精明的程序员——重复的工作

AVM环视算法实战:从3D碗型投影到多场景模式切换的实现与优化 本文深入探讨了AVM环视算法在3D碗型投影和多场景模式切换中的实现与优化。通过分析3D碗型投影的核心原理和动态视角调节技术,展示了如何实现从超广角模式到转向模式的无缝切换。文章还分享了性能优化实战经验,包括实时性提升和图像拼接质量优化,为开发者提供了宝贵的AVM系统开发指南。 阅读详情

精明的程序员——重复的工作

什么样的工作是一份好工作?

虽然还在读书,距离工作还很遥远,但是经常会思考这个问题。

偶然间看到一个视频,是白岩松在江西的一所大学的演讲。白谈到一个观点,大概内容是这样的:

一个清洁工,一个比尔盖茨,为什么这两个人的工作挣的钱差别就那么多?并非人与人之间的地位就有差别,工作也没有高低之分。根本原因在于你要在一个领域有自己的不可替代性。说白了,就是做同一件事,没有你就是不行。

我一直很赞同这个这个观点,是的,清洁工和大老板之间的地位没有差别。然而,可以胜任清洁工作的人实在太多了,只要手脚健全基本就没问题了,但是老板的职位却并非如此好当的。虽然也有很多其他的原因(比如运气成分)决定着一个人的薪酬水平,不过我还是很喜欢这个观点的,因为它使人朝着领域专家的方向去努力,而非成天去抱怨怀才不遇。

但是,我渐渐开始不太满意这样的结论了。不错,一个领域的专家,有着很强的不可替代性,但是一份工作是否真的能够使你满意呢?薪水是很重要的成分之一,但并非全部。工作可以让你养家糊口,但它带给你的乐趣更为重要些。

我想说的,不是如何选择自己喜欢的行业的问题,而是如何爱上你现在的职业。因为很多人都是在高考填报志愿的时候就已经注定他是个程序员(或者其他职业)了,少数人会选择转行,但是会遇到很大的挑战。我们高考的年龄还比较小,所以“爱一行而干一行”的人很少,反而“干一行而爱上这一行”才是解决问题比较好的态度。

我觉得,一份工作,是否会让你长时间持续对它充满兴趣,关键是看它的重复性。如果重复性越高,你将会很快对它失去兴趣;反之,如果一份工作中充满了创新和挑战,那么你对它的兴趣会保持比较长的时间。

本科认识一个学长,他的成绩非常优秀,能力也出类拔萃,如果说一个年级要评出一个大牛那比然是他。那时他刚刚博士毕业,并且果断地选择留校。我当时问他为什么留校而不选择去企业挣更多的钱。他答道:“在学校可以做自己想做的事情。”没错,就是这个简单的理由。我看到那个实验室很多有意思的创新,小玩意,新点子,在嵌入式领域或者人工智能领域有一些都是前所未有的创意,那全是出自他手,这样的工作真的很有意思。再想想我的那些本科毕业就去企业工作的同学们,工资都是比较体面的,但是很多人都是做一些边缘的工作。常常有同学跟我抱怨说当初读研多好,现在天天写脚本跑测试,真没有意思。我想,这也是多数人愿意去做研发,而少数人才愿去做测试的原因吧。(测试很重要,请勿有偏见)

做测试已经很不错了。我们经常会看到不少重复性及其高的职业。比如车间工人,公交司机,或者售票员,再或者邮局银行等前台服务员,他们工作了几年甚至十几年,对同一个动作重复了无数次。我觉得这样的毫无变化的重复会让人变得无趣,失去活力,没有创新,它消磨着人的灵性。(额。。。说的太严重了,但是我想不出更好的词语来表达)所以我见到的以上行业的人大多都是容易变得暴躁,且常常保持着不耐烦的态度。

在重复的工作里,也是可以寻找创新的,这样的人也很容易从自己的同事中脱颖而出。但是,不同的工作重复性有着天壤之别,人们又很容易被自己的工作性质所局限起来。对于那些正在决定找一份什么样的工作的人们来说,我的想法可以稍作参考。

