写作是这个时代最好的自我投资

1.序

陆陆续续的写自己的博客也有大半年了,但一直都是毫无文采的流水账。直到上个月参加了一堂写作课,完全颠覆了我的认知,我终于明白,这不仅仅是写作,而是一次完美的自我投资。接下来的系列文章将是这次课程的笔记,谨以此篇为序。

2.在会写作之前,我其实不懂学习

任何行业都不能停止学习,尤其IT技术这行,过个两年技术就会翻新一遍,我开始维护自己的博客出于两个目的,一是搭建自己的网站,借此学习和探索技术,二是写些东西作为平时的总结,这两者都是为了学习。

学习的途径分为五个层次:学习,练习,实践,总结,传授。

其中前三个学习,练习,实践是一般人在平时的工作中都可以做到。但有总结习惯的人很少,按照二八法则来分,有20%的人会做总结应该是很乐观的估计了,而将经验传授给他人的人那就更少了,在我周围,只有个位数的人有在做这样的事情。但恰恰是后两者,才是学习的高级手段。

一般的行业知识学习,数小时到几天积累就可以入门;练习和实践,几周到几个月也可以差不多上手;但有自己的非常专业总结和感悟,则以年计;至于传授给他人,没沉浸数年乃至数十年的积累,是不敢自称老师的。

平时学习,投入20%的精力就能有所收获,但当要写一篇专业深度的文章或准备一门分享课程时投入就完全不一样了,当时为了给技术社区投一篇稿,前前后后写了四个月。为了给部门做一次技术分享,光ppt就准备了两周,把自己脑子里两年的技术积累翻了无数遍,而且仍然担心自己做得不够好,真的是需要投入200%的精力。

因此,谈学习仅仅只是学习是不够的,从学习,练习,实践做到总结和传授才是最完整的。

3.对逻辑和表达能力的提升

逻辑和表达是非常关键的通用能力,而在我所从事软件开发行业,恰恰最需要提升这两种能力的地方。

计算机程序说白了其实就是计算机里按一定的逻辑处理事物的工具,而计算机本身是死的,是没有逻辑的,而程序员就是给计算机开发逻辑的人。

然而,实际上是会有这样的人,写出来的程序跟屎一样,甚至过一阵之后连自己都看不懂。如果程序员连自己的逻辑都理不清,还怎么能给计算机做逻辑?

平时多思考,尝试写议论文是非常好的锻炼逻辑的方式,自己表达逻辑不清楚,想让自己手下的程序能理清,这个不现实。

很多从事技术相关岗位的人员,逻辑不行是硬伤的话,表达能力的欠缺则是环境所迫了。长期处于跟机器打交道的状态,想说人话都没机会,因此不善言辞。

不少人会以此为接口,称反正是做技术的,表达能力差点无所谓,曾经我也认为是这样,直到后来的经历,沟通表达能力好真的完全不一样,当然,这是另外一个故事了。

而写作,恰恰是能锻炼表达能力的方式之一。另外一个自然就是演讲了,机缘巧合,我有幸参加了公司的关于演讲培训,目前正在尝试挖掘个人的第三职业,在另外一系列文章中我会分享关于演讲的故事,欢迎关注我的微信公众号。

网上有个段子,国庆阅兵,看到阅兵时多用“震撼、壮观、威武、雄壮、排山倒海……”等形容词,别看到壮观场景时只会说:卧槽,牛逼,卧槽,真尼玛齐。

而写作能扩大这样词汇量,加上对逻辑的梳理和对文字的组织能力,在表达的时候自然会得心应手。

4.构建个人品牌和影响力

微信公众号,自媒体这几个词在最近几年火了起来。

比如熟知的咪蒙,给助理开出了五万月薪的,很多人都表示难以置信。这里我且不评论咪蒙这个人,但的确有通过这种方式构建个人品牌,吸引十万,百万,千万粉丝,然后通过广告等方式变现实现了财务自由的人。

不过像咪蒙,罗胖这样的毕竟是还是少数,对于大部分人来说,很难抓住这样的机会,那我们能做的是什么?

那就是把眼光防低点,不求建立个人品牌,而是尝试建立个人的影响力,如果是职场,那就是尝试建立自己职场的影响力。

什么是职场影响力,最直白的解释就是让别人认为你很牛。(关于这一点我认为还是要真的牛才是要紧的。别人的看法也重要,但是却是其次的。当然这个说法也不是很对。就是自己牛很重要,别人认为牛也重要,但是这二者是不同的类型的重要。一个是自身的,另外一个是客观世界的。意图改变自身者,应当提高自己;意图改变世界者,须得去改变世界。两者都很要紧。)

你的同事有什么困难问题都找你解决,团队在做比较关键的决定时来询问你的意见。甚至你想跳槽时,你的朋友,猎头有好的岗位也第一想到的是推荐你。前者能进一步锻炼你的能力,后者会给你更好的机遇。

怎么做呢,一般人只能靠平时工作表现在同事和领导面前慢慢积累这种影响力。当然有一部分人甚至无法积累到这种能力,这个且不谈。

另外一种就是写作。试想下,当我们介绍一个人说他出过某某专业的著作,发过某某论文,这样的人给人第一感觉是不是他在这行很专业。

当你在朋友圈发自己写的不错专业文章时,你的朋友,特别是同行的朋友看到自然就会有这种感觉。他就会记住你,合适的时候自然会想到你。至于写作,做总结本身其实就是会给人留下好印像的习惯。

在会写作之前,我其实不懂学习。写作是逻辑和表达能力的提升手段。甚至可以用来构建职场的影响力。因此,让我们继续写作,完成这场自我投资吧。

转载于:https://www.cnblogs.com/leoking01/p/7204093.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。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