2012 年毕业的应届生,面临在深圳做薪水三千的硬件测试工作和回家养猪(自营养猪场),哪种选择更合适?...

粗了说:


你是愿意做个为社会主义添砖加瓦的小白领,过着一天不得松的生活?
还是愿意做前面努力几年,把市场和人脉理顺,后面享受生活的老板?


细了说:


做个小白领,
第一年,你慢慢开始找到点工作的个感觉,每天按时上下班,工资从3000涨到了3500.
第二年,你已经有了点经验,开始在工作中发挥点余热,工资涨到了5000。
第三年,你感觉公司没有什么发展空间,刚好外边有个企业缺人急招,你跳槽,工资涨到了7500。
第四年,换工作后,明显开始累,每天加班,但是你感觉到了充实,这时候因为你没有时间陪女友,她感到孤独,开始和你吵架。你每天早9晚9,一坐就是10小时,这几年下来,腰椎和颈椎开始给你闹腾,你发现健康原来是那么重要,去了医院,医生说躺床上休息俩月。你苦笑,两天还可以,一周都别想,更何况俩月,爸妈也开始催你结婚,可你,仿佛都没有时间想这个事情。
第五年,公司鉴于你的贡献,提升你做个小主管,工资涨到了10000(企业内部工资提薪一次性超过30%很罕见了)而你注定又要继续累着,继续在腰椎和颈椎不能彻底好的情况下,苦撑。爸妈逐渐老了,开始想你早点结婚成家,赶紧给他们添孙子孙女,哪怕多回家看看也好。你心有余而力不足,开始反感这操蛋的生活,开始回忆所谓的梦想,可是一觉醒来?洗洗上班。
总体:5年工资从3000涨到了1W(一般情况下),每个月租房吃喝拉撒聚会等外加缴各种苛捐杂税,五险一金,最后到手3000左右(这已经很不错了)。5年下来和女友一起存了15W(理想情况),要结婚了,发现买个90平米的房子,连个首付都不够,想给家里张嘴要点钱吧,又有点不好意思,期盼着公司能再给你狠狠涨一次工资。这时候你可能会说:唉,要是当年回家养猪,现在至少有3000头了吧,现在房子车子老婆孩子差不多都齐活了吧。

做个养猪户:
第一年,经营可能微利,你比较理想化,其实很多问题没有搞清楚,但是父亲把骨折的手养好了,母亲看见你在家,心里踏实,心情好了,因为在猪场给你帮忙,身体也有所改善。
第二年,你可能经验不足,还是微利。父亲已经开始不遗余力给你讲经验,带你认识养猪的朋友们,给你讲市场,母亲每天变着法给你做家里好吃的,你因为干活,身体棒棒的。
第三年,你开始注重精细化管理(毕竟咱怎么说也是985出来的哈),在市里申请什么大学生创业补助和农产品补贴,加上你已经有了经验开始和超市商量直供,你的生意爆发,你一年从300头增加到1000头。你劲头十足开始组建自己的销售渠道,父亲放心的把猪场的经营权给你,他开始注重养生。
第四年,你已经很有信心,从农行拿到惠农项目低息贷款,租了300亩地,开始扩大养殖范围和产业链。由于父母的关心(也许是老婆有了),你把婚结了。结婚过了三天,你就又开始投入到风风火火的市场中去,开始和多个超市签订供销合同。
第五年,由于你在养猪行业的声望(本地区养猪最有想法的年轻人),你联合各个猪场开始和饲料公司谈判供货饲料价格,成本下降,而且由于你关注了市场,开始把产品分类:普通长白条猪,散养长白条,散养土猪等。还自办了蔬菜大棚,用猪粪当肥料,顺着你的渠道,蔬菜也直供超市,每年又给你带来一笔可观的利润。
为了谈生意,你不但买了辆奥迪A6,还在市里盖了个酒店,菜肉都由你的产业化基地提供,每次你见客户,以及会见地市领导,都在你那里吃,领导们一致对你的酒店菜的质量大大赞扬,说以后我们的政府食堂的肉菜都由你专供,并提出要着力支持你的产业化基地。这个时候,你信心剧增,已经希望扩大规模,做整个地区行业领导者。
在孩子的满月酒上,你和一些同学喝多了,这几个当年的哥们拍着你肩膀说:当年,真他妈的应该回来和你一起干,你真他妈的有眼光。

--------------------------------分--------啊--------隔---------线----------------------------------------

好了,醒醒,做梦完毕,以上仅供参考,如有雷同,不胜荣幸!!!


PS:本来刚才出去跑了一小会儿步,回来躺床上,无聊拿起手机,打开zhihu,看到了这个问题,突然脑子里想到了当年大学毕业的时候,也有类似的疑问,想着到底是回家(三线城市)还是在魔都?回家了还怕人说闲话,说自己大学毕业混回家去了。结果稀里糊涂(也没有知乎这么好的引人发思的地方)就愣头青一样熬了下来。想到楼主的疑惑我也遇到过,就赶紧起来打开电脑,开始写这个答案,答案主要是引起楼主的一些思考,稍微理想化(但是也有人确实就这么做的,甚至比这做的还成功),并不是标准答案:)[url]http://luju.me[/url]
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,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,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,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