自己的发展安排2021年--2022年


我起初想要的是


(1)可以直接接触业务上的甲方 ,跟人有很多直接沟通并非单纯做技术
=》这个我错了,事实上,我来到这,我才发现自己需要的纯粹的技术,而不是将精力分散到其它地方

(2)给自己点缓冲的时间,自己项目孵化需要一段时间,自己的技术能力恢复,需要一段时间
=》这个得到了,我有时间写自己的项目,我的技术能力得到了恢复,心态上也缓过来了。
 


我现在想要的:

(1)孵化自己的项目


精力不够的原因(从高中、大学、毕业工作后都存在)


1. 高中时,我对每个科目都付诸一样的努力,让本来能力不强的自己,变得更加没有擅长的东西,只追求均等
2. 体育上,我有跑长跑、又参加短跑,就为了证明自己,但最后运动会上总体得分还不是最高的
3. 大二上一年,我确实很努力,但测试每一个科目都努力听讲,虽然得出这样做不对的结论,还是耗费了一年光景
4. 后来专门搞前端,回想起来,这是我做的最糟糕的决定。我个人原先逻辑很差,能更加锻炼我的是后端业务
5. 搞创业失败后,我原本想借机转后端Java开发,但当时我对自己非常没信心,害怕连前端的工作都找不到,我又继续前端开发

回顾选择上的失败,逃避C语言,在C语言课上学前端是错的,大二选网络不选软件工程是错的,乱搞算法不做项目是错的,培训时学React而不搞Vue是错的,大四去搞创业项目而不耐心工作是错的,回顾自己这一路犯了太多选择上的错误,我居然还能像现在这样,简直像打不死的小强


问题1:目前我的技术体系分散的开,我不知道该咋办


自己设计的项目前端技术栈为react、react native一系列,
我的后端是SpringBoot那一套,
公司项目为vue,现在又安排uniapp的开发。

(1)平哥的建议
就是用Vue的uni-app来代替react native 开发app,这样我的技术精力,就会完全集中在vue 领域里面


问题2:担心自己变得越来越狭隘


    因为我本身不怎么会主动跟人搭话(性格上能自己做的,绝不开口求人),工作时也比较专注,所以很难跟人说上许多话,我天生有点口吃,时间长不讲话容易结巴。
    同时我本身是吉林人在四川工作,上学时期的朋友都在成都,在乐山没新朋友,跟同事的交流仅限在工作中,下班后 和 周末都自己一人,比较孤单,虽然也通过大声朗读让自己多说话,可毕竟不是双向交流。
    其实我知道人和人交流时,可以促进头脑中的思想更清晰,也能督促自己思考出更多,但我却依旧改变不大,与世界的连接关系很弱。
    之前想过不做程序员了,找一个能跟人有交流场景的工作,不过我还是喜欢用代码构造自己的作品,这是我通过创造东西来获得财富的最重要途经,我必须得坚持下去。

今年还是改变很多,我每周末都出去走路,主动认识周围,收获蛮多
 


问题3:追求财富


财富包含:别人对我的信任、尊重、喜欢、还有金钱 等等
我的方式是,做一个软件,不求多伟大和多好,只愿让部分人满意、自己满意,它的价值就是我个人的价值,我愿意持续不断的为它付出心血

接触股票和读经济学书籍,也只是为了让头脑中的思想落地,将其作为一个检验手段,切忌不要把这些当成捷径。做经济类型的投资,可以很好的帮我理解生活价格变化等等。虽然我现在也不清楚有多少好处,但是经济学的视角为现在的我打开了一个新天地,之前许多没注意的事,突然开始得到我的注意,这是个很奇妙的感官体验。




很多事情,我依旧没思考清楚,但务必,以当下为前提、以现实为基础

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

打赏作者

tengyuxin

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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