江苏自考计算机专业2020,2020年4月江苏自考A2080702计算机及应用考试安排(本科)...

以下是2020年4月江苏自考A2080702计算机及应用考试安排(本科),具体内容包括:江苏自考A2080702计算机及应用专业考试科目、具体考试时间、教材资料等,更多相关内容可查看本站江苏自考考试安排栏目。

2020年4月江苏自考A2080702计算机及应用考试安排(本科)专业代码及名称考试科目及时间安排

4月11日(星期六)4月12日(星期日)

上午9:00-11:30下午14:30-17:00上午9:00-11:30下午14:30-17:00

A2080702

计算机及应用02324 离散数学00054 管理学原理00321 中国文化概论00015 英语(二)

02331 数据结构02326 操作系统02197 概率论与数理统计(二)00023 高等数学(工本)

03708 中国近现代史纲要03709 马克思主义基本原理概论02325 计算机系统结构02333 软件工程

04747 Java语言程序设计(一)04735 数据库系统原理04737 C++程序设计04741 计算机网络原理

27016 日语

27017 法语

27018 俄语

说明:

1、部分专业考试计划中设置了不考外语的换考课程,为避免外语课程和其换考课程重复报考,请应考者详细查看各专业考试计划后选择报考。

2、部分专业考试计划中安排了实践、含实践课程、专业综合技能考核或毕业论文(设计),请考生于每次报名期间到网上报名系统查询考核时间和办法,并按照要求报考。

3、00018计算机应用基础课程,全省不统一组织考试。考生凡获得全国计算机等级考试一级及以上证书者,或获得全国计算机应用技术证书考试(NIT)《计算机操作基础》模块和其他任一模块(共两个模块)证书者,可免考00018计算机应用基础课程(包括理论和实践两个部分)。

本文2020年4月江苏自考A2080702计算机及应用考试安排(本科)由自考生网根据,江苏省教育考试院2019年11月7日发布的《省教育考试院关于印发江苏省高等教育自学考试2020年4月考试日程表及开考课程教材计划的通知》整理得出,以供参考。

相关阅读:

### LSTM的输入与输出机制 #### 输入结构 LSTM是一种特殊的循环神经网络(Recurrent Neural Network, RNN),其设计目的是解决传统RNN在处理长时间序列时存在的梯度消失或爆炸问题。LSTM通过引入门控机制来控制信息流,从而能够有效捕捉长期依赖关系。 对于LSTM而言,其输入通常是一个三维张量,形状为 `(样本数, 时间步长, 特征维度)`。具体来说: - **样本数**表示数据集中有多少条独立的时间序列。 - **时间步长**指每一条时间序列包含多少个时间点的数据。 - **特征维度**则代表每个时间点上的特征向量长度[^1]。 例如,在自然语言处理任务中,如果我们将一句话看作是一组单词组成的序列,则这里的“时间步长”就是句子中的词数量,“特征维度”可以是每个词经过嵌入层后的向量大小。 #### 输出形式 LSTM 的输出取决于具体的配置方式以及应用场景: 1. 对于单层 LSTM 来说,它会针对每一个时间步返回隐藏状态 \(h_t\) 和细胞状态 \(c_t\) 。其中隐藏状态作为当前时刻该节点对外界表达的信息载体;而细胞状态内部存储着更深层次的历史记忆信息[^2]。 2. 当构建深层 LSTM 结构 (即堆叠多个 LSTM 层) 时,前一层的所有时间步输出将被送至下一层作为新输入继续传播计算直到最后一层结束为止。 3. 实际应用过程中往往还需要附加额外操作比如加入全连接层(FC),以便最终得到符合需求的目标值——无论是连续型变量还是离散类别标签等不同类型的任务目标都可以通过调整 FC 后面激活函数的形式达成目的。 4. 在某些特定情况下如仅关心整个序列最后一步的状态而非中间过程变化情况的话可以直接取最后一个时间步对应的 h_T 或 c_T 进行后续处理而不是保留全部历史记录下来。 5. 另外值得注意的是当涉及到多维或多模态数据源联合建模的时候可能还会存在更加复杂的组合模式比如说同时考虑视觉图像帧加上音频片段共同作用影响未来趋势走向等问题此时就需要灵活运用不同类型的编码解码器架构配合起来完成相应功能实现[^3]。 ```python import tensorflow as tf model = tf.keras.Sequential([ tf.keras.layers.LSTM(units=64, input_shape=(None, feature_dim), return_sequences=True), tf.keras.layers.Dense(output_size, activation='softmax') ]) ``` 上述代码展示了一个简单的基于 TensorFlow/Keras 构造出来的带有单层 LSTM 单元并设置 `return_sequences` 参数为 True 表明希望获取每一时刻 t 所产生的隐含层状态 ht 给予下一个 Dense Layer 做进一步分类决策使用的例子。
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