大学教会了我什么

想写这篇博文很久了,今天整理一下思绪,想到哪就写到哪。在写之前有很长一段时间我都在想这篇博文的标题要怎么取,是以“大学教会了我什么”还是以“编程教会了我什么”为题呢?关于这个问题我有和女票讨论过,她毫不犹豫的选择大学,至于为什么,她并没有给出说服我的理由。

五月份的时候在外实习的学长回来准备一些毕业的事情,在交流的过程中他讲了一些他自己的看法。他说最好不要把所有的重心都放在技术上,要能跳出技术这个圈子去了解一些其他的东西,比如产品,生活等。我觉得他说的很有道理,如果只是一味地学习技术而忽略了生活中的其他部分,那不就变成了一个书呆子了吗?

今年大三,前两天结束了大三的最后一节课,说不定也是大学期间的最后一节课。现在还很清晰的记得 15 年的 9 月份,自己一个人坐上了从老家开往黄山的火车,感觉离自己很近,但是已经过去了快 3 个年头。换个角度,3 年前我抱着怎样的态度对待大学生活的呢?我已经不记得了。

在这 3 年时间里有近 2 年我都没有明确想做什么,现在来看,大一与大二期间的校园生活,可以说是不合格的。如果把问题还原到我纠结的标题上,那么大三期间也有一些遗憾。虽然有遗憾,但是我却找到了我想做的事,并且坚持了下来。

当时可能是因为某乎刷多了,感觉到了和别人的差距,我觉得我得改变点什么。就这样在大二下的 5 月份,我规划了一下时间,开始了从 0 学编程之路(因为之前没有写过像样的代码)。这个过程中并没有感觉到枯燥,反而是很舒爽,没事的时候就写写代码,看看电影什么的,一直坚持到今天没有怎么改变过。

在写代码的过程中,也学到了很多,不止是技术的提升,更多的是它教会了我一些东西。我觉得最重要的就是:耐心、时间规划和思考。

虽然自身是软件工程专业出身,但是自己的编码能力都是靠自学。自学期间无疑会遇到一些问题,那么这些问题要怎么解决?是望而却步还是有耐心的去解决问题?就我自己而言,遇到编码 BUG 时我都会在第一时间内去解决。我曾为了一个相反的单词导致程序出错,而花费一下午时间去找问题的原因,也曾因为一些其他原因熬夜到很久,可能会花费一些时间,但是我认为这些付出都是值得的。

什么是工作经验?我想应该就是不断的总结和反思自己遇到的问题,当你下次遇到时能够在很短的时间内解决,或者帮助别人解决问题。现在越来越相信坚持到底就会有收获这句话,当然你也不能就自信地以为的所有努力都是需要回报的。

不知不觉的发现我养成了一个好习惯,在做一件事之前都会先规划一下,在适当的时间内做应该做的事。当你把一个任务适当的拆分成很多的模块时,并为它们规划好时间,就不会感觉到急躁,这么做是很有必要的。从去年的 5 月份到今天,每个月大概做了什么我都可以回想起来。

为了丰富自己课余的生活,除了写代码之外,偶尔会看看电影。现在有点喜欢印度电影了,电影想要展现的不应该只是华丽的场景,关键是它想要表达什么,是否能够引起你的思考。看过的几个印度电影都挺让我感动的,其实只要你仔细观察就会发现生活总处处存在着让你触动的事情。

前些天,我去杭州找实习工作,因为地图导航出了一些问题,没要找到具体的面试地点,当时天气又很炎热,我有点急躁了,拦了一些过往的路人,那天应该问了有 10 多个路人,他们有路边上的环卫工人,有上班族,也有外卖小哥,他们都很礼貌的回应我,没有一个人显得不耐烦,瞬间对杭州的印象好了很多。

顺利的在杭州找到了实习工作,这是一个开始,也为我的校园生活画上了半个句号。希望能够遇到一些志同道合的朋友,一起努力一起进步。学习技术的同时,尽量培养一些其他方面的兴趣,多看看书,有机会一定会健身,还有就是想烧一手好菜,毕竟小时候单纯的想做一名厨师。

因为写代码程是在大学期间学会的,那么这个标题应该没什么问题吧我想。

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 1
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