当程序员老去

程序员日常工作

  确认通过审查方案的目标,输入数据,分析师,监事,和客户的输出要求的项目要求。安排项目要求在编程序列分析要求;准备工作流程图和使用计算机知识的能力,题材,编程语言和逻辑图。编码工作流程的信息转换成计算机语言的项目要求。通过输入编码信息的计算机程序。确认程序操作进行测试,修改程序序列和/或代码。准备写操作指令供用户参考。保持历史记录,通过记录方案的制定和修订。维护客户的信心和保护保密的业务。技能/资格:一般的编程技巧,分析信息,解决问题,软件算法设计,软件性能优化,注重细节,软件设计,软件调试,软件开发基础,软件文档,软件测试。程序员其实分为很多种,大家开发的语言可能不尽相同,但是都是有他们的共同点。

  程序员将代码注入生命去打造互联网的浪潮之巅,当有一天他们老了,会走向那里,会做些什么?

  很多年以后,在我60岁的那天早晨,天刚蒙蒙亮我就起床了,先去公园晨练,然后回来做早餐(50岁的时候我学会了做饭),送完外孙上学,刚好8点。由于北京从2020年开始单双月限行了,这个月是单月,所以只能挤地铁。人一如既往的多,一小伙子要给我让座,看了看他的小身板,我说不用,你也是干IT的吧,今天咱们都是程序员。

  来到公司,墙上那条新贴上去的刺眼规定总是让我很不舒服:所有的服务器端语言必须使用Come,移动端语言使用Swallow,还在使用Java、C、Go和Swift语言写程序的,罚款500元。我不知道自己还能学会几门新语言,工作了四十年,我已经用过一百多种编程语言了……


上午十点,00后TeamLeader跑过来告诉我,池大大,新上线的智能手表操控UI是您老做的吗?好像出了点问题。我说是老王上周做的,他老花眼早就不该做UI了,这周没来,据说动脉硬化了。唔,那您帮他改改得了……

 这个上午,老板又收到了两份在家办公申请,其中包括老冯的,申请理由是:腰不好。坐着站着都不能解决问题了,只能把屏幕安装在天花板上,躺着编程。我还行,一直打羽毛球,腰好,身体就好,吃嘛嘛香。不过今天中午却没什么食欲,因为牙疼,各种牙都开始松动了,只好在食堂里挑了点软乎的饭菜吃了。

  下午部门开会。我发现唯一的70后主程(主力程序员)记忆力减退了许多。说完第8个功能点的实现后,丫突然来了一句:好,以上是第1点,现在来说第2点。直到下班,我们一直都在说第2点。会后主程怪我为什么没有提醒他,其实我一共提醒了他13次。不跟他计较,明年他65岁,就要退休了。

  分配到需求之后,下午的工作就是画界面做表单填程序,这个工作我做了几十年,已经非常熟练了,编码的时间总是最快乐的,不知不觉就晚上10点了。回家吧,过了9点就可以打车了。

  夜晚11点回到家,菜凉了,孩子们都睡着了。我躺在冰凉的床上,打开一本《Come语言编程实战》开始读。程序员,是一个终身学习的行业……

  看到这估计大部分程序员读者心都碎了……不用担心,不读MacTalk,晚景才是凄凉的,看了的都没事!

  关于「程序员老去」这个话题,从我开始编写第一行代码的时候就有了。那时候我二十郎当岁,正值青春年少,眉宇苍茫,中年人和老去仿佛是下一个世纪的事情(确实是),遥不可及。我时而在阿尔卑斯山脉编写代码,时而去草沿天路调试程序,我觉得世上之事无所不可为。只有那些年近三十的老程序员,听到这个话题时,才会紧蹙双眉一言不发,仿佛他们看到了无边落木和滚滚长江。

  很快,我就站到了三十岁的十字路口,望了望周围,其他三个方向都没有路,只能向前,于是我非常不情愿的挪到了35岁这个黄金分隔线上,或者叫程序员的生命线。不知道是哪位大神为我们程序员画了这么一条线,三百六十行,行行出状元,为什么只有程序员才有这条线呢?用Google百度一下「程序员35岁」,尽是「不作35岁的程序员」「技术大龄恐惧症」「35岁后要转管理」「35岁前程序员要规划好的X件事」这样耸人听闻的字眼,一想到自己并没有规划过「这些事」,我绝望极了,35岁生日的那一天可能会发生什么不好的事吧,比如编程、演讲、写作、设计这些技能都会烟消云算?我可能会跟不上时代的发展?我可能会被解雇吧,我想。

 35岁生日过去了,除了收到生日礼物,什么事都特么没有发生,我依然活蹦乱跳的编程、演讲、写作和设计产品,一切都变得更好了。

再也不相信年龄了……

回首往事,我发现当年那些对编程充满激情,对生活满怀理想的小伙伴,有的变成了某个领域的技术大牛,在做产品的同时忙着布道演讲写书;有的经营者或大或小的公司,同时还在编写程序;有的设计出了千万人使用的软件产品;有的则转变成了一个纯粹的管理者,经营着上千人的机构。他们都是程序员。

真正有可能晚景凄凉的程序员,是对技术和产品没有兴趣的人,是仅仅把编程当做生活工具的人,是那些不能终身学习的人。开篇的文字,就送给这些人吧,希望他们能够在40岁以前看到这篇文章。

关于程序员转行的问题,也是个伪命题。没有人的职业是一成不变的,今天你在考虑LVS要使用IP隧道技术还是直接路由,负载调度使用加权轮叫还是最少链接,十年后你要做的可能是增加哪些产品特性和阅读用户的消费心理。时间会驱动着你去不停的选择自己的道路。

如果继续编程能够最大化你的价值,那就去编程,太多精深和复杂的技术需要长期的积累和实践才能化繁为简鬼斧神工,请在技术大神的道路上一路狂飙。

如果设计产品能够最大化你的价值,那就去设计产品,现代世界已经不再是「美学、艺术」与「电子产品、软件」毫无关联的年代了,人们越来越重视产品体验和艺术美学,如果你懂得产品之美,又能估算这个产品多久能够开发出来,还懂一些开发细节,不知道能够虐多少程序员啊,想想这个场景多么美好。

如果经营一家公司能够最大化你的价值,那就去创业,去招募战友,服务伙伴,提供产品,去创造属于你自己的天空。

如果演讲……如果咨询……如果市场……,很显然,我看到的程序员未来有无限可能,而且我们最大的优势是:这帮家伙甚至能编写代码,这真是太酷了!

当然,我们程序员也不要过于沾沾自喜,在某个领域深耕细作的同时,不要忘记拓宽自己的知识面。如果一个人的领域太过专业化,一段时间后,你可能发现自己的专业已经陈旧了。如果一个人的知识面很广,在终身教育的配合下,你的专业可以随着时代的变化而改变。

另外,在调试程序或程序出现问题的时候,程序员要避免说这些暗语:

当程序员老去 再也不相信年龄了

  每少说一次,就能前进一大步!

  最后,对不是程序员的读者也说两句吧,如果你身边有程序员,一定要对他们好,不懂技术不要对程序员说这很容易实现,平时多送些小礼物,他们不开心了就请吃海底捞,加不加班都要给他们加薪,没有女朋友的给介绍女朋友,还没订阅MacTalk的让他们赶紧订阅……你会有回报的。

  经年以后,当你偶然之间再次翻到这篇文章,也许会说,唔,这个老家伙说的还有点道理呢。


from: http://www.bzcm.net/news/2014-11/05/content_1606068.htm


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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