大家要学会给自己解压

碎碎念系列

木东居士的碎碎念系列来了,居士会定期分享一些工作、职场以及生活等各方面的内容给大家。一个真实的人,不应该只有工作,而是身边的各种社会因素组合而成的,居士会尝试将这些社会因素一一给大家分享,算是自我剖析,也算是给大家提供一些参考。

没有说教,也没有那些权威的说辞。

今天简单聊一下如何解压这件事

我们的压力是越来越大的,不要指望别人来帮我们,先学会自救

很多小伙伴在工作3-5年的时候,很容易产生比较强的焦虑感,当然每个阶段都有焦虑,但是工作3年左右开始,是一个爆发点。

因为在这个阶段,很多小伙伴都有可能遇到一到多件人生大事:

  1. 结婚

  2. 生娃

  3. 买房

  4. 装修

  5. 买车

  6. 职级的大版本晋升

  7. 带团队

  8. 负责大项目

这些事情的复杂性,都不是在学校参加一次考试的复杂性能比的,这里说的是社会复杂性。

比如,你结婚了,那你要考虑的点就从以前俩人开开心心谈恋爱变成了要考虑双方家庭各种杂七杂八的事情了,困惑,也就会随之而来。

如果在这个阶段,你再升级一次,比如ali的p7或者tx的t9,你在团队的定位就有了很大的变化,以前可能是自己开开心心写代码就好了,现在就要变成考虑各种资源协调,怎么更大程度地证明自己。

生孩子?简直不敢想,可能从此就没有自己的生活了,而且孩子的教育也是大事,都是money... 害怕不,心慌吗?

当这些事情一件件加起来之后,你会发现,你的精神压力会越来越大,越来越大。

而,有时候能理解你的人可能并不多。比如居士,居士可能就不会主动去了解你的这些压力,不要生气,因为你也可能不会主动来了解居士的压力。

有时候补刀的还可能是自己的家人,比如在n线老家的父母和亲戚,很难理解你的压力的,说都没法说清。家人心中以为的你,可能是月入三四万,早9晚6,轻松惬意。现实中的自己可能只是一条狗,早10晚12,周六日还要加班。重要的是,你说你压力很大,可能都不容易描述出来,很难受。

说了这么多,其实并不是想表达大家有这么大压力,也不想散播焦虑,而是想说明,大家要先摆正姿态:

能帮自己舒缓压力最合适的人选首先是自己,先自救。然后,大家要有一套适合自己的解压方案。

学会解压

每个人有自己一套的解压方案,因人而异,大家可以去寻找自己适合自己的。

要早点开始这种行动,因为,这能让你的状态尽早达到最佳。

举几个例子给大家参考。

  1. 居士自己是游戏党,压力大的时候会疯狂玩游戏... 注意,找一下能帮助自己舒缓压力的游戏,不要动不动就去排位

  2. 有时候游戏不好使,想找人倾诉,就约读者一起吃饭,和大家聊天,其实有时候我是想来吐槽的,但是听完大家比我更激烈的吐槽,我一般心情都好很多了,好几次自己都懒得再吐槽了,已经好了

  3. 看小说,这个太杀时间了...

  4. 也有朋友追星的,居士从来不追,但是身边是亲身遇到追星追的心态各种好,感觉是有了信仰。

  5. 也有朋友心情不好或者压力的时候去运动的,比如游泳、羽毛球、跑步爬山。

  6. 居士有时候写文章,也能让自己状态好起来。

总之,挺多的,整体来讲,可以从下面几个方向入手:

  1. 找兴趣爱好

  2. 多和人交流

  3. 适当地运动

如果你有好的建议,也可以评论出来

  • 2
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    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 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