国际大公司到国内大公司的思考

Intel到平安的转变

来到平安科技已一周有余,小小写点自己的感悟。

Intel和平安,这两个都是世界五百强的公司,一个是美国企业,一个是中国企业,但两个之间的差别还是挺大的。
主要区别在于:
  1. 企业文化
  2. 公司人情
  3. 公司环境
  4. 工作状态

1、企业文化
从企业文化来说,Intel更加注重的是个人思想,鼓励你拥有自己独特的思维方式。在Intel文化里,认为每个人的独特思维是创造新事物的财富,你的个性在公司也算是公司的财富。所以,公司非常鼓励你有自己的个性。尤其体现在:穿着、处理事情方式、工作方式、地点等。比如说:在大夏天的,你可能会在公司看到穿着夹板和背心的大汉,这会显得很轻松自然。你可以去后勤申请电脑支架,用来支撑电脑,以便于你站着写代码;你同样可以不用来公司,直接在家里上班,只要你开心,能把任务完成,因为公司完全不会用考勤来约束你。这就是Intel鼓励的个性。 而对比平安来讲的话,感觉企业文化还谈不上很规范,或许是我在这边的时间还不够长,但总的感觉来说,就是中规中矩,不提倡特立独行。至少你穿着背心来公司会成为异类。另外,似乎中国企业都存在这样的问题:就是一定要你准时来公司上班,执行打卡上班制度。入职之后给你的磁卡不仅是用来刷门禁,同时也是用来考勤用的,系统会自动判别你上班时间,迟到之后,你自己在考勤系统确认扣款,简单明了。另外公司设备有限,似乎没有那么多可以提供给你选择的工作方式,工作环境跟网吧非常相似,好像阿里也是这个吊样。

2、公司人情
这一点或许作为中国人而言,肯定是给平安涨分的。就如同我们普遍的认知,中国是一个人情的社会,同样中国的企业也是一个人情的小圈子。在Intel,同事就是同事关系,你们在一起就是为了处理公司事务。所以,这样来说,你会发现,进入公司之后,直接就是叫你干事情,假如你说不会,他会给你丢一个链接或者文档,自己学去吧,给你个期限,把任务给完成了,就是这样。但反观国内企业的话,你会发现,一般刚进入公司,都会给你分配一个师傅,你有什么不懂的都可以咨询他,就如同学校里的老师一样。这就会让你觉得很有人情味,工作起来也挺开心,同时不懂的问题也能尽快的解决。

3、公司环境
说到公司环境,首先我思考到,可能跟公司的地理位置有关,但是对于内部环境的布局,我想可以来谈一谈。因为即使地理位置差异大,但是内部布局是不会影响到的。首先拿Intel来说,一般的cube位置会每个都隔开,成为单独的一个小隔间,而且挡板会很高,有一米七左右,这样可以给你营造一个很私密、独立的空间,能够专注于自己的工作。而平安这边,拿网吧来形容最恰到不过了,你跟对面的人就隔着一个四十厘米高的小挡板,到也不是说为了节省成本,而是为了能够更好的交流,专业一点是敏捷开发,哈哈。但这样确实有时候难以静下来好好做自己的事情。 还有就是毕竟是经历了四五十年的企业,各方面都规划得好很多,从门禁这里就能看出很多细节。不管你是进入哪个lab或者部门,你都需要刷门禁卡,而且必须是在申请权限通过之后才能刷开,这确实能对公司机密有一个很好保护。这估计是公司几十年来积累的经验教训。还有就是整体配置上来说,公司配备茶水间休息室,各种饮料和饼干;还有健身房,并且有专业教练可以提供咨询,健身房还能提供淋雨间,也是很满意的一点。还有母婴室,提供给新妈妈喂母乳。同时说到这就不得不说下,暑假期间了,你会发现公司内有很多很多小朋友,差点就以为这是幼儿园了。其实这是因为他们的父母上班,把孩子也一起带来了公司,可以安排在公司上自习,只要你不大吵大闹,这都是ok的。有木有超级人性化。难怪外企这么能够留住人。

4、工作状态
很幸运的是,Intel和平安都不加班。这在互联网企业真实太少见了,感觉很荣幸。但还是存在一些不一样。观察Intel,上班时间断,但是工作效率超级高。你会发现,在公司每个人都是处于紧张状态,但是早上9点上班,十一点左右就开始吃饭。下午一点开始上班、四点半就陆陆续续的开始走了。这里就要必须说一下Intel的班车,确实很到位,37条线路,全上海的路线都跑到了。但是相比来说,平安确实事情也不多,但是就是感觉上班的时间更长,而且宽松,有种压抑的感觉。可以看到很多在工位上坐着玩手机的人,懒懒散散的,工作效率比较低。

ok,就说到这吧,权当记录一下个人心得。

–记于2017.11.10

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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