琥珀的日志#16

今日考研学习计划达成度:66%
原因:夜间由宁返沪
返沪的高铁上遇见两位正在讨论游戏价值的朋友,一位是程序员,一位是音乐家(暂定)。音乐家提到,他曾经学习过制作,但也是浅尝辄止(做出“雷电”那种机制的游戏模块),最终将音乐作为爱好,而游戏只作为消遣(由我所得信息,他玩过的至少有野吹和大表哥,哈,一位合格的player,毕竟也双平台了)。至于另一位程序员,他表明并不喜欢游戏,这个嘛,仁者见仁智者见智。
我加入了他们的对话,表达了游戏在我心中之于艺术的地位,而且单机游戏艺术价值目前普遍胜于联机游戏,她通过浸入式的剧情、音乐、画面带给人难以言喻的感动。这是我作为一位gamer的想法,也是我想通过游戏给别人带来感动的动力源,即我想成为game maker的理由。
但当我提出我以读研 计算机专业为路径时,他们几乎同时提出了质疑。从程序员兄弟的角度,他认为你做游戏,你是想设计游戏,没有必要从程序角度出发,但是他貌似也不知道到底该从什么角度出发,如何去传达idea。从音乐家兄弟的角度,他认为你应该以小游戏为目标,做出拿的出手的作品然后以此为资本进入游戏行业。显然后者较为中肯。但是,注意是拿得出手的作品。
除此以外,邻座的一位胖哥哥提出他的观念,首先他建议读研是为了够得上自己想做的职位的需求,即如果没有硬性需求,恐怕没有必要读研,当然他也不反对以钻研知识面为目的的拓展。
我现在24岁,以我的角度,我倾向于继续自己的选择,读研。但是有动摇的是,我真的该选择计算机专业吗。题外话,这个方向其实很重要,明天再记录吧。

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