毕业三周年的成长、反思与计划

毕业三周年的成长、反思与计划

从16年7月份本科毕业,至今三周年。算上大四实习的时间,已经工作三年有余(中途休息了8个月)。从最初的Java后端工程师(2015.7-2016.10),也转型成为现在的iOS移动端工程师(2016.10-至今)。

前言

本科期间,我至始至终都没有打算攻读研究生,当时心中的想法就是迫不及待希望去参加工作,积累更多的工作经验和社会阅历,也始终坚信通过努力不会被选择继续深造的同学落下。到目前这个节点(选择进修硕士然后参加工作的同学也是今年毕业)来看,应该还是朝着我预计的目标在稳步前进。相信不管是工作经验和社会阅历,或者俗气点说工作薪资待遇,我应该还未被落下甚至可能微微领先。

成长

回想过去三年,辛酸苦辣,流过汗,流过泪,经历了很多,也成长了很多。从刚毕业啥也不懂的小白,到现在也能独当一面主导项目的一名工程师。我有一位关系要好的朋友去年从其他行业转型到互联网行业,成为一名Java后端开发工程师,从他最近痛苦成长的过程中吗,我看到了自己当年的影子。前段时间,在他工作压力非常大的时候,他说了一句很有意思的话:我活了20多年,从来没有承受过这么大压力。确实,在我刚刚入行的那一年,甚至在后来工作的某一些瞬间,我的脑海里的想法也是和他一样的。在很长一段时间里,我都觉得我当时承受的压力和承担的责任比以往任何一个时候都要大,包括参加高考的时候。当你走过来了,回首看去,你会发现你当时觉得生命不能承受之重其实也不过如此。

反思

过去的三年,成长非常显著,但是却还有着很多需要提高的地方。首先在日常的工作生活中,没有养成一个良好的反思和总结的习惯,这也是我的博客寥寥无几的一个主要原因。排去客观原因,主要还是因为自身比较懒,懒是万恶之源。其次,在入行学习开发(Java、Objective-C)的前期,在接触的技术、知识仅仅局限于学会了如何使用,而没有深究其原理,导致在遇到问题的时候,无法快速定位和解决问题。也无法写出性能优,美观的代码。不过在后来的一两年,特别是在休息的8月中得到了极大程度的改善。希望以后好好保持,继续进步。

计划

1、在日后的工作生活中,不管再忙都要花时间反思与总结,一个月要总结一篇技术博客。
2、希望自己坚持读书,每年读两本书,并且写出读书感想。
3、坚持学习英语口语、背英语单词。

写在结尾:冰冻三尺非一日之寒,滴水穿石非一日之功。希望今天立的Flag,不要成为明天打脸的证据。加油!

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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