后大学时代--关于梦想

最近看到一个有关梦想的短片,很有FEEL。突然想写点什么。
我上初中时,写作文。其中有一个话题是:你未来想做什么?我不太记得大家都说了些什么了,但我清晰的记得我自己的回答:我希望40岁的我成为飞行员。好笑吧。。
后来高中后,有一次偶然的机会和火山去南华大学转了一圈,觉得大学真他妈大,有那么多篮球场,那么多美女,关键是在宿舍里面就可以玩电脑,这成了我那时上大学的最大的动力。当时我就在想我一定要考上大学,我不想像工厂里那种工人一样,一年四季做着重复的工作,也是想做为一个农民,在烈日下面面朝黄土,背朝天,之前每年暑假的时候都要在农田里面忙两个月,别人暑假是在玩,我摘西瓜,挑西瓜,卖西瓜,卖完西瓜后又该割禾,脱谷,插秧,除草,忙完了之后,还剩5天写暑假作业。我不想那样的生活。
      后来在高二的时候,有机会接触到电脑了,在一次偶然的机会,我在衡南一中的机房看到了一个黑客网站,并且产生了浓厚的兴趣,从来走向了IT这一条不归路,那时候会去网吧研究一些网吧免费上网的软件,盗QQ,破解网吧下载限制,破解网吧还原软件等。到现在还忘不了我第一次破解出的衡南一中边上的“丹丹网吧”的管理员密码的那一份exciting.也忘不了在世纪网吧扫描出一堆会员名和密码时被网管抓到的局促,难堪。还有看到挂马后,邮箱里面一堆的QQ密码,真爽。在后面的高中生活中,我在对黑客知识的追求过程中,对计算机,IT有了一定的认识,也又有一个梦想--大学要选计算机专业。
     大学中,凭借高中时的计算机的知识和对计算机的热情,被计算机协会大哥徐东波赏识,提拔。后面有很多机会去给别人装系统,修电脑,破解共享上网密码。后来大二时也管理了一下计算机协会,也教教学弟学妹修电脑,装系统,搞搞各种活动,然后那几个小学弟也不错,谢,宁,熊,呵呵。
      那时候我床头放了一张熊猫烧香的图片,那把李俊做为我的奋斗目标,那时候的梦想很奇怪,去搞一个什么病毒,然后一举成名,就有很多公司来找我了。
    后来,大三,感觉还是要学习了,做病毒难度太大了。那时候JAVA很流行,所以天天跑到自修室去看JAVA,写写计事本,华容道什么的。想以后成为JAVA程序员。
    后来,后来,听了老鬼的,怎么去了上海杰普学什么物联网。
    再后来,后来想找一份LINUX方面或嵌入式方面的工作,但发现好难找,要么工资很低,要么要懂单片机。
    再后来,科学家看我写的代码后,我就到了嬉戏谷,做了C++程序员。 然后一个实习生负责了杭州乐园虚拟过山车项目的控制模块。
       我曾经执着的相信计划和控制,认为人生就应该树立一个宏伟的目标,设定一个完美的计划,然后坚定不移而高效的去实现它。但生活让我明白了个人的渺小无力。世界上永远不断有惊喜在等待着自己,而意外本身正是人生的乐趣所在。在经历过这样几年的生活以后,我反而感觉到精神更加自由:现在在哪里,在做什么事,都无法将我一成不变的限制在某时某刻的状态下。未来会发生什么,去哪里做什么,我都没办法预知。突然想起李轩的那一句,”梦想?那东西值钱吗?我送你两个”!!!或许真不值钱
       我甚至认为,人生不应该也不可能被清楚的规划出来。我们的大脑并不如自以为的那么强大,我们对世界的所知更是极为有限,因此一切建立在此时此刻对自己和世界的认知基础上的规划,都无法抵御自身和环境的变化。反过来说,一个人如果始终笔直的走在自己事先规划好的路上,要么他是个早早就洞察世情的天才,要么他必须承认自己终其一生都没有超越自己最初的智识——他的所见、所为,都在当时自己的认知框架之内。这本身又是何其可悲的事。当然,这样的说法或许有些极端。但是,至少人生的早期确实不是规划出来的——我们听到很多少年立志的伟人故事,但仔细了解一下实情,我们会发现连他们是都在曲折中度过少年和青年时代的。年轻时我们对自己不了解、对世界不了解,也没有太多选择的能力,人生又怎么能按照这个时候的自己规划的去生活?


        而成熟一点以后,又觉得太仔细的去计划自己的人生未免太不划算。米兰昆德拉说人生如果只活一次就等于没有活过,上中学时看到这句话时不能理解,现在却再认同不过。人生只有一次,而且短短几十年,实在不应该用来演绎一部早就写好剧本的电影。能够不断的去尝试和挑战新鲜未知的事物,进入一个又一个神秘而有趣的领域,不正是上帝赐予我们最好的礼物吗?我之所以放弃学校老师的工作,并不是因为这份工作有什么不好,而是我觉得一眼看到结局的人生简直比恐怖电影还要可怕。


       不试图去预测未来,那我们能做什么?为我们未来可能发生的一切做好准备,现在看起来没有用的不值得学的东西,也许就是我们未来的方向。同时真正去跟随自己的内心,不要为了什么现实的理由轻易放弃自己喜欢的事情。既然未来不可知,至少让自己对得起自己吧。台湾清华大学的校长在给毕业生演讲时说:“人生那么多不确定,你只能努力。”他还告诉大家“你们心中的疑惑是不会有答案的”,所以尽管去做吧。在人人争当人生导师的年代,能听到这样成熟而诚恳的声音真是一种幸运。
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

打赏作者

q472599451

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