又一年,又一次选择。

刚刚看了自己一年多前写的博客,现在记录一下过去的这一段时光。可以这样概括:尝试,迷失,‘还不错’,工作。
其实2013年的冬天到2014年的春天,我都是在准备校外实习。那段时间应该是了解校外实习的事情,准备期末考试。细节记不清楚了,现在的感觉就是当时还算比较轻松吧。那个学期结束,我和同学一起来北京实习,来到了中科软,工作了1个月吧。当时的环境相当轻松,完全没有压力,朝九晚五。这里我说一下,第一份工作很重要,不管是实习还是正是工作。这一次工作会使你对自己定义工作,在后来的很多时候你都会以这个作为对比的参照。这期间最难忘的事情是几个最好的哥们去了一次我家,我家在河北。可以说这次尝试过程是好的,但是结果对我接下来的半年是失败的。
开学之后,我沉浸在郁闷,迷失的状态。可以说大城市的环境让我们失去了信心,我们的能力可以在北京生存下去吗?(现在总结来说就是当时太轻松了,有时间去想这种白痴的问题,每个人都有在北京生存下去的权利和能力)。回到学校,迷恋手游,心神涣散。我的老师看到了其实觉得挺伤心的,我们几个去北京的人都很消沉。那个时间真实失败,没有去泡一个女生,没有一点学术进步。碌碌无为,呵呵呵呵。对了提一下之前说到的考研,基本被我荒废了,基本没有学,但是买了基本考研的书,后来都送人了,哈哈!
暑假到了,跟随实习大军跑来北京。这次来就不能像之前那样随便了,必须要有一份像样的工作。一周的面试,由于着急的性格,没得选择去了一家10人左右的公司。这种结果其实挺失望的,总感觉自己能力还行,唉,有一份工作就先干着吧。这次态度很认真,每天早早起来,谦虚谨慎,老实听话,努力学习,了解业务。这里说一下公司吧(一家互联网金融公司,这两年很火,做p2p的,主要是个人征信)。公司很快搬到了微软加速器,我的leader赵,以及其他人都相处的非常好,大家为了公司的目标努力。以至于忙的时候,下班太晚了赵直接来我这里住,我们几乎形影不离。忙忙碌碌,学习到的东西很多很多,各个方面,可以说一直到现在我都在进步。自己从玩的级别到了生产的级别,可以自信的写东西,可以熟练的处理公司的业务。这里我详细说一下在微软加速器的事情,可以说非常的美好,我感觉实习生应该来这样的环境。每天的牛奶,水果,超级棒的环境,不知道将来的工作环境什么时候能达到这个级别。大家努力实现各个模块的爬虫,添加代理,我也主持完成了一个后台管理系统,做了一个计算模型,因为这个后台和模型挨了不少骂,以至于后来某领导对我的印象没有那么好。期间搬到了公司的宿舍,四个最好的哥们,晚上累了我们喝个小酒,那感觉很爽,没有厌烦,生活一切太美好了。慢慢公司架构调整,慢慢的公司的人越来越多,慢慢的我们有的人变得惰性,慢慢的一些人离开,慢慢的公司的味道有些变化了,慢慢的变得更累,慢慢的涉及的越多,慢慢的问题越来越多,慢慢的涉及的越来越少,慢慢的开始抱怨一些人,慢慢的怀疑自己,怀疑公司。这期间公司由微软搬到了自己装修的新家,人员也由10几个人发展到60多人,走了很多,来了更多。我没有怀疑过自己的能力,但是我做的越来越少(现在我感觉和我们每天都喊叫累有点关系吧,公司就帮我们减轻负担了。。。)从跟在几个大哥后面模拟做,到自己撑起一片天,到做公司的各个工作,那时我有一个小称号‘海豹突击队员’,到处灭活,也在制造火灾,嘿嘿。爬虫,文档,接口,运维,web,sql,各个方面都在提升。后来各个方面都有人来和我对接,慢慢的我开始怀疑自己,到现在我回到了来公司时候的样子。中间发生了一些事情,一些人的离开,领导和我的一些事情,我开始吐槽,时间到期我匆忙的搬出公司宿舍。我感觉这样对公司是不对的,这样会影响它的发展,会影响到其他员工的心态,昨晚我提出了离职,和赵谈,毕业后离开公司,暂时先维持当前的部门。他一直鼓励,为什么离开,为什么要留在这里,后来也和老板谈了,我这人就是把自己累死也要撑到底,说了走,基本留不下来了。其实离开的决定很突然,昨晚事情很多,多到我自己心里有点处理不过来。今天开始投简历,开始享受周末,开始从零开始。剩下的就是工作,面试,回学校毕业,在回到某个城市工作吧!
快,真快。差不多一年就过去了,再去投简历,心气高了。谢谢这些人。
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
健身国际俱乐部系统是一种专为健身俱乐部设计的管理软件,它通过集成多种功能来提高俱乐部的运营效率和服务质量。这类系统通常包含以下几个核心模块: 1. **会员管理**:系统能够记录会员的基本信息、会籍状态、健身历史和偏好,以及会员卡的使用情况。通过会员管理,俱乐部可以更好地了解会员需求,提供个性化服务,并提高会员满意度和忠诚度。 2. **课程预约**:会员可以通过系统预约健身课程,系统会提供课程时间、教练、地点等详细信息,并允许会员根据个人时间表进行预约。这有助于俱乐部合理安排课程,避免资源浪费。 3. **教练管理**:系统可以管理教练的个人信息、课程安排、会员反馈等,帮助俱乐部评估教练表现,优化教练团队。 4. **财务管理**:包括会员卡销售、课程费用、私教费用等财务活动的记录和管理,确保俱乐部的财务透明度和准确性。 5. **库存管理**:对于俱乐部内的商品销售,如健身装备、营养补充品等,系统能够进行库存管理,包括进货、销售、库存盘点等。 6. **数据分析**:系统能够收集和分析会员活动数据,为俱乐部提供业务洞察,帮助俱乐部制定更有效的营销策略和业务决策。 7. **在线互动**:一些系统还提供在线平台,让会员可以查看课程、预约私教、参与社区讨论等,增强会员之间的互动和俱乐部的社区感。 8. **移动应用**:随着移动设备的普及,一些健身俱乐部系统还提供移动应用,方便会员随时随地管理自己的健身计划。 9. **安全性**:系统会确保所有会员信息的安全,采取适当的数据加密和安全措施,保护会员隐私。 10. **可扩展性**:随着俱乐部业务的扩展,系统应该能够轻松添加新的功能和服务,以适应不断变化的市场需求。 健身国际俱乐部系统的选择和实施,需要考虑俱乐部的具体需求、预算和技术能力,以确保系统能够有效地支持俱乐部的运营和发展。通过这些系统的实施,健身俱乐部能够提供更加专业和高效的服务,吸引和保留更多的会员,从而在竞争激烈的
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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