偏执的技术生存

作者:xiong1000 出自:CSDN

前日,大学一同窗好友-Z君深夜来访,他依然是国内一著名公司的采购专员。专门负责移动部件的专项采购工作,此次携带一价值千万的硬件大单,寻找一电路供应厂商。同学相见免不了相互倾谈各自的人生经历,从学校到目前的各自的生活和工作状况。同样处在一个行业,就目前的技术现状,行业现状互相的倾谈。

其中更多的是讨论关于技术的讨论。
 此君,大学时候可谓一偏执的技术狂热分子,专注于硬件电子线路方面的设计开发的技术。大学毕业后跳过很多的公司,离职的原因很简单,觉得原来公司再也不能在技术上有更大的修为。如果用武侠小说的话来说那就是他一直追求“武道上的修为”,所以必须要置换另外一个环境。但是目前的工作岗位他对我说基本已经不能进入技术的本身,只能在广义上在表面去看一个产品的分析报告或者营业数据,具体的东西很多都已经不能了解了.甚至很多的名词都不知道,这在以前是简直是不可以想象的.但是从广度上来讲目前可能有一种现象他对我说,一个技术人才的生存周期是多少?
是的摩尔定律是用于技术本身的定律,阐明的或者预测的是一个产品的生命周期.那么人身上所依附的生存技术的的周期,人所依赖其身上的技术所能生存的周期是多少?在这里不作更加深度的讨论,必要的时候笔者会在另外的文章中做出阐述,这里只是提出一个疑问。

 另外的一个问题就是对于新技术的学习能力,你有多少点?从软件行业来看,从c,c++到现在的C#,jave等等.我们面临多种语言的选择,面临学习方向的选择,同样面临此种技术能够深入到何种境界的选择.如果你初出茅庐没有关系,你面临的是单一的选择,没有先前的东西需要扬弃,你必须这样做,也只能去追赶去求知.没有家庭的拖累,可以每天在办公室睡觉,可以12点继续为追赶进度而学习.但是如果而立的时候,你还能轻易的放弃目下的用惯的工具?用掼的语言?有家庭有孩子还能12点深夜学习?也许有时的那种偏执的技术狂能做到.但是我们没有考虑智力因数和体力因数.
 同学说他当年就是给自己提出了这样两种问题,可想他最后放弃深入的问题,转入宏观方面的探讨.不过他说目前觉得每天同人同客户打交道,觉得比起当年技术的追求要更加复杂,可以说从一个技术层面,进入到人际层面,处理各种各样的关系到宏观的forcase等等.不一定比做技术要简单,但是是你加班加点或者其它激进方法不一定能处理好的.


很多的时候我从自己目前的同事身上能听到基本一样的话,有很多人抱怨,在目前的工作岗位上再也不能进入更高的技术境界。需要甚至强烈要求上级主管能否把自己调离目前的Group,置换到另外的一个工作岗位。记得在一个关于c/s的开发项目中,client Group有一个很年轻的小伙子,在client端基于MFC的编程基本上在公司已经是占据了权威的地位。在一次常规会议中提出,希望能调到Server端进行大型数据库的东西,甚至他本人可以放弃目前公司的现有职位,在server Group里面担当最小角色.大家可行而知在项目的开发进程中这样的要求肯定被管理层否决.当然这里我没有谈论任何关于职业选择的问题还是对于行为本身的探讨.只是说当年或者现在有多少人狂热追求着技术的本身,一如我同学当年.
可以说从大学毕业到现在本人更加专注于宏观经营方面,记得本人离开当年第一个单位的时候老总对自己说:希望我以后坚持自己的看法,从广义上从宏观上取把握和经营技术.

当然本人没有对技术本身产生多少的不屑,本人很佩服那种能张于技术,不断修炼的人,非常敬佩.上述文字只是一个人从技术转型的一个片断材料.不同的人不同的看法
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