3.13学习计划

模电学习笔记

完美的生命就应充满期盼惊喜和感激。

1、任务计划

 (1)做一套计算机二级题
 (2)学习模电课程
 (3)电拖课上认真听讲,课下复习
 (4)上毛概课的时候,积极思考,写一篇感想。 

2、计划完成度

    1、这套题因为时间的缘故,我只做了选择题部分。越往后做题,越容易发现很多陌生的题目,我对不懂的题目都在考试软件的相应位置做了笔记。

    2、今天一天的课,晚上上完毛概已经8点多了。我们来实验室看了会模电视频。
    主要讲了第一章的半导体基础知识。先是介绍了本征半导体,从半导体,绝缘体和导体开始引入概念。然后介绍了本征半导体的结构,它包括空穴和自由电子,有复合现象和动态平衡现象。再就引入了本征半导体的2种载流子(运载电荷的粒子)和他们的性质。

    第二部分是在讲杂质半导体,我们学习的杂质半导体分为两类:N型半导体和P型半导体。
    N型半导体就是在本征半导体里面掺入磷(P)元素。多数载流子是自由电子,少数载流子是空穴。

    同样的,P型半导体就是在本征半导体里面掺入硼(B)元素。多数载流子是空穴,少数载流子是自由电子。
    杂质半导体主要靠多数载流子导电。掺入的杂质越多,多子浓度越高,导电性越强。

    第三部分讲了PN结的形成及其单向导电性。先是引入了扩散运动的概念。
    扩散运动:物质因浓度而产生的运动。气体、液体、固体都有之。

    在同一块板子上,有两种材料,一半是P区,一半是N区。其中P区的空穴浓度远高于N区,N区自由电子浓度远高于P区,所以扩散运动使靠近接触面P区的空穴浓度降低,靠近接触面N区的自由电子浓度降低,从而产生内电场。
    3、电拖课上是听了,不懂的问题课间空也问老师了,但是课下没有复习。

    4、我是真的佩服毛概老师的吖,一页ppt就能讲一节课,而且把我吸引的不要不要的,很认真的在听老师分析中国特色社会主义,还有世界其他国家走的社会主义道路。首先世界上都有什么国家在走社会主义道路,其次这些国家为什么走社会主义道路,就得从他们的历史背景、政治背景、经济背景、文化背景、地理背景已经军事背景来分析,还不能单独只看一个国家的发展,要看世界各个国家对他们的影响。这样老师给我们分析这些国家是走的什么样的社会主义道路,又是怎么走的社会主义道路。而且老师还把这些国家的社会主义拿来和中国特色社会主义做分析做对比。真的是一件超级开阔眼界的课。

目前 Python 官方尚未发布正式版本的 Python 3.13,因此关于 Python 3.13 的具体教程和资源可能较为有限。然而,可以关注官方文档以及社区动态来获取最新进展[^4]。 对于 `d2l`(Deep Learning - Dive into Deep Learning),这是一个专注于深度学习教学的开源项目,提供了丰富的理论与实践内容。以下是有关 Python 和 d2l 的一些参考资料: ### 关于 d2l 教程 d2l 提供了一套完整的在线书籍和代码示例,支持多种框架(如 MXNet、PyTorch)。可以通过以下链接访问其官方网站并下载相关材料: - **官网**: https://d2l.ai/ - **GitHub 仓库**: https://github.com/d2l-ai/d2l-en 该网站包含了详细的章节说明和配套代码,适合初学者到高级用户的学习需求。 ### 使用 Python 进行开发 虽然当前主流使用的仍然是 Python 3.9 至 3.11 版本,但在未来升级至更高版本时需要注意兼容性问题。建议开发者定期查看 PEP (Python Enhancement Proposals)以了解新特性和潜在改动[^5]。 下面是一个简单的例子展示如何利用 d2l 库加载数据集并训练模型: ```python from d2l import torch as d2l import torchvision.transforms as transforms # 数据增强操作 transform_train = transforms.Compose([ transforms.RandomCrop(32, padding=4), transforms.RandomHorizontalFlip(), transforms.ToTensor()]) train_dataset = d2l.FashionMNIST(train=True, transform=transform_train) def train_ch6(net, train_iter, test_iter, num_epochs, lr, device): """Train a model with a GPU (defined in Chapter 6).""" ... net = d2l.resnet18(10) lr, num_epochs = 0.05, 10 trainer = torch.optim.SGD(net.parameters(), lr=lr) train_ch6(net, train_loader, test_loader, num_epochs, trainer, d2l.try_gpu()) ``` 上述脚本展示了基于 ResNet 架构构建分类器的过程,并通过 Fashion-MNIST 数据集验证效果[^6]。 ### 实验环境搭建注意事项 如果计划在一个隔离网络环境中测试程序,则需按照安全规范配置服务器之间的连接方式。例如,在引用[3]中提到创建实验拓扑结构时应遵循当地法律法规执行端口扫描等活动[^7]。 --- ####
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