职场黑暗

1月份的时候,参加一个事业单位考试,考试前一天被朋友告知已经内定人选了,明天就是走一个过场,但是因为刚出社会,想着多一场考试也是能够增加一次经验的,抱着群演的心态就去参加笔试和面试了(笔试面试共同进行)。结果很意外的是,过了3天,成绩出来(没有公示,是朋友弄到了成绩表格)我是第一名,然后满怀欣喜的等着通知上岗,但是过了整整两个月(恰逢疫情爆发,也没有出去找工作),才通知我入职,但是是需要竞聘上岗,也就是说试用期二选一,我疑惑的问招聘公告上没有说明,人事回答我,是为了选拔更适合的人才。我抛开疑问上岗,在入职的第一天遇到考上另外一个岗位的女生,她却告诉我她从来没听过什么竞聘上岗,她考了第一名就直接上班,我心里卧槽满天,觉得自己大概成为了一个走过场的道具,为了凸现这个单位其实招聘很公平,内定人员D也将会通过自身的优秀素养打败我获得这个职位。然而这是预想,怀着万分之一留下的可能我还是办好了入职,然后迷惑操作来了,那位内定的人员D,想过10天再入职,神奇的是单位居然都没有异议。1个月很快过去,试用期也到了尾声,在这一个月的期间,内定人员D负责在外跑腿的工作,我负责写写写,两人的工作内容完全不同,所以也不是很了解他对文件编写的能力,但是就在昨天,要交试用期总结了,他居然问我要我的总结,很迷惑的操作,我开始不是很情愿,但是他真的太会说话了,我迷迷糊糊就发给了他,发完之后才清醒,反复提醒他,不要和我写一样的,因为我的前两天就已经交过了,结果他写完之后给我看,我都怀疑他根本没改过,内容基本一致,他只是把我做的具体的事情换成了他的,对比之后感觉他就写了一篇完型填空,而且他居然还觉得他改动的力度很大,我顿时无话可说,我也不知道他笔试面试第二的成绩是怎么来的,而且我仔细回想了一下他做的那些跑腿工作我完全做得来(去各个单位送文件什么的),也没啥技术含量,我估摸着试用期会留我了(内心嘚瑟)。但是,我还是高估了自己,低估了内定D,今天领导找我谈话:领导:在这边上班感觉怎么样(官方微笑)我:很不错啊,这边工作氛围都很好,我在这里也学到了很多东西。(官方微笑)领导:你是刚毕业吧(官方微笑)我:是的,刚刚毕业,还需要领导同事们多教导(官方微笑)领导:在这边上班和你职业规划有出入吗?(官方微笑)我:当然还是有一些的,刚刚毕业的时候职业规划过于理想化,现在的工作也是很符合我的要求了。(官方微笑)领导:没有更高的职业追求吗?比如考公务员之类的。我:当然有啊,这里每个人都会想往更好的职业发展,我也有考公务员的想法。领导:那在这边上班会影响你看书吧,我们这个部门平时工作也是特别忙,很多工作都需要加班加点。我:在工作期间当然是全身心的工作啊,我一般是回家专心看书的。领导:你参加今年的省考吗?以前有考过吗?我:参加今年的省考,以前有考过国考。领导:那你这样,我们这边招人至少要待一年,不然待不了一年那不是又有人员空缺。你看你学习也比较好,马上考出去了,我们部门这边也不是很好继续工作。我:。。。D也说他要考省考的。领导:所以现在是来了解一下你们的动态思想嘛,到时候肯定要综合考虑一下的。我:。。。好的(内心呵呵)领导:那就先这样吧,你先去工作。我:好的。我真的不知道要说什么了,真的希望他们早日发现,文员岗位招到的是个连总结都不会写的人才。现在在想到底是自己先一步辞职还是等着最后通牒。

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
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