总结军情之祡禁之颠

{一路走来}
我从家2012年7月7日到北京7月10号上课,今天已经2012年10月11日呢。我已经学了,三个月零一天呢。今天已经学到了js开课的第一天呢。回
想前面的三个月,今天再回过头想想,时间过得很快,都已经三个月呢。总结前面的知识点,我感觉得,还有很多撑握的不够扎实,国庆七月
里,玩了一天,学了,六天,六天里都没有学什么新的东西,都在复习,补自己前面,的漏。个人总节了一下php的所有知识点和个人撑握的情
况,if 、if elseif else、循环结构、字符串、数组。三元运算。点在php的作用是什么,还有自定义函数。oop面象对象公有、私有、受保护
,继承,接口,多态统一规范,魔术方法。都能够很好的理解,个人实战练习不是很多,时间长了不用会忘。自从整理了这些知识点,思想,
要清楚很多呢。好希望“时光倒流”多总结,每个知识小点,每天,把书的目录再看一下,看一下,自己是不是一看到,每一个章结点是什么
,马上,就再想起它的内容和使用的方法,如果不想不起就说明自己给忘了,这样来提醒自己,不要忘了前面的知识。如果不会就多找老师同
学问问,我争取每天都能找老师,同学问问。总的来说,自己能感觉自己在进步,有点慢,看着旁边的同学,十指在键盘上,飞速的敲打着自
己的键,自己好生,羡慕。但是,自己还是觉得。linux以前在学校学过,不过,总的来说,还是有进步,以前都用rpm包装软体,现在,还会源码包安装呢。哈哈

{自己存在的问题}
自己存在的问题还是很多如(文件夹上传,下载,GD库)都不会写呢。更不要说是mode类呢
。自己还得加油啊……我个人觉得自己找到了学习方法吧,如果,每一个代码,我都可以理解性的去敲打的话,记憶得会更好些。

{我找到个人觉得比较好的学习方法}
我现在,把我不会的,一些函数都放在一个txt文档中,找时间查手册,问同学,把手册的例子,举一反多的来练习,来记憶,我觉得比较好,
还有就是,有的手册上的专有名词不利于记憶,自己可以把这个专有名词使用“化功大化”转化为自己理解之后的词汇来记要事半功些。还有
就是数组字符串函数有很多,有很多大意都是一样的,只有一丁点不一样,什么值,键,一定要搞明白,要不然自己就要晕,就会到乱,也
就是说要对比着来记,来学,来总结。有些纸笔记,我就暂时不做,先把它做在word中,生成pdf来看,不断改良之后,星期六和星期天,再把
上一个星期所学的全部看再一总结一下,把他们,全都写在纸笔记上。常用的字符串数组函数每天都在重复的复习记憶、我自从用上了这个方
法之后,感觉得自己又进步了一点。

{比如说}:
var_dump()、print_r()、echo ()、returen()、单引号和双引号、get和post传值的区别是什么、break和continue的区别又是什么
isset()和empty()的区别又是什么、三元运算的规律先什么,再什么、知道了区别之后,再问一下,这些都是干什么用的呢。
它能干什么,它用在什么地方。
{pdo}
pdo今天,刚学完,还在研究之中,也是js的开始。

{要感谢谢的同学室友和老师对我的帮助}
室友:宋晓东、丁德京、徐光鹏、甘向东
老师:赵桐正 、莫南
班主任:梅红丽
室友们个个都是高手,我是菜鸟一只,室友对我帮助也很大,因为在一起的除了老师,我们在一起的时间最多
赵桐正老师讲的真的很好,莫南老师对我的帮助很大,很有热情。
班主任对我学习情况的关注,我是关怀学员,基础不是太好,看到班主任,我就会想我,我最近的学习情况,班主任幸苦呢。


{又是新的知识点}
js还知道一点点,ajax 、jquery我就完整没有什么概念呢
不过,说真的,我还是满惦记,前面,有不会的知识点(GD库、多文件上传、验证码)这三个知识点是我心中的痛哇

原文地址:http://bbs.lampbrother.net/read-htm-tid-133288.html

<script type=text/javascript charset=utf-8 src="http://static.bshare.cn/b/buttonLite.js#style=-1&uuid=&pophcol=3&lang=zh"></script> <script type=text/javascript charset=utf-8 src="http://static.bshare.cn/b/bshareC0.js"></script>
阅读(64) | 评论(0) | 转发(0) |
给主人留下些什么吧!~~
评论热议
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