为防止员工带薪拉屎,快手公司推出“计时厕所”?官方称只是为了测试!

点击上方 好好学java ,选择 星标 公众号

重磅资讯、干货,第一时间送达


今日推荐:又一程序员进了ICU:压垮一个家庭,一张结算单就够

个人原创100W+访问量博客:点击前往,查看更多

来自:躺倒鸭

身为打工人,大家平时上班期间有没有什么摸鱼技巧可以分享?要我说,上班时最爽的摸鱼时刻,莫过于“带薪拉屎”。

给你们算笔账,每天在工作期间蹲坑20分钟,一个月就算22个工作日,那就是整整440分钟18个小时,全年就是216小时。

再按照每天8小时工作时长合计一下,“带薪拉屎”一年下来,就相当于“拉”出了9天带薪年假鸭!

然而,属于打工人惬意的“带薪拉屎”时间,貌似就要被技术手段终结了?

近日有网友曝出,短视频公司快手最近在公司某几间厕所门口安装了一个“如厕倒计时”电子屏幕。

通过这个电子屏幕,厕所外的人不仅可以看到厕所里有没有人,甚至还能知道里面的人已经进去了多长时间……

这样一来,打工人们好像还真不好意思能躲在厕所里长时间畅快摸鱼了……网友也把这项装置比喻为“资本对打工人的重击”。

说句实话,原本我以为这也就是个网友开玩笑杜撰出来的段子,毕竟上厕所这事儿还涉及到员工本人的隐私嘛。

但是我朋友圈恰好还就有个在快手上班的朋友,据她所说,这还真是他们公司最近的操作。

这可就……

可能是这事儿在网上的影响实在太大,快手官方随后也在微博上做了火速回应:

你们误会了!我们真的不是想阻拦你们带薪拉屎!这只是快手目前在做的一个“单独坑位测试”。

现在园区内厕所位置有限,员工上厕所排队现象严重,但受楼体结构限制,楼内增加厕所坑位施工难度大。此次在一个厕所坑位安装了一个计时器,是为了测试每天卫生间使用次数和时间,便于判断需要增加的移动厕所坑位数量。

快手官方的这一波回应,同样引起了网友们的热议。

有网友利用谐音梗搞了个段子,认为快手只是想让大家“解个快手”……

有网友还畅享了未来机器监测员工上厕所的“宏伟蓝图”:

也有网友在替快手出谋划策:

把厕所的手机信号屏蔽了,绝对没人在厕所里待久了;

给厕所装个指纹锁……

也有人为快手喊冤:明明就是做个测试,目的是为了解决员工上厕所排队的难题,这怎么就越传越邪乎了呢?

Emm……同样身为打工人,你们对“带薪拉屎”什么态度的?对于快手这波“测试坑位”的操作,你们又有什么看法?

大家一起在评论区聊聊呗~

原创电子书

历时整整一年总结的 Java 面试 + Java 后端技术学习指南,这是本人这几年及校招的总结,各种高频面试题已经全部进行总结,按照章节复习即可,已经拿到了大厂offer。

原创思维导图

扫码或者微信搜 程序员的技术圈子 回复 面试 领取原创电子书和思维导图。

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