码虫韩小呆的 2019 年总结

光阴似箭日月如梭,一眨眼,2019年走了,2020年了,含泪回顾这一年发生了什么,收获了什么。这一年,大到整个世界都不太平,小到自己找工作都很费劲,不讨论特朗普退群上瘾,也不研究世界经济一股寒流接着一股寒流的吹,只想弄明白,自己这一年平淡的北漂生活发生了什么。
遥想 3 月份 ,怀揣着部分 90 后愤青脾气秉性的自己从商家公司辞职,开始了初春“寒冬”的找工作之旅,住在昌平的我几乎跑遍了整个北京城各个角落,在家门口的大学里面试过,也去大兴京东附近面试,大厂去过百度、美团,也去过刚成立3-5个人的小公司,见识了藐天藐地藐世界的某矿企的 hr ,也看见过了跟我怼了 3 个小时的中国 某 知识网站的老板,当然了,也有接过我的简历,来回翻找错别字的面试官,还去过清华大学跟清华教授谈了三轮,最后,被告知清华大学已经关闭签订合同的入口,傻傻的笔者,还苦苦等了 几天,才想明白,人家只是不想要你罢了。笔者工作 3 年了被各种外包公司邀请面试 ,邀请入职,说句大家经常调侃的话:“一入外包,终身外包”,是的,不可否认,外包公司可以给你很高的工资,但是,这个好像和你的工作时间和工作强度直接挂钩,否则你不可能看见“某厂外包员工病史在饮水机旁”,“某外包产品经理要求,程序猿做出手机App随手机壳颜色更改而更改的超级需求”…最后,我终于成功的一个望京的公司成功录用,干了半年了,自己成功造了俩App上线了,剩下的没啥特殊情况就剩下增加功能,维护升级了。
这一年,我的产出不高,质量好像也不大好,去年好歹有一个文章还被鸿神转载了,今年被浏览的都少了,自己也浏览一下,也没出什么高质量的知识哈,只是笔者,自己开始慢吞吞的捡起 web 了,写的都是 web 的基础知识,和项目遇到的基础点,而且打算把 web 整完了,出个系列的文字给自己做笔记,也给有心的你,走出一条从 Android 延伸到 web 前端开发的路线,毕竟众所周知,Android 开发 真的不是十分的景气,好时光过去了,感觉都要是夕阳工程了?开个玩笑哈,只是各位还是多学点比较好嘛,技多不压身,对吧?
记得,上班路上读过一篇文章,上面写的是,2018 年 形式不好,2019 年更不好,而且这只是 5 年不好的刚刚开始,现在过了两年了,各位是否依旧坚挺?各位是否依旧对整个行业充满信心呢?用更多的时间参悟技术,掌握新的本领,有一句话好像叫物竞天择,适者生存,不适者被淘汰吧?还有一句话叫 天将降大任于斯人也,必先苦其心志,劳其筋骨… 反正是就是那么点大道理吧,各位码友 肯定都比我清楚,所以呢。让我一起 回首2019,致敬2020吧。

小菜鸟笔者—韩小呆,祝福 各位和自己 在 2020 年有一份好工作,有一个贤惠的妻子,有一头乌黑亮丽的头发。

在这里插入图片描述

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