五年之内，博士学历是否也会开始内卷？

机器学习算法那些事 机器学习算法那些事 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 300+累计阅读 313平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄9年
关注
转载 最新推荐文章于 2026-07-23 14:58:30 发布 313 阅读 AI 写同款· GEO 优化 ›
无线通信中的多智能体强化学习：基于CTDE-MAPPO的功率控制优化 无线通信中的多智能体强化学习：基于CTDE-MAPPO的功率控制优化 摘要：本研究提出了一种基于集中训练分布式执行(CTDE)框架的多智能体近端策略优化(MAPPO)算法，用于解决无线通信网络的分布式功率控制问题。通过将多个基站建模为协作智能体，该系统能够在复杂动态环境中优化网络效用。算法采用集中训练获取全局信息优势，分布式执行实现高效在线决策，显著提升了网络容量和能效。实验结果表明，该方法在5G/6G网络环境中表现出优于传统方法的性能，为大规模无线网络的智能资源管理提供了有效解决方案。 阅读详情

来自 | 知乎 

https://www.zhihu.com/question/443213454

编辑 | AI有道 

本文仅作学术分享，若侵权，请联系后台删文处理

感觉考研狂潮近五年之内才开始出现… 五年之内博士也会像硕士这样吗？ 

只想出国安安静静地读个书当个咸鱼 不想被大佬内卷呜呜呜 不然就回国卖煎饼果子了（并无歧视卖煎饼果子的 只是卖早点我感觉我起不来 ）

作者：Luyao Zou
https://www.zhihu.com/question/443213454/answer/1726520844
来源：知乎

一个流传很广的误解，就是博士的生活就是不断读书，读更难的书，学更难的知识，是个大号的本科。这是完全错误的。这种误解，就好像高中生幻想本科是大号高中一样。博士是一份探索新知识疆域的工作，你的基础知识积累应该在本科就完成了。除了个别大神，普通的博士在开题之后就很难再系统地学习新的知识了，而是边学边用，学一大坨半吊子但是对自己研究有用的知识。而博士大部分精力，都在和研究课题中各种难以预料的失败作艰苦斗争。

劝题主和所有像题主一样，抱着一个「安静地读书」的想法去念博士的朋友三思。

作者：Yuhang Liu
https://www.zhihu.com/question/443213454/answer/1726271394
来源：知乎

你不要把博士当成一个学位，你把博士当成你的第一份工作，并且是高度专业化的工作，那么很多事情你就可以理解了。如果一个人本科毕业直接去企业工作了，结果5年后企业倒闭了，然后这个人重新去找工作，他会不会一定比应届本科生更有优势呢？想明白这个问题，你就能理解为什么博士的职业发展不一定比本科直接工作的发展更好了。

作者：匿名用户
https://www.zhihu.com/question/443213454/answer/1727668127
来源：知乎

想补充几句话，诸位没必要批判我，说我逃避不注重细节什么的。在不同的人眼里，我可以是一个懦夫也可以是一个勇士。有人说我是懦夫，有可能是因为我做了他们不敢做的，他们觉得我逃避；有人说我是勇士，有可能也是因为我做了他们不敢做的，他们觉得我敢为天下先。活在别人的期待里太累了，我不知道在评论里问我喜欢做什么的人是不是真的关心我，但是在这里我谢谢你们，春节快乐。

最近我也快要硕士毕业了，开始考虑未来干什么的问题。本来想申请个博士，但是昨天发生一件事让我触动挺大的，我觉得我可能根本不适合读博士。

是这样的，我从去年开始一直跟学校的两个老师打杂，项目非常无聊非常简单，我觉得没有什么研究的必要，但是为了赚钱一直在干。8月份投了一篇文章，12月份返回来审稿意见，基本上就是被骂得一无是处。。我一度想跟两位老师说放弃，撤稿，但是两位老师一直不说放弃，还非常乐观，说既然没有直接拒就是还有希望，我们再想想有什么可以扩充的地方。但是我那时候一直忙于复习，分身乏术，一度非常郁闷，骑虎难下的感觉，非常想放弃。中间经过好几轮的修改，我已经非常倦怠了，但是老师们依然热情百倍。昨天晚上12点，其中一位老师跟我发邮件说他发现了一个错误，得改，然后我一看是我原先就知道但是觉得不影响结果就没有说，非常非常小的一个错误，还是被发现了。我当时是灵魂暴击的感觉，瞬间明白自己不适合做科研。

