一些一直想说的片语只言

其实我这个时候已经很困了,这是我现在的第一感觉。我觉得如果照我现在的状态敲下键盘,肯定思绪纷乱,跳跃无常。但我还是决定写下这么一点文字,一点非技术性的文字,因为我怕一觉醒来就没有那种冲动写了。即便现在那种冲动也并不激昂,但我想苟延残喘地顺延一下它的生命。

我首先想起了遥远的高中时代,准确地说那是高二的某个下午。学校请了某个老师来做一个讲演,通过各个教室的电视机播放出来。那位老师大意就是讲现在的学生只知道读书,很多常识性的国耻家恨都丝毫没有放在心上。

当天下午,我坐在窗边,挣扎着我要不要做出一番举动。我想发表一些言论,但又有点担心后果。而且我又想到自己的言论几乎无法影响什么人,但我又想到我自己就是被一些人的只言片语所感动,理应为一些思想的传播,或者是在一些场合跨前一步,尽自己的一份力就好了。

终于,我还走上讲台,拿起粉笔,刷刷刷地开始在黑板上写出我憋了一下午的想法,最后落笔的时候竟然写满了整个黑板。那时候教室还有其他同学,包括劳动委员,而幸亏他与我关系不错,所以并未罚我扫地……

我就是简单地举例反驳了一下那位老师的言论。明明高中会考历史就是应付式教学,明明老师自己心里都清楚理科生不要“浪费”时间去读政史地,文科生也无非是背背时间意义等,明明教育就是那么白的一回事,而为什么在收到教育苦果的时候却怪罪于我们呢?

当晚,班主任让我擦掉了整整一黑板的文字……

而现在,我却是想说另外一番话。

今天下午,我在看南巡讲话的视频,看到不少浏览者纷纷留言,有好有坏。好的自然是赞扬邓公改变了中国大地气象,坏的我倒没什么印象,只记得有一位说那些说好话的人都是跟着第一批先富的人。我于是忍不住第一次留了言,说明一下我并非富裕阶级,自然也不是第一批先富的人,但是邓公还是令我敬佩的。

既然有了第一次的忍不住发言,自然也就有了第二次,甚至第三次……

对于IT人士来讲,最近比较吸引眼球的莫过于Google退出中国大陆了。对此,其实对我的影响并不大,无非就是用下google.com,我的英语还算凑合。但由此而引发出来的诸多口水战令我十分汗颜,令我想到“在大陆,是不能一直做技术”言论产生的另一个原因,就是大陆并没有真正的技术氛围。

大学里,行政领导学术,这是一个致命的弊端。传道授业、技术研究者奔波在职称权钱之中,教育家已经失去了所谓的爱。是的,是所谓的爱,爱他人、爱学生。当然,这里并非是指责,因为这是生态环境决定的,自然选择的结果。达尔文告诉我们,如果你不去争取职称权钱,那么你就活不下去。既然无法立命,哪里还管什么爱与不爱的。只有先保证教育者生活惬意,不受那些行政烦恼,才能产生专心学术,才能产生爱,产生师道。

某日,与一位大学老师聊天,对方说,现在毕业论文有审查,超过30%雷同的就会被判定为抄袭。随之他又笑着说,没有超过30%那才见鬼了。我笑笑不语。

回到google的话题上来。

今天在csdn看到两篇关于google的文章,刚好持不同的态度。

第一篇是李先生的《关于谷歌》,http://blog.csdn.net/superdont/archive/2010/03/23/5406699.aspx。

此文的第一条评论就令我汗颜不已,请见图:

首先,基本可以判断此匿名用户生活在中国大陆的概率高达99%以上(当然,我也是生活在中国大陆,并无其它特指含义);其次,该匿名用户选择了匿名;其三,用语不文明;其四,该匿名用户是不支持google的。

一条一条评论扫描下来,我挑了一条支持google的出来:

