生物学家、钢管舞、全栈工程师,女程序员如何活得漂亮

点击上方“CSDN”,选择“置顶公众号”

关键时刻,第一时间送达!

“我是做计算机软件的,蛮喜欢的。但是女生做这行不太好吧?你看我该不该找个时机改行?”

“你为什么会觉得女生不适合做软件?”

“女性三十岁以后,体力和智力下降……会跟不上男同事。而且,家庭的因素也需要考虑啊”

“我现在已经觉得索然无味了,不同的岗位都待过,但转行又不知道该干嘛”

……

女性适合做程序员吗?这一直都是技术圈常常讨论的话题。

在这个行业,不乏有深感疲惫想要转行跳出围城的女性。然而,还有更多想要或者已经成为非常优秀的女性软件工程师,她们,在这个以男性为主导的行业拥有着自己的发言权和主导地位,同时也在悄悄改变着同行对女性从业者的态度和看法。

“没有什么是不可能的,因为impossible拆开来读是‘i' m possible’。”

如果说知名度,可能她不及机器学习界的李飞飞;论说人生阅历,可能她也不及《编译原理》的联合作者Monica S. Lam;再说性感,可能她也拼不过拥有魔鬼身材的维密天使Karlie Kloss;而她自己,也还未在编程这条路上走太远。

三年前,她还认为自己要在生物学领域研究一辈子。三年后,面对着别人对她能力的质疑,她依然笃定了要投身于编程事业,并坚持以写作的方式与世界分享在这些充满挑战的时代学到的经验教训。

Lily Chen

她出生在中国。 她八岁时移居加拿大魁北克,十二岁时到了美国。

由于她幼年时期的旅行,她学会了说三种语言:普通话、法语和英语。 也因为她的旅行,她经历了各种文化多样性。

对她来说,生活并不总是那么快意。 在魁北克省,因为她的身份是一名移民,她在学校里受到同学们的欺凌。在芝加哥,生活境况也只能让她读一所普普通通的公立中学。

童年、青春期、毕业之后,她一直处于水深火热之中,而她似乎已经洞察了一切。

尽管生活迫使她不得不克服诸多困难,但她热爱生命的熊熊火焰却永远不会熄灭。

她努力工作是因为她有内在的信念,即“我们不能被自己身处的环境所定义,如果尝试尽最大努力,说不定可以实现我们的愿望。”

Lily Chen的博客分享截图

今天,让我们一起来了解这位女工程师,并有幸邀请到她接受了CSDN的独家专访:

1、请简单介绍下自己以及正在做的事情。

我是一名全栈软件工程师,为一家位于旧金山的创业公司服务。专注于web开发、操作工具为React和Ruby on Rails。

2、据了解从2013年起,你开始喜欢上了从事IT行业,是什么原因促使你放弃了生物学研究,并选择成为一名工程师的?

实际上,学习生物学和把生物专业作为一项工作,是完全不同的。尽管我一直很喜欢分子生物学、免疫学、细胞生物学等领域的学习和钻研,但我并不热衷于研究本身。由于我之前错误的认为我此生注定要成为一名生物医学研究员,因此我坚持了多年。毕竟,我的父母一直在生物学相关领域担任教授。

毫不夸张地讲,我从未在生物实验室感到过快乐。一旦我鼓起勇气选择重新开始,那么放弃生物学似乎是我唯一的选择。实际上,我选择从事科技领域,一方面也是我身处环境的缘故,我的家在旧金山,是科技中心,也是我最合理的选择。

3、你曾遇到过什么样的困难或技术挑战?实际上,你也提到,一开始对新的行业充满了未知,你是否有过放弃这种冒险尝试的想法?

正如我在文中( https://hackernoon.com/the-toughest-part-about-being-a-female-software-engineer-d4a71f601346)提到的那样,我觉得科技行业缺乏女性意见领袖。

有时,最困难的是,那种感到没有多少可以仰望的女性,这让我感到非常孤独。我无意放弃。我仍非常喜欢在这个行业工作,并拼尽全力一步步开辟出自己的天地。也许有一天吧,我可以成为像现在的我一样的年轻工程师可以仰望的女性导师。

4、你认为做女性工程师有哪些优势或劣势?此外,你的爱好之一是跳钢管舞,这种娱乐方式也带给了你很大信心,为什么你会选择这项运动?

我认为,女性做软件工程师优劣点兼备,我们是科技领域的少数派,这实际是一把双刃剑。少数意味着我们必须以身作则。他当年轻一代的女性选择将STEM(科学/技术/工程/数学)作为未来的职业发展时,我们就是她们将会仰望的人。

Lily Chen喜欢的钢管舞分享截图

不过,这也意味着我们还是那部分不断进行抗争的人。因为,这个领域并没有什么女性的地位。一旦你成为第一个,第一个打破传统的人,不可避免,你或许成为被枪杀的那一个。甚至有人会认为,女性很难做到男性工程师那样出色。其实,无论是哪个行业、哪种文化、哪些国家,作为少数派总是很艰难。

5、在您最近发表的文章“成为女性工程师最棘手的问题”一文中,您写道您很幸运能结实一位出色的行业导师。对于女性工程师,你想对她们有什么建议?

我并没有女导师。我认为当你遇到一位出色的导师,可以为你接下来的成功奠定巨大的作用。然而,我拥有的是很好的朋友和可以借鉴学习的共事伙伴。我会给到的建议是,与高素质的人为伍。毕竟,他们是你通常会把时间用在他们身上的五个人。

6、有一位读者曾表示,她在技术圈工作了已经四年,没有男朋友,也对于是否需要改变她的职业生涯犹豫不决。其实,这种心理现象在中国并不是少数。你觉得“女性必须在30岁之前组建一个家庭”的看法是怎样的?

人生是永无止境的旅程。总会有人担心“我已经太迟了”,或“别人告诉我应该重新开始”。此外,还有一个误解就是,我们应该知道自己想要什么。

我相信,这两种误解让我们觉得人生索然无望,什么都做不了。

而实际上,这两种观点都是错误的。第一,什么叫做太晚了?如果你没走到人生的最后一刻,那就不叫太晚。第二,你不必知道自己想要什么。你需要做的就是做点什么。

就是,从某一个想法开始,然后进行尝试。如果不能解决问题,请尝试别的办法。一遍又一遍,直到找到自己喜欢的事物。

例如,这篇文章(https://hackernoon.com/on-designing-your-way-to-a-better-future-a9e0c3e4e151)是关于以设计视角来接近生活的。我的建议是将生命视为原型的无限循环,而不是用一种“专且全”解决方案的思维方式来实现。

至于“女性30岁就必须组建家庭”的话题,我想再次强调:我并不认为有一专多能符合所有人的生活路径。如果一个你认为组建一个家庭非常重要,那么就不惜一切代价获得。如果你找到了合适的人,那么,你就应该结婚并安定下来。

但是,我的母亲曾对我说过,最好是等待合适的人,而不是跟错误的人生活一辈子。我坚信这一点。因此,我认为,就算是临近了所谓30岁的年纪,如果没有合适的人,我也不会跟错误的人待在一起,结婚生子。

7、近两年,中国的IT环境得到了巨大的改善,你有没有想过回到中国寻找新的生活?

可能性很大。当然,我必须先提高自己的中文水平。

最后,如果你有疑问或者想说的话,欢迎在留言中分享,一起互动。

————— 推荐阅读 —————

点击图片即可阅读


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
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

打赏作者

CSDN资讯

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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