我一直以为不讨厌的事情就可以做，可以不带丝毫感情地去做，但是这种想法不能应用到科研方面，一旦是这种态度，一旦你遇到一点点的挫折，你中立的情感立马就会变成厌恶，恨不得立马结束，一点也不想做了，但是出于自律，不得不去做，折磨地我都要怀疑人生的意义了。

两位老师都是有着百倍热情的，所以他们不拖延，不掩盖问题。我一点也不喜欢科研，为了钱为了前途去做，得到的只有痛苦。

作为一个中国学生，我相信跟我一样的朋友不会少，读了博士，依然把博士当作一种手段和工具，仿佛读了就可以飞黄腾达，大错特错！！这种想法让博士越来越卷，本来还可以根据热爱与否筛选掉一大批人，奈何我们的价值观太单一，加上好多人一直在象牙塔里完全没有社会经验，读书就是唯一的救命稻草，导致所有有条件读博士的人都去读博士了。。不卷才奇怪了

另外一个造成内卷的原因就是缺乏实事求是的精神，读出来博士自己心里不知道几斤几两吗？抛开那张学位证，博士们还有什么能拿得出手的东西？为了发文章而研究的无聊课题真的有价值吗？你喜欢自己研究的东西吗？你觉得它们有用吗？

我花了三年的时间想明白了我不喜欢做什么，那就是科研，但是我还没想明白的是经过这么多年的应试教育，我到底喜欢什么？除了念书考试我还能做些什么？

希望不是真正热爱学术的人不要轻易开始博士，你们要为内卷负责。

作者：Yifan
https://www.zhihu.com/question/443213454/answer/1726858456
来源：知乎

额，为什么很多人把读博当作一种“投资”啊，完全不是这么回事。

读博，可以想象成你大学毕业之后不去工作，去全职旅游五年，环游世界各地；应该不会有人觉得旅游五年可以帮助你赚大钱吧。。

读博就是通过投入时间，精力，和金钱，来得到的一种人生经历，和蹦极，跳伞啥的有点像，只不过投入的更多。如果一个人的目标是赚大钱，然后享受生活，那么千万千万不要读博士。。

我大学时曾经花了两年时间，几乎是全部时间投入在打英雄联盟中。比如我会通宵开自定义，整个地图只有我一个人，然后练习几小时补刀；我会记忆所有英雄的技能cd，强时期，技能连招组合，等等。后来不打游戏之后，开始读数学的博士。在我眼里，花所有时间打英雄联盟，和花所有时间做数学，形式上其实差不多。我打LOL时，会幻想有一天可以去著名的战队打职业；我读数学博士时，会幻想有一天拿到top university的tenured教职。只不过相对于LOL，数学更广阔，也更有趣一些。

其实我想说的就是，读博，是追寻你自己兴趣的一个过程，是理想主义者做的事，失败比成功的概率要大得多。选择读博，基本等于放弃安稳的生活来追寻梦想了。既然是追寻梦想，失败又如何呢？我最终也没能打LOL的职业，但是我不后悔那两年时间投入到游戏里，毕竟有时候经历比结果更重要。人生有限，多做点让自己开心的事不好吗？

作者：匿名用户
https://www.zhihu.com/question/443213454/answer/1721934960
来源：知乎

从顶尖名校申请就能看出来，大家越来越厉害。（通常意义上的卷）我能做一个四年的比较，大约也很符合题主问的“5年”了。

4年前，我还能进六大拿入学奖学金。现在，我连Top10都进不去: 没好的pub（只有一挂名N作）, 推荐信也不牛，只做了两个校内科研，GRE只有区区322，GPA3.92也只能说无功无过（美本4.0挺多的）陶瓷都没怎么套。唯一的优势是读了四个专业...凭心而论（有点不要脸）我的申请条件在4年前是不错的，但现在看真是普通，进10名左右的学校都烧高香。

这几年成功进入六大的学弟学妹的申请resume，每一年都比上一年更加强：三四段校内校外科研，牛推牛pub，GPA和语言成绩双高，陆本很多都有双学位。实力上，学弟学妹们的知识面又广又深，技术非常全面。不仅硬件实力过硬，孩子们提前套瓷，联系老师，功夫下的也很多！每年暑假联系外校暑研变成了基操。

我入学博士时，这些孩子入学本科，然而他们在本科的成长远远快于我在博士的成长，甚至超过了我本科+博士的成长（或者他们高中毕业就比我强了一个学位的水平）。我读了几年博士真的很自愧不如，优秀的那批本科生可比我这个博士强太多了！长江后浪推前浪，一浪更比一浪强。学弟学妹们科研实力确实普遍提高了很多，而不是单纯的卷。