如果我没有理解错误的话,那么该匿名用户应该是支持google的,但显然也是用语不文明的,同样也是高概率地居住在中国大陆。

为什么我强调是居住在中国大陆的呢?因为我总是会想起一句话,一个中国人是一条龙,但一群中国人就是一群虫了。这话自然是偏激了点,但不难发现还真是有那么几分道理。

Google的离开,在我看来,是一个双输的局面,虽然我是Google的使用者和支持者。

天朝威武,天朝有错吗?我不这么认为。好吧,你是否认为这是荒谬至极的闭关锁国?那么换成你去主政,你会如何呢?朋友一直在埋怨房价天价,但却又期待自己可以有足够的资金炒房。我当时就笑了,你这种人就没有资格去骂、去埋怨房地产生。是的,不只是你,包括我,能保证真当我们身居高位,我们就能够抵制诱惑、不被腐化吗?我不能保证。我想,即便是第一人,许多举措也都是相互妥协的结果吧。

而Google有错吗?我就更不这么认为了。问问你自己,你舍得放弃中国大陆这么一大块的市场吗?并且你已经快扎根或者说已经扎根下来于这片土壤了。

在普遍追求双赢的时代,双输的局面绝对是遇到了无法妥协的境况。在此,我更宁愿相信Google是基于精神理念上的追求而做出如此选择的。

争来骂去只是损害了技术氛围,徒增大家的浮躁。

讨论,我想是十分有益的。但我们完全可以面红耳赤地有理力争,而不是毫无证据地破口大骂。

这已经不是第一次有感于此了。上一次在csdn的论坛里看到有人转帖,比较了中外学术论坛的氛围。有一位大学生在考研究生选专业的问题上在中外两个知名论坛发出了提问。

大陆知名论坛的回复多是褒其一贬其二,这个人发出口水帖说该专业十分有前途,然后又说另外的专业惨不忍睹。莫不如是。

国外知名论坛则是做出了具体分析,分析出什么样性格的人适合选择什么专业,选择该专业后又改如何发展自己。

那帖子我不知如何去找了,但是不只是那帖子,还有其它帖子为证(来源于我也曾混迹很久的PPC):

以及

这也是一帖口水争论战,而且程度相对较轻的。其实PPC很少有很严重的骂人帖,最多就是技术争执闹得比较多。而有一位据说是新加坡的美眉留了帖如下:

这位美眉的留言说到的买相机提问就类似我上文提到过的报考研究生提问的那帖子,留言人都是陈述出自己的理由来说明为什么这么选择,而非随意抨击其它品牌。

而即便是这样的帖子,也因为诸如“不是中国人”这类我基本上无视的字眼而被人攻击,甚至连“新加坡”这个名字都攻击,使我更为汗颜。于是我越发觉得十五兄的帖子以及用心十分可贵:

写到这里已经快2点了,我最近一段时间一直都坚持早睡,尽量不超凌晨12点半,但今天还是顶着倦意写了下来。如果对以上截图中人物有所冒犯,还望见谅,不过我想不会的吧,毕竟虽然很久没见了,但是还是打过交道的。

谩骂,于事有补吗?于事无补!谩骂只是降低了自己的档次,甚至降低了所在圈子的档次。那些谩骂google自称热爱国货的人难道就真的对爱国事业有益?那些支持Google而对骂另一方的难道对Google就有好处了?我想实质性的好处也没有吧。我想更好的选择和支持可能是支持google的技术爱好者们多逛逛google code多贡献google docs,以及多研究研究google labs。

为什么会破口大骂呢?因为没有学会对他人足够的尊重!我实在难以想象一个搞技术的(希望不是)在第一条留言的时候就骂出那么一个称呼,即便不是搞技术的,我也十分汗颜见到。其实很简单,换位思考一下,你希望别人那么骂你吗?肯定不希望吧。那么也千万不要随便骂人,要学会尊重他人,这样才会得到他人的尊重。我突然在想,那些出口成脏的人是否成天沉浸在争骂的口水战中?

我为什么写这些文字呢?同样的,也只是想尽一点力。我想,csdn或者不论哪里的版主或者编辑,哦,比如十五兄,都是怀着一份爱,不论是对技术讨论氛围的热爱,还是对技术这个领域的热爱,抑或是对某个论坛某个网站的热爱,都希望那里的空气更清净点,技术的氛围更浓厚点。这也是我为什么更加热爱Google的原因。

是的,只是尽一点点力,或许效果甚微,又或许毫无效果,但是做总比不做好,做总比不做有希望,即便希望渺茫,也是可以逐渐积累。毕竟,不做的话,则是毫无希望。

为什么我的眼里常含泪水,因为我对这片土地爱得深沉……

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