勇于创新，勤于探索 —— 我的创作纪念日

本文主要是介绍勇于创新，勤于探索 —— 我的创作纪念日，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

作者主页：爱笑的男孩。的博客_CSDN博客-深度学习,活动,python领域博主爱笑的男孩。擅长深度学习,活动,python,等方面的知识,爱笑的男孩。关注算法,python,计算机视觉,图像处理,深度学习,pytorch,神经网络,opencv领域.https://blog.csdn.net/Code_and516?type=blog个人简介：打工人。

持续分享：机器学习、深度学习、python相关内容、日常BUG解决方法及Windows&Linux实践小技巧。

如发现文章有误，麻烦请指出，我会及时去纠正。有其他需要可以私信我或者发我邮箱:zhilong666@foxmail.com

我的创作者纪念日

最初的创作初心

在创作的过程中都有哪些收获

获得了多少粉丝的关注

获得了多少正向的反馈，如赞、评论、阅读量

认识和哪些志同道合的领域同行

你过去写得最好的一段代码是什么？请用代码块贴出来

职业规划、创作规划

职业规划

创作规划

最初的创作初心

时间过得真快，一年转眼就过去了。翻看去年写的创作者纪念日文章，发现自己已经有了很多变化，变得更加成熟，眼界也有了一些提升。回顾之前，有很多感悟吧，却又难以言表，只能用一口叹息来表达。

回顾过去的一年，有一些惊喜，也有一些懊悔。惊喜的是我不知不觉中已经发布了79篇文章，并且在工作期间遇到了一些难题，翻看自己之前发布的解决方法，发现自己曾经遇到过相同的问题，并记录了下来。这让我省了很多麻烦，感叹自己当时的聪明才智，仿佛有一种未卜先知的能力，预知了未来会遇到的问题并记录下来，真是不费吹灰之力。有时候我会在解决问题后想到：“以前的自己真厉害，居然能预见到以后会遇到相同的麻烦，并记录下来给以后的自己看，有那么一瞬间脑子里突然就蹦出来一句话：真是踏破铁鞋无觅处，得来全不费工夫呐，哈哈哈。”这种感觉真的很奇妙。

然而，最近这段时间我却没有发布过文章了，很多解决问题的思路都没有记录下来，这让我感到懊悔。我意识到自己有些懒散，没有保持之前的记录习惯。回想起之前的自己能够如此勤奋地记录，我真的有些后悔。或许这是一种提醒，告诉我要重新拾起记录的习惯，不要让自己的懒惰阻碍了进步。

在过去的一年里，我有了很多收获和成长，也有了一些遗憾和反思。我希望在未来的日子里，能够更加努力地记录和分享，不断提升自己的能力，为自己的成长做出更大的努力。

当然了，我创作的初心呢，还是不变的，就是想帮助别人的同时可以做一个自己的笔记。嘿嘿~

在创作的过程中都有哪些收获

获得了多少粉丝的关注

去年创作日的时候，我记录了自己当时的粉丝量为992个，距离千个粉丝就差8个。

现在，我的粉丝量已经破千啦，达到了1469个，谢谢你们~

获得了多少正向的反馈，如赞、评论、阅读量

去年，我获得了198次点赞、185次评论、200次收藏、总阅读量40000+；

今年，我获得了425次点赞、297次评论、865次收藏、总阅读量170000+；真的没有想到今年比去年多了这么多人访问我的文章，谢谢各位，我会继续努力的！！！

认识和哪些志同道合的领域同行

在过去的一年里，我参加了多次人工智能开发者大会（AIGC），与许多技术大牛们面对面交流。他们的讲话和指导让我受益匪浅，学到了许多宝贵的技术知识和经验。这些交流经历不仅拓宽了我的视野，也激发了我对技术创新的热情。参加AIGC开发者大会是我成长道路上的重要一步，我会珍惜这些宝贵的学习机会，不断提升自己的技术水平，为未来的发展打下坚实的基础！！

你过去写得最好的一段代码是什么？请用代码块贴出来

ResNet18 ，这个源码比较简单，其原理也容易理解，所以我就把他贴出来吧~

详细地址：ResNet18详细原理（含tensorflow版源码）

 
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers,datasets,modelsdef main():(train_x,train_y),(test_x,test_y) = datasets.cifar10.load_data()train_x = train_x.reshape([-1,32,32,3]) / 255.0test_x = test_x.reshape([-1,32,32,3]) / 255.0inputs = keras.Input((32,32,3))output = ResNet18(inputs)model = models.Model(inputs,output)model.summary()model.compile(loss = keras.losses.SparseCategoricalCrossentropy(),optimizer=keras.optimizers.Adam(0.01),metrics=['accuracy'])model.fit(train_x,train_y,batch_size=128,epochs=10)score = model.evaluate(test_x,test_y)print("loss:",score[0])print("acc:",score[1])passdef ConvCall(x,filtten,xx,yy,strides = (1,1)):x = layers.Conv2D(filtten,(xx,yy),strides=strides,padding='same')(x)x = layers.BatchNormalization()(x)return xdef ResNetblock(input,filtten,strides = (1,1)):x = ConvCall(input,filtten,3,3,strides=strides)x = layers.Activation("relu")(x)x = ConvCall(x,filtten,3,3,strides=(1,1))if strides != (1,1):residual = ConvCall(input,filtten,1,1,strides=strides)else:residual = inputx = x + residualx = layers.Activation("relu")(x)return xdef ResNet18(inputs):x = ConvCall(inputs, 64, 3, 3, strides=(1, 1))x = layers.Activation('relu')(x)x = ResNetblock(x, 64, strides=(1, 1))x = ResNetblock(x, 64, strides=(1, 1))x = ResNetblock(x, 128, strides=(2, 2))x = ResNetblock(x, 128, strides=(1, 1))x = ResNetblock(x, 256, strides=(2, 2))x = ResNetblock(x, 256, strides=(1, 1))x = ResNetblock(x, 512, strides=(2, 2))x = ResNetblock(x, 512, strides=(1, 1))x = layers.GlobalAveragePooling2D()(x)  # 全局平均池化output = layers.Dense(10, "softmax")(x)return outputif __name__ == '__main__':main()