2011 GCR MVP Open Day手记

从2008年至今,我已经连续四个年头获得了MVP称号了,其中2010年因为琐事未能参加,今年因为正好有些琐事需要去一趟天津,所以就借此机会成行了。没有想到这次与以往有些不同,正好是MVP活动在大陆地区举办的第10周年。
临行前提前向公司多请了几天假,所以是7号晚就从武昌火车站上车了。晚上九点的火车,这两年养成了晚睡的习惯,所以晚上火车熄灯之后我还在过道处看杂志,到凌晨的时候才回到中铺眯了一会,醒过来的时候已经是早晨6:51,我写了这天的第一条微博:“已到帝都市郊,准备在帝都当几天PM2.5吸尘器,算是为和谐社会做点贡献吧。火车到站为北京西站,还得转军事博物馆。”
12.08
早晨7点下了火车之后转车到军事博物馆地铁站之后,那时正是上班的高峰时间,我背着电脑包眼睁睁地看看一趟趟地铁开走而无法挤上去,终于等到有一趟地铁下来三个人,于是快速挤上去转车到了西单。从2009年离开北方回到湖北之后,我发现我现在已经有些不适应北方的干冷天气了,感觉风吹在脸上犹如刀割一般。
等到中午12点之后赶往翠宫酒店入住,到了晚上才迎来第一个老熟人常波,之后没多久魏滔序也来了,人一多就热闹起来,大家聚集在房间里聊天起来,从国际形势到灵异事件,从哲学到佛学,反正只要能想到的话题总有人参与。在别人房间里聊到凌晨,回到房间之后我又和同房间的姜永涛聊了一两个小时。
12.09
9日的活动是在微软亚太研发中心。一进会场就看到有一个由在任的MVP照片拼成的"MVP"字样。非常可悲的是,我使劲在上面找我自己的照片,结果怎么也没有找到,等到会议结束之后我再次不甘心去找,仍然没有找到,最后只有求助于MVP张剑才找到自己。其实没找到的原因很可笑,回武汉之后很少在乎自己的形象,我脑海里一直记忆着自己09年的摸样,实际上从09年至今我的体重已经增加了30斤,脸都圆了,难怪找不到!

我在图片中的位置:

今年的Open Day微软的主题比较偏重于WP7,连续有好几场关于WP7的演讲,偏偏我最近对这个也比较敢兴趣,所以一直都没有挪动位置。
下午在茶歇的时候遇到了媒体的朋友,接受了一下采访,也谈到了我自己的一些看法:对于个人创业者来说,由于移动App的代码量不大,比较适合个人来完成,所以很适合个人创业。尽管目前国内的开发者赚钱盈利的并不是很多,但不否认这将会成为一种趋势。这也是我为什么自从2008年以来一直关于移动领域的原因。
按照惯例晚上是晚宴加表演,值得一提的就是我在其中出了一个馊主意:在参加评选阶段,大家都在将自己的选票贴在参演者身上以此来统计名次,我和另一位MVP将现场的一个气球塞进了其中得票最多的MVP肚子里,使其看起来像一位孕妇!

12.10
10日是参加公益活动。我们去的是十八里店的自强实验小学。那是位于海淀区的一个打工子弟学校。由于是周六去,所以只有五年级的一个班。我们从上到下参观了一下,包括了教室、老师办公室和学生宿舍,由于我从小学五年级起就开始在学校寄宿了,所以对那一切还不陌生,甚至还有些亲切!我还说:“其实条件还不错嘛,我上小学的时候也是这样的!”旁边就有人问:“请问你上小学是哪一年?”我说:“1986年。”回答完了之后自己再一想就回味出来了,现在的孩子还过着十五六年前我那种上学的生活,不知道算是我幸福还是他们的悲哀!
MVP们被分成了三个组,电脑组、会话组和英语组,我被分到了会话组,两个MVP负责教一个小孩子用电脑绘画。我和常波负责的是一个来自四川的叫杨阳的小姑娘。

小杨阳填充的图形

绘画完成之后再与孩子们做游戏,经过这个环节之后与孩子们就没有刚来时那么生疏了。做完游戏之后就为12月份过生日的小朋友庆祝生日,有一个细节我注意到了,我们在不停的给小朋友们传生日蛋糕,其中有些小朋友非要我们吃他们才愿意吃,这在现在的城市孩子那里是不可想象的。
晚上回到市里吃完晚饭之后我去了桂素伟、张剑的房间,在山西太原的时候我们曾经一起战斗过,现在离开两三年了,借这个机会大家再次见面,正好好好聊一聊。聊了一会儿,衣明志、刘海峰及王豫翔三个进来了,之后大家开始了一轮头脑风暴。其中有很多问题我曾想过,不过我从来没有站在一定的高度上去想过。王豫翔说的话让我很有触动,他说:“互联网的功能就是扁平化,中介将会被互联网干掉,如果你能干掉某个行业的中介,你就会成功。”我也及时把这句话放在微博上跟大家共享。
讲到精彩处,紫柔和姜永涛也参与了进来,直到凌晨三点大家才意犹未尽地回到了各自的房间,因为再过几个小时之后大家又要奔赴各自所在的城市。

2011-12-20
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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