人生第一个 Offer :作为算法工程师,去大公司 or 创业公司?

智驾算法工程师跳槽指南:从技术评估到决策模型 自动驾驶技术作为人工智能在垂直领域的重要应用,其核心在于构建感知-决策-控制的闭环系统。智驾算法工程师需要掌握BEV+Transformer等前沿技术,同时应对多传感器融合、Corner Case处理等工程挑战。职业发展路径上,持续学习投入需占工作时间的30%以上,技术栈迭代速度远超想象。在跳槽决策时,可建立量化评估模型,综合考虑技术成长性、薪资待遇、公司前景等12个因子,使用熵权法进行科学计算。对于中高级工程师,新势力车企提供的技术前沿性与传统外企的WLB保障各具优势,而初创公司则提供更高潜在收益。面试过 阅读详情

笔者介绍:元峰,技术公众号 AIZOO 的号主,2018 年硕士毕业,毕业后拒掉了一些明星的互联网公司,以及华为、科大讯飞等科技公司,选择去了「CV 四小龙」中的某家,在里面做了将近两年炼丹工程师,对行业内状况有一些深入的了解。

本文根据笔者自身的经历,结合一些圈内朋友的观点,谈一谈应届生算法岗,offer 选择的建议,将具体分析,到底应该选择大公司和巨头,还是选择 AI 明星创业公司。

文中所写的也适用于后端、前端等开发岗位,但限于所涉猎的领域,主要针对于算法岗位。

前言:到底该去哪儿呢?

2018 年参加完 VALSE 会议,笔者在飞机上偶遇了东南大学耿新老师(耿新教授是周志华老师的学生,东南大学 PALM 实验室主任,公认的业内大佬)。

交谈中耿老师提到了关于 offer 的问题,他说了一句话,「我们实验室学生,相比于 BAT,更倾向于去商汤、旷视这种明星创业公司」。

随着深度学习的飞速发展,许多明星创业公司三四年内就迅速成长为独角兽,巨大的光环,吸引了许多的应届生,甚至放弃到手的 BATH、TMD 的 offer,选择了 AI 创业公司。

而业务已日趋稳定的知名大厂,自不必多说,它们天然就有很多诱人的因素。

但 offer 是一个非常难以抉择的事情,因为要考虑的因素太多,例如薪资差异、岗位和自身技能的匹配程度,公司发展状况、城市选择等等,很难直接给出一个确定的结论。

所以,本文只能列出巨头和 AI 明星创业公司的优劣比较,真正的选择,还是要靠自己拿捏。

AI 创业公司 • 优势

高速成长

很多人都看中这一点。进入明星创业公司,公司规模迅速发展的过程中,早期进入的员工,成长为组长或者小 leader 的概率,相比大公司的确要高很多。

以旷视为例,工号前十的那些创始人大都是 90 后,随着旷视的快速发展,都成长为了公司的重要骨干。

姓名

工号

岗位

经历

陈可卿

No.5

研发部产品

总监

91 年出生,大二进入旷视实习六年

范浩强

No.6

研究院算法

总监

94 年出生,高二加入旷视,多项 AI 比赛的世界冠军

周而进

No.12

人脸识别技术

负责人

92 年出生,初三保送清华,大二进入旷视

张祥雨

未知

基础算法组 

leader

91 年出生,ResNet 作者之一,16 年加入旷视

在笔者的前东家,也是这种情况,研究院的 leader,基本都是最早入职的几个人,在 18、 19 年团队规模迅速扩张的过程中,他们带领的团队规模也从一两个人拓展到数十个人。

而笔者离职的时候,组长也表达了类似的观点,希望我尽量留下,可以去带领新入职的应届生,从而获得快速的成长。

高额薪水

为了延揽人才,财大气粗的明星创业公司,能开得起比 BAT 更高的薪水(融资的优势)。

在 BATH 还停留在 18k、20k 起步的 offer 时,CV 四小龙 2019 年基本都是 25k 左右起步了,而依图、商汤甚至开出了 30k 以上的 offer。

同样的起步,在 AI 明星创业公司,可能比大公司多拿 5k 左右的薪水。另外,依图还给部分应届生期权,不过这些明星 AI 公司规模也都数千人了,要追求更高期权,要去更小的初创团队。

