每天只睡4小时！大佬们都这么拼吗？

最新推荐文章于 2024-09-18 11:11:31 发布
最新推荐文章于 2024-09-18 11:11:31 发布
阅读量408 收藏
点赞数
文章标签： sms iot 微软 cloudera 网易

整理 | 王晓曼

出品 | 程序人生（ID:coder_life）

在最新一期的《财新时间》节目中，搜狐董事局主席兼CEO张朝阳表示，现在自己每天只睡4个小时，坚持两年了，效果特别好。

主持人询问具体做法时，张朝阳称，自己每天在固定时刻上床睡觉，睡2小时后用闹钟闹醒，起来榨蔬菜汁或者干别的事，让自己彻底清醒，再接着睡2个小时，这样睡得又少又好，剩下的时间，可以做很多事情。

被问及一天睡4个小时够吗？张朝阳说：“睡多了不舒服，超过四个小时难受，睡四个小时特别好”。

在各大公司有这样一个传说：每天睡4个小时的人，年薪基本在400万以上，以此为基础，多睡1小时，薪水就要除以4。

胡润研究员曾发布过一份有趣的报告，在走访了超500名身家千万以上的富豪后发现，他们平均工作日只睡6.6小时，三成亿万富翁每天睡不够6小时。

事实上，在IT届像张朝阳一样努力的大佬还有很多。

“劳模”雷军在1990年，为了带领金山团队与微软竞争，主动放弃了所有节假日，几乎全天工作，采用7×16小时的工作时间；创办小米后，雷军的工作强度才有稍许改变，“现在我和我的员工都是一天工作12小时左右,我自己争取11点前能休息。”在一次央视节目上，雷军曾自曝说，“我现在基本每天中午饭大概三分钟的时间”。

早在十多年前，马化腾凌晨不下班、凌晨3点回邮件等事迹，就已经在各个报道中流传开。马化腾也因此夺得“凌晨出没”的头衔。吴晓波曾在腾讯传中写道，有一个程序员在半夜2点发邮件给马化腾，本想发完就睡了，没想到20多分钟后，就收到了马化腾的修改回复邮件。

“高度焦虑”的任正非，曾被报道出在他的办公室内，放着一张简单的小床，以便加班时睡觉。他在《华为的冬天》一文中，直率地写到“十年来我天天思考的都是失败，对成功视而不见，也没有什么荣誉感、自豪感，而是危机感。也许是这样才存活了十年，我们大家要一起来想，怎样才能活下去，也许才能存活得久一点。”

有着“马不停蹄”Jack Ma之称的马云，在2016年为推广eWTP（电子世界贸易平台），马云累计飞行800多个小时，访问33个国家。在一次内部会议上，马云调侃自己称，“飞行员飞完后可以睡觉了，我们还得继续干活”。

其实，不止是中国IT届的大佬们热衷于“拼命”，国外IT届大佬们也是如此。

登上“世界上最具有价值公司的CEO”榜单的苹果CEO库克每天凌晨3时45分起床，一直工作到深夜，每天查看的电子邮件高达800封，总是第一个到办公室，最后一个离开。

“我的作息时间差不多是程序员的时间。别人睡觉了，我还在熬夜；别人下班了，我还在工作。对我来说，熬夜熬到早上6到8点一点不奇怪。只是一般做生意没那么早，所以我还得等等。”Facebook CEO扎克伯格曾这样描述自己的作息。

