我的创作纪念日

最新推荐文章于 2025-04-11 17:11:29 发布

QuietNightThought

最新推荐文章于 2025-04-11 17:11:29 发布

阅读量6.4k

点赞数

分类专栏：阶段总结文章标签：人工智能 python 数据挖掘

本文链接：https://blog.youkuaiyun.com/shdabai/article/details/131123672

版权

阶段总结专栏收录该内容

3 篇文章

订阅专栏

文章目录

机缘

作为一个csdn创作者，我始终坚持我的初心：通过分享自己的实战项目经验和日常学习记录，帮助其他人解决技术问题，提高他们的技术水平。

创作之初，我主要是通过写一些实战项目中遇到的问题和解决方案来分享我的经验。这些经验分享不仅可以帮助其他开发者在实际项目中快速解决问题，还可以让他们了解到更多的技术细节和实践经验。而且，通过这种方式，我也结识了很多志同道合的朋友，互相交流和学习，一起进步。

而且，令人兴奋地是，随着时间的推移，我逐渐发现，记录自己的学习过程也是一种很好的方式，可以帮助我更好地回顾自己的学习历程，并且也可以让其他人从我的日常学习记录中获取到有关技术方面的知识和启示。

作为一个从中受益的人，我认为通过文章进行技术交流是非常重要的，这不仅可以扩展自己的技术视野，更可以帮助其他人解决实际问题，同时也可以让我们共同进步。所以人不能忘本，我的初心就是希望能够通过自己的创作，为其他人提供有用的技术知识和帮助。

收获

作为一名创作者，我始终坚持着初心和目标，在创作的过程中收获了很多。

截止到今天，我的优快云博客差不多有200个粉丝，总阅读量已经超过了60万。这让我非常感动和激励，因为这意味着我的付出得到了认可，我的内容受到了广大读者的欢迎和喜爱。这也让我更加坚定地继续写作和分享，为更多人提供有价值的技术知识和经验。

当然了，除了数字上的成果外，我的创作还让我结识了很多志同道合的领域同行。他们来自不同的领域和职业，在技术方面有着非常深入的研究和实践经验。通过与他们的交流和互动，我不仅学到了更多有用的知识和技能，也拓展了自己的视野和思路。这些同行们也给了我很多建议和支持，帮助我更好地成长和进步。

这期间最让人开心的莫过于，在创作过程中，我还收获了很多正向的反馈，如赞、评论和阅读量等。这些反馈让我感受到了读者对我的认可和喜爱，也让我更有动力和信心继续创作。此外，我也通过阅读其他人的博客和文章，学到了很多新知识和技能，这对我的职业发展和个人成长都非常有帮助。

写在最后，我想说的是，在创作的过程中，我收获了很多，这让我更加坚定地走在自己的道路上，为实现自己的目标而不断努力。我相信，只要一直秉持初心，坚持不懈地创作和分享，就一定能够迎来更大的成果和收获。

日常

其实，不管是对于我来说还是对于他人，创作已经成为了生活中非常重要的一部分。我是一名程序猿，每天的工作都需要投入很高的精力和时间。但是无论是在工作还是在学习的过程中，我始终保持着对技术领域的热情和兴趣。平日里，在我的日常工作和学习中，创作也扮演着非常重要的角色。通过写作，我可以更好地总结和归纳自己在工作和学习中遇到的问题和解决方案，也可以将自己的经验和知识分享给其他人。

毕竟是人，经历总归是有限的，所以，在有限的精力下，平衡创作、工作和学习确实是一个非常大的挑战。但是我相信，只要合理安排时间和任务，就能够做到三者间的平衡。我通常会规划自己的时间，并且按照优先级和紧急程度来处理不同的任务。同时，我也会抽出一些时间专门用于自己的创作和学习，这样可以让自己更好地保持状态和提高效率。

不管怎么说只要热爱就坚持，创作与我的工作和学习密切相关，它帮助我更好地总结和归纳自己的经验和知识，也让我更好地与其他人交流和学习。在有限的精力下，平衡三者是一个非常大的挑战，但是只要合理安排时间和任务，就能够做到。

成就

作为一名程序员和技术博主，我在创作的过程中写出了很多优秀的代码。但是我认为，最好的一段代码应该来自于我的一个项目实现。

这个模型主要用于中文文本分类和情感分析。下面是我写的一段代码：

import torch
import torch.nn as nn
import torch.optim as optim

class TextCNN(nn.Module):
    def __init__(self, vocab_size, embedding_dim, kernel_sizes, num_filters, num_classes, dropout_prob):
        super(TextCNN, self).__init__()
        self.embedding = nn.Embedding(vocab_size, embedding_dim)
        self.conv_layers = nn.ModuleList([
            nn.Conv2d(1, num_filters, (k, embedding_dim)) for k in kernel_sizes
        ])
        self.dropout = nn.Dropout(dropout_prob)
        self.fc = nn.Linear(num_filters * len(kernel_sizes), num_classes)

    def forward(self, x):
        x = self.embedding(x)
        x = x.unsqueeze(1)  # add channel dimension
        x = [nn.functional.relu(conv(x)).squeeze(3) for conv in self.conv_layers]
        x = [nn.functional.max_pool1d(i, i.size(2)).squeeze(2) for i in x]
        x = torch.cat(x, 1)
        x = self.dropout(x)
        logits = self.fc(x)
        return logits