如果要参考上一年的申请结果，也推荐大家把这份“卷”考虑进去，做更好的选校规划。最后，祝大家申请顺利！

补充一点：我之前几届的来看，每一届也是比上一届简历更好一些的。只是近几年来，这个“增幅”比以前大很多，全世界大概只有中国的申请者有这么大的增幅。大概这是为什么大家都觉着这几年太“卷”了。这也侧面反映中国这几年教育科学投资变大了。四年前我们这个方向还是一半中国人一半老外，今年发的offer全部都是中国同学了。对于尖端的博士申请，竞争只会越来越激烈，但我大胆猜测，这个“增幅”会慢慢变缓的，边界效应还是适用的。如果刚上大学也不必太惊恐，四五年之后应该不会出现做10段科研的人...虽然现在本科生的高度就已经很让人惊叹了...

再补充一点：因为是学习用账号，最后还是选择开匿名了，但评论区的问题会回复的～喜欢科学科研的同学也不要失去信心，如果是真的要走科学这条路，第一位是导师，第二位才是学校。很多一般的学校里也有很优秀的老师，甚至可以亲自教很多东西的那种。名校的老师普遍没办法亲自教东西，基本上学生靠自己。塞翁失马，焉知非福嘛

作者：上放
https://www.zhihu.com/question/443213454/answer/1775611745
来源：知乎

前些天正好在跟师兄聊这个问题，得出的结论就是想进高校这两年可能是最后的窗口期，五年后毕业的博士想留高校，难了。

就说几个我看到的情况吧

我们学院有两个大方向，每个方向大约4个系，16年入学的时候我这个方向总共5个博士名额；到20年一个系就有8个名额了，从一年5个到一年二三十个，博士招生名额已经不是线性增长了，5年后毕业的博士将会呈井喷状态。

一线城市某工科985中流学院中，课题组在学院第一梯队，今年看了一下投我们课题组的简历，基本上欧美qs50学校毕业、博导fellow的是标配，甚至好几个都已经在欧美学校拿到终身教职了，国外也在卷，还会往国内卷。（不知道是不是今年疫情的原因）

课题组去年新进来的老师，qs15的博士+qs10的博后，在我们学校只能拿一个三年聘用合同，注意还不是非升即走的那种，仅仅是聘用，连讲师都不是。

标签
#java #人工智能 #大数据 #sqoop #etag
Cadence PCB 仿真宝典【目录】 欢迎大家来到《Cadence PCB 仿真宝典》该专栏包括【入门篇】【提升篇】【技巧篇】【疑难篇】四个部分，以供大家参考。大家直接点击大纲中的蓝色标题即可轻松传送。 阅读详情

相关推荐

告别深度学习！用5个麦克风搞定多说话人分离：ReTM算法保姆级教程

本文详细介绍了ReTM算法，这是一种无需深度学习、仅需5个麦克风即可实现多说话人语音分离的创新信号处理方法。它通过估计相对传递矩阵，利用空间物理信息在混响环境中分离语音，具有数据需求低、计算复杂度小、无需先验几何信息等优势，特别适合嵌入式设备和资源受限场景。

desk3的博客 160

五年之内博士会开始内卷吗？

点击上方“视学算法”，选择加"星标"或“置顶”重磅干货，第一时间送达来自 | 知乎https://www.zhihu.com/question/443213454编辑 |...

zandaoguang的博客 326

全球AI算力最强公司分析报告

全球AI算力最强公司分析报告显示，Google凭借自研TPU技术和庞大数据中心网络位居榜首，拥有约100万至150万块等效H100 GPU算力。微软、Meta和亚马逊紧随其后，分别拥有75万、55万和25万块等效H100 GPU。中国企业中，百度、阿里巴巴和腾讯表现突出，华为在国产AI芯片领域领先。技术指标上，NVIDIA H100相比A100性能显著提升，但功耗也大幅增加。未来AI算力需求将持续激增，预计2028年全球市场将超2000亿美元。新兴挑战者如xAI可能改变竞争格局。

MyySophia的博客 5722

读博压力有多大？

来源：https://www.zhihu.com/question/64460892编辑：深度学习与计算机视觉声明：仅做学术分享，侵删读博压力有多大，没有真正经历过的人，好像不能真正体会...

