技术学习有感

就直接找原版的、官方的文档,是最系统、最权威的说明,别看其他乱七八糟的。

直接geogle找英文的学习资料吧,通过优质、系统、科学的学习资源才能真正学到东西。

CSDN博客写的东西都很浮于表面,根本没有说到点子上的,简直就是Shit。只会让人越看越找不着北。


在中国程序员是青春饭吗?

文中提到,跟着培训视频学是很快的。

我觉得系统学习的时候,确实如此。


做研究确实有潜移默化而又最为重要的作用,就是让自己一直保持着深入思考和钻研的状态。

今天看了一堆stc系列的讨论,觉得直接把自己的思维水平拉低到刚入门时乱花渐欲迷人眼的地步,要是一直处在这种环境中,能有什么质的提升才见鬼了,只能是低水平的不断重复。

所以说多思考思考动力学、数学、传统控制方法、信号处理这些还是很有用的,能让自己的脑子在想东西,而不是停留在最表层的肤浅认识上。

 

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
深度学习是一种强大的机器学习技术,它模仿人类大脑神经网络的工作原理,能够处理复杂的数据结构和模式识别。在深入探讨深度学习学习感悟之前,我们先要了解几个关键概念: 1. **神经网络**:深度学习的核心是多层的神经网络,每层包含许多节点(或称为神经元),它们通过权重连接进行信息传递和处理。 2. **梯度下降法**:优化算法,用于调整网络中权重,以最小化损失函数,是训练过程中的关键步骤。 3. **反向传播**:用于计算网络中每个参数对损失函数的影响,是实现高效梯度更新的重要机制。 4. **数据的重要性**:深度学习模型的成功很大程度上依赖于大量高质量的数据。数据集的质量和多样性对于模型的泛化能力至关重要。 5. **过拟合和欠拟合**:理解这两个概念可以帮助调整模型复杂度,避免模型过于复杂导致的过拟合,或过于简单导致的欠拟合。 **深度学习学习感悟**: 1. **迭代与耐心**:深度学习模型训练是一个迭代过程,可能需要大量的时间和计算资源。耐心等待模型收敛,以及适时调整参数,是成功的基石。 2. **理论与实践结合**:理论知识是基础,但实际操作中会遇到各种问题,如数值稳定性、硬件限制等。通过解决这些问题,理解和掌握深度学习更加全面。 3. **问题分解**:复杂任务往往能通过设计简单的模块组合而成,这体现了深度学习的层次化和模块化的思考方式。 4. **理解数据**:数据预处理和特征工程是提升模型性能的关键,理解数据分布、异常值和噪声对于模型设计至关重要。 5. **不断探索新模型**:随着深度学习的发展,不断有新的架构出现,如卷积神经网络(CNN)、循环神经网络(RNN)和Transformer等。了解并尝试这些新技术,有助于拓宽视野。 6. **跨领域应用**:深度学习广泛应用于语音识别、图像识别、自然语言处理等领域,不断跨界尝试可以发现更多应用场景和商业价值。 **相关问题--:** 1. 你能举一个实际应用深度学习的例子吗? 2. 如何避免深度学习模型中的过拟合问题? 3. 在深度学习项目中,如何选择合适的优化器? 4. 当面对大量数据时,如何有效地进行数据增强? 5. 你能解释一下Transformer模型与传统RNN的不同之处吗?

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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