技术的“好”与“坏”

技术的“好”与“坏”

大家好!现在是2017年11月10日,距离最后一次更新博客已经五个月左右了。这几个月我一方面忙着工作和应付学校的各种杂事,还要处理一些团队事务和私事,所以一直没有更新,不过其实电脑桌面上已经攒了很多篇稿子了…只不过是没有勇气把写得那么烂的东西发表出来。这篇文章的内容是我对于技术的一些自己的观点,也算作为接下来要写的一个系列做个开题。

我个人觉得自己是属于那种说话很直的人,对于一件事物,喜欢就是喜欢,不喜欢就是不喜欢,不会拐弯抹角,也不会阳奉阴违,尤其是涉及技术的东西。虽然在这个社会上这种品质也说不清楚到底是好还是不好…反正我是觉得在一些事情上面,只要自己开心就行了,没必要去理会别人是怎么想的,懂的人自然就懂,不懂的人也没必要讨好。跟我相处比较久的人都知道,我经常给别人安利一些“我觉得好”的东西。涉及的范围也很广,有书、电影、游戏、技术、工具等各方各面。而对于一些技术上的讨论,更是有一说一,有二说二。

对于“我觉得好”的东西,其实我经常是以个人的经验来判断的。比如有一段时间,我是个Java无脑黑,时不时地发表一些黑Java的言论,引得不少人很不爽。因为那个时候写代码就是做算法题,基本不会涉及到太工程化的东西,也没去了解各种开源软件和软件架构,更不会考虑就业形势、市场占有率等。所以对于那个时候的我来说,判断一门语言好与不好的标准,就是它写起来爽不爽,能不能跟上我的思维,能不能把一些没必要的细节屏蔽掉。Python就是这么一门语言,简洁、优雅、开箱即用,很幸运,能够在大一的时候就踩进Python这个“坑”里。不过这种判断也是会随着时间逐渐修正的,比如现在有一个刚入门的人来问我“选Java还是选XXX”的时候,我就不会很固执地一味说Java的不是了,而是会说明白Java的优点和不足,并且考虑到其实不少人学习技术都是带有功利目的的,还会特别说明一下Java到底有多好找到工作。

其实对于一些需要“站队”的事情上,我接触到的人里面很多的态度都不属于那种较真的性格,往往是“权威”说什么,他们就怎么干,不会自己去尝试,不求甚解。比如之前就接触过一个人特别喜欢发表一些言论,一听就知道在那个问题上他自己根本就没怎么思考过,而是不知道在哪里看到一篇文章,就直接搬到脑子里去了。我以前有段时间也是犯了这种错,觉得自己什么都不懂,觉得那些能在网上发文章的人都特别厉害,所以人家说什么也会倾向于去相信而不是质疑。虽然说这并没什么不好的,毕竟很多有经验的人讲的话都比较具有参考性。但我还是很在意,在一些问题上,你可以看不到,但不能说他不存在,没吃过梨子,就不要说梨子多美味或者多难吃。

前面说了那么多废话,其实就只是关于我个人对于事物好坏判断的标准。后续的话,会出一个系列,大概就是给大家安利一些自己觉得特别酷特别好玩的玩意儿。当然,我只负责告知个人经验,而每个人都是有局限性的,可能对于某些问题考虑得不够全面或者知识深度不够。所以具体怎么去判断优劣,应该是各位读者自己去思考的。

这里给大家推荐一下王垠的这篇理性的力量,某平台上貌似有不少人看不惯他的作风,对他冷嘲热讽的。但我觉得抛开成见的话他的文章其实有不少讲得都很有道理,值得细细看一遍。而那些不加思考就跟风黑,没有自己态度的人,往往才是最该被嘲笑的。

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
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