2021考研报考人数377万,读研VS工作,哪个更值得?

关注、星标公众号,直达精彩内容

近日,#2021考研报考人数377万#引发热议。

近年来,我国研究生报考人数持续增加,从2016年的177万人增至2021年的377万人。

伴随研究生扩招,群体性担忧不绝于耳,学历贬值、研究生鄙视链、学术近亲繁殖,即使上岸的研究生,也自觉身处一场巨大的内耗。

大家都在搏一个未来。有意思的是,研究生名称中带着“研究”二字,今天人们谈到考研热,第一反应却是“就业”。

有调查显示:毕业生读研主要的考虑仍为就业。

  • “就业前景好”(34%)本月仍为国内读研第一位的理由;

  • 其次是“想去更好的大学”(26%);

  • 而“职业发展需要”和“想做学术研究”分别占19%;

  • 另外,值得注意的是,“随大流”者占4%。

研究生学历真的有助于就业吗?

有网友认为,研究生学历对于高门槛行业就业有帮助;

也有网友认为,研究生学历对找工作没多大帮助,工作能力比学历更重要。

之前知乎上有个话题:读研三年和工作三年的人有哪些差距,应该怎么选择呢?

考到五道口职业技术学院的学长告诉你:

研究生肯定比本科生好找工作,学到的东西永远是自己的,读研会让你有更好的平台,这是人生最正确的决定。

本科就拿到阿里巴巴offer的学姐语重心长的说:

工作能带给人的历练远比读研牛逼,时不待人,你要懂得抓住机会。你看我现在跳槽,工资翻倍,比研究生有竞争力多了。

读研好吗?当然好。

其实读研,还是工作,就像硬币的正反面,大家在一个选择的年龄,必须作出选择。

读研好吗?当然好。即便学硕需要3年,专硕2年,值吗?值得。
正在读研的同学都知道,研究生课程往往一年左右就结束了,剩下的一两年是留给大家完成毕业论文,工作实习用的。
所以你读研,并不是就在学校里继续呆3年。如果后面的实习期大家能把握好,能够尽量丰富自己的履历,依然可以获得一定的工作经验。
另外,考研可以让大家有机会“升级”自己的毕业院校。尤其是对于本科学校不是很满意的同学而言,通过考研,去到更高的学府就读,可以彻底刷新自己的简历,那从这个角度,考研是不二选择。

这是一个同学的亲身例子:

读研确实让我一定程度上逆袭了,虽然只是一个起点,但是确实也足以改变了我的人生走向,原本我可能选择本科毕业在老家的一个国企上班,但是现在我研究生即将毕业,同时拿到了BAT头条滴滴网易等大厂的offer,最后签了蚂蚁金服。事实上我身边还有很多比我要牛X得多的人,但我只是想通过自己的亲身经历告诉大家:读个研,你真的有机会完成华丽转身。

工作好吗?也很好。

无论你是从事什么工作,3年的工作经历都能让你独当一面!你在公司的评级上升,工资待遇也提高了。面对刚刚出校园的小白,你的底气足了许多。

小编说,其实没那么难选择,我们首要的问题就是要先明确自己想要什么,再去做选择,明确了目标,才有做事的方向,说了这么多,大家也不必过于纠结,遵从本心就好~

版权声明

本文来源:研资综合整理自募格科聘、中国新闻周刊、实习僧、内心忧虑的小Y、知乎、微博

-END-

整理文章为传播相关技术,版权归原作者所有 |

| 如有侵权,请联系删除 |

往期好文合集

研究生,该学单片机还是PLC?

怎么知道一名研究生有没有科研潜力?

如何做一名合格的研究生?

  最 后  

 

若觉得文章不错,转发分享,也是我们继续更新的动力。

5T资源大放送!包括但不限于:C/C++,Linux,Python,Java,PHP,人工智能,PCB、FPGA、DSP、labview、单片机、等等

在公众号内回复「更多资源」,即可免费获取,期待你的关注~

  • 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)从输入图像中提取特征,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 中进行分类,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选。NMS称为非极大值抑制,作用是从众多预测边界框中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
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