深度学习与计算机视觉 1351

气象数据收集

国家气象信息中心-中国气象数据网 (cma.cn)国家气象信息中心-中国气象数据网 (cma.cn)预报数据：需要定制，收费10万+路面数据同化系统，实时。

weixin_42209537的博客 3487

快充协议全兼容！HUSB390对比测试：iPhone/小米/华为哪个充电最快？

本文深入评测了HUSB390快充协议芯片的全兼容性能，展示了其在iPhone、小米和华为设备上的极速充电表现。通过智能功率分配算法和多协议并行处理引擎，HUSB390实现了高效的动态调压和温度控制，显著提升多设备充电效率。特别适合需要同时为不同品牌设备快充的用户。

dd012的博客 1万+

知乎 | 你在读博期间明白的最深刻的道理是什么？

作者丨知乎答主整编丨深度学习技术前沿、极市平台本文仅作学术分享，侵删。导读知乎热议：“你在读博士期间明白的最深刻的道理是什么？”下面精选了一些优质回答，希望能帮助到大家！极市平台曾就 ...

Oner.wv的专栏 509

基于STM32设计的校园智慧路灯系统(华为云IOT)(212)

当前设计并研发了基于STM32的智慧路灯系统，本系统的目的是打造一个高效节能、智能化管理的校园照明环境。通过集成STM32F103RCT6高性能微控制器为核心，结合多种传感器模块如BH1750光敏传感器、热释电人体感应模块以及中科微电子GPS模块等，实现了对校园路灯的精准控制与实时监控。

5140

机器学习内卷化：博士数量激增，本硕毕业生有点慌｜reddit

2021-04-04 12:43:47 子豪 发自 凹非寺 量子位 报道 | 公众号 QbitAI 一入ML深似海，从此求职不由人？ 机器学习现在势头正劲，越来越多的人涉足其中，就业门槛也随之抬高。 最近，就有人在reddit上提出疑问：ML博士数量激增，那么没博士学位的人，找工作的难度是不是会翻N倍？ 一位用户名为shyneeup的网友指出：就业难度取决于岗位和博士哪个数量增长的更快。 还有网友从高校和职位定位的角度进行了分析： “由于衡量大学的关键指标之一，就是毕..

喜欢打酱油的老鸟 387

如何在 Linux 上安装 RTX 5090 / 5080 /5070 Ti / 5070 驱动程序 — 详细指南

Linux 上的 NVIDIA 5090 是 AI、游戏和渲染的强大引擎，但需要耐心。如果稳定性是首要考虑因素，请坚持使用开源驱动程序，并关注 NVIDIA 论坛以获取未来更新。

iCloudEnd的博客 6919

agent实战专栏|日程管理Agent：智能时间管家

在快节奏的现代生活中，时间管理已成为每个人面临的核心挑战。根据全球知名调研机构 Gallup 的统计数据，现代职场人平均每天仅能有效专注工作 2 小时 23 分钟，剩余时间被会议、邮件、碎片化事务大量占据。微软的另一项研究显示，知识工作者平均每天需要处理 200 多条日程相关的信息，包括会议邀请、日历变更、提醒通知等。传统的日历工具（如 Google Calendar、Outlook Calendar、Apple Calendar）虽然在可视化展示和基础提醒方面表现出色，但在智能化方面仍存在明显短板：日程管

2201_76125393的博客 52

五年之内，博士学历也会开始内卷了？

来自 | 知乎https://www.zhihu.com/question/443213454编辑 | AI有道本文仅作学术分享，若侵权，请联系后台删文处理感觉考研狂潮近五年之内才开始...

SeizeeveryDay的博客 329

Unreal5从入门到精通之如何在VR中使用3DUI

前面我们讲过《Unreal5从入门到精通之UMG的使用》一般制作游戏时，UI都是添加到屏幕视窗上面的，但是在制作VR时，我们往往需要制作一个3D的UI，放置在场景中，然后使用手柄的射线来和UI进行交互。今天我们就来讲解下，如何在VR中创作和交互3DUI首次操作会感觉好复杂，多多练习，当你熟悉了UE蓝图的操作后会发现，这只是一个常规的蓝图操作而已。祝大家在虚幻的学习过程中非常顺利。希望这篇博客对你有所帮助。

TxNet 1986

五年之内，博士会像今天的硕士一样井喷吗？

来源：知乎，学术志近几年内，考研狂潮出现，大家对进一步提升学历的热情更加高涨......那么，五年之内，博士也会像硕士这样吗？引用几位知乎网友的高见，以及他们所经历或看到的故事，来和大家聊...