手把手教你配置SAP EWM HU类型及号段分配(含常见错误排查) 本文详细介绍了SAP EWM系统中HU类型及号段分配的配置方法,包括环境准备、包材主数据配置、存储类型关联及号段管理。通过实战案例和常见错误排查,帮助用户高效完成HU配置,提升仓储管理效率。重点讲解了EWM后台配置和号段配置的关键步骤与技巧。 阅读详情

相关推荐

Palantir解密:“本体”的建模逻辑及其扩展方向

上一篇重点从对现实世界建模的角度探讨了“本体”在数字化架构中的核心意义。这里借Palantir的“本体”概念、解析Palantir只是起点,目标旨在以他山之石攻玉——探索数字世界的底层架构逻辑,最终为构建自主体系提供思考。Palantir以“本体论”为核心的建模方案是否代表终极答案,不宜过早下结论,但其思路值得深入剖析。

SZSDQJC的博客 2635

浅谈软件行业中的重复性工作

我本人是软件专业出身,对于软件行业中的重复性工作也是见怪不怪了。然而对于这种重复对于软件行业的发展是一种极大的阻碍,以网上关于软件开发的技术性帖子为例,重复,雷同,抄袭,到处都是。在网上搜索一个关于“android....”的问题,就会出现一大批关于此问题的条目,看似很好解答很多,但点开一看就蒙了,各个论坛,各个用户写的有关“android...”的帖子都相似,甚至完全相同。这是为什么,...

aibo4482的博客 430

数字设计实验:自动售货机

本文旨在介绍数字设计实验:自动售货机的设计思路和实现代码

2401_83740084的博客 2227

软件开发中的“重复”问题,你真的了解吗?

文章目录下篇:[怎么解决Maven和Spring配置重复的问题?](https://blog.youkuaiyun.com/belongtocode/article/details/117695670?spm=1001.2014.3001.5501)代码重复代码注释的重复 软件开发中的“重复”问题分为上下篇,这里是上篇: 下篇:怎么解决Maven和Spring配置重复的问题? 你好,我是雷威。 你有没有发现,现在大家对于软件开发中的“重复”已经见怪不怪了?而且大部分开发人员并没有意识到“重复”的危害性,它会让软件难

Apple_Boy的博客 1832

手把手教你用HiNet实现图像隐藏:可逆神经网络实战指南(附代码)

本文提供了一份基于HiNet框架实现图像隐藏的实战指南。通过详细解析可逆神经网络原理,手把手指导环境搭建、模型构建、损失函数设计及训练流程,并附有完整代码。该方法利用单个可逆网络统一隐藏与恢复过程,结合小波变换提升隐蔽性,为信息隐藏应用提供了高效解决方案。

rgv234567的博客 433

可调电源的电路设计

可调电源在电路调试中经常用到,可调电源分为两种2-5v(非0点可调)和0-5v(低至0点可调)可调两种。 对于第一种非0点电压的可调范围,其主要是由于开关电源或LDO芯片输出的最小电压为一个固定电压值,非0范围。因此通过调节开关电源或LDO端的反馈电阻的设计模型,其电压可调范围都与芯片的参考电压有关。 基于开关电源的可调电压设计电路 因芯片U2的输出参考电压VSENSE管脚为1.22v。因此,通过调节可调电阻R8的数值,其芯片输出的最低电压一定不小于1.22v。当然此种方案是手动可调输出电压的设计,如

weixin_42257266的博客 9731

太强了,Python 开发桌面小工具,让代码替我们干重复的工作

决定写这篇文章的初衷是来源于一位小伙伴的问题,关于"如何根据数据源用 Python 自动生成透视表",这个问题背后有个非常好的解决思路,让代码替我们做重复的工作,从而减轻工作量,减少出错。 Python 开发的小工具实际上是将 Python 程序打包成 exe,分享即可用,即便电脑没有安装 Python 环境,也可以使用,用代码提高工作效率,尽量少加班。 内容大纲 明确需求:自动生成透视表【这部分可以换成你的重复性工作】 安装三方依赖库:tkinter 和 pyinstaller 代码实现:

weixin_58753619的博客 2925

华为od 面试八股文_Python_02_含答案

华为od 面试八股文_Python_02_含答案

MISAYAONE的博客 4534

程序员的重复劳动陷阱

同样是一样的计算机专业毕业,进入职场的职位和工作都差不多,为何有些程序员短短几年就成长为全能选手或领域专家,有些程序员还在做CRUD?   程序员的重复劳动陷阱   不知道大家有没有这样的感觉,每次加入一个新的公司/组,一开始总是要学这个学那个,可能会花很多时间看现有的代码,然后花一些时间实现一点点小的功能,等到经过一段时间后,自己对工作越来越得心应手,提来的类似需求马上就可以做,以做得多做得...

