2017 打破那层壳



    从加入提高班开始,渐渐地习惯了用文字来记录自己的生活。从刚开始的任务式的完成博客,到后来的自觉开始想记录一些东西,一些优秀的习惯可能刚开始有些抵触,拒绝接受,但听的多了,看的多了以后,特别是见到自己身边的同学坚持以后的改变后,自己也开始试着接受这些东西,慢慢的也从中收益颇丰。


回顾2016

     怎么说呢,2016年对我来说是一个不想忘记又特别想忘记的一年,不想忘记的是前半年的作品展,自考,思想逐渐改变等等一些有意义的积极向上的时光。想忘记的是下半年脱魂的状态,有些事情不想触碰,像是还没有愈合的伤口。 
    讲真,其实这一年的收获还蛮多的,只是有时候自己看不见这些收获。作品展和彪哥捣鼓了一个多月的作品,虽然现在已经想不起来细节的东西了,但依旧还能想起在父母亲大人面前滔滔不绝的跟他们讲:“爸!妈!这玩意儿是你闺女和一个帅小伙捯饬出来的!”那个得意劲儿。尽管他们说“你说啥就是啥呗,反正我们也看不懂。”(笑哭) 

    

    3月份第一次自考,报名当了自考组长,带领白靖、云秀、楠哥、婷婷、代金遵循三遍读书法,三个多月第一、二阶段基本上每天带着大家一起看书、讨论,第三阶段做题讨论每个人都参与其中,也是一段欢乐难忘的时光了。10月份第二次自考,跟娜姐、“马老师”、“樊老师”、“董老师”、学霸皓月、立瑶,还有谁?啊!差点忘了还有一个和我同姓差点儿又同名的杜宇航,风风火火的进行了第二次的自考。考了三科,过了两科也还不错。

    英语上进步不明显,断断续续的在听,跟着大部队的脚步走,不温不火。十二月份是一个转折点,开始加入晨读,坚持早起和大家一起晨读,自己是一个容易被氛围感染到的人,大家那么积极,对自己也很有影响。


    业余生活,自己也是个闲不住的人,下半年报了个吉他班,尽管五音不全,乐理知识一窍不通,但是青春不就是在于折腾嘛~用董的话来讲就是:我们又多了一门撩汉的技能~~哈哈!还记得中秋节那个假期,晚上去哥家上课,不知道怎么就聊起天来了,哥跟我们聊得起兴,一直聊到深夜十二点宿舍都锁门了才肯让我们会去,结果宿管阿姨不给开门,最后骗她说隔壁学校有个朋友心脏病犯了,才给我们开门。(忍不住想吐槽一下女生宿舍八号楼的宿管阿姨,简直了!!!迫不得已编了个破借口)。




展望2017
    
   
   2017年我希望会跟2016完全不同,把自己的生活调整过来,做个自律的人,走出舒适区,探索未知的自己。给自己定一个小目标,大家可以监督我哟~


  1.自考科目一次性通过。
  2.英语可以开口进行日常简单的交流。
  3.每个月一篇生活总结。
  4.计算机进度处于中上游。


  就酱紫了,这篇文章的标题叫做《2017 打破那层壳》也是希望自己能够放开自己,探索自己更多曾经不可能的一面。


   最后的最后奉上最近对我很有影响的一句话,是小白经常在家做饭时讲的一句话:“我什么不会呀!”,每次听之句话都很想笑,但是就是这么有魔性,说完就立马自信的不要不要的,哈哈~
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 31
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