吉林高考2019 酱油记

没错我GXZlegend又来骗访问量了

Day 0

上午莫名奇妙感冒了,GG。然而我妈似乎并不很重视高考,连消炎药都不给我吃 →__→ (后来吃了但是似乎晚了)

下午硬顶着头晕和嗓子疼去看考场,之后回到家那边用了一些奇怪的疗法,起到了一定的心理作用。

晚上回家和各路家人吃饭,结果又肚子疼睡不着觉,我妈告诉我别慌(反正过一本就行),于是先看了一会古诗文,然后颓了一会,大概 22:30 睡的觉。

Day 1

带病去高考。

师大考场发水的志愿者真是又善良又热情还好看啊啊啊啊啊

来打广告的驾校还能接受,毕竟挺多人都说考完要学 开 车 的

复读班的是什么鬼啊

上午语文,拿到题发现莫名简单(至少比2018年的简单多了),前面的阅读基本一遍过,后面的文言文更是白送。

在病痛的折磨下感觉考的还算挺顺利的。

Day 1.5

中午吃完饭后简单睡了不到一个小时就出发去考场了。

然而数学题的难度远超我的想象。

具体来说:17题就有了原来19题的(题型和)难度,导数放到了20结果和原来21没差到哪去,21题换了解析结果贼难算,二选一看上去就不好做。

最关键的是,像我这种从来不写数学作业的人,面对新题型就是一脸懵B。

好在最后答完卷了,不过选择填空没太仔细检查

Day 2

前一天晚上又冷又热结果就睡了5个小时。

继续带病去高考,而且似乎比前一天更严重了,考理综时完全提不起精神来...

好在理综是没有开头杀的,选择题还是挺简单的(结果我还想复杂了多错一个)。

物理计算题,慢慢的恶意,猜到了会设置坑点但是还是要证明这里是个坑 →__→

化学和生物大题没啥感觉反正也不知道自己是对是错。

然而最坑的是物理光学题:考的不是我们常练习的机械波和几何光学,而是单摆和波动光学,恰巧这两个我脱产没学到而且一轮复习没认真听;我校还不学热学,别无选择。

于是硬解微分方程推单摆公式(最气的是还有个地方想错了),硬推双缝干涉求波长公式(带数进去挺符合直观,给数的题还是很良心的),花了大概20分钟时间。

好在最后还是答完卷了,而且同学都说理综挺难的,还算放心。

Day 2.5

本来前一天晚上就没睡好想着中午补一觉,结果我妈忙活搬家的事硬是让我睡不着...

从房间里出来后:

我妈:儿啊,是不是妈收拾屋子吵醒你了?

我:......(神tm吵醒,完全是没睡)

不过考英语的时候倒还不困,先看了一会改错,很快就进入状态了。

反正最后是答完了(而且还不知道有没有错)

Day 2.75

高考逢端午的弊端:考完都被亲戚拉着吃饭了,像我这种把家里事情推掉的几乎寥寥无几

和 @Tonyfag 与 @Ciel 去汉堡王斗地主,Ciel 完全不会斗地主但是局局牌贼好,可能这就是新手福利吧。

期间高考答案发下来了,于是对答案(只有我对了答案)

语文选择错俩,数学AK,物理傻逼了好几处,化学生物就那样,英语错俩七选五直接GG

估分 115+150+95+95+80+140=675

感觉考的还行的我告诉家长一声后,继续一起浪,去乐活里3楼打台球。

这里必须要打个广告:乐活里3楼是在是太良心了,你能想到的娱乐设施这里啥都有,由于人少冷清,还很便宜,最重要的是台球厅没有烟味,一桌30块钱一小时随便打,赚爆!

此时的我依旧是带病状态,打了一个小时后嗓子有点受不了就回家了。

Day ? ?

发成绩了,结果是117+147+262+136=662,和估分差的有点远,不过这个分并没有我想象中那么差,可能是同学考的也都不咋好的缘故吧...

协议用上了,THU去上了,高中生涯就这么结束了。

再也见不到某同学了

总结

总结你?呢都毕业了!

转载于:https://www.cnblogs.com/GXZlegend/p/11082312.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,因为它们具有忆功能,能够捕捉数据中的时间依赖性。 5. **长短期忆网络(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