2017.02-2017.09 —— 拓展新边界

引言

依然是同样的感觉,时间过得很快,每天都忙得很晚
但依然有着很多收获,也有着很多遗憾,也好,遗憾成了下个阶段的目标


 

思想方面

知道了迷茫的时候应该平静的独处,整合自己内在的精神结构冲突,这个过程是痛苦的,但是不能逃避,否则会加剧分裂。

的确,有些道理,当我们没有经历过或者达到这个境界的时候,是不会理解的

 


 

管理方面

在项目管理中,要做到两点:授权 和 监督

授权可以充分发挥员工的能动性,因为给了他责任,如果可以,也给信任(发自内心)
监督可以了解项目的进展,有时员工消极怠工,有时遇到难题,无论心理还是技术,通过监督可以及时了解,然后再协调人员、事务

在这里,开发者和负责人的想法是不一样的,了解大家的想法对于项目开发是很有必要的
不过首先要记住自己的本职工作,负责人是掌控整个项目的进行,得知道组员每天在干什么,遇到什么问题,协调资源;组员开发分配自己的任务,有耽误项目进展的问题要及时汇报,多和负责人交流

在个人管理中,在做的有时间管理、资料管理和精力管理

时间管理一直在写日报,每天给自己制定任务,然后逐一去完成。现在的心得是:不要制定的太满,不要制定的太死,否则会拖延和自责的。慢慢发现,这就是一个和自己斗智斗勇的过程。

资料管理,现在还好。分类,备份,定期删除,坚持“如无必要,勿增实体”。简洁才会高效

精力管理,也算是时间管理的一部分吧,提出这个是因为自己太忙了,每隔一段时间就会有种“忙忙碌碌,碌碌无为”的感觉,因为自己的精力被切割的太多,导致无法在某一块做出效果。挑选2、3个重要的,集中主要精力去做,其它的……视情况而定(并不是所有事情都必须是自己来亲力亲为的)

 


 

技术方面

这半年,一半时间在Java,一半时间在Angular2

前端方面,因为公司要求前端工程化,所以去研究Angular2
关于Angular2,前期主要负责研究测试,e2e测试和单元测试,跟着官方文档写测试用例
后期进入Angular2的系统开发,负责其中一个模块,由此深入学习组件模块路由等相关知识

后端方面,从开始的SSH框架到现在微服务架构,在项目中成长很多
现在的微服务架构用的是Dubbo和zookeeper,同时也用了一些其他技术
在项目开发中,遇到了很多问题,同时也成长了很多

技术,越是学习,想要学习的就越多

 


 

英语方面

休息时间看了一些美剧,《欢乐一家亲》11季,《保姆杰茜》4季,《硅谷》3季,同时把剩下的《破产姐妹》看完了,现在在看英文版的动画片
这些都是在闲暇时间看的,吃饭睡前什么的,要说效果有多少,说实话看不出来,但这并不是浪费时间,或者在打着英语的幌子学习
因为,这是我的休息时间,我做点让自己开心的事情挺好的
我想要的,只是让自己喜欢上英语,让英语能使自己快乐,现在看来,感觉不错

当然,也在正规的学习,给自己定下了几个小目标
牛津儿童词典涉及到日常词汇达到思维闪像,现在完成1/4,涉及到了Everyday Language、People、Housing方面的词汇,接下来的日子继续吧,Game & Repeat
除了认识事物,还有基本问答,叙述故事,很简单,但是需要达到一个很好的效果
接下来的日子,一个个小目标,一步步建立的自己的英语思维

 


 

小结

现在发现,总结还是不错的,因为:想到一些话,说出一些话,写出一些话,对自己,效果还是不一样的
在过去,当下,未来的时间维度看着自己,才会更好的认识自己,才会,不囿于自己,拓展自己的新边界

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的方法来解决这些问题。
评论 70
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