写给大一的自己的一篇博客——2020.8.12

写给自己的一篇博客

前言

仅以此篇博客送给大一的自己,希望自己在计算机的道路上一直走下去!

不知不觉,我已经入坑计算机一年了,在CSDN这个平台也已经呆了一年了,写了59篇原创博客,上传了一个资源,每一篇博客都是记录我的学习路程,CSDN见证了我的计算机学习之路,回首一年的计算机学习,有收获,也有遗憾!

始于hello world

我对计算机的喜爱始于hello world,我刚踏入计算机专业时,我并不知道我喜不喜欢计算机。但就是这几行输出hello world的代码激起了我的兴趣,从那一刻起我觉得这或许就是我的归宿吧。通过后续的学习,使我的这一想法更加坚定:我很想融入计算机的圈子。

试水ACM

想起ACM,这是我大一的一大遗憾,里面也夹杂着我的些许不甘,我是ACM纳新赛被淘汰者,我当时AC了两道题,而最终录取的最后的一名是AC两道题用时最短的。其实也挺感谢ACM纳新赛的,当时ACM纳新赛的竞赛范围比我们专业的进度要快得多,我们学院的另外几个专业已经把竞赛范围内的知识都学完了。我为了参赛,只能去自学一些内容。尽管最后结果不如意,但也是有收获的,从这次比赛我意识到了计算机自学的重要性。经过ACM纳新赛,我也认识到了自身的不足,见识到了其他专业同学的答题水平,他们身上有许多我学习的东西。所以有时候当炮灰不一定是坏事!
在这里插入图片描述

接触opencv

当时刚踏入校园,我对一切事物充满了好奇,就在这种好奇心的驱使下去参加了一个学校的机器人社团。进去后就是各种培训和选拔。后来我才发现其实我对这个东西不感兴趣,只不过是当初的好奇心在作怪。大一寒假的时候也在家里学习了一些社团要求学习的opencv的内容,后来我最终做出决定退出社团,这也是我经过思考后做出的决定。由于当初没有做好选择,导致现在中途退出,我花费在学习opencv上时间是的确无法弥补!我也明白了不管是学习一门语言还是做某一件事情,都要提前考虑好,不要只是一时的兴起,三分钟热度,这样是永远不会学成的!

图书馆时光

自从上了大学,自己的性格也慢慢发生了变化,以前喜欢一大群人嘻嘻哈哈,但慢慢更享受独处的时光,因为那样我可以解决很多事情,思考很多问题。在大学校园里真正让我感到有存在感,有归属感的地方也就是图书馆了。在图书馆也学到了很多关于计算机的东西,最充实的时间就是周五晚上刷几道算法题,有时候也会跟我几个外校的学习计算机的朋友组队去参加一些算法网站举办的公开性的程序设计竞赛!虽然取得的成绩不如意,但也从那里面学到了很多东西。这是一段美好的时光。

寒假的觉醒

寒假期间真正开始让我感到自己是多么渺小,寒假期间,由于兴趣所致,我开始学习C++之外的语言,接触到了前端开发所用的HTML,CSS语言,也在初步学习的过程中了解到了其他语言,当时真正感受到了自己所学知识的少之又少。所以任何时候不要觉得自己很强,自己只是需要不断学习的人群中再普通不过的一员。

开始重视数学

刚刚学习计算机时并没有意识到数学的重要性,感觉编程跟数学有啥关系!后来,我发现我真的错了。疫情在家期间,大一下学习了一些基础算法,刚学的时候真的是有够烧脑的,现在我依旧感到烧脑。与其说是学编程,不如是学数学。各种思想,各种推导,都需要有数学知识做支撑。不过没有白学,在这段时间里,我的逻辑思维能力的确有提升!我领悟到:学编程就是学数学,学数学就是学编程!
在这里插入图片描述

参加程序设计竞赛

当时学院宣传2020年辽宁省计算机系统与程序设计竞赛,由于参赛时间是暑假期间,我就报名了,心想着去当个炮灰,见见世面,后来没想到搞了三等奖。从比赛情况上,能真实的反映出各个学校之间的差距。从题目上可以看出,我还有太多太多的东西需要去学习。每一次竞赛都能看出自己的真实水平,所以当炮灰没什么不好,知耻而后勇!

朋友圈的潜在激励

我只是一个非985,非211的普通学生。我的一个高中同学,也是学计算机的,211名校。我们一直保持着联系,有时候会交流讨论一下自己最近所学的知识,有时候也会闲聊一下。从朋友跟我讲述的事情中,我也看到了我们与211学生的差距。不管是从学习能力上还是从努力程度上我们都是存在差距的。除了我的这位朋友,我还认识学校的几位学长和同级的其他专业的同学,他们也是非常厉害的,从他们身上真的能学到很多。所以朋友圈真的很重要,多跟正能量的人在一起,自己也会变得正能量。

总结

总之,学习的路途还很远,不管自己走的有多慢,绝对不能停下学习的脚步。反正入了计算机的坑,就不打算出去了。love enough!足够热爱!
在这里插入图片描述

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 2
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

无所畏惧的man

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