浅谈《2016武汉开发者峰会》

2016武汉开发者峰会将于2016年3月26日下午13:00在光谷资本大厦二楼举办。本次大会针对武汉高端程序员和务实的创业者,联合武汉知名一线互联网公司的技术大咖,由简寻主办,联合腾讯众创空间、光谷金融,开启武汉首届线下高端技术分享会,与大家共聚武汉,分享技术创新与最佳实践。


1 if (!code)
2 {
3   return no bug;
4 }else{
5   return bug;
6 }

wps5CD0.tmp

wps166F.tmp

wps1670.tmp

wps1680.tmp

 

wps522A.tmp

wps523A.tmp

wps523B.tmp

wps767E.tmp

wps767F.tmp

wps7680.tmp

前些天听说公司打算带我们去参加峰会,我的心情是无比激动和兴奋的,不仅仅是因为可以接触一些大牛,关键是还可以带薪偷懒一下午==哈哈

而后我今天到会场的心情是无比沉重和郁闷的,架构、云、服务、运维、大数据、创业、互联网转型、流量控制、分层预警。这都是什么鬼。和我一起来的同事在第一个演讲还没结束就回去了,我想既来之则安之,既然都来了,那就听听把。于是我装着一副你讲的什么我都懂的样子<其实心里想的是:卧槽,你在说什么,我走错教室了把>。

其实,作为一个互联网界新人,我是没有资格来谈论评价这种级别的峰会的。但是对于我自身来说,毕竟是人生参加的的第一场逼格比较高的峰会作为一个里程碑,总得写点什么留下点纪念,毕竟我也为此激(xin)动过<哈哈-->

技术层面的东西我就不说了,无非是架构,大数据,运维之类的,大家考虑的都是优化,精准度之类的,但是对于刚入门的我来讲,还停留在怎么用UI,怎么适配,怎么使用什么设计模式,很明显不是同一个层面的。毕竟一个对于连斗鱼都只敢自己是小公司的会场来说,我的确有点格格不入的。

wpsEA3A.tmpwps3271.tmp

wps3282.tmp

 

 

 

 

 

 

大牛

印象深此刻是在圆桌环节谈到怎么学习技术,大牛是怎样养成的:

1.首先极为重要的是:不怕吃苦,加班到十来点,周末无休都是正常的。工资底也是可以理解的;具体是哪位大牛发言的我忘了,他说刚刚毕业在一家公司每天早九晚十二,周末无休持续了半年,从前端到后台,从架构到运维,都是他在负责搭建。在这里我不得不佩服他不怕吃苦的精神,与此同时也和钦佩他那种全栈工程师的功底。(类似于后台,运维,架构,数据之类的,给个老师教我,估计我半年都学不会把)

2.不怕技术转型:技术发展日新月异,谁都不能凭借一招吃遍天下。就单iOS还可以用OC/swift/C/C++来编写,何况其他那么多的技术。看到喜欢的技术就学,一位大牛是这样说的。

3.会场上,那位发言人会忘记词了,引得我们哄堂大笑。等到别人发言完毕他才补充上来的,一个很幽默的人,一点都没有因为这件事有些尴尬之类的。第三点说的是---我也忘记了,后来打岔了,忘记写下来了。

4.补充一点我自己的感悟。我不赞同996的工作时间,我更喜欢轻量级的工作强度,但是在规定的时间中我们要做到一样多的工作。这边就涉及到一个时间合理分配和安排的问题。应该是在唐巧博客上把,侥幸看到他对时间的安排笔记,很详细。《暗时间》好像也是一本写时间分配的问题。至于怎样合理划分时间,不做过多说明,每个人的生活方式不一样,合理安排工作学习和娱乐的时间比例。

5.一位朋友这样评价程序员的人生:人傻钱多死的快。虽然玩笑话,但也一定程度反映了大众程序员的人生。对此做出一下的建议:

5.1合理社交,培养情商==我不傻;

