我的 2016 年个人总结

2016 年,无论是小环境还是外界的大环境,都变得很糟。互联网在变坏,大环境也有各种不确定性,很难让人对未来乐观。

年初的时候,我预料不到一年里会发生这么多的事情,生活中总会给我意外,也有惊喜。

这一年我过得比较艰难,比上一年经历了更多的事。有那么一瞬间,觉得自己挺难,可当你面对公众号里十来万人的生活的时候,遇到再糟糕的事情,似乎都只能算平均数罢了。

长达半年的挣扎与纠结,意外的经历了一场沸沸扬扬的离职。离职前后,各种狗血的事情,各种不堪,这中间没有贵人相助,倒是看到了小人从中作梗。事情拖到现在也没有个结果,谁知道未来是否更狗血呢?做好最坏的打算,向最好的结果努力就是了。

调整了几个月之后,正式宣布创业,成立无码科技,准备做搜索,做一件看似不可能的事。创业之后,忙碌起来,压力也有了,也开始「正常的焦虑」了,不过整个过程比预想的要顺利许多。现在事情在向好的方向发展。

这一年经济上损失很多。可以说是损失最大的一年。股票没心思打理,想起去看的时候已经是惨不忍睹,也没了稳定收入来源。好在可以写写公众号养家糊口。因为中间几个月心情不好,有了更多订阅的「小道通讯」的服务质量有所下降,这个服务是能带来收入的,但我也会定期回馈一些给读者,所以,这笔钱更像一笔贷款。

高兴的是,这一年虽然如此艰难,但也还是帮到了不少人。这是个种子,被帮助的人会去帮助更多人。

欣慰的是,虽然被泼了一身污水,也还是得到不少朋友的支持,得到了更多人认可,得到了真心实意的帮助。

虽然有点惨,不过想想,2016 还是有爱的一年。

这一年了居然去了三次日本,年底的时候去了一次美国。读万卷书,不如行万里路,这个过程让我加深了对世界的认识。

2017 年,我的一些计划:

1.做好创业这件事

组建团队,先做一个能让自己满意的小公司。打造产品,做一个对自己也有用的工具,然后逐渐向大目标靠拢。

这一年,希望公司也能有点收入。具体怎么赚钱,我也还没想好,但我希望公司不是靠烧钱活着,从开始,就要考虑商业的事情。非典型创业,就要尝试非典型的路径。

要为更多人负责,不拼不行。

2.改进自己,好好生活

这个年纪,这点能力已经改变不了环境,也改变不了别人。自己自己或许还有可能。审视自己,坏习惯太多,坏毛病太多:比如我的懒惰和暴躁。有必要让自己做一点改变。

提高一下生活质量,用更好的服务,更好的产品。

3.写一本书,读更多书

利用业余时间把以前写的东西做一次梳理,看看能否达到出版的标准,如果可以,出版一本书,完成拖延好几年的这件事。

我想多读几本好书。不会没有时间读书,出差的路上,旅行的途中,都是读书的好时间。在书里,可以找到自己的精神家园。

4.应对各种糟糕的事情

坚持治病。再有比如筹钱打官司什么的,做好准备是有必要的。

5.旅行

去一次欧洲,一次美国,再去几次日本。我对这个世界还不够了解。

你的内心肯定有着某种火焰,能将你与其他人区别开来。

感谢所有帮助我鼓励我支持我的人。我都记得,感谢有你。我还有爱,我爱你们。

EOF

Google+
  • 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
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