17未完,18待续

一个很短的序

昨天,在 2017 年最后一天跑了人生中第一次 10 公里,留下了 17 年最后的纪念。今天,在 2018 年第一天写下第一篇博客文章,开始新的人生旅程。

我的 2017

换了一个城市

今年我换了一个城市工作,从洛阳到杭州,算是周围环境的一整个大变动,感慨良多,但是却又不知道从哪里说起,因为太多都是关于内心的成长。我觉得今年我是真的把自己当成一个非常独立的个体了,或者说,用社会身份的成年人来看待自己,之前在洛阳,因为也是在那边上的大学,所以总感觉自己还是个孩纸,哈哈哈。在这方面的变化,我为自己感到很开心。

认识了暴躁的自己

心态上,夏天那段时间崩的非常严重,现在看来也是不值得一提的事情,但是当时心情一度很是烦躁,或者严重点可以用暴躁来形容。今年在情绪管理上有点失败,在初期是给一些人留下了脾气比较大的坏印象,好在后面画风正常,又有时间的加持 buff,同事之间相处都很愉快(ps:这里真的要跪谢我可爱的同事们的不杀之恩,不然我可能活不过 17 年的夏天)。

开始锻炼身体

每个硬币都有两面,双刃剑效应再次触发,那段时间崩掉的画风,也有带来好的事情,就是开启了健身的计划。前期是为了舒缓心情,毕竟很暴躁,需要找个非生命体来来发泄一下,后来画风改邪归正后,运动目的是为了减肥,再后来是为了保持身体的健康。现在养成了锻炼的习惯,如果不加班的话,隔天会去。这里如果有人能看到我这个博客,我真的推荐同行们,多锻炼身体,坐一整天全神贯注码代码太累了,身体是革命的本钱,我们需要好好保护。我锻炼之后,觉得精力比之前旺盛,专注度也有提高。把玩手机的时间分一半去跑步也是极好的,请收下我这部分的安利吧。

继续 Android ,坚持记录和分享

技术上,17 年的答卷,100 分的话,我最多会给自己打 30 分,因为夏天心态不稳的原因,那段时间学习效率也是跌破新低,虽然后面调整过来了,仍是感觉浪费了很多宝贵的时间。抬头看了面前墙上贴的 17 年的计划,觉得很是羞愧,完成率非常之低。今天没有学习和接触其他的新语言,主要工作和学习的部分还是 Android,和去年相比,肯定是有进步,但是并没有达到我的预期。比较欣慰的是我还仍对技术饱含热情,对开发亦是。身边的一些人开始转产品和测试了,不能否认这是个很不错的尝试和发展路线,但是我近两年内没有这个打算。17 年的博客分享还在继续,每月 4 篇的 flag,大部分没有被打脸。比之去年的话,在排版和内容上,自我感觉都比去年好。我几乎不转载,每一篇博客都是我自己认真在做,所以能帮到大家,有时候还能得到回复真的还挺开心的,哈哈哈。

2018 启程吧

2017 的计划很多未完成的项,会放在 2018 的计划上继续开始,我希望不会留到 19 年,不然也太失败了。

2017 未完, 2018 待续。

争取不打脸的 Flag 们

立下 Flag 吧,以后打脸也能找到根据不是。

1.开设微信公众号,并且同步更新文章。
2.Android 基础巩固和深度学习,这个具体的知识点有点散,现在先不列,后期整理下补上。
3.微信小程序学习。
4.算法学习。
5.数据结构学习。


欢迎关注个人微信公众号「浅浅同学的开发笔记」,最新的博客,好玩的事情,都会在上面分享,期待与你共同成长。

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 7
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