只有烂程序员才相信世界是由技术驱动的

转自知乎专栏(黑白互联网)作者:良佯大概2个月前陆奇的一篇文章刷屏:“一个优秀的程序员,要相信世界是由技术驱动的”,我觉得这句话是狗屁,不过是资本家用来哄骗程序员的。我认可陆奇的五点要求,但这些只是程序员的本职工作。别忘了,去掉程序员的职业身份,他们还是一个个活生生的“人” 。只有烂程序员才相信世界是由技术驱动的,优秀的程序员会意识到世界是由资本和权力驱动的。人,是一种社会性动物。技术也好,商业也罢,都只是用来解决社会问题的工具。以前我认为技术是面向机器的,现在明白了,其实真正优秀的,可靠的技术,都是面向人类的。你在优化设计模式的时候,不是在优化机器,而是为了让“人”维护起来更方便;你在优化算法的时候,不是在节约内存,而是为了让“人”拥有更好的用户体验(即速度); 你在做一个GUI的时候,不是在与机器对抗,而是为了让数据管理更加方便一切因为人,一切为了人大家都知道早期的计算机是用来计算弹道的,但这并不是为了炸弹,而是为了炸人。我的意思是说,程序员在做好本职工作的时候,必须清晰的认识到,你所做的一切,你所设计的一切,最终是为了服务于什么。这是你保持竞争力的前提。否则,你就等着永远被产品经理和项目经理折磨吧。我见过很多技术人,问我“茴”字的三种写法,我一概直言不知道。这一方面是“知之为知之,不知为不知“?另一方面,也是我不想纠结在所谓’原理’上的态度体现人类为什么创造工具是为了节约时间,用锤子的人需要知道锤子怎么做吗?诚然,计算机技术一定不像锤子那样简单,其复杂度可以绕南极一圈。我不是在鼓吹不去学习原理,原理固然重要但是完全可以 到为止。这点其实与陆奇所说的“站在巨人的肩膀上做创新”是一致的,如果别人已经做了,就请直接拿来用,不要重复造轮子。

深究原理,站的太低,可以影响的也非常有限,你最好学会在别人的基础设施上构建应用程序员,最不应该做的事情就是自己骗自己:“整个世界终究是为技术所驱动的。”事实上,这个世界上,最不缺的就是技术,技术的问题从来都不是问题。世界的参数太复杂,不是一两个对象就可以解决的。真正困难且磨人的,永远都是“人”的问题。我在自己做产品的同时,也会去做销售,在吃了无数次闭门羹,经历过很多次谈三个月谈崩的客户后,才深知“人性”的复杂。我不知道为什么,很多程序员在听到“销售”这两个词的时候,总是露出一个嘲讽脸。是,你是读了很多书,你掌握了很多复杂的算法,还做了很多高大上的东西。但是,你可曾想过,没有销售,谁把你做的东西变现,你的工资是凭空出来的吗?销售出去不停被人拒绝,你能经受得住种 心理压力吗?你可知道,特斯拉在命悬一线的时候,是马斯克下令“人人皆销售”才把公司从死亡边缘拉回来。我也不知道,为什么现在的程序员见谁都看不起,仿佛安静的自己在掌控整个世界,却看不清自己只是棋子的事实。你们口口声声说,互联网公司重视技术,对,你们把技术做的很好,但是技术人的地位谁不是心知肚明。社会需要坐班拿加班费的程序员,也需要看清事实不再为老板卖命的活生生的“人”。在做好本职工作后,多了解业务,站在更高的角度构建上层建筑,接受世界是由资本驱动的事实,你获取到了吗?

 Gamman=n1 quad foralln in mathbbN   G a m m a ( n ) = ( n − 1 ) !   q u a d   f o r a l l n   i n   m a t h b b N 流程图语法,参考[这儿] [5]。

离线写博客即使用户在没有网络的情况下,也可以通过本编辑器离线写(直接在曾经使用过的浏览器中输入[write.blog.csdn.net/mdeditor](HTTP://写)。 blog.csdn.net / mdeditor)即可。* Markdown编辑器使用浏览器离线存储将内容保存在本地。用户写博客的过程中,内容实时保存在浏览器缓存中,在用户关闭浏览用户可以选择<我类=“icon-disk用户再次打开浏览器”>把正在写的博客保存到服务器草稿箱,即使翻浏器或者清除缓存,内容也不会丢失。> *注意:虽然浏览器存储大部分时候都比较可靠,但为了你的数据安全,在联网后,请务必及时发表或者保存到服务器草稿箱 .http://meta.math.stackexchange.com / questions / 5020 / mathjax-basic-tutorial-and -快速参考[4]:http://bramp.github.io/js-sequence-diagrams/ [5]:http://adrai.github .io / flowchart.js / [6]:https:// github .com / benwe et/staC.ķ编辑

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