腾讯40岁老兵现身说法:35岁职业生涯分水岭,架构or管理,到底怎么选?(1)

迎合大众口味、时代需要创造者

据《中国互联网发展状况统计报告》2019年数据统计发布显示,中国互联网的普及率达61%,其中30岁以下年轻人的使用占比高达70%!

很显而易见,年轻人都在用的东西,自然是由年轻人来创造最符合大众的口味。

总的来说,35岁往上走的程序员,无论是从身体条件,思维创造力,还有薪资成本各方面,都不再是以利益至上的公司的最佳选择。

突然想到在哪里看到的一句话:不能骂二十多岁的小伙子,因为他们随时可以辞职跳槽,要骂就骂30多岁的,他们拖家带口还有各种贷款。心中不免五味杂陈

二、人生阶段

23-27岁:技术积累阶段

假设本科23岁毕业,那么工作的前5年对你来说就是打基础的阶段。在这5年时间里面,你要积累足够的技术底子,打磨自己的技术实力,成为某一个技术细分领域的牛人。

我自己依然记得当年这样的场景:蹲在出租房里面每晚每晚的啃技术文档,在公司连续打地铺干通宵的场景。

只有真正经历过贫穷,经历过苦难的人,才会越早就懂得努力才自己这一生唯一的出路和唯一的机会。忘了谁说的了,大概就是这个理。

27-30岁:形成思维方法论和知识体系的阶段

当你积累足够的技术实力,例如超过10万行代码以后,你应该形成了自己的思维方法论和自己独立的学习技巧,任何新的技术在你眼中都能迅速的看到技术的本质,快速吸收成为你的知识体系的一部分。

你只要前一个阶段打的基础足够牢固,这个阶段你一定会开始蚕食别的领域,这是一定的。逐渐的不再满足于纯技术领域的探索,而是开始探索技术背后的事情:什么技术在什么样的场合能够发挥最大的价值;技术团队应该怎样构建;技术在公司未来的价值?创业公司对技术的需求?支撑技术的产品,怎样学习做产品?支撑产品背后的运营体系是怎样建立的?商业社会对技术、产品、运营等的是怎样的认知,商业社会有什么的特定规律?也许还有更多…

在这个阶段,积累技术对你来说简直是小菜一碟,你更需要磨练的是思考能力,形成自己的思维方法和知识体系,这将是你帮助你一生的武器。

30-33岁:有成熟的职业规划,对未来有清楚的认识

30-33岁这个阶段,最关键的是了解自己。知道自己擅长什么,自己的优势在哪里,怎样才能够最大化自己的价值,同时也知道自己有什么重大缺陷。未来是扬长避短还是不断避免自己的缺陷,这些需要提前想清楚。一旦想清楚,想透了,就剩下行动。你可以选择避开做自己不擅长的事情,不勉强自己,不让自己处于对自己不利的环境。当然,你也可以选择不断补短,把自己的不擅长点变成自己最擅长的。这个需要结合自己的情况来慎重选择,最终看你要走什么样的一条路,是打算做技术专家、管理者、还是技术结合产品,还是创业者。

三、技术or管理?

首选:技术

作为技术出身的过来人,我的第一建议当然还是坚持初心,也就是走技术路线。

前面说了,在你步入30岁大门的时候,就该开始规划自己35岁后干什么。也就是说,当你决定把技术路线走到底时,你就要开始进修架构/算法相关知识了。走技术路线的,在35岁时。 至少都是阿里P8往上了,早已成为一个领域的专家,基本都是架构路线或算法路线,能指导着几十号上百号兄弟,在自己的专业领域有不可替代的作用。
Android架构师必备技能导图

次选:管理路线

走管理路线的,至少得总监往上,而且不仅仅是单纯的技术管理, 一定是有一摊业务, 产品/运营/研发一把抓。如果再能扛营收那是非常稳的。最次也得是产品/研发都负责。

其实,管理路线也是有年龄困扰的,并不是说从技术一线到管理层面,你所需要的精力就会减少。相反,在管理初期你所花的时间精力可能会更多。一般大多数人,比如说有大厂背景的话,会在33岁左右就开始尝试一些管理属性的工作。然后到了35岁左右的年纪,往二线或三线小一点的公司跳槽,然后带团队,技术指导。

再者:转岗

一般都是内部转岗比较多。能去的岗位有,开发测试、产品经理。

【开发测试】:因为有代码经验,转到开发测试岗,是有一定优势的,容易升到管理岗位。

【产品经理】:应该转岗的程序员至少60%以上,都是选择这个岗位,首先,我们开发时都是跟产品打交道的,对他们做什么相对了解,其次,我们懂技术,能了解产品的表现形式,缺乏的只是产品思维而已,所以,转岗产品,相对容易,而且,产品线职业寿命长,经验能够积累,你就是干到40,也没啥问题。

四、其他行业备选

1.创业

看个人心性。如果时间精力都没问题,可以选择创业。创业路线的话,比较看重你职业期间的资源积累(包括:人脉、资金、经验等等)各方面的要求都比较高。创业就意味风险,选对行业很重要。

2.进入国企、事业单位

家里有点地方关系、或者花点钱找点关系的。可以考虑进国企、或者政府单位呆着养老。国企和政府单位没有什么激烈的竞争。因为有着丰富的工作工作经验,加之找点关系,做起来还是比较轻松的。

论收入肯定是不如在IT企业了,但是论工作时长平均下来,还真不一定。一个在大学教书的哥们一周真实工作时间就两个半天,合计不到6个小时。算下来时薪比很多P8还要高。大把的时间干自己的事。如果早些年打拼搞定了房子,那小日子也能过得很滋润。全看个人选择,能去也挺好的。

五、总结

说了这么多。其实最根本的东西就是:不断的学习、不断提升自己。人生就是从一个阶段到另一个阶段。从一个高度到另一个高度。

我并不鄙视趋于平淡生活的人,没有多大的志向,生活过得去,平平淡淡就好。每个人都有自己的选择。但我更崇敬那些会为自己的上一代和下一代奋斗的人,为我们的父母过的更好,为我们的孩子过的更好,在我自己有限的能力范围内,尽力做到最好,这是我的本心。

如果你想,想学习进阶,想要自己的父母孩子过上很好的生活。

如果你原意,如果你原意为他们努力奋斗。

我将自己13年的工作经验心得、Android架构详细路线、学习资料,全套学习视频,上传在我们的GitHub。如有需要可自行领取,无偿分享。

最后

一线互联网Android面试题含详解(初级到高级专题)

这些题目是今年群友去腾讯、百度、小米、乐视、美团、58、猎豹、360、新浪、搜狐等一线互联网公司面试被问到的题目。并且大多数都整理了答案,熟悉这些知识点会大大增加通过前两轮技术面试的几率

如果设置门槛,很多开发者朋友会因此错过这套高级架构资料,错过提升成为架构师的可能。这就失去了我们的初衷;让更多人都能通过高效高质量的学习,提升自己的技术和格局,升职加薪。

最后送给大家一句话,望共勉,永远不要放弃自己的梦想和追求;
《Android学习笔记总结+移动架构视频+大厂面试真题+项目实战源码》点击传送门,即可获取!
roid学习笔记总结+移动架构视频+大厂面试真题+项目实战源码》点击传送门,即可获取!**

  • 18
    点赞
  • 24
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如择性搜索)来生成候框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候框输入到另一个 CNN 中进行分类,并根据分类结果对候框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑。NMS称为非极大值抑制,作用是从众多预测边界框中挑出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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