了解计算机及Dos命令

什么是计算机

  • Computer:电子计算机,俗称电脑。
  • 由硬件和软件组成
  • 常见形式:台式计算机、笔记本计算机、大型计算机等
  • 广泛应用:科学计算,数据处理,自动控制(无人机等)、计算机辅助设计、人工智能(AI等)、网络领域等

计算机硬件

  • CPU
  • 主板
  • 内存
  • 电源、主机箱
  • 硬盘
  • 显卡
  • 键盘、鼠标
  • 显示器

计算机最简单的组成:CPU、Mrmory(内存)、Mothtrboard(主板)

通过IO设备(输入、输出设备)进行运行

在这里插入图片描述


计算机软件

  • 计算机软件可以使计算机按照事先预定好的顺序完成特定的功能

  • 计算机按功能分为系统软件与引用软件

    • 系统软件:DOS,windown,Linux,ios等
    • 应用软件:WPS,QQ,微信,英雄联盟
  • 软件开发:借助开发工具和计算机语音制作软件的过程

  • 学习计算机语音是为了能与计算机沟通


电脑常用快捷键

  • Ctrl+C=复制,Ctrl+V=粘贴,Ctrl+A=全选,Ctrl+X=剪切,Ctrl+Z=撤销,Ctrl+S=保存
  • Alt+F4=关闭窗口
  • Shift+del=永久删除
  • Windown+R=运行
  • Windown+E=我的电脑
  • Ctrl+Shift+Esc=任务管理器
  • Windown+Tad=切换窗口

Dos命令

打开CMD方式

  1. 开始+系统+命令提示符
  2. Windowm+R 输入cmd打开控制台(推荐使用)
  3. 在任意文件夹下面,按住Shift键+鼠标右键点击,选择在此处打开命令行窗口
  4. 资源管理器的地址栏前面加上cmd

管理员方式运行:开始+系统+命令提示符+鼠标右键,选择以管理员方式运行

常用的Dos命

盘符切换:从一个目录切换到另外一个目录,输入目录名称+:(英文状态)

在这里插入图片描述

查看当前目录所有文件:输入dir

在这里插入图片描述

切换目录:cd /d 目录名

​ cd /d 目录名\文件名

​ cd …(返回上一级)

​ cd 文件名(进入下一级)

在这里插入图片描述

清理屏幕:输入 cls

退出终端:输入exit

查看电脑ip:ipconfig

在这里插入图片描述

打开应用:例如:计算器(calc),画图工具(mspaint),记事本(notepad)

在这里插入图片描述

Ping命令:Ping+网站(获取网站IP地址)

在这里插入图片描述

  • 创建文件夹:md+文件夹名称
  • 删除文件夹:rd+文件夹名称
  • 创建文件:cd>+文件名
  • 删除文件:del+文件名
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