谈谈工作 - 神州数码篇

本文作者回顾了自己的职业生涯,从加入神州数码开始,讲述了他在公司的成长经历,包括文化培训、工作挑战、团队合作以及个人发展。在神州数码的工作使他积累了宝贵的经验,最终决定跳槽到外企Juniper。文章强调了在成长型企业工作的重要性,并分享了选择企业的一些思考。
摘要由CSDN通过智能技术生成

本文是之前的文章『谈谈大学』的姊妹篇。也是拖了很久,才下定决心,写上一写。

我的工作历程不算太长,但也不短,11年工龄,30岁出头,要写这么篇文章,其实很尴尬。刨去创业两年时光,我也就是9年在企业里工作的经验,更尴尬的是,这9年时间我就呆了两家公司,而且还在同一行业,这在瞬息万变的IT公司看上去比较少见,所以所述未必合大家的心。

为了便于描述,我还是以时间为轴,来展开讨论。本篇先讲我在神州数码的经历。

在『谈谈大学』里我说到本科毕业后,自己便加入了神州数码网络公司(DCN)。DCN前身是联想网络,脱胎于中科院,有浓郁的研发背景,相对于神码大家庭来说,DCN像是个正在创业的小兄弟。03年正是郭总(郭为)踌躇满志一展拳脚的时候 —— 与联想的「兄弟盟约」业已到期,便迫不及待杀入PC市场;同时眼红于正在兴起的移动市场,也玩起了手机,结果多线作战节节败退,巨额亏损,财报上单单为手机业务就计提上亿港币(这些也要归功于麦肯锡给定的战略啊)。「计提」这种高大上词汇,我是这时掌握的。神码大环境的状况虽然不佳,DCN的小环境却很好,很「联想style」地被称作是二级火箭,相对于整个公司的主营业务 —— 分销这个现金奶牛,DCN算是神码的未来,所以氛围相对宽松。接触的HR姐姐,程序员哥哥都很nice。

初入公司懵懵懂懂间我就被集合做了为期一周的「入模子培训」—— 这是联想系经典的企业文化培训,很多鸡汤,很多正能量。现在大家被过多的鸡汤搞得逆反,闻「汤」变色,唯恐避之不及。其实,只要带着脑子听,鸡汤还是蛮好的,反正一周的培训下来,我是感觉收获很多。要在一个企业做好,你需要接受它的文化,并怀有工作的荣誉感。柳总(柳传志)说的很多话:「企业是个模子,你来了以后,必须融入到我们企业的模子当中」,「办公司就是办人」,「垒一层土,夯实,再垒一层」等等我都是很认同的。在「入模子培训」里,我最大的收获是认识了一群「书生意气,挥斥方遒」的才子佳人。11年来,风云变幻,我们依旧相互关心,肝胆相照。

培训完成后,能量满满地投入工作。DCN当时在主打路由器和交换机,我被分到了路由组,主要负责接手即将离任的一个工程师xiahm手上的OSPFv2(一个路由协议)。而他,也顺理成章地成为我的mentor。他给了我很大的帮助。虽然在学校里我已经累计了很多开发的经验,但并未真正接触过协议(使用socket接触到的tcp/ip不算),也没读过Linux kernel,所以面对由linux + gated(一个开源路由协议平台)组织起来的路由器系统是两眼一抹黑。xiahm尽心尽责,手把手把我领入了行。

人生中总是很多「第一次」让你难以忘怀,比如说第一个mentor,第一行运行在商业系统里的代码。当我为解一个bug第一次提交了代码,并在注释中写下了自己的大名,别提多兴奋了。

一个月后,我领到了第一笔试用期工资,扣完税后大概不到两千五,这相对于我还在进行中的兼职项目每月能拿到的不菲收入,简直不值一提。不过,兼职项目能给我收入,却给不了我成长空间。做人和做公司其实也很相似,是牺牲成长性换取高收益,还是牺牲收益换取高成长性?各有利弊。人生的不同阶段需要做不同的选择,这选择是很个人的选择。

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 11
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