课后作业-团队编程项目总结

团队名称:BUG组

成员:王志昂(组长)
郑 月
李古宇
孙晨旭
鞠牧孜
程冠菲

项目名称:吃货之家-识食物者为俊杰

 

说到底啥是品位其实我也不懂,忽然想起一个曾经挺流行的说法,就是“小资”。八十年代苏州陆文夫写过一个著名的中篇《美食家》,主角朱自治在“我”高小庭的眼里倒真的是个标准的资本家,而且是个好吃成精的美食家——早晨要起个大早去朱鸿兴吃头汤面,接下来到阊门石路去蹲茶楼,在茶楼里要讨论中饭去新聚丰、义昌福,还是松鹤楼。如果这些地方都吃腻了,就与同伴雇上黄包车或者马车,到木渎的石家饭店去吃鲃肺汤,枫桥镇上吃大面,或者是到常熟去吃叫花子鸡……啊,这种腐朽糜烂的资本家生活请务必带上我!

过不起小资生活,寻常人的四季美食咱还是能吃得上的。最后我一定要引用下《雅舍谈吃》里的这段,与各位爱生活爱美食之人共勉——

“开春吃春饼,随后黄花鱼上市,紧接着大头鱼也来了。恰巧这时候后院花椒树发芽,正好掐下来烹鱼。鱼季过后,青蛤当令。紫藤花开,吃藤萝饼,玫瑰花开,吃玫瑰饼;还有枣泥大花糕。到了夏季,„老鸡头才上河哟‟,紧接着是菱角、莲蓬、藕、豌豆糕、驴打滚、艾窝窝,一起出现。席上常见水晶肘,坊间唱卖烧羊肉,这时候嫩黄瓜,新蒜头应时而至。秋风一起,先闻到糖炒栗子的气味,然后就是炮烧涮羊肉,还有七团八尖的大螃蟹。„老婆老婆你别馋,过了腊八就是年。‟

 
例如通过CBNData我们可以知道目前在零食领域,主流的人群是90,95后群体,而且以女性为主题。
 
 

人生在世,吃穿二事,很早我们就知道了这句话。人虽然作为高级动物,但仍需要与普通动物一样:“吃”。所以,零零总总令人眼花缭乱的各类美食也孕育而生,从古至今,长盛不衰。饮食行业也成为三百六十行常展长新的行当,而饮食业也形成了自己的独特的文化,说的更直接些就是一种“吃”的文化。
  中国有着5000年的悠久历史,中国有着灿烂丰富、博大精深的饮食文化;中国人注重“天人合一”,中餐以食表意、以物传情的特点。所以也就使得中国传统的饮食美食都“食出有门”如中华饮食文化理论奠基人??孔子《论语》中就有关于饮食“二不厌、三适度、十不食”的论述。直至两千年后的今日,仍具有极高的理论指导性。中华茶道始主??陆羽认为茶道在中华饮食文化中的地位几乎与酒等量齐观,他曾遍访名茶产区荐评品第,又精研泉水,次第品级。中华食文化之圣??袁枚其《随园食单》经历五十年才写成,成为中华饮食史上光前裕后之作,也有中华饮食文化“食经”的美誉。还有以味道治国的大臣??伊尹将饮食的“色、香、味、形”与治国相融合,所以就有了 “治国若烹小鲜”之说。

转载于:https://www.cnblogs.com/cali/p/7931512.html

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