google keep试用心得

网传了好几天的google keep效率类软件在最近终于发布了,笔者下载了玩了下,再次写点自己的感受。

首先http://drive.google.com/keep好像登录不了,前段时间报道说google刚出这个的时候,由于登录人太多,把服务器给整垮了。现在还登陆不了。好吧,我就google一下吧

其次,google之后,第一条,google play市场有下的,下载之后,点进去,说我没装google play服务,不知道是啥,先装了个google play商店再说吧,再点googlekeep,进去说我仍然没有google play服务,擦,还是没有。然后跳到google play里面去下载了,靠,这个玩意儿评价超低。

再,安装了之后,好吧,google keep终于能用了,选择我的google账号登陆,进去,两排:快速添加记事,一排图标。在快速添加记事里面写下几个字,整了半天才保存。记事倒是快,保存就麻烦了。还不如第二排点进去在写内容。

又,第一个图标进去可以记事,退出就可以保存刚写下的内容,并显示在首页。第二个图标,是个钩钩,应该是个todolist可以写一条一条要做的事,前面还有个钩钩,可以点一下,这条记事就被划线了,表示写完了,钩钩颜色加重,不错,还挺好用。

again,第三个,好像是个话筒,应该是传说的语音记事,点进去,FC,擦,FC了,停止运行了。

Finally,是个照相机,应该是图片记事,点进去就可以拍照了,拍好退出就可以继续记事了,退出保存。还可以点击右下角的xx可以删除照片。长按首页显示的记事可以删除,可以归档,还可以分享。删除了还有撤销在下面提醒着。


就这么多了,整个软件特别流畅,只能用来临时记事了,不可做日记,不能上密码保护隐私。不能分类管理。可以原谅,这个app应该只是一个程序员写的,如此轰动的效果下,居然还有bug,让人难以接受啊,国内软件有道笔记本虽然不错,但是特别多bug,用的超不爽,求新软件啊啊啊!!!!

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