博客建立原因和读书暗时间

在csdn上成立博客的原因: 在github上jeklly了一个so-simple-theme的博客,里面markdown对中文没有很好的支持,现在急于寻找一个可以写中文的博客,不要求很好的排版设计,选择csdn。


对于暗时间这本书书写的模式是:
作者的标题当作自己小标题,结合书中总结一些有用的规律或者方法,在最后写作者推荐的书籍。


昨天读了大约30+页的暗时间这本书。大致有如下的感觉:

1.作为程序员模式的思考,有很多思想表达有契合的地方。

2.的确是一本好书,书中很多总结的东西在以前的生活中自己也思考过。

3.对于读这本书的进度会比较慢,一是因为这本书強調于总结,相应增加了一个人思考的时间,二是因为这本书有推荐书籍,也会将时间分配到推荐书籍这部分。


如下是p1 to p36部分。


专注于学习和代码的方式有:

大块时间阅读,避免任务切换造成大量开销。

利用碎片时间去重复以前的问题,充分利用暗时间。

分配优先级。

《the Psychology of Invention in the Mathematical Filed》--数学领域发明心理学


设计自己的进度条:

建立自己的TODO列表(四则时间法则)



有效的记忆:

人类的记忆机制 会记住与之相关联的东西。对一件事物进行编码越多可以记住更多的相关细节。

记忆总结的方法:

1.自然的重复

2.人为的重复

创造与朋友交谈的机会

整理笔记和写博客。

书写 来增强对此的感触。

3.增加自己的切身体会到里面去 联系自己的实际生活。

《searching for memory》--关于记忆的系统性著作


学习密度和专注力:
对于专注力的理解是 分配较高的优先级给目前要完成的进程,压制其他进程的运行。

书籍有 《人性的优点》--卡耐基 讲述如何克服焦虑。

     《高效能人士的七个习惯》--史蒂芬 柯维 (里面提到的第四代时间法则:要事第一,主动关注和被动关注)


对于作者的学习习惯:详情可见p26

《the Psychology of Problem Solving》 ch-11--解决人类思维机制的系统性著作

 《奇特的一生》--制定简单的阅读计划。

《专注力》--心理学上面解释了专注力的原理 有选择的阅读。


未完。

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