闲扯,关于毕业、上班的感慨

1 篇文章 0 订阅
1 篇文章 0 订阅

就当做是对工作一个多月来的一个总结吧,记记流水账。

6月29号,K230,厦门——昆明。最后一次坐这列火车。毕业季确实很伤感,最后的一个星期,每天都在喝酒,一群2B青年喝多了就开始讲一些掏心窝子的话,该哭哭,该吼吼,完全不顾其他的;我自己也不例外,该说不该说的话,说了一大堆。现在想起来,真心怀恋;酒有时候就是个好东西,感情是喝出来的,只可惜那几个2货酒量太差。

大学四年,怎么说,大一大二基本都是玩过去的;大三好好学习,专心呆实验室,疯狂学习,参加比赛;大四,大三一年把我的激情消耗殆尽,没有了激情,没有学习的心情,整天只想着玩,那就去毕业旅行吧^_^和女朋友一起去了湖南,这趟旅行也着实把我们给累惨了,爬山爬得腿抽筋= =。。。大四,本来应该忙于找工作,做毕设这类事情的,可是,在我身上,这两件事情完成得太突然,以至于接下来的大把的时间都不知道怎么挥霍。关于毕设和找工作,有空单独写一篇来纪念吧,毕竟是第一份工作。

回家吧回家,10月份找了工作,在宿舍打了一个多月游戏后,实在没事干,一个人回家了;这是四年来,在家呆得最久的一个假期,三个多月吧,顺便也把驾照给考了。3月份回了学校,做了下毕设,去杭州玩了一趟,毕业答辩结束后回家,等着去公司报道。

说起来这份工作,公司把我坑了一道;说好的在行研所,可是,才培训结束,就直接让我来成都;你妹啊,说好了在杭州的,女友也找了杭州的公司,这让我怎么跟LP交代大哭

8月6号,成都公司报道;尼玛啊,又坑我,说好的硬件工程师呢,为什么变成软件了!发火好吧,软件也行,可是为什么你妹的让我做测试,不让我写软件!!哭严重被坑啊。哎,工作生涯开始了,学生时代一去不复返。

关于工作:

苦逼工作生涯开始。还记得小时候,老师问过将来要做什么工作,我们的回答是多么的天真,对工作是多么的向往,什么科学家、白衣天使、老师;TMD,谁知道还有码农这种工作,整天敲键盘,加班,看代码!加班这种东西,最不能接受了,以前看着老爸每天中午下班,还能回家吃个饭睡一觉,然后下午两点半才上班,晚上五六点下班就又回来了。我一直以为我也可以是这个节奏,上班了我才发现,私企和公务员的差距。自己选择的路,坚持走下去吧奋斗,从开始就没有想过要当公务员,现在也是。

公司加班是一种文化,没有加班工资,只能去接受;虽然加班工作效率很低,但是大家都说,领导都还在,加吧。

做开发的人,是不是都很沉闷,显得是那么的寂寞;上班一个多月,项目组就一起吃过一次饭,新人入职的时候,没有过任何活动让新人快速融入团队,悲哀啊。和其他公司相比起来,我们是多么的保守。

导师说,我们项目组是公司最年轻的,为什么我还是觉得代沟很深;难道是因为你们进来公司三四年,被公司的这种文化慢慢腐蚀。以前看过一篇帖子,是一个老员工写的,关于公司,关于自己,看了后很是心酸。还是说,开发的人基本都是这样,慢慢慢慢的,就变得沉默寡言,慢慢的不善于表达,情商慢慢降低,生活越来越单调;每天两点一线的生活,让我们变得木讷了。还是说,是因为买房、工作、贷款等等压力,让我们没有时间来想其他的,只知道工作、赚钱!

其实,公司是什么样的,和老板很有关系,至少我们公司就是老板的化生,纪律严明,不像阿里巴巴那样活跃和open。害怕自己会慢慢的也变成这样的码农,做好自己,调整好心态!

乱七八糟写了这么多,果然是想到什么就写什么,都没什么逻辑可言了;完了,已经开始不善于表达了抓狂多写博客补救吧。

 

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 1
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