5.2加强锻炼,别那么早死<怎么锻炼看知乎去,我就不说了>;

5.3该买啥就买啥,纸质书、付费软件、换个Mac,想玩就买,仅此而已。别想着有一天一个漂亮妹子送你一个HHKB然后说你用他来养我的桥段;就像说别以为知乎上都是大神,你混迹在其中也变成了大神似的;

当然了,不吝啬也不是叫你铺张浪费,大家都是成年人,合理把控好度咯。

嗯就这样把,多读书来多写code;少看知乎少吹比;

创业公司的变迁之路是木仓科技的技术总监带来的演讲,罗晟是一个很幽默的人,他讲到创业公司的发展,要挣钱,要开源节流,以及在技术方面的一些注意事项,一些需要避免的坑,同时也说了怎么挑选一个好的老板。但我完全没有创业的想法,于是我一直在研究,你一个技术总监,为啥用的是Mac Air呢==

他们说的创业

创业这一块也没啥好说的,首页我是不太懂也没那个雄心,其次公司运营涉及很多,弯弯道道太多,但是他说了亮点我觉得不仅仅适用于公司

1.开源节流:挣钱,不挣钱的公司活不长久,而在互联网,最好挣的就是广告的钱,而如何假如广告的同时不影响用户体验,这才是关键的;省钱,公司拿到天使轮了,有钱了,怎样合理运用公司资源。特别是对于打死距来讲,节约一点点的支出,就能节约一大笔钱。他说他们公司减少了服务器的带宽,使得每台服务器的每月支出成本降低了1000多块,而公司几十台服务器,这些钱足以去换一个高技术的人才来;

2.用户画像。(个人理解)我是没听说过这个概念的,然后特意去百度出,大概的意思就是

用户画像又称用户角色(Persona),作为一种勾画目标用户、联系用户诉求与设计方向的有效工具,用户画像在各领域得到了广泛的应用。我们在实际操作的过程中往往会以最为浅显和贴近生活的话语将用户的属性、行为与期待联结起来。作为实际用户的虚拟代表,用户画像所形成的用户角色并不是脱离产品和市场之外所构建出来的,形成的用户角色需要有代表性能代表产品的主要受众和目标群体。

用户画像在各大服务网站上都有应用,类似与购物网站的“猜你喜欢”QQ的群的推荐。在木仓的`驾考宝典`中完成科目一推从科目二;完成科目四推送买车信息。不得不说这这设计完成了用户画像和广告的双重目标;

wpsB172.tmp

大数据是趋势

曾经的我对计算机这块还是懵懵然时候我就和朋友讨论是大数据时代,数据是未来互联网的趋势也是核心竞争力。这边的几家公司都同时谈到大数据的问题,以盛天网络为最,三套系统并驾齐驱的数据处理,而在斗鱼TV在面对几百万的同时在线仍然游刃有余。我不知道这些底层的数据处理具体的实现原理,但这不影响他们的技术是整个技术部门的中间力量;

wpsB192.tmp

其中我听到这些大佬们谈到互联网的转型问题,什么是传统互联网与现代互联网,他们有什么区别?我一直没搞懂,希望有明白的同学可以私聊。

意义:

在知乎上有一个问题,关于是否值得去开发者大会,轮子哥是这样说的

不就是听厂商做广告嘛,你看重播就可以了。

但是如果在你闲暇时候,去跑一趟开发者大会,也是可以的,聊胜于无嘛,就算学不到什么也能涨涨见识,就算涨不了见识,也能邂逅点同(美)行(女),就算你是来睡觉的,还是可以分享到点礼品的,<一个杯子一个鼠标垫也算事小礼物,毕竟对于我这种从来没收到过礼物的直男来说>总之,比一个人呆在家里睡觉好。但是如果你有事,或者说时间上已经规划好了,就没必要来会场浪费时间了。

2016/3/27

光谷·武汉

转载于:https://www.cnblogs.com/illaclv/p/5326714.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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