创业,程序员心中说不出的痛

一个从事IT行业5年以上的人,你问他有没有想过自己创业,他说没有,那95%的可能是假的。
    不过,我属于那剩下5%里面的其中一个。
    也许是受我父亲的影响,从小我就潜移默化的受到这样的教育:科学才是生产力,只有科技人才才是值得尊敬的人。小时候在工厂里,我一直认为父亲那样的人才是我的偶像,我那些同学的父亲,什么车间主任、销售科长云云,不过是会玩花样,耍耍嘴皮子罢了。
    这是种糟糕的思维惯性!
    也许你认为我说这个跟程序员创业没什么关系,别急,我慢慢说。
    最初的那些年,我可以说我对技术是狂热的,不仅仅是我,同龄的很多程序员都有过这种经历:3天看完一本书,第四天就开始上项目,然后是通宵达旦的调程序。 那时的互联网没那么普及,连外文资料都很少见,有问题你基本上除了自己就谁也别指望。那一定是一段让我在60岁后仍然念念不忘的年月...
    慢慢的,我们成长了,成熟了,IT的环境也一天天的不一样了。
    在我IT也混了一些年以后,我发现,我并不是一个真正受人尊敬的人。当我有一天安静下来,仔细地、心平气和的考虑一些问题的时候,当我从心里把这个答案发掘出来的时候,我有些震惊。
    那时,在公司里,我也算是技术骨干了,对自己的技术也算是有点自得了。但我发现我在公司里越来越没有发言权了,也许从来就没有过。IT环境是竞争越来越激 烈了,或者说是越来越恶劣了,这时,所有的公司都在高喊着一个单词,而去越来越响亮:市场!于是,技术人员,包括我,开始被公司、被市场逐渐边缘化了。即 使你今天到一个所谓以技术为主导的公司,也绝对看不到技术人员独挑大梁的,而且是越烂的公司越没有技术人员的份。在和公司的的高层、销售一起在外面吃饭的 时候,我越来越沉默了,我觉得自己就象是一个蹭着大哥混饭吃的小弟。
    其实我不是小心眼,我没那么矫情,非得人拿轿子抬我。只是自己辛辛苦苦两年,却被市场一脚把我踢开所以一些不平罢了。
    如果是这样也就罢了,可当我发现自己怎么有一天变的跟民工一样了?可我一直认为IT技术人员应该是一个让人尊敬的职业的。对不起,我并没有瞧不起民工的意思,可民工不受人尊敬是事实。
    这么说是不是有点夸张呢?也许是吧。
    几年前,我出差到北京一家公司做项目,对方是一个大单位。吃饭的时候,安排我们一行人到食堂吃饭(北京的大公司大多有自己的食堂),当时这家公司的大厅在 搞装修,有7、8个装修工人,吃饭的时候把我们挤挤的安排了一桌,大概就是食堂的一个角落里,接待的人应付了两句端着盘子走了,我说了我没有瞧不起民工兄 弟的意思,只是我觉得自己穿着西装打着领带一副白领的模样挤在一群粘着水泥灰的兄弟里面非常滑稽。
    没人当你是白领,除了我自己。
    类似的待遇之前和之后都有过,这次的印象特别深。
    逐渐的,我接受了这种事实,一种我不愿意接受的事实。
    最初的激情渐渐归于平静,曾经对技术那么狂热的心渐渐的灰暗了。
    曾经有过一打人问我,怎么不自己干呢?
    大概是28岁以前,我从没想过要自己当老板,我一直被小时候的错误观念误导着。当我逐渐醒悟的时候,当我开始想这个问题的时候,我的心有些痛了。
    我为什么说创业是程序员心中说不出的痛呢?
    搞技术的人,大多心高气傲,我就是其中一个。从小就对那些会耍嘴皮子的人深恶痛绝,这种人注定是很难当好老板的。耍嘴皮子是这个社会的一项重要生存技能,可惜,程序员大多不会这个。
    搞技术的人,喜欢和电脑打交道,善于和电脑沟通,只是,我们慢慢的不会跟人沟通了。很多好程序员常却常被人认为“怪”,所谓“怪才”可能就是这个意思,怪才一方面被人高看,一方面却被人看做傻子,你能创业?你能到商海里遨游?人家会认为你脑子进了水。
    搞技术的人,大多有点一根筋,多多少少都有点,你别不承认。这种人也许够执着,为人却不够变通,而这个社会最重要的一项生存技能就是会变通,所谓“变则生、不变则死”。变通在我们长沙话里有一个词叫“灵泛”,从字面上你大概能读懂它是什么意思。
    搞技术的人,大多人际关系比较单纯,这社会没点关系你怎么混呀?
    如果你还在为成为一个程序员为荣的时候,这才是最要命的!
    我有点醒悟了,可我为我醒悟的太晚而懊悔。
    当我觉得对很多事情都无能为力的时候,真正的心痛了。
    好在很多事情不管多晚都可以开始,就象上一篇文章中的兄弟说的那样,33岁还是壮年嘛!
    是的,还可以开始,还没有结束。
摘录自:http://www.cnblogs.com/chengang/archive/2006/08/18/480888.html
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