Anthony的专栏 583

C#串口通信从入门到精通(1)——硬件接线

RS-232接口一般都是9针的,有公母头(针头和孔头),为了便有理解以下都称为针头和孔头,针头就是露出来的针,孔头就是9个孔,总共使用3条线进行通信,一条用于发送,一条用于接收,另外一根是GND地线,由于线路的功能是永久性的,设置连接时,必须确保一个节点的发送线与另一个节点的接收线相连,反之亦然,RxD(PC的接收线)连接到TxD(传感器电子设备的发送线),TxD(PC的发送线)连接到RxD(传感器电子设备的发送线)。两条线路的电平都是相对于GND的。因此,GND也必须连接,但不能将GND与屏蔽连接。

qq_34059233的博客 1万+

【踩坑记录】pandas.to_sql 报 “‘Engine‘ object has no attribute ‘cursor‘”,最后竟然是环境问题

摘要 本文记录了使用pandas+SQLAlchemy+pymysql将数据写入MySQL时遇到的"Engine对象无cursor属性"错误及其解决方案。问题表现为to_sql方法将SQLAlchemy引擎误认为普通DBAPI连接,导致调用cursor()方法失败。经排查发现,这是由于pandas/SQLAlchemy环境损坏所致,而非代码问题。最终通过完全卸载并重新安装pandas(≥2.1)、SQLAlchemy(≥2.0)和pymysql解决了该问题。文章还建议将遗留的read_s

每日出拳老爷子的博客 336

精明的程序员——爱学习

精明的程序员——爱学习 上一篇说到,尽可能少地去做重复的工作,因为它很难让人进步。这篇说说如何寻求进步,答案就是学习。 先说说我的大学经历吧:一二年级打基础,三年级开始做了第一个大项目,四年级就实习了。要说哪个阶段收获多,什么时间进步少,其实感觉每个阶段收获都很多。 上学的期间一定要把基础打扎实,有很多知识看似眼前没有什么实际用处,其实不然。 刚上大学的时候,觉得所

BABY的专栏 9721

5GS 协议栈 — PFCP 协议 — URR 用量上报规则

目录 文章目录目录URR 用量上报规则UEE 的参数Usage Report 的参数示例 URR 用量上报规则 29244 5.2.2 Usage Reporting Rule URR 的作用? 用来告诉 UPF 如何对 PDR 识别的 SDF 或 Application 业务进行使用量统计信息的上报。CP 收到 Report Information 后,可用于计费或者管控(e.g. 超量限速)等用途。 URR 在哪个流程里下发的? N4 会话建立流程。 N4 会话修改流程。 URR 是怎么工作

烟云的计算 4590

一个混迹在十八线小城的程序员 | 程序员有话说

不是每座城市都是北上广,不是每个互联网公司都是大厂,不是每个程序员都月入10k起。 我叫王辛,是一名苦苦挣扎在一座十八线小城的程序员。 你们切莫因为我不在北上广等一线城市,也不在BAT等名企而判定我为半路出家的“野生”程序员,其实我和你们一样,也是根正苗红的科班出身,只不过我没有你们中很多人的名校背景,跟你们一比,我的学历有些拿不出手,我15年毕业于宿州学院——一个名不见经传的三本...

程序人生的博客 7080

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

优秀的程序员,应选择明智但并不聪明的方式写代码

找到一套好的视频资料,紧跟大牛梳理好的知识框架进行学习。多练。(视频优势是互动感强,容易集中注意力)你不需要是天才,也不需要具备强悍的天赋,只要做到这两点,短期内成功的概率是非常高的。对于很多初中级Android工程师而言,想要提升技能,往往是自己摸索成长,不成体系的学习效果低效漫长且无助。以上就是总结的关于在面试的一些总结,希望对大家能有些帮助,除了这些面试中需要注意的问题,当然最重要的就是刷题了,这里放上我之前整理的一份超全的面试专题PDF还有。

