【编程之外】为什么我们要写技术博客?

博客,其实更多是写给自己看的

这是一个你第一眼看去绝不大可能同意的观点,“what? 博客的主要作用难道不是给他人分享自己学来的知识吗?”,你可能会抱有这样的疑问。对此,且听我细细说来:
第一,自己写的博客对于他人的作用是有限的,它的主要作用是给人以启发和引导,以及查漏补缺。而相比之下,在给读者们形成系统的知识体系这一方面可能显得比较局限。
 
第二,虽然博客除了给他人启发外,作用实在有限,但写博客对博主本身的益处却远不止于此。笔者我在写技术博客的时候,总觉得说成写博客,倒不如说是“学习+思考+总结+提升”这一整个过程,是个学习的过程,而不仅仅止于写作本身
 
所以,愚窃以为:对大多数人而言(例如我),写博客的目的:60%自己的学习+40%给其他人学习
 
【注】这个说法是基于大多数还在学习和成长中的童鞋们说的。当然了,对于许多热爱写作的博客大牛来说,分享知识才是主要的目的

写博客——对学过的知识进行总结升华,并形成系统的知识体系

 博客的作用:

系统地整合自己某一阶段的学习成果

 

很多人,包括我在内,许多时候总喜欢一目十行。一本厚厚的书,总想要几天内全部看完,窃以为这是“学习效率高”的体现。可实际上呢?和什么都没看没啥区别。因为学到的知识点是非常零散的,没有串联起来。博客,恰好可以作为对前一段学习的知识的系统的整合和提升,将这些零散的知识点串联成自己的知识网络

让你有一张“自己的知识清单”

这是我的“知识清单”,因为我才刚写博客几个月,所以这张“清单”看起来还是非常地简单。但我相信将写作下去,让这张知识清单丰满起来的时候,它将给我带来三个方面的便利:
1.了解自己知识体系中擅长的那部分知识
2.了解自己知识体系中欠缺的那部分知识
3.了解自己知识体系中亟待加强的那部分知识
 
在了解了自己的知识体系的前提下,学习的方向性就会强上许多,这也是写博客的益处所在
 

写博客——一种能极大提高兴趣和效率的学习方式(learning in teaching)

“谢谢楼主!你这篇文章给我的收获很大”,每当我看到这样一句话,或是得到一个“推荐”的时候,都不由得满心欢喜——“我的写作是有成就的!”,“我在社区里起到了传递知识的作用!”这样的想法就会在心底冉冉升起。
 
不得不说,自从写博客后,我学习新知识的兴趣成倍上升,因为我找到了学习的动力——如果我能把这些枯燥无味的知识转化为“新鲜活泼”的技术博客,将会有许多从中受益,志同道合的朋友为我鼓掌
 
士,为知己行于世。
 
随兴趣一同提升的是学习效率,兴趣是效率之母,兴趣有了,学习效率又何苦上不去。我想大家最为苦恼的是学习兴趣的持续性短。一时产生的学习兴趣总是在短时间内就被枯燥的知识给消磨殆尽。
 
这时候写博客的重要性就体现出来了
(上图来源于知乎曹阳,所引用美国教育学家埃德加 · 戴尔(Engar Dale)研究出的“学习金字塔”(The Cone of Learning)原址:https://www.zhihu.com/question/20982901
 
为什么写博客的效率高?看看上面金字塔里我圈出来的字眼——“教授给他人-90%”,写技术博客就是这种“教授给他人”的主动学习方式的最好体现!
 
用英文概括这种学习方式的话,就是“learning in teaching”
 

对待技术博客的正确态度

 
1.尊重知识产权,对于引用他人的片段标明出处
2.对待“反对”的正确态度:虽然有人点“反对”让人难过,但这是必要的!
3.一定要用“尊重知识,读者第一”的态度严格要求博客的质量
 
结语:
博客园里是有记录随笔的日期,随笔数,每个月的随笔数,以及发布随笔的日期的,我觉得这是一个非常好的设计。这让我们能够看到自己迈出的每一步脚印,清晰地看到自己的学习和成长。
 
博客园的各位,让我们一同成长
 

 

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