搞网络最强的其实不是互联网公司，而是印度的电工！

最新推荐文章于 2023-08-13 19:14:04 发布
最新推荐文章于 2023-08-13 19:14:04 发布
阅读量298 收藏
点赞数
文章标签： 游戏引擎 交互设计 微软 openstack openssh
原文链接：https://j.youzan.com/-2-ESY
版权

来自：怪奇物语（ID：guaiqiwuyu）

原作者不详，如有版权问题请联系沟通

e446d8d694683353c4d89ad6e0cd1380.jpeg

印度人比较懒散，做事情很随意，他们注重内心的体验，可是并不喜欢具体的行动。这样的性格导致了很多需要条理的工作变得艰难。看一眼印度街头的电线，就知道印度的电工多么不容易。不知需要何等的勇气和耐心才能胜任这份工作？

fadaef2c172d4330bd7e779c414ec17a.jpeg

一个电工望着墙上纷乱的电线满头大汗，他不知道从何下手。

163f3d763be97415da1417352243290c.jpeg

放眼望去雾茫茫一片全部是乱七八糟的电线。

bd0cb760e76d70d2ae9fba50c9964538.jpeg

一个印度电工正在进行施工，他那一口不整齐的牙齿一定是经常咬电线所致。

275a4f780d3ca3f91ebba2fb57a6ac05.jpeg

一个在修路灯的工人，不知道怎样穿过纷乱的电线来到路灯旁，并准确找到了故障所在。

079507b3d4690d706f42d2e5a9be7351.jpeg

一个印度电工灵巧的行走在电线上，如猴子一般，这不但需要勇气还需要技巧。

dd76b6ba1addc40597d7cb644f13b336.jpeg

一位工人正在接电线，旁边的助手拿着木棒，如果触电，木棒挥下可以将电工和电线分离。他们是世界上最敬业的电工啊！

6ea783bae95e778042d653998e555013.jpeg

另一位电工用这种方式爬到电线杆顶部，难道印度电工没有攀爬的设备吗？

0935ddc35bcde6a212e46abb93d2216a.jpeg

电工如一个空中飞人一般在天上工作，没有任何保护措施。

d3b4b41d883d466b556f860ce67ab266.jpeg

这位大叔爬到电线杆顶上干活，光着脚，没有安全带，反正什么也没有。

af60b9cfbc025fd9eb027d56b525d0e0.jpeg

电线如胡须一般长在电线杆上，这个看一眼就能让人迷糊东西，不知印度人是如何做出来的。

9b94afc2c22505119db47be110ea315c.jpeg

每一次的凑活和随意造成了这些后果，没有条理和不遵守规章让这里的电线成为一个笑话。

2690dbb94e30a1383b2696a879662a5e.jpeg

印度电工正在做着世界上最危险和繁难的工作。


b80bc131f1be4817284555a0415ae991.jpeg

一个正准备向着火变压器泼水的男人，我相信他一定不是电工。

都说印度是一个开挂的民族

06dc0f09867874f05fadd34e61709ac1.gif

我信了

！！

精彩回顾

♡ 955 不加班的公司名单：955.WLB
♡ 互联网公司各岗位真实工作内容起底
♡ 一次尴尬的采访和程序员的传奇脑洞！
♡ 天一冷，程序员都穿上格子衫
♡ 史上最真实的行业鄙视链曝光
♡ IT公司老板落水，各部门员工怎么救
♡ 宿命之战：程序员VS产品经理
♡ 作为一个前端，可以如何机智地弄坏一台电脑？
♡ 程序员跟产品经理打起来了，这是一个需求引发的血案...
♡ 后端说，你个前端不会用 headers吧，我怒了！
♡ 有个厉害的程序员女朋友是什么体验？
♡ 多年来，程序员经常加班的真相终于揭开了…
爱编程_
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
使用 Godot 游戏引擎为 Apple 的 visionOS 创建游戏和应用的平台
u012842807的专栏
04-20 1626
该游戏的特色是一张由图块组成的地图，以及一个从图块平移到图块以跟踪角色的摄像机。还有敌方怪物绕过障碍物来攻击你的角色。但是，如果您正在构建具有大量移动部件的东西，游戏引擎可以帮助您管理复杂的场景并避免重新实现常见的游戏系统。您将获得 Godot 编辑器的强大功能以及visionOS 出色的原生渲染功能，例如。，一款使用 GodotVision 制作的 VisionOS 游戏。粗略地说：Godot 是后端，RealityKit 是前端。，并将本机空间手势连接到 Godot 中的事件。创建游戏和应用程序。
手写数字和字母数据集binaryalphadigs.mat
04-27
手写数字和字母数据集binaryalphadigs.mat
印度电工，真牛！上天入海，无所不能...
