程序员为了女朋友进了华为,同学去了阿里,2年后对比收入懵了

本文转载自 程序员编程社区

什么样的工作才是好工作?每当遇到这个问题,我们的答案总是出奇的一致:钱多事少离家近。

  然而现实总是残酷的,日前,有网友在某社交论坛发帖称:自己为了女朋友留在了成都进入华为工作,而自己的同学进了杭州的阿里。两年后,两人的差距越来越大。

  图片

  发帖人表示,“入职华为两年多,慢慢地和同学之间的差距越来越大。问了老员工,原来华为涨薪每次都是1000-2000以内涨,成都华为尼玛太坑了,后悔当初为了媳妇留成都,真的应该去杭州阿里的。现在我同学都尼玛26了,我才18k。进入华为工资觉得还可以,但是过了一两年,你就会发现基本不动了。。”

  不少网友看到这个“抱怨似”的帖子,都为发帖人的女朋友打抱不平。

  图片

  @程序猿.拉塞尔刘能:为了媳妇,看来你媳妇注定要背一辈子锅了……

  @程序猿.冯默风:后悔啥,自己选的,别埋怨媳妇,自己的决定自己做。

  @网易员工:还埋怨别人

  也有网友觉得发帖人不应该将杭州阿里和成都华为做对比。

  图片

  @基金经理.甄士隐:能买的房子是一个级别的么……

  @隆美尔:成都房价多少,杭州多少?你自己算算?

  @程序猿.朱仝:阿里就有时间充电了?

  @前景和千城科技股份有限公司员工:两年18,在成都已经可以了吧

  @蓝翔科技员工:老铁 你路数不对啊 你先去阿里混个几年 回西安华为要个17-18级 薪资不要太高

  也有网友给发帖人分析:

  图片

  @赵姨娘:在华为要沉得住气啊,5年后才是收益的时候,到时候股票TUP分红就比较多了,工资,分红,年终奖基本1:1:1,过来人经验分享哈

  @中兴通讯员工:比上不足,比下绰绰有余, 中兴涨工资都是300,400,还不是每年都涨

  @腾讯员工:别忘了华为还有股票呢

  虽然不少网友认为发帖人不能这样比较,但发帖人认为:不要只看到房子。在华为每天事情多得搞不完,根本没有时间充电,在阿里腾讯都有时间去充电,这才是提升自己的能力。华为每天干点业务,定位问题,能对能力有提升吗?程序员没有危机意识,吃枣药丸。

  其实,大家都是成年人了,要学会为自己负责,每个人情况不同,自己要什么得自己做决定。

  我一直觉得蔡康永的一句话很正确:你不一定要做你最喜欢的事,可是你要做一个你能够学到东西的事。

图片

  对于“同样是大厂,去大城市好,还是留在小城市”的话题大家从来没有停止过讨论,大厂都有成熟的部门架构,培训体系,差别在于所在地的经济发展与你的经济收入。

  在今年公布的新一线城市榜单中,成都和杭州均位列新一线。但两者还是有差别的,如果比较顾家可以选择近一点的,也方便跟父母联系,但如果是为了将自己的技术提升,就趁着年轻努力拼一把。

       对此,你怎么看呢?

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 31
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