AI  创业公司 • 劣势

前景不清晰

因为人工智能和算法,只是一项技术,很难单独做成toC 的产品,当前 AI 公司多数都是 toB 或者 toG 的商业模式。

笔者在《2020 年代,中国 AI 创业公司将走向何方》这篇文章中介绍过,toB 很难做到 toC 互联网公司那种一家独大、赢者通吃。但目前的市值和盈利规模来看,toC 的互联网公司远比 toB 的公司要强。

最重要的是,当前的 AI 创业公司基本都没有规模化盈利。旷视招股书显示,2018 年和 2019 年上半年,旷视盈利分别为 3220 万元和 3270 万元,作为同样成立于 2011 年的陌陌,2019 年上半年盈利则为 21.528 亿,是旷视的 66 倍。

其他几家,也是在盈亏平衡或者亏损阶段。长此以往,在融资趋于困难,公司盈利不佳的情况下,员工的年终奖等福利,肯定会不如盈利能力更强的大厂。

而像华为给员工发 20 亿,腾讯云团队人手一台 iPhone,都是建立在一年盈利分别在 600 亿和 900 亿左右的基础之上。

另一方面,受疫情打击,AI+ 教育赛道内的明星公司松鼠 AI,在 2 月份宣布全员降薪到原薪资的 35%,以避免现金流断裂。

AI 明星创业公司是否光环长存,是一个值得思考的问题。

管理乱

AI 明星创业公司的飞速发展,难以避免的导致公司管理乱,职级不清晰。

如果毕业去 BATH、TMD 这种大公司,会有清晰的职级,比如阿里或者华为,会有明确的打怪升级路线,而这些级别在你跳槽的时候,外界也是认可的。

但是在创业公司,一般没有清晰的职级。比较糟心的是,在创业公司干了五年,可能在跳槽的时候,还只能说自己是一名算法或者开发工程师。

因为缺乏大公司里面高效、严格的管理,或许会让创业公司更灵活,这个做法的优劣还不好下定论。

但松散的组织,有可能导致各个部门各自为政,各立山头,例如,一个目标检测算法,可能多个团队都在做,导致资源利用效率很低。

踩坑较多

AI 创业公司,因为创始人多数是学者或者年轻学生出身,他们在探索商业化的道路以及公司方向选择的时候,不可避免的要面临很多坑和挫折。

像地平线余凯博士这种知名高管出来创业,仍然说创业要摸索前进,寻找破局点。

“ 

关于 AI 创业的炒作可以休矣,这个方向还在黑暗中摸索。为啥这些最好的人工智能公司的归宿就是被收购(其实主要是人才收购)?因为一项技术自身很难支撑一个商业模式。AI 公司需要的是静水流深,寻找破局点。喧闹的炒作之后搞得一地鸡毛,对这个行业发展并不好。

                                                                             ——地平线创始人余凯

”

创始人踩坑,可能导致类似 2019 年底地平线较大范围的裁减 AIoT 部门,早期宣传的智能家居,在地平线官网已然销声匿迹;或者像旷视 2018 年底整个裁撤杭州的安防团队。

而知名的自动驾驶公司图森科技,早期也是做算法 API 服务的(给新浪做车型识别检测),后来才战略转型做货运自动驾驶。

去明星的创业公司,是有可能面临企业战略转型的,但作为普通员工,就要面临裁员或者转换业务方向的问题。

大公司• 优势

初创企业的劣势,基本都是大公司的优势,反之亦然。这里我们简单的概括一下。

稳定有保障

巨头的主营业务基本已经定型,例如 BAT 的搜索、电商和广告、游戏,华为的运营商电信设备和个人手机终端, 稳定的主营业务和盈利,在员工薪酬和福利上,会有更好的保障。

而大部分小规模的初创公司,社保都并非全额缴纳。比如 CV 四小龙中的某家,老员工的五险一金也是按照六七千的水平缴纳。

职级清晰

上面我们已经介绍过,在大公司,可以按照清晰的职级,清楚的制定职业发展方向和个人奋斗目标。

而笔者在美团、华为的同学,靠着稳扎稳打,今天的职级和薪酬,反而比笔者高很多,尤其是他们的高额年终奖,让笔者只有羡慕的份。

名企光环

对于普通人,这点极为重要。如果在大公司工作几年,基本可以做到小企业随便跳,而且过去可能就是一个 leader,而在小企业工作五年,别说跳槽去大企业,再去小企业,都不见得受待见。

