不喜欢你的开发职位?可以看看我的情况

3年之前大学毕业的我,和很多目前的论坛里的一部分童鞋们一样,对“程序员”这份职业感觉非常不稳定,觉得都是吃青春饭的。我还是有些敏感的人,听到别人说自己是“写程序”的时候,甚至能感觉到里面有些其他的语气,因为印象中的coder都是很死板的人,生活过的不够潇洒。毕业后,由于某些原因我真的没有从事与软件右任何关系的职业,而是去了一家证券公司。

 

刚去证券公司的时候,真的不知道自己到底要在证券行业干多久。当时的行情还不是很好(06年初),薪水也非常低(因为自己是在证券公司的市场部门,说白了也就是开发客户的,底薪非常低),但是感觉自己很有激情,并且当时的领导也非常不错。但是三年过来了,自己逐渐厌倦了证券行业。薪水的确高了很多,远远高过了我所处的城市的平均水平好多倍。因为自己失去了原来的激情。

 

但是,我却慢慢的发现了自己其实还是对coding是很感兴趣的。自己甚至在业余时间试着做了个web 2.0的产品。恩,发现了自己真正喜欢的还是开发行业。因为在论坛的的一部分童鞋看来coding是非常无聊的,整天对着显示器,没有其他的乐趣。但是,如果试着尝试别的岗位,难道就有很多乐趣吗?比如我这样的金融营销人员来说,每天都顶着很大的压力,如果没有新增资产或者新增客户的话,自己的日子就很难过。并且,你还得经常被迫吃饭,喝酒之类的应酬,或者是变着法子给你的业务相关人员好处,比如说各种银行的理财人员或者支行领导。当然,有外向型的人作这样的事情,但是如果你不是这样的性格,强迫着作这些事情是非常痛苦的。

 

还有,很多人觉得作金融或者营销行业的薪水比作开发高的多,又是自己觉得不公的一点。当然,我目前的薪水比我作开发的同学高了好多。但是他们没有看到我作到现在见到了多少同事的退出----比例大致在60%左右,并且我的运气还不错,才有目前的薪水。如果你觉得你自己运气也不错的话,可以转行试试。

 

你如果选择工作的目标完全就是为了赚钱,什么赚钱多就去作什么的话,也可以试试金融或者营销行业。如果你选择工作的目的是选择自己喜欢的话,那就需要仔细考虑考虑了,我是过来三年才发现的。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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