m0_60667406的博客 441

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

程序员

<br /><br /><br />   1. 一个程序员用在写程序上的时间大概占他的工作时间的10-20%,大部分的程序员每天大约能写出10-12行的能进入最终的产品的代码 — —不管他的技术水平有多高。 好的程序员花去90%的时间在思考、研究和实验,来找出最优方案。差的程序员花去90%的时间在调试问题程序、盲目的修改程序,期望某种写法能可行。“一 个卓越的车床工可以要求比一个一般的车床工多拿数倍高的工资,但一个卓越的软件写手的价值会10000倍于一个普通的写手。”——比尔 盖茨<br /> 

gaogao0603的专栏 629

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

一个程序员用在写程序上的时间大概占他的工作时间的10-20%

一个程序员用在写程序上的时间大概占他的工作时间的10-20%,大部分的程序员每天大约能写出10-12行的能进入最终的产品的代码 — —不管他的技术水平有多高。 好的程序员花去90%的时间在思考、研究和实验,来找出最优方案。差的程序员花去90%的时间在调试问题程序、盲目的修改程序,期望某种写法能可行。 ”一个卓越的车床工可以要求比一个一般的车床工多拿数倍高的工资,但一个卓越的软件写手的价值

caimagic的专栏 4088

一个程序员用在写程序上的时间大概占他工作时间的10%

一个程序员用在写程序上的时间大概占他的工作时间的10-20%,大部分的程序员每天大约能写出10-12行的能进入最终的产品的代码 — —不管他的技术水平有多高。 好的程序员花去90%的时间在思考、研究和实验,来找出最优方案。差的程序员花去90%的时间在调试问题程序、盲目的修改程序,期望某种写法能可行。”一个卓越的车床工可以要求比一个一般的车床工多拿数倍高的工资,但一个卓越的软件写手的价值会10000

积累与坚持 1278

自己的薪水处于行业什么水平?三张数据图,揭示程序员担忧的主要问题

每个职场人士都很关心自己的薪水处在行业什么水平,程序员也不例外,除了问身边的同事、朋友,各大QQ技术群、微信技术群也在常常谈论收入问题。当然,每个人的朋友圈子不同,所得到的答案也有很大不同,比如你在某大神群,年薪低于50万都不好意思开口,而更多的朋友则在抱怨自己年薪太低,“拖了后腿”。 那么真实情况如何呢?来看看专业调查机构发布的调查报告。 《2018年中国程序员生存现状报告》对程序员的职业状况包括收入情况做了详细的调查。调查对象包含全国28个省、直辖市的15万名优秀程序员和4000多名签约开发者,调

致力于C语言C++知识分享! 466

什么是好的程序员

1. 一个程序员用在写程序上的时间大概占他的工作时间的10-20%,大部分的程序员每天大约能写出10-12行的能进入最终的产品的代码——不管他的技术水平有多高。好的程序员花去90%的时间在思考、研究和实验,来找出最优方案。差的程序员花去90%的时间在调试问题程序、盲目的修改程序,期望某种写法能可行。“一个卓越的车床工可以要求比一个一般的车床工多拿数倍高的工资,但一个卓越的软件写手的价值会10000

领悟 释然 469

一个混迹在十八线小城的程序员

作者:年素清 来源:码农故事汇不是每座城市都是北上广,不是每个互联网公司都是大厂,不是每个程序员都月入10k起。 我叫王辛,是一名苦苦挣扎在一座十八线小城的程序员...

数据森麟 273

优秀程序员的编程效率是普通程序员的十倍以上

当程序员的经历让我知道了一些关于软件编程的事情。 下面的这些事情可能会让朋友们对软件开发感到惊讶: 一个程序员用在写程序上的时间大概占他的工作时间的10-20%,大部分的程序员每天大约能写出10-12行的能进入最终的产品的代码 — —不管他的技术水平有多高。  好的程序员花去90%的时间在思考、研究和实验,来找出最优方案。 差的程序员花去90%的时间在调试问题程序、盲目的修

wzb56的资料库 1145
上一篇: 精明的程序员——封装了什么
下一篇: 精明的程序员——程序员的三个技能
BABY
博客等级 码龄18年 480粉丝 46原创
评论 4
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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