年轻人,你认命吗?

本文转载自公众号  大飞码字

文中的“我”不是小灰,是原作者大飞


最近有一位同学留言,大意是说:时代不同了,你们这辈人(80后)赶上了时代的红利,而我们这些新人(90后) 已经吃不到红利,再怎么努力也改变不了人生了。

我看到过好几次类似的留言了,这种逻辑也对,也错,或者本没有什么对错。这是一种人生态度,甚至可以说是一种信念,有时候你信,就会成真,如果你坚信未来没有机会了,那大概率对你来说,可能真的没有机会了。

前段时间有篇爆火的文章《大江大河40年:改变命运的七次机遇》,里面历数了过去40年的七次大机遇,每次大机遇都会给一拨人带来巨大的红利,甚至直接带来阶层的跃迁。

80后同学赶上的是PC互联网红利,移动互联网红利和房地产后期红利,90后同学只赶上了移动互联网后期红利,地产红利大部分90后可能没赶上,未来还有没有,也不知晓了。像70后的前辈们,他们赶上的是整体互联网兴起的红利,还有地产的全盘红利。

这么来看,确实有种,一代不如一代的感觉。

中国经济在过去的40年里面,获得了飞速的发展,到目前为止,经济依然维持了6个点的增速,虽然没有前几年高了, 但对比其它国家2个点,1个点甚至是负增长,中国已经是非常厉害了。

我不觉得国内经济的腾飞立马就要结束了,就算是增速不如以前,但依然还在上升之中,我觉得未来依然蕴藏着大量的机会。

有些同学没有赶上移动互联网的红利,没有赶上地产的红利,就开始信命了,觉得自己的命不好,觉得自己命中注定吃不到这些红利。

我也活了三十好几了,我不完全否定命的说法,命可以理解为运气或者是大运气吧,每个人身上都存在。但这种东西,我们无法去改变,也无法预知,甚至乎,在你的生命没有结束之前,你都无法判断自己的命是好还是不好。

一生长着呢,年轻人,怎么能那么快就认命了呢?

我不能说自己经历过什么大风大浪,但一路走来,也并非一帆风顺。

初中考试,以全县第十的成绩考入我们市第一的高中,那是我的高光时刻。但我高中过得一塌糊涂,最后只考了一个二本。当时有一个远房亲戚,跟我一同考入市高中,当时我的分数比他高了70几分(总分650,我是612), 高考的时候,他考到了中大,我只考到一个二本。

这种巨大落差带来的打击,是可以直接击垮一个人的,按理,我的人生有可能就此一蹶不振了,在二本里面浑浑噩噩,最后毕业可能连工作都找不到。

但我不服,我不认命,大学四年,我拼命的学,我可以毫不谦虚的说,我大学四年的努力程度要远超很多一本的学生。最后进入了腾讯,当时我们学院1000多人,跟我一同进腾讯的只有5个。

如果我当时认命了,就不会有你现在看到的文章了。

工作之后,我也没有表现的差劲,超越了很多一本或研究生毕业的同学。中间过程中,有人来,有人走,有人受不了加班,受不了压力离开了,我也一路扛了下来。

在工作了十年之后,我开始写起了公众号,我也不知道未来会怎样,但我依然不认命,我相信命运的存在,但我要尽我最大的努力去控制我的人生,我相信,自己的人生是被自己创造出来的,不是随波逐流的,虽然我无法对抗历史的洪流,但我依然可以在人力所能极的范围内做到最好。

这就是我的人生信条,很多事情,包括自己的未来,不信是一定不会有的,信了,虽然未必会有,但心里有信念,你的人生才会有希望!

机遇和能力是相辅相成的,先得有能力,机遇出现的时候,才能够抓住,而个人又会在捉住的机遇中获得新的成长。所以得先有了能力,才可能抓住机遇,这是显而易见的道理,但当你认命,认为自己命中不会有这些机遇,你就容易放弃自己。

从过去40几年发展的情况来看,随着中国经济的发展,每隔几年就会出现一波新的红利,目前的经济远未到衰落的时候,所以未来的红利依然存在,但捉住红利不是一件容易的事情,有不少人因为自身没有准备好,机遇到自己身边的时候也无法抓住,这就极其可惜了。

有人信:“三分天注定,七分靠打拼!”

有人信:“七分天注定,三分靠打拼!”

没有对,也没有错,不同的人,会信奉不同的人生信条,不同的信念也造就了不同的人生。

你问我信什么?

我信命,但我不认命,只要还能活着,我就不会放弃努力!



—————END—————




喜欢本文的朋友,欢迎关注公众号 程序员小灰,收看更多精彩内容



欢迎长按二维码关注 小灰学英语,你所学到的不只是英语!




 
    
640?wx_fmt=png
给个[在看],是对小灰最大的支持!
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。
【4层】3100平米综合办公楼毕业设计(含计算书、建筑结构图) 、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。
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