华为胡玲公开信全文

本文是一位曾在华为2012人力资源部任职的员工分享的经历,讲述了试图改善研发员工工作体验的努力与面临的挑战。文章指出在处理员工问题时遇到的阻力,包括与HR之间的冲突,以及对HR体系诚信和效率的质疑。作者呼吁关注研发人员的权益,直指HR部门存在的问题。
摘要由CSDN通过智能技术生成

研发兄弟们对不起,我尽力了一一实名来自2012人力资源部

2017年2月硕士应届优招14级入职.我怀着所有工科学生的梦想工程师改变世界来到华为,成了一名光学工程师。

偶然的机会,在2019年4月转入2012人力资源部,成了一名员工活力体验官。

员工活力官所涉及的公司发文,我不知道反反复看了多少遍。

我一心想着能为研发兄弟们发声,身体力行的改善公司的工程师文化,发现问题,推动问题解决。

领导常常告诉我,我面对的群体是2012实验室2.5W+研发员工,我一刻也不敢憾怠。

每天睁开眼,想的都是怎么去解决冋题,改善研发兄弟们的体验。

5月到8月,我进行了一系列的尝试,有的被领导否了,有的可以开展。

用公共邮箱给大家发全员邮件,收集问题,用espace(注:华为的企业通信软件)一个一个回复,一个一个解决。

我只有一个人,发一次全员邮件,收到70多个问题,我整理记录就要一周。

由于我只有14级,好多问题解决的时候,推不动,所以我想办法申请了一个2012员工活力体验的espace组织账号,隐去了我的个人信息。

领导说个体问题太繁杂了,行政问题太多,人力资源领域的问题太少,要针对重点问题重点人群写专题报告,像人力资源秘书一样。

我也做,只不过我只有一个人,二层院和硏究所的体验官都是兼职的,这部分工作并不是他们的主要绩效来源,我是体谅的。

所以我顶住领导的压力,从来不派发强制的作业给他们,我来做就好,毕竟我是专职的,我的时间都是属于这个岗位职责的,我常常跟研发兄弟说我挣的每一分钱都是研发兄弟们产的粮食。

7月份写的一个报告,写《博士生存状态和诉求》的,还被部门奖励了500块钱.转岗绩效B+。

截止到7月末,我共计收到了 193个问题,推动解决了 100+。

组织上不认可我这种工作方式,让我暂停了这部分常规问题的收集。

8月开始,我和体验官业务一起调整到员工关系组,领导承诺说给我找个帮手,一个人实在做不过来。

8月底,西硏所高某、资深hr正式作为我的搭档加入了体验官的队伍。

我很开心,之前申请帮手这件事就是我越级上报,偷偷求助领导的,他非常好并没有责怪我,还立刻就答应我了。

逬了员工关系组,又増加了一个伙伴,我满腔热情却突然被兜头一盆冷水浇灭了。

这个高某第一次见面后,就火急火燎地拉着我和文员mm开会,美其名日分工,岗位所涉及到的所有子任务不是分给我就是分给文员mm,我突然醒悟这大姐是来当指挥。

而且她在会后就跟员工关系组长杨瑞锋打电话说我不适合这个岗位、挑活。

我挑活?我一个人做了几个月,没有文员支撑,所有的输出、试探都是我一个人完成的,我用得看挑活吗?我挑活的话,这个岗位还能做到今天吗?我多次跟杨某证实我和高的关系,是否

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。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
评论 2
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