夜· 启程

有写博客的念头,还是在去年的时候。

那天早上我很兴奋,也很忐忑,因为我马上要去JD面试。JD大家都知道的,对我这种没见过世面的人来说,这就是个高高在上殿堂。

结果我的满腔热血,被一张面试题卷给浇的拔凉拔凉的。我的个艹,笔试啊,在纸上写程序啊,对我这种成天习惯了Google、度娘,习惯了开发工具,习惯了代码提示,习惯了Ctrl+C、Ctrl+V的人来说,这是要我命啊。

面试的结果可想而知,我被赤裸裸的鄙视了。

我现在还记得,面试官最后问我“你还有什么想问的?”时候,我豁出去的来了句“哥深知这次我没戏了,明年你们招聘的时候再给我哥机会吧”。

面试官笑了,我也笑了,可是尼玛心里哭了啊。。。。


JD面试归来后,我好好的总结了下,深知自己基础不扎实,对技术实践的太少,浮躁还易骄傲。 我觉得,我所有的问题,是很大一部分技术开发者都有的毛病:习惯复制粘贴,没有开发工具就没法写代码,没有Demo自己就写不出来代码,总是去下载、修改别人的代码,自己从来不去深入思考、研习这些技术。。。。。

知道了自己的缺点,也是为了化悲痛为力量,所以我决定以后开始写博客,不仅为了学习知识,也能总结知识,而且我知道,写博客总结知识,对一个人的能力是有所提升的。

之后我重整旗鼓,从Java开始,一边复习,一边写博客,我自己都佩服我自己,刚开始的时候这么认真,有时候一天写个两三篇,好满足。

可是惰性难改啊,我悲痛啊,鄙视自己啊,坚持了一两个月后,我的博客数量开始迅速萎缩,一个月也写不了几篇,再过没几个月,我都放弃写博客了。。。只是偶尔搜资料的时候,会去看看别人的博客,我自己的博客,却被永远的尘封了。。。


直到前段时间,我又一次跳槽,找新工作,又是去各大公司投简历面试,然后,又一次受到了打击。。。

那天我在一家企业面试,对方的技术总监和我聊的,回忆中。。。。

“Android的手势缩放机制是什么样的?”

“没做过相关的东西,不会。”

“Android的动画机制是什么样的?”

“只是会用些动画,但是没有具体的了解底层的机制,不是很清楚。”

。。。。。。。。。。

“那你会什么?”

“我会。。一般用的开发我都差不多会,不过太底层的东西我不太了解。”

“那你有没有写过开源的项目,或者是在github上发布过自己的项目?”

“没有。”

“那你写博客么,或者你平时都怎么学技术?”

“没写过(哥没脸告诉他自己断断续续的写过几篇不痛不痒的博客。。。)”


那天面试结束,说真的,我挺难过,尤其是那句“你会什么?”一直在我耳边抹之不去。

我会啥呢?我以为自己会的挺多的,java也会,flex也懂,Android也做了一两年了,可是当别人问我的时候,为啥我又尼玛一句都答不上来了。

基础浮躁,知识没有条理性,技术没有深度的研究掌握。这是我最后给自己的定性。


人说,一为之甚岂可在乎。我有过一次挫败,却又来了一次,十足是个悲剧。

归根结底,还是自己能力太差,不然。。。

可现实哪有这么多不然呢。。。

痛定思痛,这次,我重新打开自己的博客,开启新的篇章,时刻督促自己,重新做人,不,重头再来,把自己学过的知识体系梳理一遍,把自己日后学的新技术记录下来,争取早日走上成神之路!!!

本项目聚焦于利用Tensorflow框架搭建完整的卷积神经网络(CNN)以实现文本分类任务。文本分类是自然语言处理的关键应用,目的是将文本自动归类到预定义的类别中。项目涵盖从数据预处理到模型训练、评估及应用的全流程。 README.md文件详细阐述了项目概览、安装步骤、运行指南和注意事项,包括环境搭建、代码运行说明以及项目目标和预期结果的介绍。 train.py是模型训练的核心脚本。在Tensorflow中,首先定义模型结构,涵盖CNN的卷积层、池化层和全连接层。接着,加载数据并将其转换为适合模型输入的格式,如词嵌入。之后,设置损失函数(如交叉熵)和优化器(如Adam),并配置训练循环,包括批次大小和训练步数等。训练过程中,模型通过调整权重来最小化损失函数。 text_cnn.py文件包含CNN模型的具体实现细节,涉及卷积层、池化层的构建以及与全连接层的结合,形成完整模型。此外,还可能包含模型初始化、编译(设定损失函数和评估指标)及模型保存功能。 eval.py是用于模型评估的脚本,主要在验证集或测试集上运行模型,计算性能指标,如准确率、精确率、召回率和F1分数,以评估模型在未见过的数据上的表现。 data_helpers.py负责数据预处理,包括分词、构建词汇表、将文本转换为词向量(如使用预训练的Word2Vec或GloVe向量),以及数据划分(训练集、验证集和测试集)。该文件还可能包含数据批处理功能,以提高模型训练效率。 data文件夹存储了用于训练和评估的影评数据集,包含正负面评论的标注数据。数据预处理对模型性能至关重要。本项目提供了一个完整的端到端示例,是深度学习文本分类初学者的优质学习资源。通过阅读代码,可掌握利用Tensorflow构建CNN处理文本数据的方法,以及模型管理和评估技巧。同时,项目展示了如何使用大型文本数据集进行训练,这对提升模型泛化能力极为重要。
评论 2
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