About Me

有很多朋友是从其它网站关注过来的,可能对我不是很了解,借着今天是个节日,给大家介绍一下我自己。


我是一名老码农,笔名纯洁的微笑,希望一直保持纯洁,保持微笑,喜欢在业余时间和大家分享技术与生活。很多网友叫我微笑哥,同事朋友喜欢叫我强哥,其实叫我啥都行,名字就是个代号。大学在数学系,你们懂得,旷了很多课,也挂了很多科,幸好拿到了毕业证。毕业后踏上这条IT不归路。我喜欢交朋友、真朋友不是泛泛的那种,不在于多。我喜欢敲代码 、喜欢开源、热爱户外运动,虽然好久都没运动了。曾经和朋友以前在西安成立过一个户外组织Flyever,最后因为来北京也散了。


我目前在一家互联网金融公司做技术经理兼技术负责人。10-13年的时候我在西安做Java开发,13年清明节只身来到北京,寻求一片天地,拒绝了高薪(其实也不算高,当时对我来说挺多的,比我当初选择的这家高了30%)加入了一家第三方支付公司,进公司一年后,领导让我负责一个项目,后来这个项目就变成了一个小公司,小公司慢慢变大了一些独立了出来,我便负责了技术方面的管理工作。


由于公司的第四代平台采用了spring boot+spring cloud的技术栈来改造,目前部分已经投产,因此我很大一部分文章都是描述spring boot和spring cloud的使用。另外由于我在互联网金融这个行业里面,所以也会写写关于理财或者互金行业实践的文章。还写了一些自己的经历和生活的感悟,以及其它乱七八糟的文章。


我在这里也做个小调查,大家是更喜欢我的技术文章还是生活类的文章。



我是在16年6月份的时候开始写文章,刚开始写作的时候,只是想阶段性的对技术总结和记录,后来慢慢找到了一些感觉,也会写写生活类的文章,技术和生活同等重要。每一篇的文章我都会花费很长的一段时间来构思、整理,不敢说文章的质量如何,但每一篇都是原创,也花费了我很多的精力,写作给我打开了一扇窗口,认识了很多朋友,所以我愿意继续写下去。


我在2017-04-25开通的微信公众号,现在才刚刚开始,一方面我会把以前博客里面认为不错的文章同步到这里,最新的文章也会发布到这里。暂时的计划是周内推送两三篇技术文章,周末推送一篇生活相关的文章。另外我特别希望大家能给我一些反馈,比如想看那些方面的信息、给我的文章提一些建议,我尽量的往那个方向去努力。


有些朋友问我,问什么我的文章没有评论功能呢,其实是这样,刚注册的微信公众号都是没有原创声明、留言、赞赏、页面模板等功能,只有在运营一段时间后,微信团队通过算法得知你的文章原创度比较高,才会给你发原创邀请,只要看到这个邀请,在后台申请一下很快就会通过,通过之后就会具备上面的四个功能。我是昨天中午收到原创邀请的,也是我申请公众号36天之后,这36天我发送了24篇文章,有关于技术的也有生活类的文章。其实原创声明到来的时间不算长,也不算短,预期之内吧。

0?wx_fmt=png


很人问我要不要写技术文章或者开公众号,我的回答一直是这样,种一棵树的最好时机是十年前,其次是现在。我们大多数人都是花费了大量的时间来考虑做不做,而不是我先做了试一试。很多事情也许只需要你走出一小步,就会拥有一个全新的世界。就像当初我一样,害怕文章写的太烂,害怕没人看等等,逐渐写起来之后就会慢慢找到了感觉,觉得挺有意思,也就坚持了下来。


我什么叫“纯洁的微笑这个网名?大家可能第一反应这个名字挺逗的。在很早之前我起过很多网名:neo、ityouknow、summer等。但一直不满意换来换去,后来在群里面聊天的时候,波仔给大家发了一张图片就是下面这张,第一眼看是挺搞笑的,后来越看越喜欢,而且这个图片和波仔很神似,有一种在苦逼的生活中,坚持寻找快乐的感觉,很喜欢这种精神。这个图片刚好配了一行字,纯洁的微笑。纯洁和微笑也是我一直想要追求的,刚好符合大意,就这样一直沿用了下来。

0?wx_fmt=jpeg


我最开始是在博客园上面写文章,后面有一些编辑的邀请,文章也会同步到csdn、简书和知乎。在博客园依然是我的大本营,写文章最大的乐趣是和各种各样的网友去交流,有反馈才会有激励感,觉得自己的文章可以帮助到很多人,也是非常开心的一件事情。为什么开通公众号可以看这篇文章:我开通了微信公众号


几个简单的QA


Q:我的爱好是什么?

A:一直在变,现在是写文章和打羽毛球。


Q:最喜欢的一本书?

A:平凡的世界。


Q:是男还是女?

A:标准的纯爷们,只是我申请公众号的时候,我的身份证已经申请满了,只能用老婆的身份证来申请。


Q: 以后计划写那些文章?

A: spring cloud系列文章完成之后,会计划推出jvm系类的文章,另外争取多写一些有趣的经历。


Q:都说程序员很闷骚,你闷骚吗?

A:我是一名程序员。


Q:你的理想是什么

A:有很多钱,可以自由的去做一些有意义、够风骚的事情。


在茫茫人海中,你我相遇是一种缘分,期待你给我留言,一起品味技术,感悟人生。


640?wx_fmt=png

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。
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