第六次作业

老师,这次作业我不想再按部就班的回答你的问题。

写个短文式的总结吧!因为我真的不知道该怎么一个一个的回答你的问题。

说实在的,当初刚学C语言真是一腔热血,就想着对程序一窍不通的我能够通过学习C语言不断地完善自己。每次敲代码几乎都很开心。可是慢慢学着,我就发现不是这么一回事。有的人作业代码敲一小时就好了。而我有时候得敲两小时甚至更久,有时对着程序的一个不易察觉的小错误“束手无策”。以致一个简单的短小的程序也要费时!那样真的很痛苦。我想到了可能这就是传说中的天赋吧。天赋低人一等咱就认命了。老师我对你真是又爱又恨你知道吗。每次作业赶脚布置得都蛮多的(对我而言),要花蛮长的时间做的,可是你又很“狡猾”,每次做C语言做烦的时候。都会看见你推荐看的文章。不看还好,一看就感觉别人都能坚持,我怎么能不坚持。好吧 又恢复了对C的热爱。结果看书,不看不要紧,看了又忘了,这是很痛苦的事。所以逼自己写程序,错误了,又找不出错误,百度了,悲剧的是百度讲的我也看不懂。于是找大神帮忙。可一直这样也不行,人家讲几次也会烦的,再说咱也不能让人家看不起。于是就算是错了。继续找,多久都行。看书,敲代码,尽管有些地方还是不懂但还是得继续。敲多了,我发现原来一些东西有了感觉。所以我觉得学C一定不要过于着急。不懂就不懂。只要该注意的地方注意。有收获,哪怕是一点儿也行!其实老师讲的挺好的。我觉得有时候一些用法常错的东西应该多讲一下,可以的话在课堂当堂演示一下。至于最后一个问题。。。。。我表示很无语。。。“我要是老师,我会如何向同学讲解C语言?”我就一个纯正的新手。我不会讲C语言。所以我觉得老师讲的够好的!

PS:以后不要再拿荷包蛋举例了。。。。

读后感:对于读书。我想说的实在是太多了。。以前小时候读书那纯是为了兴趣。觉得数就是好东西,感觉那书里面的知识是自己不用刻意去背就能记下来的。而到了中学时期,我就不这么觉得了。因为读书是一种任务了。考试要考、作文要用等等。于是失去了乐趣。到了大学在我无聊的时候(因为我本身就不喜欢打游戏)就想看书。当然不是教科书。于是去亚马孙买了好几本书回来,涉及多方面的书,就是没有一本关于自己专业的书(因为我之前买了一大本超厚的C语言,我觉得难,够我熬得了。就没必要再买了)。现在看了两本了。我觉得读书不要带上物质性,完全的精神性的投入。可能你看完一本书比有的人看十本书学得还要多!

(好像有点鸡冻了,语言有点放肆,老师见谅哈。)