我们看某个初创公司,对外宣传时,一般说,我们的核心团队来自于谷歌、腾讯、阿里、华为,而不会写来自于某个不知名的小公司。

某种层面来说,大公司光环,等同于名校的学历。

技术实力

在顶级的 AI 创业公司,像旷视、商汤这种,或许能吸引很多非常厉害的应届生进入,例如旷视经常被称作「清北集中营」,但是在大部分创业公司,其人才平均水准,较大企业是差一两个等级的。

巨头聚集了更多的顶级名校或者实力更强的毕业生。这里不歧视任何人,但不得不承认,不同层级学校的毕业生,其总体(不要拿个体来反驳)的视野、能力、思维方式都不在一个 level。

所谓「蓬生麻中,不扶自直;白沙在涅,与之俱黑」,大家可以自己体会。

大公司 · 劣势

我们最常听到的一句话是:「在小公司能独挡一面,在大公司只能当螺丝钉」。

或许,这句话有一定的正确性,大公司里基本各个方面都有专门的团队负责,你只需要做好自己负责的方向就可以了;而在小公司,可能各方面都得操心,身兼多职。

但是,对于普通人来说,是在一个方向做精做深,还是广撒网,本身就是仁者见仁、智者见智的事情。

而对于一些人提到大公司体制僵化,晋升难,或许去初创企业,也不一定能快速晋升。

总结:认清你自己

前面叙述了那么多,借用一个有明星 AI 创业公司和互联网巨头工作经验的朋友,做过的一句总结:如果你特别厉害,能独当一面,可以去创业公司;否则还是老老实实去大公司好好学习、提升自己。

请注意,本文讨论的选项是大公司和明星 AI 创业公司,对于更小规模的创业公司,除非创始人和初始团队非常厉害,否则,去这些公司的风险更大,对一个人的职业发展可能有较大不利影响。

另外,大公司的校招职位数(HC)也是有限的,在 2019 年算法岗一片红海的情况下,大部分算法应届生,很难拿到 BATH、TMD 这些大公司的算法岗 offer 的,最终去 AI 明星创业公司,也是不错的选择。

而对于学校不太好的毕业生,去大公司和 AI 独角兽的难度更大,或许开发岗进大公司的难度更小一些。如果不得不去规模更小的公司去做算法,需要谨慎考虑一下。

最后给个小建议:如果你很想或者不得不去一家创业公司,在拿到 offer 后,抽出时间去实习一段时间,哪怕只有一个月,也会让你对这家公司的团队氛围、发展前景、员工福利有一个较为清晰的认识,这时,如果不符预期,还可以及时止损。

最后,祝愿大家都能拿到称心如意的好 offer,祝您前程似锦!

扫描二维码

关注

AIZOO

—— 完 ——

更多精彩内容(点击图片阅读)

人生程序化:用调试思维重构职业与生活 在数字化生存成为常态的今天,‘程序思维’已超越技术范畴,演变为一种基础认知范式——它强调输入可控、逻辑可验、反馈闭环与主动调试。这种思维并非要求人人写代码,而是将人生视为一个可建模、可监控、可迭代的动态系统,核心在于建立确定性应对机制与持续优化能力。尤其在职业转型、关系管理、学习效能和健康管理等高频场景中,通过定义变量、部署监控、设置钩子、灰度验证等工程化方法,能显著提升决策质量与系统韧性。本文聚焦‘人生建模’与‘主动调试’两大热词,提供一套无需编程基础、却具备强实操性的个人操作系统升级路径。 阅读详情

相关推荐

Latex在VSCODE中编译报错`Recipe terminated with error. Retry building the project.

Latex在VSCODE中编译报错Recipe terminated with error. Retry building the project. 1 报错提示: Recipe terminated with error 2 报错原因 大概率的原因是因为latex没有添加到系统环境变量中,所有设置的编译工具没有办法找到才出现的这种情况 3 解决方案 请按照如下方式进行系统变量的添加 对windows,win+R 然后输入sysdm.cpl 在高级中选择环境变量 找到path环境变量,将txtlive中

呆呆象呆呆的博客 3万+

用我的亲身经历告诉你创业公司应该招什么样的算法工程师

事先说明如下是自己根据个人经历总结出来,不喜欢勿喷。 我不会随意的说谁不好,只是总结自己的个人经历。那么开始本人在一年半的时间中经历了,两个创业公司退市。 第一个,经历了一年,本人是在公司初始就参与其中的,老板很年轻(管理经验,和技术经验都没有),和我同龄,对人工智能感兴趣。选择的行业是智能教育,公司起初配备了,几台gtx2080ti的电脑,我也是正式的进入人工智能行业,之前只不过是在公司储备了一些基础知识,和简单的应用。所以没能拥有话语权,负责干活。 前三个月负责处理各种复杂的数据结构成为数据集,写加载

