那些码农的故事5-------就业(1)

大学的美好生活很快就会过去,一开学的时候觉得日子才开始,离期末考试还远着咧,然后睡睡懒觉,上上网,终于有一天有个人说,去上自习吧,明天考毛概了。

 

是吗?明天考试了啊?才发现自己好久都没去上课了。

 

日子也就这样,过得蛮快。大一的时候姑娘们还像个高中生,还偶尔会穿校服,大三时就完全不一样了。短裙,黑丝应有尽有,风景无限好。想想大学这么些年,一事无成,姑娘看了不少,恋爱却也没谈过。不像有些温拿,脾气不好,换,性格不好,换,腿太粗,换,脸太大,换,学习不好,换——最后毕业时经验丰富,一逼学有成的样子,自信满满。

 

俺就是那样学无所成的样子,开始找工作的时候兵荒马乱。别人简历上写着,演讲比赛什么什么奖,歌唱比赛什么什么奖,科研什么什么奖,体育什么什么奖,某年学生会社团带头大哥等头衔,还会诗词歌赋等等,简历最后写都写不下,只好再弄张光盘,把自己的生活照艺术照视频啥的都弄上。

 

我把电脑Word一打开,写什么呢?本来想帖张照片,总觉得不是脑袋太大,就是鼻子有点歪。只好P了又P,总算帖了上去。

 

然后写上大学主修课程,

XXXX

XXXXX

XXXXX

XXXXX

XXXX

 

选修课程

XXX

XXX

XXXX

 

英语四级,

英语六级,没过(不写)

 

计算机等级,没有(不写)

 

然后开始跑招聘会,看到公司管它什么要求就投,最后多数都是发免费广告。

 

老衰跟我住在一个宿舍,因为他考试经常考59分,是多项差一分及格记录保持者,所以大家送他一外号:老衰。

 

大学一个宿舍四个人,我和老衰相依为命,因为没有女朋友,所以通常打游戏和吃饭都在一块,其它两个人不是面相姣好就是多才多艺,大一时就沦落了,一直沦落到大四,女朋友也换了不少,生活多姿多彩。我和老衰就把单身情歌一直唱到了毕业。

 

老衰本来也很想谈恋爱的。有一次他看好一姑娘,于是一改平日里不爱学习的形象,天天约人家上自习,从来不逃课,也不打游戏了,还努力学起了英语,一副热爱生活积极向上的好青年形象。

 

过了好些月这样的生活,他终于鼓起勇气,跟姑娘挑明,哥就想收了你。姑娘说,咱们还小,要以学习为重,老衰说,你看我,我也爱学习。姑娘说,可是我还不想谈恋爱,你做我哥们挺合适。老衰说,那我等你想谈的时候吧。姑娘没再说什么。

 

后来,老衰约人家上自习,人家通常都会有事。然后没多久,老衰看到姑娘跟另外一男生上自习去了。老衰顿时就石化了,一回宿舍就开电脑,看毛片,CS里拿刀使劲划他Y的。从此物归原形,也不学英语了。

 

老衰跟我一样,毕业时简历上也不知道该写点什么,不过他对他帖的照片挺自信,经常说姑娘们真没眼光,像我这样帅的,怎么大学里的女生就没发现呢?

 

我说你Y别臭美,帅顶个屁用,还能被卒吃了呢。

 

老衰把简历写得跟我的一模一样,然后咱俩就去海投。

 

校园招聘通常都是先笔试,然后面试。我通常都和老衰坐在一块,大家各做一半的题,然后相互抄,开始是我从前往后,他从后往前,后来发现简单的题通常在前面,所以老衰说这要从前往后,我要从后往前。

 

其实无论从哪开始做,笔试我们都过不了。因为多数都是考脑筋急转,有一道题是这样的,

 

一头公牛加一头母牛,猜三个字?

老衰的答案是:同性恋

我的答案是:都是牛

 

老衰说他看到两个加一起不公不母的,本来想填人妖的,发现不够三个字,就填同性恋了。

我觉得他Y还真挺聪明,我的答案就俗了好多。

 

还有一道题,至少要多少时间才能读完清华大学?

老衰看到这道直接写上,2B

他说我又没上清华。

 

后来我们上网查这两道题的标准答案是:两头牛和两秒。

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