感受5.12汶川大地震

    我们家在四川省南充市市区。5月12号,中午14:20分,提醒上班的闹钟又响了,但是感觉有点困,下午3:00才上班,我就再眯一回儿,过了几分钟感觉身体晃的很厉害。我还以为是我家小孩在推我,起来一看,小孩还在床上睡觉。我的第一反映就是地震,我马上更我老婆说是地震。当时,我还没准备跑,只想找个角落躲起来,后来我老婆问要不要抱小孩,我说好,老婆抱起小孩,又问我要不要带东西,我说立即走,我们就一起跑下楼,由于我们住在7楼,往下跑得时候楼梯上已经有人了,还有很多人比较慌张,在推人。我大声说不要慌,震得不是很厉害。
        当我们跑到楼下空旷地时,已经聚集了很多人了。由于当天刚好我的眼睛被小孩搞坏了,周围的东西都没看的太清楚。当时,很多人,穿各种衣服的都有,还有些只有个裤衩。
        大家开始议论起来,说政府怎么不预报,好吓人之类的话。更多的人士掏出手机到处打电话,但是都打不通,我用的是联通的133手机,由于跑得时候有点慌,连收集都没拿,所以不确定当时C网手机能不能打(后来确认只有133能打,移动和联通G网都不能打)这其中房子又震了几次,但我没明显感觉到。
        大约过了10级分钟后,回家看到微波炉都被震到地上了。还有泡酒瓶子,小孩的药碗等都被震倒地上了,还有一些书,衣架之类的东西也震到地上了,另外还有一些鸡蛋,调料瓶被摔破。其他东西则完好无损。来不及清理,我把电视打开,已经有新闻在报导四川汶川发生7.8级地震。
        知道情况后,我拿了手机及小孩衣物奶瓶马上下楼。
后面还有很多关于,余震,睡帐篷的是,从12号到22号,我共在外面睡过3次,其它都在家里睡。其中两次都是睡到12:00由于谣言,或政府发布余震预报,被朋友拉起来的。另外一次是我们一家人决定在外面住的(帐篷和被子都是现成的)。
    由于南充不是主震区,余震的影响不大,不会造成大的破坏。我们决定从5.21起在家里正常居住,开始正常生活。由于工作性质原因,从5.12到5.21除周末只有1天没去上班,其他时间均去公司上班。
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