2019年终总结——从校园到职场

2019年终总结——从校园到职场

于我而言,二零一九,是人生中又一个特殊的一年。这一年,我大学毕业,告别了校园生活,从学生身份迈步成为了一名职场人。

这一年,上半年在校园里度过,下半年来到了SZ,来到了公司。其实从某种意义上来说,当考研结果出来,签完工作以后,我的心态已经不再像从前那样了。那时候,身份上,我还是学生,但是心底里知道,自己不会像从前那样看待事情了。这种心态的转变不知是什么时候完成的,也许从2018年就已经有苗头了。不经意之间,回忆起了我的2018。

2018 ——迷茫的一年

在2018之初,那时候在思考是读研还是找工作。

说是思考,其实是不得不面对现实了。读研还是工作,这个其实早在进大学的时候,甚至更早,就应该要有所决定。可是拖着拖着,一直拖到了不得不面对的那天。为什么害怕呢?为什么不愿面对呢?我不知道。也许是害怕做选择,也许是害怕做错了选择,进而影响到自己的一生吧。早应该明白,逃避不是解决问题的办法,问题来了就要及时解决,不能因为任何事情所拖累、一拖再拖。这个道理懂,但知易行难,现在这个毛病仍是存在。

考研

当时为什么会选择考研呢?当时的心情直到现在也很难解释得清楚。一言以概之,逃避工作、随波逐流吧。没有认真准备,没有认真考,出来的结果虽然令人失落,但不至于让我怨天尤人。一分耕耘,一份收获,这个道理深信不疑。

工作

迷茫,对自己真正想做的事情也很迷茫。没有兴趣,没有爱好,这是最大的痛。但是选择了的事情,就要坚持把事情做下去,把它做好

2019——不忘初心,砥砺前行

读书

这大概是一生中最值得坚持去做的事情之一了。
读什么书呢?

  • 《深入理解计算机操作系统》:基础太差,必须恶补
  • 《算法导论》:数据结构和算法!!!!
  • 《程序员的自我修养:编译、链接、库》:配合CSAPP一起看
  • ……

工作

既然拿人家钱,就要办好事!所以要加油呀!努力输出呀!(但是并不是说晚下班)

2019,继续加油!

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