2018计划

2017年过去了,我很怀念它。

回归一年前的计划,已经无所谓感慨了。

2017年,希望如下:

1、调理身体,减肥加祛除糠疹;坚持锻炼身体,每晚30-40分钟运动,目标还是每月1斤。

执行结果:糠疹去了,但是锻炼身体,坚持的不好,也就在7/8月份游泳了几次,体重依然是82KG,没有变化。

2、完成公司的财务和业务规划,经营产品和方向等。拓展业务面,联系更多的商务机会,暂定每月1个吧,争取2017年开门红。

执行结果:商务机会远远没有想象中的多,2017年依然没有收入。

3、带娃去趟海边。

执行结果:这个实现了,7月份带孩子老人去了趟东戴河。

4、孝敬老人,多陪陪家人。

执行结果:在家时间依然有限,做的不够好。

5、寻找更好的工作机会。离家近点,最好还是国贸附近。

执行结果:被换了工作,但是离家更远了……

6、从新的一年里,开始2006年那种状态,积极一点动起来。每个季度,了解一门新的技术,保持编码的习惯,鲜活!

执行结果:没有了解到啥新技术,还在吃老本。明年决心调整这个思路。

7、理财方面,争取2017年存下15万元存款,将房贷提前还一些。

执行结果:家有了些余财,但是都分别放给支付宝、金蛋和股市了,没有提前还房贷。

展望2018,量化目标,希望能够更加圆满的完成目标。

1、依然是锻炼身体。不光是减肥的问题,更重要的是需要作息规律,保证锻炼时间。

每周至少两次万步以上快步走;

早睡早起每天11点前一定睡觉;

饮食规律,坚持吃早餐,晚餐少吃,保证水果维生素。

2、家人最重要。多陪陪家人,争取今年带家人出个国,开开眼。2018年至少保证阴历年、暑假、10月28老妈生日在耿家庄,中间多找机会周末回去至少3次。

3、公司运营。争取有财务收入,能养起1-2人小成员。有效商务机会,至少争取3-5个。每季度一个。商务拓展,商务拓展,商务拓展。

4、个人进化。掌握两门新的技术,安卓开发和Python语言。给自己定个小目标,不然容易懈怠。上半年是安卓,下半年Python。

5、时间管理与写作。规划个人时间安排,有系统的整理自己的东西,动笔开始写点啥,微信上Gchit或知乎live上“开坛”。

6、财务规划。保证每月1W的存钱力度,争取早日实现财务自由,不在股市等方面花费太大精力。保证至少跑的赢贷款利息。


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