聊聊穷人皇帝的人和事儿

        上周五Laxcus可类化(Classable)收官测试,整个测试过程行云流水,一气呵成。数据量小了,网络传输快了,数据计算效率提高了。晚上老马过来,庆功加小聚,席间扯淡,谈起中国历朝的开国君主们,出身寒微的,当数汉朝的刘邦和明朝的朱元璋,但二人却还是大不一样。下来就细细说来。
        刘邦秉性泼皮,家里却也有房有地,如果按照几十年前的阶级成份论算,应该是个中富农,中产富裕家庭。这主儿在家排行老三(刘邦也叫刘季,季是三的意思),当亭长时就学会了混吃骗喝。押民工去工地交差,碰上下雨失期要砍头,无奈拉杆子造了反。当汉王时拿人家郦食其(李白诗里的高阳酒徒)这样的儒生帽子当尿壶撒尿;当着下属抱女人睡觉;当了皇帝还跟他爹耍无赖,问他老爹哪个儿子更有钱。不过人还算老实,承认自己没啥能耐,靠韩信、张良、萧何三人得了天下。一生最大的胜利是垓下一战杀了项羽。败战打得实在太多,数不过来。最惨的是白登之围,几十万汉军被匈奴困在白登山上,整个铁桶似的,要吃没吃,要喝没喝,眼瞅着要完蛋,最后靠陈平走夫人路线才得以逃脱。搞得子孙们被匈奴人欺负了几十年,幸亏有个争气的重孙子汉武帝,才把局面翻过来。
        朱元璋是家里最小的娃(重八),出生后只有一个惨,从小吃苦放牛种地当和尚,爹妈饿死了都没个地界儿安葬。按照几十年前的阶级成份论算,绝对的贫雇农,劳苦大众里面最苦大仇深的那一档。当时是元末,天下大乱,外面打成一团糟,这朱元璋却能老老实实的,在庙里守着清灯古佛。可见此人秉性淳良。直到被逼得连和尚都干不成了,才投了红巾军。然后凭着自己的努力,一步一个脚印打拼出来,成为一方诸侯。成了诸候后还能很讲义气(看他对韩林儿和郭子兴的态度);能够知人善任(看他手下李善长、刘基、徐达、常遇春、蓝玉这批能臣悍将的水平);方略成竹在胸(看他对陈友谅和张士诚俩人品性和当时形势的分析评价);谋断超群,未战先知,一生从未打过败战,把蒙元赶回老家还不算,数次杀得成吉思汗的子孙在草原上鬼哭狼嚎,丢尽了祖宗的老脸(这一点大概只有唐太宗李世民可以相题并论),还有他儿子朱棣五次北伐,大长了汉地中原人的威风;不怕家穷家丑,告诫子孙创业艰难(看看御制皇陵碑,这是朱元璋的亲笔)。由此可见,朱元璋这人品性远超刘邦。至于当了皇帝后杀戮功臣的事,属于阶级内部斗争,俩人都没少干,这里就不说了。
        论治国水平,朱元璋能甩出刘邦几条街,明清两朝的典章制度就是朱元璋定的,前后沿用了近六百年,直到民国才废止。可谓是影响深远,要不怎么今天辛亥革命都过百年了,还有人骂他说毒害了中华民族呢。刘邦没啥太多的交待,留给子孙只有一句“非刘姓为王者,天下共诛之”,还有一个休养生息的黄老之术,黄老之术维持了几十年,传到了汉武帝手里还给改了。
        论文化水平,刘邦的正史里没说学过啥,只有一首《大风歌》。这首诗读起来固然大气磅礴,但这是老刘回沛县老家吹牛逼的作品,整个一个炫耀带点身边缺乏人才的感叹。朱元璋这种苦出身,小时候饭都吃不饱,估计当年就是有过学习经历,也是扒墙头听的课。能达到日后那种水平,可以肯定是自学成才。文彩斐然(看看御制皇陵碑),让我们这些受了十几年正规国家教育的人都很愧颜。老朱写的诗也比老刘多,本人比较欣赏鄱阳湖大战前的那一首:“马渡江头苜蓿香,片云片雨渡潇湘。东风吹醒英雄梦,不是咸阳是洛阳。”可见此人对当时时局有清醒的认识,朱家江山的得来绝不是侥幸。

转载于:https://www.cnblogs.com/laxcus/p/5303530.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。
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。
【5层】2800平米框架商务写字楼毕业设计(含计算书,建筑、结构图) 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。
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