实验室只有1080的显卡，老师还想让发深度学习论文，也不给配置好的显卡怎么办？
泻药。3090，2080ti，1080ti换代路过。其实绝大多数算法应用的研究1080相比3090也就是多跑两天的事。做科研，idea最重要。如果真的到了能拿出原创模型的那个水平，给你两张3090也照样不够用。应用灌水无非是3天或者6天的区别而已。
icml论文厉害吗？
非常厉害。因为ICML是机器学习领域顶级的国际学术会议之一，每年都会吸引来自全世界最顶尖的机器学习研究者们前来参会，论文的质量也非常高。ICML论文可以代表最前沿的机器学习研究成果，具有很大的学术和实践价值。同时，ICML还有非常严格的论文审稿制度，能够保证论文的质量和可信度。因此，ICML论文的厉害是毋庸置疑的。除了ICML之外，还有其他一些机器学习领域的国际学术会议同样也具有很高的学术价值，如NeurIPS、CVPR等。研究人员们需要不断关注这些学术会议的最新进展，参与学术交流，提高自身的学术水平，推动整个机器学习领域的发展。
深度学习主要是学习那些方面的？好找工作吗？
深度学习已经在语音识别、图像处理等方面取得了巨大成功。从2013、2014年开始，也在自然语言处理领域出现深度学习的应用浪潮，例如今年ACL上有人（应该是BBN公司？）利用深度学习极大地提升了统计机器翻译的性能，颇值得期待。
关于深度学习的挑战与方向，其实可以关注深度学习重要学者们的相关综述文章和专著，例如YoshuaBengio曾经写过的LearningDeepArchitecturesforAI（2009年）、PracticalRecommendationsforGradient-BasedTrainingofDeepArchitectures（2012年）、RepresentationLearning:AReviewandNewPerspectives（2013年）。
限于自己的研究方向和兴趣，我比较关注的一个方向如下，希望与大家交流。人们一般认为深度学习在语音识别和图像处理方面能够取得长足进度，是因为这两个领域的相关特征信息都是相对低层次的，可以借助深度学习的强大学习能力学习其中的复杂信息；而到了自然语言处理领域，人们利用深度学习做过很多尝试，发现很难取得像语音识别和图像处理那么大的突破，原因在于自然语言的相关特征信息都是相对高层次的（如自然语言的基本单位——词汇——本身就有丰富的语义内涵，与图像中的“线条”、“纹理”等特征相比尤其如此），在深度学习之前就由语言专家编制了很多精致而复杂的知识库，如WordNet等，这些知识已经将相关处理性能推到了较高层次。因此，当深度学习进入自然语言时，如果还是像语音识别、图像处理那样从零知识开始做特征学习，相当于将丰富的语言知识弃之不用而另起炉灶，是不符合自然语言处理特点的。所以，深度学习的一个可能重要的发展方向是，如何在深度学习框架中高效地融合人们已经构建出来的丰富先验知识（包括语言知识、世界知识）。
需要注意的是，与LDA（latentDirichletallocation）等之前流行的机器学习算法不同，深度学习不是某个具体算法，而是采用”深度“学习思想的一系列算法的统称，在机器学习领域中（如ICML、NIPS），貌似很少有论文会以deeplearning命名，而是具体算法的名称，如autoencoder，等等。因此，建议首先阅读一些tutorial，了解深度学习中的主要算法和人物，然后再去了解具体算法。
深度学习还是好找工作的，一般学成出来工资都不会低，而且现在的语音识别，机器识别等都离不开深度学习，应用领域宽广，包括电商，医疗，安全，游戏等。所以你没有必要学习其他领域，转到其他方向，要能做个好的项目，找工作绝对不用发愁。
数学专业毕业论文哪一类好写？
个人觉得教育类好写。可以写教学方法创新。也可以写教学角度的创新。学术类的难度很大。写起来需要深度。有一定的难度
四年级数学小论文150字左右？
可行。因为四年级学生已经学过一些基础的数学知识，可以通过文字的形式来表达自己的理解和思考。150字虽然篇幅有限，但足够表现出学生对某一个数学概念或问题的掌握程度和对其的思考。此外，撰写小论文也有助于培养学生的思考能力和表达能力。如果要撰写150字的数学小论文，可以从以下几个方面展开：比如学习了除法之后，可以选择一个例子，阐述什么是除法，算法是如何进行的，以及它有什么样的应用场景；再比如，在学习了几何的基础知识后，可以介绍一个具体的几何问题，如在一个平面上画一个三角形，如何计算其周长和面积，让学生分析思路，并给出自己的思考和结论。