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
基于PyTorch的Embedding和LSTM的自动写诗实验LSTM (Long Short-Term Memory) 是一种特殊的循环神经网络(RNN)架构,用于处理具有长期依赖关系的序列数据。传统的RNN在处理长序列时往往会遇到梯度消失或梯度爆炸的问题,导致无法有效地捕捉长期依赖。LSTM通过引入门控机制(Gating Mechanism)和记忆单元(Memory Cell)来克服这些问题。 以下是LSTM的基本结构和主要组件: 记忆单元(Memory Cell):记忆单元是LSTM的核心,用于存储长期信息。它像一个传送带一样,在整个链上运行,只有一些小的线性交互。信息很容易地在其上保持不变。 输入门(Input Gate):输入门决定了哪些新的信息会被加入到记忆单元中。它由当前时刻的输入和上一时刻的隐藏状态共同决定。 遗忘门(Forget Gate):遗忘门决定了哪些信息会从记忆单元中被丢弃或遗忘。它也由当前时刻的输入和上一时刻的隐藏状态共同决定。 输出门(Output Gate):输出门决定了哪些信息会从记忆单元中输出到当前时刻的隐藏状态中。同样地,它也由当前时刻的输入和上一时刻的隐藏状态共同决定。 LSTM的计算过程可以大致描述为: 通过遗忘门决定从记忆单元中丢弃哪些信息。 通过输入门决定哪些新的信息会被加入到记忆单元中。 更新记忆单元的状态。 通过输出门决定哪些信息会从记忆单元中输出到当前时刻的隐藏状态中。 由于LSTM能够有效地处理长期依赖关系,它在许多序列建模任务中都取得了很好的效果,如语音识别、文本生成、机器翻译、时序预测等。
CSDN IT狂飙上传的代码均可运行,功能ok的情况下才上传的,直接替换数据即可使用,小白也能轻松上手 【资源说明】 基于MATLAB实现的这个代码主要是研究手写数字的识别效率,用卷积神经网络算法来实现,用的是官方手写字体数据,能够显现百分之九十以上的识别率+使用说明文档 1、代码压缩包内容 主函数:main.m; 调用函数:其他m文件;无需运行 运行结果效果图; 2、代码运行版本 Matlab 2020b;若运行有误,根据提示GPT修改;若不会,私信博主(问题描述要详细); 3、运行操作步骤 步骤一:将所有文件放到Matlab的当前文件夹中; 步骤二:双击打开main.m文件; 步骤三:点击运行,等程序运行完得到结果; 4、仿真咨询 如需其他服务,可后台私信博主; 4.1 期刊或参考文献复现 4.2 Matlab程序定制 4.3 科研合作 功率谱估计: 故障诊断分析: 雷达通信:雷达LFM、MIMO、成像、定位、干扰、检测、信号分析、脉冲压缩 滤波估计:SOC估计 目标定位:WSN定位、滤波跟踪、目标定位 生物电信号:肌电信号EMG、脑电信号EEG、心电信号ECG 通信系统:DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测识别融合、LEACH协议、信号检测、水声通信 5、欢迎下载,沟通交流,互相学习,共同进步!
基于LSTM+CNN的自然语言处理,基于单维LSTM、多维LSTM时序预测算法和多元线性回归算法的预测模型LSTM (Long Short-Term Memory) 是一种特殊的循环神经网络(RNN)架构,用于处理具有长期依赖关系的序列数据。传统的RNN在处理长序列时往往会遇到梯度消失或梯度爆炸的问题,导致无法有效地捕捉长期依赖。LSTM通过引入门控机制(Gating Mechanism)和记忆单元(Memory Cell)来克服这些问题。 以下是LSTM的基本结构和主要组件: 记忆单元(Memory Cell):记忆单元是LSTM的核心,用于存储长期信息。它像一个传送带一样,在整个链上运行,只有一些小的线性交互。信息很容易地在其上保持不变。 输入门(Input Gate):输入门决定了哪些新的信息会被加入到记忆单元中。它由当前时刻的输入和上一时刻的隐藏状态共同决定。 遗忘门(Forget Gate):遗忘门决定了哪些信息会从记忆单元中被丢弃或遗忘。它也由当前时刻的输入和上一时刻的隐藏状态共同决定。 输出门(Output Gate):输出门决定了哪些信息会从记忆单元中输出到当前时刻的隐藏状态中。同样地,它也由当前时刻的输入和上一时刻的隐藏状态共同决定。 LSTM的计算过程可以大致描述为: 通过遗忘门决定从记忆单元中丢弃哪些信息。 通过输入门决定哪些新的信息会被加入到记忆单元中。 更新记忆单元的状态。 通过输出门决定哪些信息会从记忆单元中输出到当前时刻的隐藏状态中。 由于LSTM能够有效地处理长期依赖关系,它在许多序列建模任务中都取得了很好的效果,如语音识别、文本生成、机器翻译、时序预测等。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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