张巧龙的博客
09-28 238
点击上方“大鱼机器人”，选择“置顶/星标公众号”福利干货，第一时间送达！来自：怪奇物语（ID：guaiqiwuyu）原作者不详，如有版权问题请联系沟通印度人比较懒散，做事情很随意，他们注...
印度初创公司推出全CMOS单裸片移动电视芯片
12-03
MediaPhy公司的设计团队位于印度，它利用芯片代工供应商TSMC提供的130nm RF CMOS，在单一裸片上集成了RF和基带器件。该芯片的设计满足三个不同的移动电视标准，包括DVB-H、欧洲的DVB-T、日本的ISDB-T(1, 3, 13部分)...
论文研究 - 印度城市公交公司的效率：随机前沿分析
05-31
本文的主要目的是衡量印度的公营城市公交公司（UBC）在2000-01至2012-13期间的技术效率。 为了检查效率及其决定因素，我们使用最大似然方法基于超对数生产函数估计了随机生产前沿。 实证结果表明，利润和车队利用率...
印度网络安全机制：内涵、现状与未来.pdf
09-20
印度网络安全机制：内涵、现状与未来.pdf
2016年印度互联网发展报告.pdf
07-02
2016年印度互联网发展报告.pdf
印度互联网发展复制“中国经验”.pdf
07-16
印度互联网发展复制“中国经验”.pdf
云计算|OpenStack|使用VMware安装华为云的R006版CNA和VRM---初步使用（二）
zsk_john的技术分享专用博客
08-13 2370
​ 在前面一篇文章云计算|OpenStack|使用VMware安装华为云的R006版CNA和VRM---初始安装（一）_华为cna_晚风_END的博客-CSDN博客 介绍了基于VMware虚拟机里嵌套部署华为云的云计算，不过仅仅是做到了在VRM的web界面添加计算节点CNA，后续的存储和网络创建并没有介绍，虚拟机的创建也没有，本文将补全这些内容。 ​
通信电源蓄电池组容量性充放电试验三措一案.docx
04-27
5G通信行业、网络优化、通信工程建设资料。
铁塔维护检测手段.docx
04-27
5G通信行业、网络优化、通信工程建设资料
通信设备安装施工组织方案.doc
04-27
5G通信、网络优化与通信建设
299-教育行业信息化与数据平台建设分享.pptx
04-27
299-教育行业信息化与数据平台建设分享.pptx
变电站视频监控解决方案.doc
04-27
5G通信行业、网络优化、通信工程建设资料
PEMFC电堆输出电压模型，可计算效率、输出功率、电流、消耗功率以及等效内阻
04-27
PEMFC电堆输出电压模型，可计算效率、输出功率、电流、消耗功率以及等效内阻
创建型 结构型 设计型设计模式相关知识
最新发布
04-27
1、 设计思路 1、 创建型设计模式 创建型设计模式主要“关注对象的创建”。 1. 单例模式 单例模式：能不用就不用 ，他的目的就是为了让一个类只创建一个实例。 用法：把对象的创建权限关闭，提供一个人公开的静态方法，实现静态方法后将实例存放于静态的字段中，方法中返回。 单例模式会长期持有一个对象不会被释放，而普通实例不用就会被释放(当然必须是GC之后才会被释放)。 单例用途;数据临时存储的地方如静态字典，数据库连接池、线程池、IOC容器实例。   1.1懒汉式 设置构造函数为私有的，避免其他外部类可以对其实例化， 创建静态类来存储实例。 在静态方法中创建实例，避免多个线程同时调用方法，我们可以加线程锁， 在方法中使用双判断语句：最外层判断是为了提高运行速率，检查如果静态字段中已经存在实例了就可以直接return；第二层判断是避免创建多个对象实例。 1.2饿汉式1 静态构造函数：由CLR保证，静态构造函数只会在启动程序时候，由CLR自行创建。并且只会创建一次，相比较于懒汉式创建的更早，并且不需要担心会
《通信工程概预算》模拟试题2.docx
04-27
5G通信行业、网络优化、通信工程建设资料
基于BP神经网络的高光谱分类+印度松树数据集，给出具体代码和注释
06-09
好的，以下是基于BP神经网络的高光谱分类+印度松树数据集的代码和注释。这里我假设您已经熟悉了Python和神经网络的基本知识。 ```python # 导入必要的库 import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler # 读取数据集 data = pd.read_csv('indian_pines.csv') # 提取特征和标签 X = data.iloc[:, :-1].values y = data.iloc[:, -1].values # 数据标准化 sc = StandardScaler() X = sc.fit_transform(X) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) # 构建神经网络模型 class NeuralNetwork: def __init__(self, layers, alpha=0.1): self.W = [] self.layers = layers self.alpha = alpha for i in range(0, len(layers) - 2): w = np.random.randn(layers[i] + 1, layers[i + 1] + 1) self.W.append(w / np.sqrt(layers[i])) w = np.random.randn(layers[-2] + 1, layers[-1]) self.W.append(w / np.sqrt(layers[-2])) def __sigmoid(self, x): return 1.0 / (1 + np.exp(-x)) def __sigmoid_deriv(self, x): return x * (1 - x) def fit(self, X, y, epochs=1000, displayUpdate=100): X = np.c_[X, np.ones((X.shape[0]))] for epoch in range(0, epochs): for (x, target) in zip(X, y): self.fit_partial(x, target) if epoch == 0 or (epoch + 1) % displayUpdate == 0: loss = self.calculate_loss(X, y) print("[INFO] epoch={}, loss={:.7f}".format(epoch + 1, loss)) def predict(self, X, addBias=True): p = np.atleast_2d(X) if addBias: p = np.c_[p, np.ones((p.shape[0]))] for layer in range(0, len(self.W)): p = self.__sigmoid(np.dot(p, self.W[layer])) return p def fit_partial(self, x, y): A = [np.atleast_2d(x)] for layer in range(0, len(self.W)): net = A[layer].dot(self.W[layer]) out = self.__sigmoid(net) A.append(out) error = A[-1] - y D = [error * self.__sigmoid_deriv(A[-1])] for layer in range(len(A) - 2, 0, -1): delta = D[-1].dot(self.W[layer].T) delta = delta * self.__sigmoid_deriv(A[layer]) D.append(delta) D = D[::-1] for layer in range(0, len(self.W)): self.W[layer] += -self.alpha * A[layer].T.dot(D[layer]) def calculate_loss(self, X, targets): targets = np.atleast_2d(targets) predictions = self.predict(X, addBias=False) loss = 0.5 * np.sum((predictions - targets) ** 2) return loss # 定义神经网络模型的层数和每层的神经元数 nn = NeuralNetwork([200, 100, 16]) # 训练神经网络模型 nn.fit(X_train, y_train, epochs=2000) # 在测试集上评估模型的准确率 predictions = nn.predict(X_test) predictions = np.argmax(predictions, axis=1) accuracy = np.sum(predictions == y_test) / float(len(y_test)) print("Accuracy: {:.2f}%".format(accuracy * 100)) ``` 代码中使用了一个包含3个隐藏层的神经网络模型，每个隐藏层包含分别包含200、100和16个神经元，输出层包含16个神经元（对应16个类别）。将数据集划分为训练集和测试集，并使用标准化处理对数据进行预处理。训练神经网络模型的代码包含了反向传播算法的实现。最后在测试集上评估模型的准确率。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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