浅谈“择业”

一、我眼中的教育现状

一切都还得从幼儿园说起。现在的孩子是越来越累,读幼儿园就得“学乖”,要努力学习、努力记忆、以及努力学才艺。可能孩子心里早就累了,但是父母和爷爷奶奶的不断施压或者是因为“听话”而强迫自己努力去达到家人的期望,为的是能进更好的小学。等到了小学,功课越来越多,补课也越来越多。总是莫名地加入跟父母亲口中“别人家的孩子”的竞赛中,除了读书还要学各种才艺。进入初中,就出现了一些更加可能的东西——“月考”和“排名”。这两样东西就像魔咒一样,催促着孩子跟疯子一样去读书,这会目标更加明确——为了考一个重点高中。因为在所谓的“重点”小学、“重点”初中、“重点”高中一连串的带“重点”的概念中,只有“重点”高中收到了全国人民的认可。因为“重点”高中一般具备更加惊人的升学率,学生有更高的概率考入名牌大学。一进入高中阶段,孩子就进入一生中最痛苦的三年了,因为三年后的高考对一般家庭就是改变命运最有用的金钥匙,也算是对得起那么多年的寒窗苦读。

说到这里,孩子的学习动力和学习目标八成都是“为了下一阶段的学校更好”,孩子补课和学各种才艺动力八成都是“被迫为了跟父母口中别人家的孩子去竞赛”,去达到家庭的期望。

到了大学,…孩子长年的束缚力突然消失了…再后来我们就看到曾今的“学霸”崩盘了!

等到了四年大学毕业,面临的一个问题就是找工作。照理说,那么大的人应该知道自己想要什么?想去什么样的公司?想做什么样的工作?有什么短期目标?有什么长期目标?

结果呢?八成大学生迷茫了。原因很好解释,一路走来,读书从来都是被动的,都是被牵着鼻子走,不知道自己的兴趣是什么,自己想要做什么,自己最擅长什么。
真正的兴趣必是来之不易的,要经历不断的执着刻苦、坚持不懈,无数次的失败还是一如既往地痴迷和追逐,最后沉淀、沉淀、再沉淀,最后的“结晶体”才叫做——兴趣。它是对努力者的一种褒奖。这种珍贵的东西可以回答自己真正喜欢什么,自己真正想要做什么,自己真正最擅长什么。
没有兴趣爱好的人在“择业”这个问题上起初是迷茫的,他们中稍微聪明一点的会去根据父母的意愿、这个社会的价值偏向来选择自己未来的职业。比如考公务员、进央企、进国企、考研等等。然后进入一个领域或者一个单位平平庸庸过一辈子,然后生个娃,不知不觉又让自己的娃又进入了他曾今走的路,然后在这个“死循环”永不停歇转下去。

二、我眼中的名校大学生

现在的国企和央企里,生活着一堆的211和985名校的学生。本来211和985象征着名校的光环,也确实有很多211和985的精英为中国之崛起尽心尽力。但是我眼中跟我靠的近的这些曾经的“优等生”的状态是,他们将自己所学的80%以上的知识摒弃,用着大部分高中知识运作着自己的工作岗位,大学生活对他们意义只是一段值得回忆的快乐时光,大学四年所获得的只不过是那张印着他们名校印章的“纸”——毕业证书以及学位证书,除此之外别无其他,然后浑浑噩噩过着一辈子,稍微有点上进心的会去琢磨琢磨领导的心意,通过识破领导的心意,并做一些工作达到领导的期望,便从此风风光光,前程似锦。但是,没人知道他们做的这个工作到底有多大意义?能够公司带来什么意义?能够这个社会这个国家来了什么意义?每天的工作无非是吃喝拉撒睡,外加琢磨和达到领导的期望。

三、我认为的正确的“择业观”

简单一句话概括:跟着自己的兴趣走,不要被金钱和权力所奴役。
我这里举两个例子。第一个例子,如果一个清华大学的优等生不是出于自身兴趣,而仅仅是因为给的钱多而去从事某个行业。当然,他的高智商的确会让他在这个行业中立足,并获得不错收益。这时另外一个天赋没他高的中等生,因为自己浓厚的兴趣也进入了这个行业。虽然刚起步时,这个中等生没有这个清华大学的优等生风光,但是兴趣会让他孜孜不倦地去琢磨和探索这个行业。而那个清华大学的优等生在后期会因为兴趣不浓而进入一个难以克服的瓶颈期,一辈子被困在那个“瓶颈”。很多年以后,慢慢会发现,那个中等生在这个行业的能力远远超过了那个清华大学优等生。

我的一个姑姑小学都没毕业,一辈子买猪大肠,卖了20年。她的猪大肠是在我们乡里乡外是出了名的。因为她的猪肠是最干净的,她做的猪肠的味道也是目前我吃过最好的。她的收益可能比一个高中毕业的人还要高。这可能就是兴趣和坚持的力量吧!行行出状元,真正兴趣所激发的力量远远要比一纸学历要强得多。
我希望若干年后,别人对我的称呼会是XX方向专家,XX工程师,而不是XX老板,XX经理。

可能有的人会怀疑,如果你的兴趣是所谓的“冷门”呢?这样出路也不会好吧?
其实,没有永远的冷门和热门之说。现在的热门是因为人才市场上需大于供,供需严重不平衡导致的高薪。现在的冷门是因为人才市场上需小于供,过多的人才拥挤造成廉价劳动力。但是,市场永远会朝着一个“平衡”点变化的,此时曾今的热门有可能成为冷门。曾今的冷门会变成热门。如果你的兴趣恰好是近期的热门,那么你会获得不错的回报。如果你的兴趣是近期冷门,没关系,因为真正爱一行,你会通过长期的琢磨和坚持,让你的工作变得跟同行不一样,创新的点子层出不穷。所以人才市场的供需变化永远不会影响一个真正跟着自己兴趣走的人,或者说一个真正跟着自己兴趣走的人永远会在一个纷繁杂乱的社会中找到属于自己的世外桃源而安身立命。

好像有一句话叫做“挖一百口浅井不如挖一口深井”,跟着自己兴趣走,日积月累,坚持不懈才可以挖成自己的那一口深井。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 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

打赏作者

我为峰666

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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