东方佑 975

GD32测量pwm波频率以及占空比

1、需求 最近做的一个项目,其中有一个传感器输出是pwm波形,频率代表速度,频率越高速度越快。不同的占空比代表不同的故障类型。占空比10%~90%,频率范围20hz ~1khz。 基于以上的需求,单片机要实现两个功能: 1、测量频率 2、测量占空比 这怎么玩呢?从没搞过啊。 2、需求分析 经过查找资料以及参考正点原子的教程,发现单片机的定时器的输入捕获功能能够实现该功能。 2.1分析 如上图所示,测量占空比和测量频率实际上就是测量波形的长度。 对于占空比,就是测量T2与T1时刻的差值 对于频率,就是测量T

Jack Yi的博客 9082

专访王亮:从算法工程师到创业AI企业服务步步为赢

王亮,华中科技大学博士,前腾讯研究员。曾在腾讯负责过多个数据运营系统和社区推荐系统研发。研究领域包括商业BI、推荐系统、NLP。2015年创业,创立APPBK运营助手,关注AI在企业服务中的应用。   他曾是腾讯搜索研究员,主要做算法相关的研究,更多的人觉得算法是一门苦学问,开发人员、产品人员、运营人员都离不开,2015年“自立山头”后,他将自己的App推广经验汇总成《ASO优化

人邮异步社区 1670

使用TensorFlow搭建FNN(全连接神经网络)的基本步骤

提示:转载请注明出处,若本文无意侵犯到您的合法权益,请及时与作者联系。 目录 一、定义神经网络的输入输出 二、搭建神经网络 1、定义一个神经层中的权重 2、定义一个神经层中的阈值 3、定义一个神经层中的激活函数 4、组合神经层为神经网络 三、搭建损失函数和优化器 1、搭建损失函数 首先介绍第一个函数这其中用到的共同的函数为 2、定义优化器 四、训练神经网络 全连接神经网络的网络结构如下: 一、定义神经网络的输入输出 神经网络最擅长的工作就是模拟非线性函数,即一个复杂的高..

qq_41959920的博客 4073

集成学习之GBDT

GBDT

joejoeqian的博客 1260

算法工程师程序员职业规划

算法工程师程序员职业规划 自从硕士毕业后,一直从事算法方面(视频编解码,深度学习,全景VR)的工作,目前人到中年,感觉有点在十字路口,不知道未来规划是什么样的,因为最近搜索了网上关于程序员的职业生涯规划。 根据自己理解,找出我认为值得我后面注意的地方,记录下来,朝着正确的方向前行。目前下面的内容基本赞向,唯一不确定的是到底是在某个技术方向深耕好,还是在某个方向有优势的前提下发展多个方向。 ...

风口上的传奇 2万+

Win11显卡驱动安装失败的全面解决方案

Windows 11显卡驱动安装失败是一个比较常见的问题,但通过上述方法,我们可以有效地解决这一问题。方法一通过调整组策略编辑器的驱动程序安装策略,可能解决一些因签名问题导致的安装失败;而方法二则通过重装Windows 11系统,为系统提供一个全新的、干净的环境,从而可能解决更复杂的安装问题。在实际操作中,用户可以根据具体情况选择合适的方法来解决显卡驱动安装失败的问题。

nntxthml的博客 2667

2017校招面经(BAT、搜狗、搜狐、一点资讯、360、华为优招)

总体流程:简单介绍下自己、各个公司面经、总结、薪资1.简单介绍面试岗位:机器学习 | 数据挖掘 | 算法工程师 | 基础研究比赛经历:天池比赛Top 10,滴滴算法大赛Top 5科研经历:实验室主要方向:计算机视觉+生物信息。在研一上课的时候,实验室有师兄在做计算广告ctr预估、异构平台搭建,自己也算是耳融目染,学习了一些吧。个人背景:本科普通院校信息管理与信息系统(计算机与管理的交叉学科),考研到

