你在业余时间都开发过什么?

这多年来,我面试过很多程序员,最近,我在思考一个事情,究竟通过一个什么样的问题能够最大的获取一个人对于编程的能力和热忱的信息。

我总结出来,只有这个问题具有最强的钻透力:

你在业余时间都开发过什么?

我喜欢这个问题,因为它一次触及到了很多方面。业余时间是一种很宝贵的资源,你通常会把它用到你最感兴趣的事情上。如果把这种资源用于开发,这是一个很强的信号,说明你热心于此。另一方面,如果得到的回复是“啊?”或“在业余时间?”,这也许能很好的提示你,他可能不是你要找的人。

而他们所做的是些什么事情,也是一个有趣的指示器。他们是否对开源项目捐赠过代码?是否有过把一种工具移植到一种新语言上?利用一些新科技开发出一些很酷的工具?根据他们开发的东西以及开发的原因,你能真正的洞悉他们思想动机和挑战精神。

这个问题同样能让你了解到他们保持技术更新和自学的能力。如此多的新技术和新思想不断的产生,要想不落伍需要付出努力。你几乎不可能在“工作时间”做这种事情。

这就是我为什么喜欢这个问题、所有面试都要提出这个问题的原因。

你最喜欢的问题是什么?

更新:

非常感谢你们对这个特殊的话题的各种反应和观点。我完全没有想通过这么一个问题就简单的对应聘者进行分类的意思,这只是在我依据个人经验得出的一个小小的观点。我主要想表达的是,我想弄清一个人究竟对什么感兴趣。如果有人说“一天的工作后,为什么我还要在家工作呢?”,我完全赞同!但这种事情不应该被看成是“工作”。

也许,或者你应该偶然在家做的事情。我平均每周会用2-3小时在家去实现我的一些想法,或测试某些新技术,或只是读一本好书。这很难说无法做到。

而且,我认为,随着时间的积累,这越发显得重要。当你在某个领域积累了很深知识和经验,这会成为你观察问题的多棱镜。扩展知识面会让你在新项目上产生有创意(甚至令人惊讶)的想法,对过去棘手的问题产生新思路,或带来很多个人乐趣。

关键就是对编程的一种渴望,如果不敲键盘,手会痒痒。
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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