腾讯vs百度(转)

有幸在这两家公司都工作过一段时间,对这两家互联网巨头做了个对比,供大家参考


1 文化

百度提倡“简单,可依赖”,我的理解是做出来的产品要靠谱,要有很好的用户体验,较注重其品牌的信誉(但跟谷歌相比,还是很有差距的)。以搜索起家的百度,对产品质量相当看中,因为当用户认定你做得不好,没口碑后可立马更换搜索引擎。

而腾讯提倡“拿来主义”、“微创新”。腾讯很多产品都是抄袭别人的,然后再想办法在此基础上做一些适应性改变,并称其为“微创新”。由于腾讯IM软件的用户粘性比搜索引擎强太多(从3Q大战就能看出来),他不会像百度一样强调产品质量,而是强调快速跟进市场,抢占市场,动作比传统大公司快很多。到处抄袭成为“狗日的腾讯”诞生的主因。


2 技术

百度——开放、技术密集,搜索本来就是个技术密集型的技术,需要很多人共同合作、交流(百度目前绝大部分产品都是围绕搜索展开的)。其开放主要体现在以下几点:

  • 每日会有较多的交流探讨会
  • svn全公司只有一套,开放公共代码资源
  • wiki上有较多可用的内部参考文档,公司提倡将团队文档放上wiki,供相关人士查阅
腾讯——保守,交流分享比较少,代码svn只能看到自己部门的,公共代码都是从别的部分copy过来,wiki上可用资源比较少


3 加班

百度——提倡加班,公司为加班员工报销车费外加饭补、为大多数员工配发笔记本,这直接导致很多员工回到家里还在办公。到了晚上12点时你能看到百度大厦灯火通明,路边的出租车排成长队等候着加班族们。还发生过员工过劳而死的。另外,百度项目排期时间又是按每日6小时计算的,而白天会议交流较多,开发流程繁杂,导致员工承担的任务很难正常工作时间完成,这也是导致加班严重的一大原因。

腾讯——加班情况好一些,公司为员工配发的都是台式机,员工回家后一般情况下都不再办公,由于白天会议交流以及项目流程少,能让员工有更多的时间专注个人承担的任务,因此加班不严重,少有人报销车费。


4 项目流程

百度——流程多,产品迭代慢。一个较大的项目一般要经过项目启动会、预评估、正式评估、项目排期、开发、测试、上线、项目总结等等环节,周期较长。即使一个很小的功能,也需要经过一步步繁琐的流程(一般写四五个文档,等待几次评审,等待几次流程才能让OP上线)。

腾讯——流程少,产品迭代较快,不是很重视测试环节,没有专门的OP负责上线,都是开发人员自己上,开发设计也无需多方评审,文档极少,基本除了产品写的需求文档,难见其他文档,总之是省去了很多环节,让产品能够尽快的接触用户,这一点很适合当下互联网环境,也是腾讯能够迅速跟进很多很多互联网应用的一大法宝。但缺少流程缺少文档,必然有它不利之处,这里就不再赘述了。


5 待遇

百度——一般发14.6个月的工资,实际发的可能达不到这个数目,因为年终奖跟个人及团队表现有关,一些人只能拿到80%

腾讯——一般发15.3个月的工资,实际发的一般能达到这个数目,由于过节加班一般发3倍工资,有的部门甚至发4.5倍工资,感觉是一种变相的员工福利措施


6 技术等级

百度——T1-T10,一般本科毕业进去T2,研究生进去T3,一到两年能升一个级别

腾讯——分大小级别,大级别有T1-T6,每个大级别下有三个小级别(1初级、2一般、3高级),研究生毕业进去T1.2,好点的能半年升一个小级别,T2.1相当于百度的T4


7 工作环境

百度——主体都在北京的百度大厦,据说还在6环盖新楼,人堆不下了。百度大厦环境还是不错的,地下一层是公司食堂、咖啡厅、小超市,还有健身房、乒乓球室、篮球场、按摩休息室。每一层都有很多会议室和茶水间、休息区,便于交流,即使这样,会议室还是特别紧俏的,很多时候提前一周都预定不了会议室,或者只能预定一些很偏的会议室。还有一个很大的球型会议室。交通也较方面,下了西二旗城铁很快就到。所有会议室都是以辛弃疾、李清照等人的诗词内容命名的,这点跟“众里寻他千百度”一脉相承。

腾讯——腾讯北京这边分布在多个地方,主要在银科大厦,银科所处地理位置不错,周围比较繁华,这点比百度所在的西二旗好太多了。银科没有自己的食堂,都得出去吃饭,银科可打台球、乒乓球、桌球。银科的会议室、休息区较少,由于交流、会议少,也没见得这些地方有多紧俏。公司为银科、西格玛等地都配有班车,据说能覆盖很多路线。


不同的公司不同的风格,适者为王。两家公司的风格正是适应了所处的环境才能在各自的领域独领风骚。同时这种风格注定了其在另一些领域的不适,比如百度有啊、百度hi、百度说吧,腾讯搜搜

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。
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。
【5层】2800平米框架商务写字楼毕业设计(含计算书,建筑、结构图) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 、6可私信博主看论文后选择购买源代码。
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