2020自我小结

2020对我和对世界都是不用寻常的一年,在这还是希望世界的疫情可以早点结束,也非常感谢服务在一线的志愿者和医生。

而2020对于我来说也是人生的一个转折点,2019.6我大学毕业,并于当月在当前实习的公司辞职,然后便投身于浩浩荡荡的考研大军中,坚持了5个多月(可能每个考研人的这段经历都非常深刻,而且也不想向任何人提起,因为这段经历只有他自己懂得,幸好还有几个小伙伴的陪伴,煽情了过!!!),终于在寒冷的12月结束了这次考研旅途。考完感觉数学发挥很惨,并不抱有一丝的希望了,感觉这半年的努力都白费了,那段时间确实感觉人生十分迷茫。

转眼到了1月份疫情来了,自己找工作的计划也不得不推迟了。过完年到了3月份出了成绩,结果却超出了我的预料,看到自己成绩的那刻 终于懂得了努力总会有回报的。直到5月复试结束自己也如愿上岸了一个中等211。(在这里祝愿2021考研的同学如愿上岸,一个认真的考研人都不容易,但是不逼你自己一下,你怎么知道你的潜力有多大呢!)

6月份开始学习驾照,7月份开始入坑学习java web后端开发(因为大学里主学的是android开发所以有点java基础),学习路线基本上就是mysql jdbc tomcat servlet response...,在家的时间总是过的那么快,不知不觉到了9月份,回想起来·在家已经呆了近9个多月了,终于要背起行囊奔赴下个旅程了。

来了理想中的学校,自己也拥有了自己的实验室位置(和工作的办公桌差不多,很开心),开学不久导师布置了web的开发任务,所以自己也学着开始使用ssm框架结合vue写一个crud的后端管理系统(目前还在开发中,自己还是个菜鸡,js基础不行,不懂的还得百度,写完了又记不住,索性要求自己每天坚持写博客,也正好记录记录自己的生活),个人认为项目对自己的提升还是很大,但是真要学会总结,好处有两点一是避免以后开发时少走弯路,二是面试时可以说出你做项目时遇到的技术难点。

最近看见自己学长学姐在面试,拿到的offer真令人羡慕,想想自己明年的7月份也开始找工作了,所以也向他们讨教了面java的经验,首先java基础和操作系统、计算机网络、数据结构的面试题得特别熟悉(可以去牛客网上看看),算法题可以刷leetcode(目前前期的话自己坚持两天一道)。所以说时间总是宝贵的,别人在玩你也在玩,你有什么理由抱怨你不如别人呢,所以有时间迷茫还不如努力学习呢!

在这给自己定个小目标吧,3个月学习完github开源项目 - 微人事+博客总结,说多了,快10点了准备回宿舍洗洗睡了!!!

最后鼓励下自己吧,其实每个人都是孤独的,但是在你走完这段孤独的路以后,你会发现那个美丽的风景一直都在等你!

 

 

 

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