随想2

本周挺繁忙的...因为是线代考试的缘故,复习方面花了不少时间。其次因为学生会的事情也耽误了很多学习时间,以后还是要尽量抽时间做。

不过本周也有一些收获

首先是CSS和HTML代码方面,每周都有一些学习,复习等。对代码的熟悉是构建前端的一个基础。同时学姐的一些建议很好,下了CSDN的APP,很好的帮助了我利用一些空余时间。(如排礼仪操,实在是太无聊了)。在CSDN上也解决了许多困扰自己很久的问题。比如 面向对象....这个问题一直很纠结,不过现在通过一些文章概念也显得清晰了一些,最近有自学C++的一些打算。以为C++是在C的基础上添加了面向对象的一些模块,希望能将这样的思想融入自己。

其次数据结构课程,PATEST的训练也在同步进行。这方面是算法的基础,虽然每周不多但是肯定会有用,自己虽然不是专门搞竞赛的,不过就算不拿奖,学了这些算法无论是编程,数学或者其他抽象思维的理解都是有帮助的。我一直相信算法的作用。

差不多就这些了 星期天考试 我去复习线代啦啦啦

最后还是惯例 附一个算法

这个是软件组的某个童鞋给我讲的一个涂色问题的算法 (现在感觉好像是有DFS的思想!?顺便贴一下给大家分享一下)

#include<stdio.h>
int main()
{
int n,i,t,a[3]={1,0,0},b[3];
scanf("%d",&n);
for(i=2;i<=n;i++)
{
b[0]=a[0];
b[1]=a[1];
b[2]=a[2];
a[1]=b[0]+a[2];   //通过三条路中选定某一条路的情形进行讨论到n-1次
a[2]=b[1]+a[0];
a[0]=b[1]+b[2];
}
t=3*(b[0]*2+b[1]+b[2]);  //最后一次再算第n次乘3的目的是把开始的三种合并 由于等效 可以直接*3
printf("%d\n",t);
return 0;
}

 

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