重点放在必须技能上。如实在区分不开,可以这样问自己:不学这个技术会现在的工作是不是干不下去了?

2) 定目标:在一段时间(至少半年内)选定一个技术方向,精研下去

3) 不断向前:当某一种技术掌握后,再开始另一个技术的研究;

 

2. 很想学一种技术,但项目工作太多,没时间开展,一直拖着,怎么办?

生存状况和工作性质注定了我们不能像在学校和外企那样有大把的可支配时间,所以要追求技术进步只能自己找时间,也即“白天求生存,晚上谋发展”的道理。我一般会将晚上和周末的时间拿出一部分来学习。

 

3. 选定一个技术方向作为学习目标的时候哦,如何开展效果比较好?

学习一门技术一般分几个阶段,入门->掌握->精通。一般情况下,达到熟练掌握的程度即可,要实现至少需一年的积累。

可以分下边几步:

1) 知其然:了解该技术的基本原理和应用场景,并进行简单的实践。这个阶段,官方文档是最好的教材;

2) 站在巨人的肩膀上:找该技术业界成熟的开源类库和应用系统进行学习,精度源代码;

3) 在问答中进步:去相关论坛学习,提问或者回答问题,并尝试独立解决论坛中已有问题,www.stackoverflow.com是最好的选择。

4) 躬身而行:实践相关技术,达到能独立完成中等规模应用的程度;

5) 知其所以然:深入了解该技术的运行机制、周边技术、性能优化、深度知识等;

6) 善用资源:在公司,高手很多,你想了解的任何一门技术,差不多都能找到相应的牛人,多和这些人沟通,会事半功倍。

 

以PHP为例:

熟悉语法&api -> 阅读zend、ci、wordpress源码 -> 用PHP独立开发项目 -> 深入了解PHP引擎实现细节、扩展编写、性能优化等

 

4. 外界干扰太多,静不下心来学习,怎么办?

刚来百度的时候,前辈给过我一个建议:关掉QQ,结合在学校时的体会,我深知这个建议的重要性,欣然接受了。

其实,静心是做好任何事的前提,关掉QQ只是一个表象,最本质的是我们要给自己营造一个好的学习环境。

做技术需要一个安静的环境和一套方法论,方法论可以找到很多(论语第一篇讲的最好),环境必须我们自己营造。

所以我的建议是:忘掉QQ、适度娱乐,努力使自己沉迷到工作和学习中。

虽然不太容易做到,但做到了对提高效率、找出学习时间都很有帮助。

 

一些复杂的技术会涉及很多方向,每个方向也可以按照上边的方式分解。

技术学习可以触类旁通,当你完全吃透一门技术的时候,其它的再学起来就快了。

 

以上内容归根结底就是要我们:懂得选择,学会放弃,耐得住寂寞,经得起诱惑。

做技术如同做学问,关于如何做学问,王国维有段话我高中以来一直非常喜欢:

古今之成大事业、大学问者,罔不经过三种之境界:“昨夜西风凋碧树。独上高楼,望尽天涯路。”此第一境界也。“衣带渐宽终不悔,为伊消得人憔悴。”此第二境界也。“众里寻他千百度,蓦然回首,那人却在灯火阑珊处。”此第三境界也。 

有兴趣者可参阅:http://www.china.com.cn/culture/guoxue/2010-03/16/content_19620537.htm

 

技术之路是艰辛且寂寞的,希望以上内容对有志于此道者有所启发。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
迁移学习(Transfer Learning)是一种机器学习技术,通过将在一个任务上预训练好的模型应用于另一个相关任务,从而加快和改善后续任务的学习过程。 在迁移学习中,预训练的模型通常是在大规模数据集上进行训练,如ImageNet数据集。这些预训练的模型已经学习到了图像的通用特征表示,具备一定的视觉理解能力。通过将这些模型应用于新任务时,可以从预训练模型中获取到一些有用的特征和知识,从而加速和改善新任务的学习过程。 对预训练模型进行微调是迁移学习的一种常见策略。微调是指在预训练模型的基础上,对模型的一部分或全部参数进行重新训练,以适应新任务。微调可以分为两个步骤: 1. 冻结:首先,将预训练模型的所有参数都锁定住,不进行更新。这样可以保持预训练模型已经学到的特征表示不变。 2. 微调:然后,在冻结的基础上,对新任务的特定层或几个层进行解冻,并将其参数设置为可更新。这些解冻的层将根据新任务的数据进行训练,而其他层仍然保持不变。通过微调这些特定层,模型可以适应新任务的特定特征和要求。 微调的关键是要根据新任务的特征和数据进行选择性解冻和训练。通常,底层的卷积层包含更通用的特征表示,可以保持不变,而较高层的全连接层则会在新任务中学习到更特定的特征。 在微调过程中,可以使用较小的学习率进行参数更新,以避免破坏已经学到的特征表示。此外,还可以通过数据增强技术来扩充训练集,以提高模型的泛化能力。 总结来说,迁移学习是利用预训练模型的知识和特征表示来加速和改善新任务的学习过程。对预训练模型进行微调是一种常见策略,包括冻结参数、解冻特定层并对其进行重新训练。通过合适地选择解冻层和进行微调,可以使模型更好地适应新任务的要求。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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