“源”来如此第五期:开源社之“源”来如此

开源社将于3月28日举办线上活动,邀请庄表伟、林旅强、刘天栋和王伟等开源专家,解答关于开源社的职能、运营模式以及成立目的等疑问。观众可以通过b站直播参与互动。开源社是一个非营利的开源联盟,致力于推动开源生态的健康发展和国际接轨。
摘要由CSDN通过智能技术生成

点击上方“开源社”关注我们

| 作者:warrior_

| 编辑:钱英宇

| 设计:谭嘉露

| 责编:王玥敏

由开源社、上海开源信息技术协会、微软 Reactor 技术中心联合发起的活动“源”来如此活动又回来啦!本次第五期的活动将于 3 月 28 日本周日下午 13:30 - 15:00, 进行网络直播,届时可以在 b 站@2020开源社 的官方账号进行收看。

1

讲师阵容

线下嘉宾

庄表伟

开源社 2021 年度理事长,开源社核心成员,开源社区的长期参与者。1997 年大学毕业之后,常年奋斗在编程的第一线,目前是华为云高级产品经理。

林旅强

华为云 AI 开发者生态专家、开源社理事会成员。投身开源事业近 10 年。专注于开源、开发者生态、社区治理及商业模式;以开源传道为志业,以开放、自由、共享、创新为信仰。

线上嘉宾

刘天栋 Ted

开源社联合创始人兼理事,是 ASF 全球七百多名正式成员之一,也是其开源项目孵化器委员会成员,同时还是其筹款委员会的赞助伙伴大使,负责服务中国的 Apache 赞助伙伴。是国内少数的全职的开源志愿者。

王伟

现任开源社理事,华东师范大学数据科学与工程学院研究员、X-lab 开放实验室创始人,一直致力于开源教育、开源工程与开源研究方面的工作。

2

直播内容

针对“开源社是做什么的?”“开源社是如何以非营利的模式经营下去的?”“为什么要为了‘开源’成立一个社区?”等有争议,或者尚不明晰的问题进行集中的回答,相信这其中有不少问题是关注开源社的大家一直感到有所疑惑的。届时欢迎大家发送弹幕和老师们进行互动,问出大家的心中所想!

 

(添加评论区小助手:小源机器人,加入“源”来如此官方互动群噢!

3

问题征集
  • 开源社是做什么的?

  • 开源社是如何以非营利的模式经营下去的?

  • 为什么要为了“开源”成立一个社区?

  • ......

你对开源社还有哪些疑问,欢迎点击阅读原文告诉我们!我们将在 3月28日的活动上集中解答~

开源社简介

开源社成立于2014年,是由志愿贡献于开源事业的个人成员,依“贡献、共识、共治”原则,所组成的厂商中立、公益非营利的开源联盟,是最早以“开源治理、国际接轨、社区发展、开源项目”为使命的开源组织。开源社积极与支持开源的社区、企业以及政府相关单位紧密合作,旨在共创健康可持续发展的开源生态,并推动中国开源社区成为全球开源体系的积极参与及贡献者。

相关阅读 | Related Reading

支流科技宣布获顺为数百万美元 A 轮领投、真格基金跟投

全票通过!微众开源项目EventMesh进入Apache孵化器

从宇宙大尺度结构到胎心监测,从手机消息推送到物联网大数据处理 – 跨界是创新的主要源泉

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