2018年11月26日 总结

        对于徐州赛,实在是一大痛处,外在原因主要是跟了歪榜+题目读不懂,内在原因是前期出不来题导致心态不稳,只过了1题罚时又多所以打铁滚粗,准备了这么久的比赛,自己一个题都没思路而且题都读不懂,比赛体验实在是差。   

        昨天焦作一场,感觉自己和队友赛前心态都不错,回头来看其实坦坦荡荡的面对才是最好的。趁记忆犹新,说一下比赛过程吧,比赛开始出题人放了一道良心签到在A题上,我们队本身就一人从前往后读题,一人从后往前读题,一人中间找题,所以立马发现此水题,立马换位置准备敲代码,提交前又对照了好几次输出才敢提交。然后同时队友又发现I题可做,说是发现了出题人的思维点,但是调代码过程中出了点小失误,加了几发罚时,队友赛后一直也为此难过,但是组队比赛罚时怎么会是一个人的锅,我们也认为没有白交的罚时,一切都是比赛的正常结果。出了此题之后出的较多的就是E题了,素数相关的题目,这题想的还算比较久,最后队友思维敏捷,在我打表时,队友就手推出了公式并且验证完了。用JAVA实现了之后一发就A了,但是此题用时还是略多。之后能做的题就是D和F,队友也很早发现F是个比较麻烦的搜索,于是决定就先主攻D题一道计算几何,其实这道题难度不大,高中数学知识就能解决,推了一会就找到了正确公式,我在敲代码时队友就去攻F了,D题代码也不长就一发A了。两题1A感觉还是很顺的,心态基本稳住了。(所以由此感觉比赛前期放些简单题,神级大佬能带好榜,对参赛选手的心态和感觉是很有利的。)之后队友们就开始敲F,不久就又拿了1A,Orz队友,因为听说这个题还是不好调的。然后剩余的题目出的就都不多了,在看完C,L题意之后发现没有思路,就决定攻B,此时B题出题数已经明显多于其他题了,读完题之后队友有些思路,但也没剩下太多代码时间,调了很久,交了几发,最后也没过,时间再长一些,应该还是有希望的。由于罚时稍微落后,封榜后成绩由银尾掉到铜前。比赛虽然遗憾,但正常算是发挥,大家也对得起自己的努力,问心无愧了。

        今年有幸与两位大佬队友组队打比赛,大家比较聊的来自然比赛配合也不错,相比大二我这学期的状态感觉也好了很多,虽然十分不舍,但是恐怕今后也没有机会一起组队了。感谢老师,感谢队友,今年有幸参加两场区域赛,虽然拿了铜牌但是还是留有遗憾,只希望选择留下来的同学们,日后能有好成绩。

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