五百年必有王者兴

​一、提出问题:

       为什么荆州采穴族的刘氏太祖(族谱:士昌人运启,维宜守天则)在乾隆三十八年,立碑纪念?
      这里面究竟有什么说法,有什么讲究呢?

二、解决问题:

乾隆三十八年,荆州采穴族的刘氏太祖,诞辰​500周年。

五百年必有王者兴​。

故荆州采穴族刘氏族人​立碑纪念。

三、证据:

1.乾隆三十八年,是公元​1773年;

2.刘氏太祖登国公诞辰于甲戌年,逝世于丁卯年,即公元1274年~公元 1327 年

 

3.古人一般都是提前一年进行祭祀,也就是祭祀诞辰500年,实际上祭祀活动是在​诞辰500年的前一年进行的。

5.登国公的父亲与兄弟

巨波公(公元1247 年~公元1330年),享寿八十四岁,葬学堂背掌上悬球形。

巨波公长子登科公(公元1266年~公元1338年),享寿七十三岁,葬瑞金县三角塘背龙形。

巨波公次子登榜公(公元1273年~公元1347年),享寿七十五岁,葬会昌竹子坝凤形,壬山丙向。

巨波公三子登国公公元1274年~公元 1327 年),享年五十四岁,葬梅林狮子滚球形。

巨波公四子登堂公(公元1279年~公元1358年),享寿八十岁, 葬信丰三隔坑五马归槽形。

巨波公五子登祥公(公元1282年~公元1316 年),享年三十五岁, 葬于横河圳木星形、 坐东向西。

 

5.登国公生平简介

近代四世祖 登国公(巨波公三子) , 字炳寅、 陶发, 号柱用、 族国。 

妣邝氏、 黄氏、 郭氏。

《七房》 3 公子,进士出身。

官授四川重庆知府, 荣禄大夫。 住赣州府信丰县, 后裔分居赣州梅林、 南安、 南康、 崇义、兴国、 永丰等地。

生于南宋咸淳十年甲戌(公元 1274 年) 十一月初六日子时, 卒于元朝泰定四年丁卯(公元 1327 年) 二月二十日午时, 享年五十四岁, 葬梅林狮子滚球形。

妣邝氏, 生于南宋德祐二年丙子(公元 1276 年) 九月十九日戌时, 卒于元朝至正八年戊子(公元 1348 年) 二月十三日未时, 享寿七十三岁, 与夫合葬。

妣黄氏, 生于元朝至元十八年辛巳(公元 1281 年) 八月十五日未时, 卒于元朝至元四年戊寅(公元 1338 年) 七月初九日戌时, 享年五十八岁, 葬梅林田下金鸡形甲山庚向。

妣郭氏, 生卒年及葬未详。

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 1
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

打赏作者

littletigerat

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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