雪伦的专栏 2万+

7系列ZYNQ硬件调试:Vitis无法识别ARM DAP的排查与解决

本文针对7系列ZYNQ开发中Vitis无法识别ARM DAP的典型硬件调试问题,提供了系统性的排查与解决方案。文章深入剖析了问题本质,指出ARM DAP无法访问的核心原因在于PS部分的电源、时钟或复位等硬件基础条件未满足,并重点强调了PS参考时钟(如33.333MHz晶振)的完整性是关键排查点。通过从电源完整性、时钟与复位信号到JTAG连接与焊接的逐步硬件排查,并结合软件配置交叉验证,为开发者提供了清晰的故障定位思路与实战指南。

weixin_29280657的博客 629

YOLOv8改进策略【卷积层】| TIP 2025 MFA 多阶段特征聚合 大核扩感受 + 多梯度融合,强效增强弱小目标特征

红外弱小目标尺寸极小、信噪比低,在特征传递中极易丢失信息;常规卷积感受野单一、梯度源不足,难以同时捕捉局部细节与全局上下文,导致小目标特征表达弱、检测漏检。因此提出多阶段特征聚合 MFA,用大核卷积+多分支+通道注意力强化小目标特征提取。

Limiiiing的博客 61

算法工程师:找不到出路在哪,虽然很努力,觉得像算法民工!

作为一名技术人员,我想大部分人都经历过迷茫的阶段,不知道自己该超那个方向努力,搞不清该怎么往后规划自己的未来,这也是正常现象,谁都有迷茫的时候,只要走出来就好了,这才是完整的人生,只要采取积极的方法与措施,最终肯定是能走出这段迷茫的阶段的,近期就有一名算法工程师网友分享了他的一个个人情况。 据这名算法工程师说,他的日常工作大部分时候就是收集和处理数据。就说模型吧,搞不过那些专门搞研究发paper...

sssdhua的博客 6607

宇树G1语音助手完整开发指南(上)——从零构建智能知识库对话系统

本文将详细介绍如何为宇树G1人形机器人开发一个,实现"唤醒 → 对话 → 查询 → 回复"的智能助手功能。

m0_47999117的博客 789

技术人职业选择:大公司与创业公司的本质差异与成长路径

在技术职业发展中,工程师常面临大公司与创业公司的选择。从技术概念上看,这本质是两种不同的成长体系与价值实现路径。大公司提供的是深度专业化训练和稳定的资源支持,其原理在于通过成熟的流程和规范,培养在特定技术领域的精深专家,技术价值体现在对复杂系统、高性能计算或特定架构的深度掌握。而创业公司则遵循快速迭代和问题驱动的学习原理,其核心价值在于培养全栈能力、系统思维和商业意识,技术人能在真实市场压力下,从硬件选型、软件架构到产品交付进行端到端实践。应用场景上,前者适合追求技术深度与稳定性的工程师,后者则更适合渴望广

weixin_30905981的博客 366

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

讲讲我当年是怎么拿到AI研发公司offer的

https://www.toutiao.com/a6663343933172482563/ 前言 很多的老铁私信问我,当年我是怎么拿到公司offer的,我记得我毕业是2015年,那时人工智能这个行业还没热起来,能提供的岗位很少但是面试的人更少,我又是本专业毕业的,所以当初找工作还算顺利,去面了4家然后都拿到了offer,最终我选择了其中一家一直待到现在,而且每年我都会去各个公司去面试。接...

喜欢打酱油的老鸟 1539

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")

头条 Python 工程师面经分享:一年经验也能进大公司!

0.背景 博主本人 2015 年毕业于郫县某 985 大学通信工程系,因为大学期间一直自己创业所以错过了大四秋招春招,毕业后又在北京继续创业一年,但在创业公司一直无法沉淀技术累积,于16年年底萌生进大公司学习的想法,于是从16年年底开始通过社招找工作。虽然大学就开始做研发,但无奈简历只看毕业工作经验,所以本人简历只有一年工作经验。 在此总结一篇文章给各位参考; 1.阿凡题 应该算是人生第一场面试,...

QQ群166477105Python技术群 621

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

【程序人生】校招算法岗简介?算法岗真的人均顶会吗?如何斩获互联网大厂50万+年薪算法岗offer?

