一周小结(1)

这一周过的略微堕落,一直在忙着创业计划大赛的事情,提不起兴趣去做其他的事情,编程这方面还是差太多。唯一好一些的是,拿起电脑做的事情慢慢的向写代码靠近,渐渐的把写代码的当成是打开电脑要做的事情。

这些天对《非你莫属》比较着迷,张绍刚太逗了,虽然是一个选秀的节目,娱乐性很强,但是从中我也学到了很多的东西。昨天去本部参加ja的活动,顺便把我们宿舍的两个人也拉了过去。抱着学姐请吃饭的态度,但是后来学姐没出现,好失望啊。但是通过这次活动,我学到了好多,和上海贝尔公司的高管们面对面的交流,虽然是针对要毕业的学生,讲的是如何写简历和面试的事情,但是真的很受用。很明显那些做销售的总监和工程师的差别很大,那两个做销售的总监气场很强,很有范,相比之下研发工程师就相对无趣了点儿。期间我问他们对于我们大一的应该做什么,那个工程师是要我们抓紧时间享受美好的时光,不要想着进公司工作,否则会很后悔的。销售的的人给我们的建议是多参加活动,锻炼自己的能力。

那天过的很开心。

我几乎都是一觉睡到自然醒,今天去听ACM培训了,讲的是动态规划,对我这个没基础的人来说,像听天书的一样,印象最深的是转移方程然后就是顾昱洲大神发明的模板,下午两点开始比赛,我实在是做不下去了,果断逃了,开始做物理和数学题。差距太大了,虽说是我每天都在写吧,但是感觉效果很不明显,感觉还是像原地踏步走一样。

下周就进入了考试周,然后就是组队沙龙,正好是大物考试,哎,希望考试实在上午。周五的时候,我们六个在一块儿吃了一顿饭,期间讨论了一下项目主题,我是想做一个专门服务老年人的公司,体现在APP方面,但是其他人指出投放时间太早,因为老年人的智能机还不普及。然后邱焜想的是做一个平台,整合校园信息,建造一个分享平台,然后是一致通过。但是后来发现已经有学长做了贵邮,所以我觉得估计要优化。

下周估计会是比较忙的,下下周也是,我想着未来一个月将会更忙,策划书,相应的软件实现等等,但是要好好学习,仔细写作业,分配好时间。

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