是盲目工作,不是程序设计。

来公司上班已经两个月了,虽然工作相对来说不累, 但工作之余,内心总是感觉前面的路不是很清晰。

过去一两年我一直在做WEB项目的开发, 包括网站,自助建站系统,OA办公系统等。因为一直在小公司干,专职的只有两个程序员,所以基本每种技术都会一些(ASP,PHP,JSP,ASP.NET,MSSQL,MYSQL,ORACLE都有用过开发有案例),但明显深度不够,用得最好的算是VS2003开发ASP.NET吧。



最近这个月,我们老总接了一个朋友的单子,是一所专科学院的OA系统, 公司有一个JAVA程序工程师(听说这个人很牛,在IBM中国做过1亿多的项目)做了一个方案,用JAVA的什么什么技术实现( Struts+spring+hibernate+EJB),并报了个概价约20万,提交到学校,学校没有回音。

老总说这个月初,学校说要做了,并签了合同 大概15万(具体我没得看)。

刚好上个月月尾,公司的唯一牛人 JAVA程序工程师辞职了。

老总就把这个项目扔给我做,我表示我没这个能力,我对JAVA 的Struts+spring+hibernate+EJB 多层架构根本不熟悉,他以为我在推托责任,老总叫我到办公室说了一大堆理由,最终我没说过他!我还是得做!(补充:老总对计算机技术是个文盲,是个很厚道的很有钱人。 有一次很搞笑,他叫我帮他换个显示器用,正在换的时候,他给我说:“你要记得把我原来电脑桌面上的文件保留下来啊” 我汗,我差点倒地)。

现在我硬着头皮在搞这个项目,由于对JAVA 的Struts+spring+hibernate+EJB 多层架构不懂,而项目又一定要用JAVA 做,时间又紧,40天完成,只有我一个人做,我只能直接用JSP + JAVABEAN+ORACLE做了!

现在已经过去10天了,估计才完成1/3。
估计以后得加班了,应该能按时交付。


但是,总感觉我这条路走得不对,做来做去都是一些没什么价值的东西,没有深度的东西, 现在什么年代了,还用在JSP+JAVA BEAN开发,没长进啊。
 

感觉我大学毕业时基础也不差,也通过了程序设计师考试,毕业时候还混得个好工作。 但是这两年混错了方向,这里搞搞 那里搞搞,但都不深入学习,两年就这样过去了!现在再来深入学习JAVA 还行吗。。。。
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