字节员工：35岁以后被裁员的，后来都去哪了？现在2-2，要不要最后一年拼命上个岸？...

于 2024-09-06 17:08:49 发布
阅读量218 收藏 1
点赞数 1
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xhmj12/article/details/141980468
版权

上一篇：一线体面男的收入

在互联网行业，年龄成为了许多人心中的隐忧。35岁，这个曾经被看作是职业巅峰的年纪，对于互联网公司特别是技术岗位的员工来说，却可能预示着职场的不稳定。

不少员工在35岁后遭遇裁员的危机，他们面临着职业生涯的十字路口：是继续在互联网行业卷，还是在35岁之前考公上岸？

一位字节的朋友就面临这样的困境，并想网友发出了咨询：想问下大家，大家身边，35周岁后被裁员的，后来都走了哪天路？大龄2-2，发展也没希望了，要不要利用最后一年拼命上个岸？

3b099e629c6605bf65f6158009c32fc3.jpeg

有人说：35岁的问题是，容易被简历筛选干掉，被候选人对比干掉

e47bd228c9ca7e2b01a8ef17ece903ee.jpeg

有网友说：35考公？35人家都处级了

83fc43200d78c4de87e78fa65352b65d.jpeg

有人说：你们以为公务员好上岸吗，感觉50%看运气 现在卷到不行，先了解下目前考公形势再说吧

f80c4c2796fc3321d7e2762561076c0a.jpeg

有网友说：感觉这个问题很严峻，基本上如果觉得自己发展的天花板很明显的话在30岁的时候就应该开始考虑后路才行

a0121e148018af81dca5830777c21f96.jpeg

有人说：试试吧。今年行情真难。88年找工作谈薪水被diss了，被疯狂压薪

8e5b6336a0b30ef3f3856906d5989660.jpeg

有人说：最近准备去国企，运营商

19ea0032b25997e9185f37c4df40fe51.jpeg

有网友说：字节不养大龄员工

de5c106836b524c966a33477a8ac03eb.jpeg

有人说：可以尽早上岸

523359bf2b8afcc1326bc6049144ad7d.jpeg

有网友说：没明白回头到底能干嘛

bf3a4c38b61d75795730382ebc1bf46d.jpeg

有网友说：能拼上赶紧拼，大龄员工在贵司没啥机会了。

d0599ddf25e147440b4316e1656bab78.jpeg

面对职场35岁危机，有的人选择坚持到底，利用最后的机会奋力一搏；有的人则选择转行，进入一个更加稳定的行业；还有的人决定尝试公务员考试，寻求一个更加稳定和有保障的工作环境。

这也许就是35岁人3种不同选择，3种不同出路吧！

对此，你怎么看？

--完--

PS：欢迎在留言区留下你的观点，一起讨论提高。如果今天的文章让你有新的启发，欢迎转发分享给更多人。

全文完，感谢你的耐心阅读。如果你还想看到我的文章，请一定给本文“在看”、“点赞”，新文章推送才会第一时间出现在你的微信里。

- END - 

热门推荐：
那些在一个公司死磕了5-10年的人，最后都怎么样了？
xy 降薪！！
东哥的兄弟们都跑路了
噩耗！裁员50%，赔偿N+1，南京研发所全撤了......

