节后杂文

写博文写久了,有套路了,写点杂文倒是没有那么顺手了。本文写得好像没啥逻辑,完全是我想到啥就写啥,这一句也是我在写完之后加上的。

写做与学习

我比较早就开始写技术文章了,但那时候只是在 CSDN 写,也是断断续续更新几篇的那种。最近开始比较长写,同时也开了个自己的公众号。令我比较开心和有成就感的是,我的文章帮助了不少朋友,他们在后台感谢我,赞赏我。有的学生朋友也在后台询问我一些学习方向的问题,我也很乐意帮一些小忙,哈。(内心是超开心的!!)

读者朋友1

读者朋友2

读者朋友3


我写文章比较随意,一般会写对读者有用,或者对自己有用的。就像学东西,我也是比较青睐对生活有帮助,有实用意义的。例如:我学 python ,是因为我觉得当今社会信息太重要了。当下信息爆炸,如何快速地获取和筛选一些对自己有用或者对决策有用的东西?答案是:可以使用 python 爬取信息,并且用 python 分析信息。这就是我学习 python 的初衷。活生生的栗子:A 喜欢在抖音上发布视频,想要发布到多个平台,但是又有抖音的水印,怎么办?于是乎,A 找到了一个在线处理抖音水印的平台,但是在抖音平台的视频量比较大了,一个一个来去水印太麻烦了。就在昨天,我帮 A 写了个批量处理抖音水印的 python 脚本。这时候,python 的使用意义就出来了,也获得了认可与些许成就感。
虽说现在的大环境不是很好,但是我们也不能总是一味地宣传大环境怎么样怎么样,还是要以积极的心态去面对。或许这里面藏着许多机会呢!一句话,不知道引用的对不对:别人恐惧我贪婪。反正就是那个意思,你理解了就好。

算法

做开发,是躲不开算法的。学算法,一是可以提高自己的编程素养,二是拿大公司的 offer ,算法可是一个大功臣。我虽是科班出身,但在大学时期也没怎么好好学习算法,就光想着学习功能性的代码,这不,前阵子就被虐惨了。于是乎,趁着这次国庆回家,我带来了大学的数据结构课本,打算好好算法。后面也打算刷刷 LeetCode 。有兴趣的读者可以后台留言,一起交流学习。

数据结构

回家

这次国庆回家的感受不同了,与好友谈论的话题也不同了。回到家,爸妈是欣喜的,或许是太久没在家了,以致于帮妈妈洗个碗,妈妈都要拍个小视频发一发,嘴里还洋溢着笑容。当然,我也是欣喜的。自己深知道,接下来的日子,每年回家的次数,都会在两三次之间徘徊,有机会就多陪陪家里人,毕竟【家】在我心目中的分量还是蛮大的。我与好友谈论的话题也不同了,从学业、妹子转换为工作、妹子。哈,妹子似乎是不变的话题。此时此刻,在我脑海中突然闪现出,初中作文中经常出现的一句话“光阴似箭,日月如梭”,初中毕业、高中毕业、大学毕业,感觉就是一瞬。

这次从家里到深圳的感受也不同了。带有些许伤感,带有些许怀念。或许是对大学生活的怀念,或许是上班生活的恐惧吧。总之,跟以往来深圳的感受不同了。

最后

2018 年留给我们的时间不多了,年初定的计划还没完成?没事,年底才是冲刺阶段,因为很多历史事件都是在下半年发生的,一起加油干!希望我的文章能帮到你更多。


【个人微信号,扫码添加我为好友】

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