“比你优秀的人比你还努力”，大佬们都这么拼，你还有什么理由偷懒呢？

当然作为科技行业的技术支撑者，每天上演程序员版《on call 24 小时》对于很多小伙伴而言也是常态，在此也向所有程序员致敬！

在此，你每天睡几个小时呢？欢迎在评论区留言交流！


更多精彩推荐
☞互联网不相信学渣
☞漫画：设计模式之 “外观模式”
☞微软回应“断供中国”谣言；斗鱼回应与虎牙合并；Android 11 Beta 3 发布| 极客头条
☞图解Transformer，读完这篇就够了
☞三次改变世界、却被无情出局的程序员
☞地方政府争夺试点，互联网巨头参与测试，央行数字货币指日可待
点分享点点赞点在看
CSDN 程序人生
关注
我哪错了？？？（大佬能指导我吗？？？）
09-08
我哪错了？？？（大佬能指导我吗？？？）
如何一天深度睡眠4个小时
weixin_34167043的博客
05-06 347
为什么80%的码农都做不了架构师？>>> ...
数字/模拟电源难选择？看看大佬都怎么说
01-13
正巧两位业界大佬先后莅临北京，且听听他们是怎么说的。 　处理负载与效率时，还得看数字电源 Microchip公司16位单片机部门产品营销经理Tom Spohrer   　Microchip公司16位单片机部门产品...
电源技术中的数字/模拟电源难选择？看看大佬都怎么说
10-19
电源技术领域中，数字电源与模拟电源的选择是一个长期热议的话题。两种技术各有优势，未来的趋势并未明朗，但根据业界专家的观点，我们可以深入了解它们的特点和应用场景。 Microchip公司的16位单片机部门产品营销...
大佬们怎样创业成功？王健林：勤奋最重要.docx
09-27
【大佬们的创业成功秘诀】 在创业的道路上，许多成功的领军人物分享了他们的经验和见解，帮助我们理解如何在商业世界中取得成功。以下是一些知名企业家的创业心得： 1. **王健林：勤奋至关重要** 王健林认为，...
你还在用自己的电脑跑python程序？大佬都这么玩
12-20
大佬都这么玩”暗示了在IT行业中，一些经验丰富的开发者已经开始利用云计算资源来执行Python程序，而非仅依赖本地计算机。这主要是因为云计算可以提供更高的计算性能、更大的存储空间，且无需投入高昂的硬件成本。...
USB PD v1.0快速充电通信原理
热门推荐
汽车以太网和SOA
11-02 2万+
USB PD v1.0快速充电通信原理
加速AI数据应用，肯睿Cloudera推出六款全新机器学习项目加速器AMPs
CSDN云计算
09-18 464
尤其是在中国这样一个高度创新和快速发展的市场，AMPs为各行业采用AI提供了一个高效、可靠的途径，加速AI项目的实施，助力企业在激烈的市场竞争中抢占先机，实现数据驱动的智能化转型。我们的AMPs为他们注入了一针‘强心剂’，借助预先构建的解决方案和工作示例快速将AI项目从概念变为现实，在确保用例可靠性和成本效益的同时，缩短开发时间，让企业能够迅速体会到AI项目所带来的生产力和效率提升。六款新产品可在Cloudera平台中为企业提供先进的AI技术和示例，以助力企业实现AI集成，并取得更有影响力的成果。
JSP学生学籍管理系统设计与实现(源代码+论文+开题报告+外文翻译+答辩PPT).zip
09-21
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。
省市区数据，完成三级联动，选择地区
09-21
省市区数据，完成三级联动，选择地区
机械原理课程设计网球自动捡球机.doc
最新发布
09-21
机械原理课程设计网球自动捡球机.doc
2024秋招华为笔试题大全-仅供参考具体需要根据实际修改
09-21
2024秋招华为笔试题大全-仅供参考具体需要根据实际修改
借助于Ascend310 AI处理器完成深度学习算法部署任务，
09-21
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，并对系统性能做出一定的优化。.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。
基于深度学习的物体识别与抓取方法，六自由度机械臂，python编写程序.zip
09-21
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。
电子设计论文文档资料液面检测器电子设计论文文档资料液面检测器
09-21
电子设计论文文档资料液面检测器电子设计论文文档资料液面检测器
基于深度学习的多特征电力负荷预测.zip
09-21
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。
CenterNet 部署版本，便于移植不同平台（onnx、tensorRT、rknn、Horizon）
09-21
CenterNet 是一种用于目标检测的神经网络架构，它的核心思想是利用目标的中心点作为检测的关键信息。这种方法与传统的目标检测方法（如基于边界框的方法）有所不同，因为它不直接预测目标的边界框，而是预测目标的中心点坐标和目标的宽度与高度。 CenterNet 的主要特点包括： 1. **中心点预测**：网络输出目标的中心点坐标，以及目标的宽度和高度。 2. **热图（Heatmap）**：网络生成一个热图，其中每个像素点的值表示该点成为目标中心点的概率。 3. **回归任务**：除了中心点坐标，网络还需要预测目标的宽度和高度，这通常通过预测中心点周围的偏移量来实现。 4. **多任务学习**：CenterNet 通常会同时预测目标的类别、中心点坐标、宽度、高度以及目标的旋转角度（在某些变体中）。 5. **端到端训练**：CenterNet 可以直接在最终的目标检测任务上进行端到端的训练，无需复杂的区域提议网络（Region Proposal Network, RPN）或锚点（anchor）机制。 6. **高效性**：由于省略了传统目标检测中的一些步骤，CenterNe
c#代码介绍23种设计模式-03工厂模式(附代码)
09-21
1. 工厂方法模式之所以可以解决简单工厂的模式： 是因为它的实现把具体产品的创建推迟到子类中，此时工厂类不再负责所有产品的创建，而只是给出具体工厂必须实现的接口， 这样工厂方法模式就可以允许系统不修改工厂类逻辑的情况下来添加新产品，这样也就克服了简单工厂模式中缺点 2. 使用工厂方法实现的系统，如果系统需要添加新产品时： 我们可以利用多态性来完成系统的扩展，对于抽象工厂类和具体工厂中的代码都不需要做任何改动。 例如，我们我们还想点一个“肉末茄子”，此时我们只需要定义一个肉末茄子具体工厂类和肉末茄子类就可以。而不用像简单工厂模式中那样去修改工厂类中的实现 3. 从UML图可以看出，在工厂方法模式中，工厂类与具体产品类具有平行的等级结构，它们之间是一一对应的。针对UML图的解释如下： Creator类：充当抽象工厂角色，任何具体工厂都必须继承该抽象类 TomatoScrambledEggsFactory和ShreddedPorkWithPotatoesFactory类：充当具体工厂角色，用来创建具体产品 Food类：充当抽象产品角色，具体产品的抽象类。任何具体产品都应该继承该类 Tom
基于深度学习对法国租界地黑白照片上色模型.zip
09-21
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。
idle python和pycharm_请问大佬们新手用pycharm还是idle啊？
05-14
作为一个Python开发工具，PyCharm在功能和性能方面优于IDLE。PyCharm具有更好的代码提示、调试功能、自动补全和代码分析等功能，可以提高开发效率和代码质量。尤其是对于大型项目和团队开发，PyCharm更具优势。而IDLE则是Python自带的轻量级编辑器，适合于小型项目和学习使用。所以，如果你是新手，建议使用PyCharm，它可以帮助你更快地学习Python。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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