2014这一路走来

  这篇文章照理来说应该是前天写的,由于一些原因,今天补上,算是对2014做一个总结和回顾。2014这一年应该是人生比较重要的一年,我告别了学生时代,走进了真正的社会,我的职业生涯也就这样拉开帷幕了。

     关于事业。

我不喜欢用工作一词,工作是为了养家糊口而不得不做的事,而事业是一辈子的事,值得自己去追求的事。这也是我高中班主任说她经历时给我留下印象最深的几句话。前半年都是在学校里波澜不惊的度过的,日子很清闲,这也许是整个人生中最清闲的一段时光了吧。在这段日子里,没有工作的概念,也不愿意去想工作后的种种,只是一心想把当前的日子过好,以后的事以后再说,无需犹豫。毕业后,到现在工作了半年,前三个月在产线上实习,到部门真正的日子的也就三个月。这三个月学到的东西挺多的,特别是技术上的东西,工作也慢慢上手了。有时候在想,我大学都在干嘛去啦,好多东西都会,很多东西都是重头开始学。我阴差阳错做了Android 开发,也是醉了,大学里没有学习JAVA语言,也没有系统学过Android开发的知识,就是这样上阵,第一次感觉有好多东西不了解,然后就慢慢从Eclipse的快捷键学期,不懂的接口编程,回来看书一边学习,一边把它用到工作中,做出来的东西有些bug,但也还算是能实现了功能,特别是最后一个月,学到的东西很多。但这三个月也养成了自己一些不好的习惯,比如说,去上班的时候,以前总是6点40起床,在公司吃完早餐,大概是7点40左右,因为是9点正式上班,所以早上可以有一个多小时的学习时间,但这个习惯没有坚持下来,后面天气变冷了,就不想起床了,这个习惯必须得改掉。

关于爱情

   2014的爱情还是一片空白,想起来也啥好写的,但这里文字太少,我还是写几句吧。我想起了一句话,如果一个人陪你度过了2013和2014,那么你们呢就会在一起,可事实上并非如此。2014我鼓起勇气去追一个女孩,这个也是第二个让我有勇气奋起直追的女孩。在学校空闲的时间比较多,我们几乎每天都聊得很晚,其实是我去骚扰她啦,可是时间是把杀猪刀,毕业季一天天的临近,我们终究去会异地。毕业之后,我们每天还会打半小时的电话,可我慢慢发现她的话越来越少,没过过久,我表白了,结果显然,我被拒绝了。这个女孩的给我的感觉,爱情离我如此之近,然后慢慢离我越来越远。国庆抽了点时间去她工作的城市见了她一眼,短短的几个小时,我们就这样静静坐着,没有了话题,显得异常尴尬,就那一次,我的明白,我想要的爱情不会再来,再后来,她屏蔽了我的微信,取消关注了我的微博,缘分就这样到了尽头,离去的始终会离去,虽然我们两个还是单着。

     关于理财

     这个为什么要写到这里,是因为我今天早上看看了银行卡的余额,发现少的可怜,决定把这件事当做一件大事来做。在学生时代的时候,喜欢去逛逛知乎,发现理财比较有用,然后就慢慢学习买基金和股票。其实刚开始这些都是亏的,后来因为股市比较利好,所以在年底的时候小赚了一点,至少是可以吃顿好的了。然后自己也有随手记,但没有养成总结的习惯,记了就不当做一回事,这半年也花了一些钱,不过还好,没有出现财政赤字,每个月定期给家里汇点小钱。这一年理财算是初步入门吧,整体做的还行,至少开始慢慢懂得了里面的一些行情。

     2015的目标

     有点遗憾的是,2014没有把目标写下来,今年决定改变下自己,决定列几个目标,让自己在本命年中过得更加充实。

    一、在这一年中,除了要学习和精通JAVA语言的,而且还有学习一门的其他语言,扩充技能

    二、把吉他练好,丰富自己的业余生活

    三、养成每周,每月一结的习惯

    四、开始写博客,关于技术、产品的理解

    五、多读书,读20本书

    六、养成学习英语的好习惯

    七、银行卡的余额超过6位数

    八、关于爱情,虽不能强求,但心向往之。


                                                                                                                               2015年1月2日

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。
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