读《曾国藩传》

蒋星德著

曾老先生的自传书真是太多了。

 

所处的时代背景

1811年出生。将大清延长了 60 年的命。

吏治腐败,清政府排挤汉人。

1850年洪秀全于广西桂平金田村起事,1851年称太平天国。

道光年间黄河下流时常决口,河南一带,饥民极多。

太平军信奉的是类似天主教的一种宗教。

 

少年时代

曾国藩在他父亲的家塾中受了七八年的教育。

14岁到长沙应童子试,无

16岁应长沙府试,考第七名。

1833年12月,和欧阳氏结婚(23岁)

1834年中第 36 名举人。(24岁)

道光18年中进士

祖父和父亲送他到长沙,送他进京。

 

京官生活

1840 ~ 1851年

星冈公日:尔的官是做不尽的;尔的才是好的。但不可傲。满招损,谦受益。尔若不傲,更好全了。

京官渐窘,恰有俸银接续;冬下又望外官例寄炭资。

24史最后一个朝代是明朝,那曾国潘怎么读的是 23 史呢?

 

1839年,29岁,第一个儿子纪泽出生。

1848年,38岁,第二个儿子纪鸿出生。

 

观人,交友

以有操守无官气,多条理而少大言为主。

 

曾国藩从咸丰三年练湘勇,到同治三年湘军攻破南京为止,一共费了十一年功夫,吃尽辛苦艰难,终于获得最后的成功。

初带兵时43岁,攻下金陵 54 岁。

1872年,62岁,二月初二,在看书时势笔而手颤,不能说话。初四坐于厅堂逝世。

 

不凡人格

律已以严

躬自实行

近乎一生用楷书记日记

他的治家方法:勤,俭

待人忠恕:一个严以律已的人,一定能把权利看得很轻,欲望看得很薄,那么在人与人交往中,决不会待人任何人有什么过度的苛求。

 

行政方法

作育人才:1,访求。2,料理官车,摘由备查。3,圈点京报。4,注解缙绅。

得人不外四事:广收,慎用,勤教,严绳

多讲话,多见面,多写信,提示好榜样。

救济民生

建设

 

治兵方略

儒将

石达开:曾国藩虽不以善战名,而能识拔贤将,规画精严,无间可寻,大帅如此,实起事以来所未见。

 

文学修养

好读书

1,喜欢读书。2,懂得读书的方法。3,劝人读书。

勤写字

家书,日记

 

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