东哥兄弟排队毕业？
PS：如果觉得我的分享不错，欢迎大家随手点赞、转发、在看
xhmj12
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
35岁以后依然被公司抢着要？4面字节跳动，完虐面试官年薪70w+！
Android725的博客
01-25 8449
广大从业者心声 无心插柳，柳成荫(我的32岁经历） 最近因为团队项目被边缘化，新项目接连流产，已经可以上市的项目突然宣布不做了，又加上外包岗的离职，作为正岗也有被裁员的风险，于是出去看了一下机会。面试了阿里巴巴，百度，头条，趣头条，小米，爱奇艺，映客，快手等一线的大厂，最终拿到了满意的offer。下面将面经分享出来。 面试前的准备 下面我将从以下几个方面来分享一下面试前的准备。 一.给自己定位 首先要给自己定位，自己现在是一个什么阶段，是初级岗，中高级，高级，还是专家级。一般情况下刚参加工作一年左右
35岁以后依然被公司抢着要？4面字节跳动，完虐面试官年薪70w，图形化app开发工具
m0_64314432的博客
11-22 9263
自行学习交流直达链接：【点击获取】 2.简历的准备 简历是一个敲门砖，HR每天会有很多简历收到。简历如何让人眼前一亮，并且能一眼抓住关键信息:个人基本信息（姓名，电话，邮箱，毕业院校等），工作经理，技能点，一些亮点(比如六级证书，获奖等)。简历要简洁，层次分明。写完简历要在招聘网站上更新一下自己的简历。 3.面试机会的各个渠道 这次面试一共通过了3种渠道，一是朋友内推，二是猎头帮忙，三是通过boss或拉钩网投递。 朋友内推： 在圈内首先要认识一些好友，各个厂商的员工，可以通过脉脉加好友，也可以通过技术交流.
字节员工：35岁以后被裁员的，后来都走了哪条路？现在2-2，要不要利用最后一年拼命上个岸。...
<sdffdsfsdfdfs>sfsfsfsdfsdffds</sdfsDS>Fsd
04-24 172
架构师大咖 架构师大咖，打造有价值的架构师交流平台。分享架构师干货、教程、课程、资讯。架构师大咖，每日推送。公众号该公众号已被封禁在当今竞争激烈的职场环境中，年龄并不总是一个决定性的因素，但对于一些行业或公司而言，年龄似乎成了一个无法逾越的门槛。在科技行业尤其如此，曾经风光无限的员工，一旦过了35岁，可能就会成为裁员...
字节员工爆：快40了，每天加班到晚上12点，活多到崩溃，不知道这么拼到底值不值？...
Java和Android架构
07-10 32
上一篇：字节员工：快38岁了，合同期满，offer年包300万，职业生涯感觉快结束了......一位在字节跳动的88年员工吐槽：过35岁了，在字节还是一线大头兵，每天加班到晚上12点，任务多到崩溃。每天凌晨坐出租车回家思绪万千，反思这样拼到底值不值得？有网友说：人一辈子赚的钱是有限的，现在拼命赚的多，可能活得没别人久。有网友说：比楼主大一岁，每天都干不完活有网友说：不值得，找一份性价比高的工作有网...
外包公司能去吗？进了外包如何翻盘？
热门推荐
程序员囧辉
05-05 1万+
如果不是生活所迫，谁又愿意去外包了？
软件测试从业人，如何渡过35岁职场危机？
04-22 418
2023最新自动化测试自学教程新手小白26天入门最详细教程,目前已有300多人通过学习这套教程入职大厂！！_哔哩哔哩_bilibili2023最新合集Python自动化测试开发框架【全栈/实战/教程】合集精华，学完年薪40W+_哔哩哔哩_bilibili​​​​​​也方便你下次能够快速查找。如有不懂还要咨询下方小卡片，博主也希望和志同道合的测试人员一起学习进步在适当的年龄，选择适当的岗位，尽量去发挥好自己的优势。我的自动化测试开发之路，一路走来都离不每个阶段的计划，因为自己喜欢规划和总结，
2个网卡配置相同ip 华为交换机_一文了解交换机设置：如何在两个交换机之间建立互通？...
weixin_29646607的博客
01-26 3722
我们有时需要将两个交换机连接起来，或者让它们互不访问。如何连接呢？在这篇文章中，我们来讨论一下。1.网络如何互操作？通常，两台计算机如何相互通信？他们怎么不能互相拜访？最简单的方法是使用网段来解决，让我们举个例子。(1)两台计算机无法互相访问假设：PC1 IP地址：192.168.1.1/24PC2 IP地址：192.168.2.1/24测试PC1和PC2之间的连通性：最简单的方法是使用PC1到P...
BAT大佬写下的面试手册，我看完28天直接拿下字节跳动前端开发2-2Offer，入职就是40K16薪
学前端的第五个月
06-30 4542
我当时反复看了N遍后，感觉真是牛逼！！！然后花了点积分下载，如果把这位大佬的面试笔记研究透，感觉互联网大厂面试随便虐！
