一转眼,快奔三了

一转眼,快奔三了……

今年也是非常痛苦的一年,半年前父亲突然病逝,还没好好跟他道别就阴阳两隔。

生命往往都是很脆弱的,所以,想做的事情要抓紧做完,否则我会死不瞑目的……

十年前,初中,开始写 Pascal,学算法,当时拿过 NOIP 一等奖。高中喜欢上了生物,大学在 TOP 10 的大学学生物,研究认知神经科学,用脑电的方法研究真正的神经网络(而不是人工神经网络);大四去了北京中科院做这方面的毕业论文……

毕业后成了码农,不过还是对认知方面的研究非常感兴趣,念念不忘。

现在工作两年半了,有难忘的、美好的、也有纠结的、痛苦的。陪伴自己的一个好方法是写博客。其实我一直都有在写博客,曾经在自己的网站上搭 wordpress ,也在 github.io 上面写过。不过,偶尔自己抽风就删了博客……

之所以又重新开博,是为了通过写博客的方式发表自己的学习历程、阶段性学习/研究结果——就像科研界的 Paper 一样,并且通过这种公开博客(而不是没公开的学习笔记)来迫使自己产出一定质量的东西。可以给别人看,也能让别人更好地看到我自己的价值、更熟悉我而方便合作;

曾经总觉得结果最重要,但现在觉得过程也很重要,证明自己有实现结果的能力更重要,因为结果(需求)是会变的,而总结出来的一些方法论确实真实的,需要被尊重的。

不忘初心,方得始终。或许过些年自己就离开了IT圈,但是若有业余时间、通过努力自己朝着自己想要结果奋斗的过程,就是幸福的。

本博客会着重写 机器学习、算法、音视频 方面的技术。

先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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