[生活日记] 社会真的这么乱?尼姑也行骗,道德何在

今天早上如往常一样去上班,红路灯的地方也如往常一样有很多发传单的;不过唯独多了两个尼姑。我不知道干什么的,我直接过去,嘿她还给了我一张硬纸片(其实是一张菩萨像,当时没有仔细看),嘿更奇怪的是她还追上来了,拿着一个本子,然后叫我签字!不过我看她把手遮住签字的后面部分我感觉有点问题,然后我看见她手遮住的地方是写着“平安50”、“平安30”、“平安100”等等。

我就直接说我没有钱(也的确是没有现金啊,唯独有几块钱早饭剩下的钱),但是她说叫我直接写就行了,不用给的,还叫我一定要写。

我还以为他们是有任务要写多少来着,我也就写了,不过写到平安的地方的时候,我就写了一个平安。因为我想我没有给钱我就不写多少这也算是行吧!不过她这时就改口了,说“给点爱心;给多少就写多少!”我去啊,当时咋不是这么说的?然后我就说我真的没有多的现金啊。同时也想的是把早餐剩下的几块给他们吧,这是就又说了 说不能只写个平安(意思就是不能不给钱),不然两三年都会倒霉之类的。这我就不愉快了。相当的不愉快,最后我坚持说没有钱,也没写其他的 直接走了!

写了这么多,其实我最想说的是,为什么?为什么现在的社会就这么乱?为什么?连尼姑也出来打着幌子骗人?为什么不直接弄一个功德箱之类的?为什么要用这样欺骗的手段?

这些一天到晚想着怎么欺骗别人的人到底是怎么了。Why?

道德何在?


怀着有点激动的心情写下了这个记录,表示这样以后好心人都不敢好心了!

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
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