java 二进制 2个字节 高位 低位_高位字节、低位字节
weixin_30270715的博客
02-16 3561
一般一个16位(双字节)的数据，比如 FF1A(16进制)那么高位字节就是FF，低位是1A如果是32位的数据，比如3F68415B高位字(不是字节)是3F68低位字是415B右边是低位位，左边是高位C语言中的高位字节和低位字节是什么意思？通常从最高有效位开始自左向右书写一个数字。在理解有效位这个概念时，可以想象一下你的支票数额的第一位增加1和最后一位增加1之间的巨大区别，前者肯定会让你喜出...
基于springboot大学生智能消费记账系统的设计与实现.docx
最新发布
09-06
基于springboot大学生智能消费记账系统的设计与实现.docx
基于Mnist数据集生成用于(多)目标检测的小型数据集.zip
09-06
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
8051Proteus仿真c源码步进电机C版本
09-06
8051Proteus仿真c源码步进电机C版本提取方式是百度网盘分享地址
国内人气最高的Java人工智能算法框架 它可以Maven一键丝滑引入我们的Java项目，无需任何额外的环境配置与依赖，做到开箱即
09-06
国内人气最高的Java人工智能算法框架(java版pytorch)。它可以Maven一键丝滑引入我们的Java项目，无需任何额外的环境配置与依赖，做到开箱即用。再者，它既有一些我们已经封装好的图像目标检测及人工智能客服的模块，也提供各种深度学习，机器学习，强化学习，启发式学习，矩阵运算，求导函数，求偏导函数等底层算法工具。
QGraphicsView+QGraphicsScene+Item,实现加载背景图片（放大、缩小，右键移动）绘制线、矩形、多边形
09-06
继承QGraphicsItem，实现加载背景图，可鼠标滚轮放大、缩小、右键拖动； 创建CustomItemBase，实现绘制图像的父类+工厂模式， 实现绘制标记点、矩形、线、多边形、曲线，并且可对图像进行单击选中，移动、删除； 矩形、线、多边形，还可以进行选中，拖拽大小。
数字电子技术实验报告+
09-06
数字电子技术实验报告+
多层感知机的从零开始实现与pytorch简洁实现（pycharm版）
09-06
可以在pycharm直接运行的两个py文件：一个是从零实现，另一个是简洁实现。
java某百货店POS积分管理系统-积分点更新生成以及通票回收处理(源代码+lw).zip
09-06
java某百货店POS积分管理系统_积分点更新生成以及通票回收处理,包含全量功能源码，及相关文档说明，供大家学习使用！
基于改进YOLOv7算法的车辆目标检测系统。.zip
09-06
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
QT里哪种编译一个中文字符是由2个字节来表示？
06-07
在 QT 中，使用 QString 类来处理中文字符串时，默认情况下会使用 UTF-16 编码，一个中文字符通常由 2 个 QChar 对象组成，每个 QChar 又由 2 个字节组成，因此一个中文字符通常是一个由 4 个字节组成的字节数组。 如果你想要将一个中文字符表示为由 2 个字节组成的字节数组，可以使用 QT 的 QByteArray 类来处理。例如，下面的代码演示了如何将一个中文字符转换为由 2 个字节组成的字节数组： ```cpp QChar ch = '中'; // 中文字符 QByteArray byteArray(reinterpret_cast<const char*>(&ch), sizeof(ch)); qDebug() << byteArray.size(); // 输出 2 ``` 上面的代码首先创建了一个 QChar 对象来表示一个中文字符，然后使用 QByteArray 的构造函数将其转换为一个由 2 个字节组成的字节数组，最后使用 QByteArray 的 size() 函数获取字节数组的大小，输出的结果为 2，即这个中文字符所占用的字节数。注意，这里使用了 reinterpret_cast 来进行类型转换，将 QChar 对象的地址转换为一个 char 类型的指针，然后再将其转换为 QByteArray 对象。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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