计划与日志

文章目录

计划

  • 2020年8月
    1.读书计划:《大型网站技术架构》、《spring核心原理》、csapp完成7/8/10/11笔记
    2.复习计划:javaGuide看完一遍
    3.leetCode日常2道
    +完成导师的任务
    8.15 进度检查,剩余规划
    剩余天数 16 天
    csapp:前半月基本没看 => 剩下每章安排四天,最多两天看一章,两天做笔记
    技术架构:进度还行,坚持每天一章
    spring核心原理:基本没看 => 剩余每天至少18页
    javaGuide:基本没看 => 本月估计不能完成,尽量把java部分看完!!!

日志

2020

8月

8.1 《技术架构》1-2章、leetCode2道
8.2 《技术架构》3章、4.1; leetCode两道; Guide基础看完
8.3 《技术架构》4.2-4.5结束本章; leetCode两道; Guide集合看完一半;
8.4 《技术架构》5.1-5.3;leetCode1道;Guide源码之ArrayList;
8.5 leetCode2道;
8.6 《技术架构》5.4-5.8结束本章;LeetCode2道
8.7 有事耽误
8.8 有事耽误
8.9 有事耽误
8.10 有事耽误
8.11 《技术架构》第6章; leetcode2道;《Tomcat》第一章
8.12《Tomcat》第二章;
8.13《Tomcat》第三章;《技术架构》第七章;leetCode2道
8.14《csapp》8.1-8.4阅读;leetCode2道;《技术架构》第八章
8.15《csapp》8.5-8.8结束第八章;leetCode2道;《技术架构》第9、14、15、16章;
8.16《技术架构》第十章;《spring核心》第七章;leetCode2道;
8.17《技术架构》11章;《spring核心》第六章;leetCode2道;《csapp》笔记8.1-8.3
8.18 《技术架构》第12章;leetCode2道;《linux内核》第一章;
有事耽误+状态不佳(构建spring耽误太多且没有进展)
8.19 有事耽误
8.20 《技术架构》第13章;《linux内核》第2、3章;
8.21有事耽误
8.22 leetcode2道;《csapp》笔记8.4-8.8
8.23 leetCode2道;《csapp》笔记第11章前一半;
8.24 leetCode2道;《csapp》笔记第11章后一半;
8.25 《csapp》笔记第10章;
8.26 休息
8.27《csapp》笔记9.1-9.2

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