骆驼的最后一滴眼泪

你穿羊绒衫吗?你知道什么叫生态难民吗?你可见过骆驼的最后一滴眼泪? 
  今天,我只想让大家知道一些事情,能在看完后做一些力所能及的事情!在北京大学的百年大讲堂,我有幸参观了一个摄影展,主题叫“骆驼的眼泪”。 
  已经写不出来当时看的时候和看完后的复杂心情,一幅幅图片都是一个退休老工人近10年自费走遍内蒙古全境以及青海、宁夏、新疆部分地区拍下来的生态的一步步恶化情况,沙逼人退,已经到了黄河边上,草死沙进,昔日高可没人的草原现在连骆驼都无法生存而成批饿死!一个个被黄沙湮没的村庄,一堆堆惨不忍睹的白骨,一具具死不瞑目的骷髅,一群群看似滑稽穿着各种衣服的山羊!因为山羊饿得相互吃彼此的毛充饥,牧民不得不以此来保护自己的财产——羊毛! 
  我约了摄影展的主办者——一个铁铮铮的内蒙古支边几十年的退休工人卢彤景老先生。这个散尽自己家产呼吁生态危机的老先生,要再用语言来让更多的人救救生态。老先生上来的第一句话就是“牧区真穷,牧民真苦,牧业真危险!”让我没有想到的是,卢老先生告诉我们,草原如此退化最大的一个罪魁祸首竟然是1981年时与日本合资的鄂尔多斯羊绒集团。1981年以前,草原没有山羊,到1985年山羊开始成倍繁殖,从上世纪90年代到如今的10年之间,是草原恶化最严重的10年,在鄂尔多斯崛起的背后,是牧区的退化,是生态的急剧恶化。日本人在1981年以前是在自己国家养山羊,很快发现了养山羊带来最大的问题——山羊不但吃草,而且吃草根!于是,他们将山羊繁育基地挪到了中国,用雄厚的资金和原鄂尔多斯毛纺厂合资成立了羊绒厂。从此,内蒙古大草原开始了噩梦! 
  日本人很会做生意。20世纪80年代,牧民的羊绒可以卖到280元一斤,现在是七八十块钱。先以高价吸引你大量养殖山羊,再压价收购,羊毛不是粮食,只能卖给羊绒厂。羊毛便宜了,就再多养一些来维持生计吧,多养一些带来的却是价格的更低。一方面是日本人满足的笑脸,因为他们的钱包越来越鼓;一方面却是牧民的生活更加穷苦和我们的草原的一步步消失!现在,欧洲不大量养殖山羊,美洲不大量养殖山羊,澳大利亚也不大量养殖山羊,连非洲都不养,亚洲的新加坡、日本、韩国都不养,只有中国,在大量地养殖山羊!在一个只能承载20万头牲畜的草原,有120万头吃草动物,最多的是山羊!用长远的生态换来了短暂的当前利益,换来了所谓的经济发展!近几年,中央出台了一系列退耕还林,退牧还草的政策。可是图片上圈起禁牧区的铁丝网到处都是洞,牧民要吃饭啊!就是这样,在河套地区又兴建了一个羊绒厂,号称世界第一!光鄂尔多斯一年就需要70万吨的羊绒,目前已经注册的3000家中小型羊绒厂和那些没有注册的甚至上万家的羊绒厂已经让草原变成了沙漠!我们真的还需要一座世界第一的羊绒厂吗?现在的草原,没有了一点生气,昔日的万峰驼乡现在已经人烟荒芜!连骆驼都不能生存的地方,还有什么可以生存?草原啊!骆驼的眼泪! 
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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