辟谣!考研计算机专业不会单独划线!

大概一年之前,教育部出了这么一个规定:

根据《国务院学位委员会、教育部关于对工程专业学位类别进行调整的通知》,为贯彻落实党的十九大精神,实现高等教育内涵式发展,加快建设创新型国家,更好服务国家工程科技与产业发展需要,经国务院学位委员会第三十四次会议审批,决定统筹工程硕士和工程博士专业人才培养,将工程专业学位类别调整为电子信息(代码0854)、机械(代码0855)、材料与化工(代码0856)、资源与环境(代码0857)、能源动力(代码0858)、土木水利(代码0859)、生物与医药(代码0860)、交通运输(代码0861)8个专业学位类别。工程硕士领域中的项目管理、物流工程、工业工程3个领域调整到工程管理专业学位类别(代码1256)。

来源:

http://www.moe.edu.cn/srcsite/A22/yjss_xwgl/moe_818/201803/t20180326_331244.html

意思就是把工程硕士的类别代码换一换。本来是0852,现在变为了8个。

对我们计算机专业几乎没什么影响。

但是小编昨天在群里,看见有一些同学这样解读这条通知:

计算机专业要取消了?改成电子信息?

计算机专业考研要单独划线了!

以后专硕的分数要上涨了?单独划线后,分数线可能涨到300分?

小编:想多了,这些都不可能发生。

小编解读一下这条通知:

1.工程硕士指得是专硕。因此调整的是专硕,对学硕没有任何影响。

2.虽然正式的调整结果还没有出,但是由于学科的性质,计算机/软件专业很可能会被划分到电子信息类(0854)中。

3.需要注意的是,电子信息类(0854)将不只包含计算机/软件专业,而可能也会包含像:仪器科学/电气信息/光学工程/电子信息/控制工程等等专业。

4.所以,计算机专业被取消?换名字?

不可能的事情。

只是以前计算机专硕被划分在工程里面,现在被划分到电子信息类而已。

5.计算机专硕考研要单独划线?

不可能的事情。

存在电子信息类(0854)单独划线的可能。但是,电子信息类将包含许多个专业,又不仅仅计算机专业一家,所以,考虑到其它专业的招生情况,电子信息类(0854)即使划线,也不可能划的太离谱。估计跟以前分数线差不多。

6.假设电子信息类(0854)单独划线?

计算机学硕是不能单独划线的。假设专硕太离谱,划到300分,而学硕只有270分。想想也觉得奇怪。国家应该不会让这种奇怪的事情发生的。

所以,小编预测,计算机考研依然和以前一样,分数线和招生不会有太大改动。20考研的同学继续正常复习即可。

好好复习吧,不要总想搞个大新闻。

20考研的QQ群,有各个学校的考研资料,欢迎加入

群号是 935371763


您还可以在以下平台找到我们

如果觉得有用,请点一下好看~

【无线传感器】使用 MATLAB和 XBee连续监控温度传感器无线网络研究(Matlab代码实现)内容概要:本文围绕使用MATLAB和XBee技术实现温度传感器无线网络的连续监控展开研究,介绍了如何构建无线传感网络系统,并利用MATLAB进行数据采集、处理与可视化分析。系统通过XBee模块实现传感器节点间的无线通信,实时传输温度数据至主机,MATLAB负责接收并处理数据,实现对环境温度的动态监测。文中详细阐述了硬件连接、通信协议配置、数据解析及软件编程实现过程,并提供了完整的MATLAB代码示例,便于读者复现和应用。该方案具有良好的扩展性和实用性,适用于远程环境监测场景。; 适合人群:具备一定MATLAB编程基础和无线通信基础知识的高校学生、科研人员及工程技术人员,尤其适合从事物联网、传感器网络相关项目开发的初学者与中级开发者。; 使用场景及目标:①实现基于XBee的无线温度传感网络搭建;②掌握MATLAB与无线模块的数据通信方法;③完成实时数据采集、处理与可视化;④为环境监测、工业测控等实际应用场景提供技术参考。; 阅读建议:建议读者结合文中提供的MATLAB代码与硬件连接图进行实践操作,先从简单的点对点通信入手,逐步扩展到多节点网络,同时可进一步探索数据滤波、异常检测、远程报警等功能的集成。
内容概要:本文系统讲解了边缘AI模型部署与优化的完整流程,涵盖核心挑战(算力、功耗、实时性、资源限制)与设计原则,详细对比主流边缘AI芯片平台(如ESP32-S3、RK3588、Jetson系列、Coral等)的性能参数与适用场景,并以RK3588部署YOLOv8为例,演示从PyTorch模型导出、ONNX转换、RKNN量化到Tengine推理的全流程。文章重点介绍多维度优化策略,包括模型轻量化(结构选择、输入尺寸调整)、量化(INT8/FP16)、剪枝与蒸馏、算子融合、批处理、硬件加速预处理及DVFS动态调频等,显著提升帧率并降低功耗。通过三个实战案例验证优化效果,最后提供常见问题解决方案与未来技术趋势。; 适合人群:具备一定AI模型开发经验的工程师,尤其是从事边缘计算、嵌入式AI、计算机视觉应用研发的技术人员,工作年限建议1-5年;熟悉Python、C++及深度学习框架(如PyTorch、TensorFlow)者更佳。; 使用场景及目标:①在资源受限的边缘设备上高效部署AI模型;②实现高帧率与低功耗的双重优化目标;③掌握从芯片选型、模型转换到系统级调优的全链路能力;④解决实际部署中的精度损失、内存溢出、NPU利用率低等问题。; 阅读建议:建议结合文中提供的代码实例与工具链(如RKNN Toolkit、Tengine、TensorRT)动手实践,重点关注量化校准、模型压缩与硬件协同优化环节,同时参考选型表格匹配具体应用场景,并利用功耗监测工具进行闭环调优。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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