摘掉“码农”帽子| 理想中与现实中的技术大佬有什么区别?

没接触过计算机技术的小白,对计算机技术总是心怀敬畏,认为技术大佬一定有佛光笼罩,昼夜不息运键如飞日敲代码数万行。

在这里插入图片描述
然而真实的IT从业者,可能最怕听到的莫过于:码代码、码代码、码代码
在这里插入图片描述
当代程序员、开发者,理想比肩扎克伯格这种大佬,现实却忙似煤矿工人天天搬砖。
很多人自嘲的把自己称为“码农”,除了需要应对庞大需求,其余大部分时间包括但不限于:
被要求帮别人加注释
被要求自检自查代码
被要求改动一行行代码
堪称人在工位坐,活从天上来

在这里插入图片描述
曾几何时,他们也理想着拥有犀利的眼神、绝佳的数学天赋、冷静致密的逻辑、为解决难题不断创新而深以为乐的技术热情。

要么是眼神犀利,充满霸气

在这里插入图片描述
要么是智商爆表,冷静沉着

在这里插入图片描述
然而,现实中的他们确是这样的:

在这里插入图片描述
代码千万条,可读第一条;编码不规范,error多两行。

迷茫彷徨、没时间思考、难突破创新,这是一个很难让码农心平气和的年代。

在这里插入图片描述
对,码农基本没有生活的时间,都是在加班,加班,加班!!!!!!

最严重的价值流侵蚀于死板的任务,他们每天不得不为初级代码而忙碌。然而,又有多少技术热情没有随时间而冷却呢?理想也不得不屈从于现实而渐渐消殆!

所以,从代码日常到实现创作,把IT从业者从重复的代码劳动中解放出来,让他们只要敲打少量的代码,甚至是不需要敲代码就能完成软件开发,让每个人都能成为理想中的技术大佬,这才是摘掉码农帽子的正确方式。
在这里插入图片描述
低代码开发平台——J2Pass

相比于传统的软件开发模式,J2Pas通过低代码、可视化、参数化设计等技术,大幅减少了构建新业务应用程序涉及的传统编码的数量,同时也减少了因为编码错误导致的质量、Bug风险;

这个转变在一定程度上解放了码农的双手,意味着使用者可以摆脱“增删改查”等枯燥的重复编码,从而承担更上游的技术型工作,甚至成为解决方案构建过程的核心。正因此,低代码技术平台正在被越来越多的企业核心业务系统的开发者所青睐和使用。

  • 0
    点赞
  • 0
    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选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。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选框输入到另一个 CNN 进行分类,并根据分类结果对候选框的位置进行微调。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选。 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选。NMS称为非极大值抑制,作用是从众多预测边界框挑选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,选值最大的框 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) 从未处理的框继续选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
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