论研究生是怎么堕落的

一切的一切,源于高中。

我的高中是在山西读的,没有山东那么残酷,也没有南京这般安逸。好吧这不是重点,重点是我们什么时候吃饭。

首先回顾一下我们的童年:

8:00,早饭;12:30,午饭;20:00,晚饭

然后是高中,还有部分BT学校的初中:

7:00前,早饭

7:00 ~12:00,早读和上午上课,12:00~14:30,午饭加午休;

14:30~17:30,下午上课,17:30~19:00,晚饭

19:00~22:00,晚自习;22:00之后,有的人会吃宵夜

早饭和午饭的时间很理想,我们的上午有长达5个小时的有效活动时间。

但是由于晚自习的时间设置,使得我们的晚饭时间被提前到奇葩的18:00左右。当然,对于学生时代这样很好,因为这样意味着我们下午和晚上分别有4个和3个小时的有效活动时间。

亦即,除过吃饭睡觉的时间,我们能够有效工作或学习的时间是:

上午,5小时;下午,4小时;晚上,3~4小时(有的学霸可能会长达5~6小时)。共12~13小时。

后来,我们上了大学。虽然大学的课堂和自习没有强制性,但好在很多必修课和点名课设置在了早上八点开始或者中午十二点结束,我们依然八点前吃早饭,十二点多午饭。但是由于高中遗留下来的习惯,晚饭的时间再也回不到晚上八点,而被定格在了6点。

慢慢的,我们发现了,十二点食堂总是爆满,但是十一点多就好很多;下午六点一样;再加上一周上午上课上到12点的日子并不是很多,大家不由自主的讲午饭和晚饭的时间提前到11:30和17:30(平均值)。另外,食堂是要赚钱的,它们顺应着学生的意,营业时间不是12:00~13:30,而是奇葩的11:00~12:30!不管你信不信,反正南大食堂12:30就只剩下残羹了。

由于游戏、韩剧的流行,通宵变得普遍,越来越多的人没有了早饭,早晨从午饭开始。睡到11点似乎说得过去,12点就睡的有点累了,于是乎晚睡的人纷纷11点起床去吃饭,更加助长了午饭提前到11点这一事实的气焰。

于是乎在我们的毅圆和食堂的助推,加上大学课程的设置,我们的作息变成了这样:

8:00前,早饭

11:00~12:30,午饭或早午饭;

17:30~18:30,晚饭

22:00,宵夜(与高中不同的,这个时候,有的人不吃宵夜)。

兴许是痛恨了高中的晚自习,也或者是怀念童年时晚上的电视剧,除非是考试将近或者赛事近邻,晚上的时间通常是用来娱乐的(白天学习还不够吗?晚上high起来!)其实想想,工作后的晚上也是不工作的不是吗?所以,晚上用来娱乐的真正原因是:我们长大了,要为毕业之后参加工作积累经验!

于是乎,我们能够有效工作或学习的时间是:

上午,3小时;下午,3小时;晚上,看情况,0~12小时(分布成指数衰减)共6小时

后来呢,我们没有去工作,而是读了研究生。研究生不得不说的两件事,一件,是没有课了!另一件,是工作环境从课堂、教室变成了电脑触手可及的办公室、实验室,于是论坛、人人、微博盛行了。

前者呢,导致我们没有了任何早起的理由,于是乎九点起床成为常态。起来后发现,距离吃午饭只有两个小时,去趟图书馆也学不了多少时间,两局DOTA刚刚好,还可以顺便等等那些十点起床和十一点起床的室友们。

后者呢,使得开始工作的前面一段时间要刷人人到无聊然后转战微博,刷微博到无聊然后转战到论坛,刷论坛到无聊到回去看看人人有什么更新,更不用说无时不在的QQ什么的。这个时间可长可短,平均2小时应该不足为过。

说会我们的作息,似乎是这样的:

没课的话,没有上午,更没有早饭(这里我想引用最近常讲的一句话,晚起毁一晌,早起毁一天!);

11:00~12:00,午饭;12:00~14:00,午休(不知道为什么,高中和本科的中午都用来学习和玩的,可是到了研究生却格外的缺觉,中午不睡,下午如何科研?!)

14:00~17:00,科研;17:00~19:00,晚饭

19:00~22:00,科研;22:00,有的人宵夜(这个年纪的人似乎都痛恨宵夜,也许是为了减肥,所以说,人生就是个循环啊~)

比起大学来说,由于科研的压力,我们晚上不再混在宿舍里贪玩,而是坐在办公室,边学习边玩儿了,别的不说,心里踏实!那么,减去人人微博论坛的时间,再给晚上的科研时间打个折,我们能够有效工作或学习的时间是:

上午:0小时;下午,1小时;晚上,1~2小时

不知不觉已经16:30了,马上就要吃饭了,好像没多少时间学习了也,再看个视频吧。对了,在办公室还有这样一件事情,就是准备吃饭~从17:00开始办公室第一个人开始说要吃饭到成行,大概半小时。于是乎,真正用来工作或学习的时间是:

上午:0小时;下午,0小时;晚上,好意思的话,你就说有1小时吧。共1小时。

一天一小时,一周5小时,一个月20小时,三年,我们的有效工作时间为:30天。

作为对比,高中时,三年的有效学习时间为:550天。

 

 

 

此致

 

我即将逝去的,短短一个月的研究生时代

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。
【5层】公司办公楼全套设计+++(3156平,含计算书、建筑图,结构图、实习报告,PKPM,答辩PPT) 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。
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