感谢你曾经来过~

总结一下我开学到现在所做的事情。
1.小组招新,在小组招新这方面我做的比较少,做了一个三折纸,还有一个大海报(这个我是混子QAQ)。
2.办公室招新,我们办公室的招新PPT总共分为两版,第一版大部分是我做的,第二版是清清主力,我辅助。在找模板这方面花了一些时间,但是最后100人进群,还是挺开心的。
3.课程学习,我现在课程学习让我满意的没几个学科,离散,电子技术基础都学的可垃圾,就线代还说得过去。所以课余时间我就写写线代作业,学学离散,学学电子技术基础。
4.小组学习,前段时间在小组一心学习算法,前端的东西几乎没学,最后蓝桥杯感觉自己写的还行,填空写出来三道,大题三道。小组学习状态不在线,没办法,如果我课上的东西都学不好的话,怎么去学其他东西?也许这是一个搪塞的理由。
5.办公室工作,招新是超级重要的任务,花费的时间也多。然后就是开学一开始计算成绩了,两个学期的德育成绩,一个学期的智育成绩,我当时总共分给了我七个班,大概算了一周的时间,直接算吐我了,每一天打开电脑就是QQ联系班委,然后就是excel表格了。
6.近段时间让我最忙的:代班。代班虽然耽误了我学习,但是我认为很有意义,也许我不是一个优秀的人,但是我希望在我的引导下,能成为优秀的人。代班真的是一次不可多得的经历,因为有各种杂事,学习状态不行,课上都需要发好多通知,课下还得花时间去补课。不过不过,我一点都不后悔,这虽然让我花费大量时间,对我自身产生了一些影响,但是,这很有意义不是么?
后边我需要做的事情
1.报了一个全国大学生数学竞赛,考高数,高数这方面我自认为学的挺好的,不知道能不能拿上台面,后边课余时间会复习高数。11.28,一个月的时间,嘻嘻,我还是挺喜欢数学的,我一定会好好准备。
2.英语四级,从今天开始准备英语四级吧,学长给我说让我刷卷子,听说很有效,今天刚从淘宝上买来,坐等。我现在对英语学习没啥欲望,这以后也会成为考研的痛点。英语我一定得补上!!!
3.然后就是部室了,开始换届了,七进四,这个我没啥话说,就是希望学长学姐的选择可以让部室发展的更好。
4.补课吧,我真是服,电子技术基础就逃了两节课,后边听课全是懵逼。。。补!

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 1
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