2017 4 17 每日总结(一)

每日总结(一)
       今天开始准备开始每天写总结了,这样也方便个人总结知识,这个点才发,刚还有一个并查集的题没敲,啊啊啊,要死啦,不知道出了啥错。
       Python 总结:
        今天主要学习了Python序列的知识,python中数组这个是可以把负数作为下标的,当然下标是C语言的说法,毕竟我主修C就这样用自己熟悉的方式讲了。负数的话就是从数组的最后一个元素向前数,当然是从-1开始而不是从0开始的了。
       而且在python中,数组可以分片访问。如 num = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],num[2:5]则会输出2,3,4,当然给其他变量赋值也可以这样。
       python中 and , or , not 这三个我类比于 && , || ,! 这三个符号来记的。
       已上边的num数组为例,还有一种输出方式,num[::2],这个会输出1,3,5,7,9。序列可以相加但必须同种类型。
       序列可以用 insert 与 pop 插入以及删除元素,这里 insert(一个类型,插入位置),而 pop如果没给删除位置则会直接删除最后一个元素。
       python中if类似于C语言中的,但是没有else if,而用 elif 表示,可以理解为一种缩写。
       for ... in ... 类似于for循环,这里以上面num数组为例:
       for m in num:
            print m
       这样就可以依次输出num数组中的值。对比起C来学习,还是比较轻松的,但这只是前奏而已,后面怕是没有这么简单了。
       算法总结:
        今天可以说复习了spfa,似乎也就这个而已,惆怅,做了一道题:
        题意如下:



y          做这道题看了一下网上的题解,sfpa还是那个sfpa,但处理的方式却不一样了,数据大的惊人,本来感觉只要打个表,然后转置就求出两次最短路就可以得到结果,没办法,只有另寻他法。太晚了题解明天发。。。不应该是今天发,还有个并查集的题没补,待我睡会再说。



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