一个碌碌无为的毕业生的感慨

我是20年刚毕业的电子信息专业的学生,在大学中碌碌无为,偶尔又认真的学习,但是没能一直坚持。对知识点的了解也是模模糊糊的,对自己未来充满了迷茫。到大三的时候,很多人都开始为自己的未来考虑,不知道自己毕业该干些什么,我也不例外。看到身边的很多人都选择去考个研,我也开始有点动摇的,想着:毕业都不知道干啥,算了,考个研吧。每天坚持早起去图书馆坐着学习,生活特别充实,但是还没有一个月,就开始变得疲惫下来,有时候发着呆,望着窗外,想着:这真的是自己喜欢做的吗,总感觉考研是被迫。
在一次学校课题设计得时候,虽然是三人小组,但其实因为一些所谓的讲义气,全部工作都是我一个人承担,但发现自己并没有因为自己多做了一些事情而感到生气,反而特别的认真的去完成这个项目,项目成功的时候,内心的成就感油然而生。我好像发现了自己喜欢做些什么了,喜欢上写代码的时候富有逻辑的思考,喜欢经历思考努力而来的成就感,于是自己果断的放弃了准备了很久的考研。再后来看到别人考研成功上岸的时候,也没有后悔,这只是每个人选择的路不同罢了。
时间过得很快,很快就到的大四的秋招了。接下来也开始了每天跑校招的时候,自己大学也没有参加过啥比赛,没得什么奖项,自己的简历也是普普通通,被许多家公司给拒绝后,才知道自己的大学过的啥也不是。好公司是不可能的了,最终在一家不好不坏的公司待下来了。但自己也不能在这儿止步呀,这远远没达到自己的要求,自己还年轻还有的是时间拼搏。热血是一回事,但脚踏实地在是真的,于是冷静下来,认真思考。自己的目标是嵌入式软件工程师,于是上网查学习路径,总结很多大佬的一些经验和他们的学习历程、学习的总结。
在前段时间,慢慢的开始喜欢上逛博客,CSDN中总有一些人问问题,我也尝试帮别人解答,既是自己对知识的强化,也能帮助别人解决问题,感到挺高兴的。于是开始有了写博客的想法,想通过写博客记录自己学习的路程,同时也想帮助到别人,通过博客记录自己的成长。
接下来想先复习嵌入式软件开发中最基础的部分——C语言,大学中多多少少的学习了一些,没有系统的整理过,后面想通过写博客的方式总结分享。
希望大佬们看到有错误的帮忙提出,还有,要是有嵌入式大佬看到了希望能对小弟指点一二,哈哈哈,谢谢大家🤣🤣🤣🤣🤣。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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 2
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