计算机与软件考研 227

WINCC7.3破解文件

WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！

VC中sqlite的使用

在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示

【学术相关】博士开始内卷了吗？

听闻博士招生超过13万了，五年之内博士会开始内卷吗？感觉考研狂潮近五年之内才开始出现… 五年之内博士也会像硕士这样吗？只想出国安安静静地读个书当个咸鱼 不想被大佬内卷呜呜呜 不然就回国卖煎饼果子了（并无歧视卖煎饼果子的 只是卖早点我感觉我起不来 ）讨论一 作者：Yuhang Liu链接：https://www.zhihu.com/question/443213454/answer/17262713...

fengdu78的博客 310

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

怎样通俗易懂地解释内卷是什么意思？

看电影，为了获得更好的视野，一个人先站起来看了，被他挡住的人不得不也站起来，最后大家都不得不站起来看电影，只有第一排的人坐着。玩游戏，为了更好地娱乐，一个人先充钱吊打别人去了，被他虐的人不得不也充钱，最后所有的人要么使劲充钱要么被吊打，只有管理员不用充钱还能吊打所有人。追女生，为了更好地表示心意，一个男人钻石恒永远一颗永流传了，其他人不得不跟着钻石永久传，所有人都花了更多的钱，只有卖钻石的赚了。抢火车票，一个人先用抢票软件，逼得其他人也用抢票软件，因为票没有变多，最后大家都回到了起跑线，但是开发抢票软件的赚

dark_horses的博客 1万+

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制

双导师的中国社科院与英国斯特灵大学创新与领导力博士

2020年起社科院大学（研究生院）—英国斯特灵大学创新与领导力博士学位教育项目（中外合作办学项目批准书编号可以在中外合作办学监管网站查询），社科院大学(研究生院）与英国斯特灵大学合作举办的“创新与领导力博士学位教育项目”每期招生30人，学生在职学习，学制三年，最长不超过五年，第一年、第二年完成8个模块的学习，每个季度集中授课4-6次，主要利用周末时间，第二年下半年进入开题阶段，到第三年完成论文撰写，（论文采用双导师制，英方担任第一导师，中方担任第二导师，导师学生双向选择，主要参考学生研究方向）答辩。

2301_81165174的博客 502

中国社科院与英国斯特灵大学创新与领导力博士——导师的重要性

2020年起社科院大学（研究生院）—英国斯特灵大学创新与领导力博士学位教育项目（中外合作办学项目批准书编号可以在中外合作办学监管网站查询），社科院大学(研究生院）与英国斯特灵大学合作举办的“创新与领导力博士学位教育项目”每期招生30人，学生在职学习，学制三年，最长不超过五年，第一年、第二年完成8个模块的学习，每个季度集中授课4-6次，主要利用周末时间，第二年下半年进入开题阶段，到第三年完成论文撰写，（论文采用双导师制，英方担任第一导师，中方担任第二导师，导师学生双向选择，主要参考学生研究方向）答辩。

2301_81165174的博客 556

2022.5.16-5.22 AI行业周刊（第98期）：人生路上的打怪升级

上周末看到一个新闻，2022年博士研究生招生人数突破13万人数大关，而硕士生超过100多万，文章链接。 看到这个数字，感觉未来人才竞争和内卷化的程度，愈加激烈。 当然在这背后，是国家对于扩招计划的调控，而在身边，也能明显的感受出，竞争的激烈程度。 以身边的江南大学招聘辅导员为例，它的学历要求是应届硕士或博士，在大白15年毕业的时候，招聘12个人，有300多人报名。 而在2021年底，招聘15个人，已经有1000多人报名，而且有很多博士参与考试。 并且博士参加工作后，也同样面临，5年非升即走的现状。 这样的情

江南研习社 808

30岁毕业，35岁非升即走，大龄博士何去何从？

不可否认，某些行业确实存在“35岁现象”。但广大博士群体也不必灰心，要相信尽管存在扩招等情况，博士依然是学历天花板，博士在求职市场上还是十分有竞争力。要充分发挥自己的竞争优势，在适合自己的职业道路上坚定地走下去。

m0_59235245的博客 3769
上一篇： 在公司内网搭建 pip 镜像站
下一篇： 缺陷检测算法汇总（传统+深度学习方式）|综述、源码
点赞 0
评论 0
书签 书签 0
机器学习算法那些事
机器学习算法那些事
博客等级 码龄9年 1633粉丝 62原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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