校招算法岗看重什么?顶会其实不是必需品:对于研究型算法工程师来说才是,业务型算法工程师来说并不是的。80%都是业务型算法工程师,他们的日常工作就是接需求,分析任务,给出排期,项目上线。实际应用中,使用的不是最新论文中的模型,而是一些简单有效的快速baseline。因此,重要的是你向面试官展示实际解决需求的能力。能力的体现方式:50万年保属于中上水平,身边同学基本40w+,优秀的能拿60w(基本工资+股票+签字费)简历上把自己的区分度突出来,竞争者大部分都很优秀,找算法岗基本都是985硕士。要不然就是有大厂实

点赞的都能无bug通过! 2679

应届生,一口气拿下微软、Hulu、Amazon、腾讯、百度、网易、美团、华为等18家公司SP Offer面经(1)

分享一套我整理的面试干货,这份文档结合了我多年的面试官经验,站在面试官的角度来告诉你,面试官提的那些问题他最想听到你给他的回答是什么,分享出来帮助那些对前途感到迷茫的朋友。

2401_84046677的博客 1948

从0到后端工程师

从0到后端工程师因为下定决心想转到后端工程师,所以就把工作辞了,开始了漫长的寻找工作之旅。一面的是一家上海的创业公司,地址比较偏远,找了半天,过去的时候还发现他们在搬家,心想,创业公司真不容易啊,什么都要自己来。期间他问到了我的Python基础知识,我答得支支吾吾,各种不确定,还有被问到了后端组件的知识,我也是不了解。框架的知识就也是各种不了解。第一次面试就这样结束了,不过考虑到自己刚学...

weixin_30853329的博客 90

从校招失利到百度Offer:我的全栈工程师成长之路

在软件开发领域,全栈工程师需要掌握从前端到后端的完整技术栈,而工程思维则是将理论知识转化为实际解决方案的关键能力。本文通过作者从校招失利到最终获得百度Offer的真实经历,揭示了在小公司实践中积累的全栈开发经验如何成为技术突围的利器。特别分享了在电商ERP系统中处理高并发、数据库优化等典型场景时,如何运用Redis缓存、分库分表等技术解决实际问题。对于面临职业转折的开发者,文中提供的LeetCode训练方法、STAR法则项目包装等实战技巧,以及从野路子到专业选手的转型策略,都具有重要参考价值。

weixin_34320724的博客 531

最有潜力取代Java地位,那些跳槽python的工程师现在怎么样了

人生苦短,我用python 「人生苦短,快用Python」,这话曾是不少选择投入Python麾下的「码农」们的一句调侃和自我标榜。 过去几年间Python一直都被寄予厚望,有人认为它最有望超越Java的地位,成为主流编程语言霸主。 然而,与国际技术社区上一片「形势大好」对比鲜明的是,国内技术圈却一直存在对Python的「力挺」和「唱衰」两派阵营,针锋相对;同时Python在国内互联...

qq_42489308的博客 423

技术人职业决策框架:从清华博士择业看平台、赛道与成长权衡

在技术领域,职业发展路径的选择是每位工程师和研究员都会面临的核心问题。从技术原理上看,职业决策本质上是一个多目标优化问题,涉及个人技能栈、行业趋势、平台资源与成长空间等多个变量的权衡。其技术价值在于,通过建立理性的分析框架,可以帮助从业者将模糊的职业困惑转化为可量化评估的模型,从而做出更符合长期发展的选择。在应用场景上,无论是选择成熟大厂还是投身机器人等前沿创业公司,都需要评估技术深度、行业天花板、可迁移能力等关键维度。本文以清华博士的职业选择为切入点,深入探讨了如何构建个人职业决策评估模型,并结合机器人行

weixin_34413802的博客 428

Android开发6年,2024如此行情依然决定跳槽小公司,终于20

最后还是选择了外包公司,哈哈为什么会选择外包.电商这块我写了太多太多了,几乎已经失去了兴趣.今年这行情,创业公司不是很敢去,搞不好去个把月公司没了职业规划是大前端,跨平台快应用这块肯定要深入研究一下,虽然说外包接触不到核心技术,总比啥也接触不到好.第一次进外包,间接接触下一线大公司,了解下大公司的工作流程吧.人生需要体验,不试试怎么知道,都说外包坑,坑在哪呢?

m0_60635609的博客 1002

一个前端失业者的面试之旅

2018年,变动的一年,随着P2P的雷声不断轰鸣,各企业纷纷开始裁员过冬,“开猿节流”一词正式被创造,很不幸,笔者所在的金融公司也不得不进入“冬眠”,而我也在农历新年前变...

全栈者 的博客 569
上一篇: NVIDIA GTC 明日如约举行,持续 15 天,三万人已报名
下一篇: 海外疫情严峻,Udacity 对部分用户限免一个月
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
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