你作为程序员会焦虑吗?

我是程序员:当程序员有了女朋友,变得很焦虑怎么办 前言:你已经有女友了,没有的咋办? 最近有网友咨询了一个让人很“无语”的问题...。 有女朋友之后,晚上没时间学习技术,缺少时间加班,看书效率低,生活反而没有以前天天加班看书充实了,感到焦虑,这个问题怎么解决? 作为曾经的程序员,我自己也会有点自己的感想,从996到007,程序员其实更多的是焦虑感? 有女朋友是好事,但是这位网友反而非常焦虑,这也证明的IT行业的竞争性强、压力大、替代性强等等。 程序员为什么很容易焦虑。 人家是越老越吃香,你是越老越容易被裁。 你发现没,... 阅读详情

大家好,本文咱们不谈技术,来聊聊与每个人的发展息息相关的话题:即如何走好程序员这条路。

焦虑的程序员


让我们再次用思考框架分析一下问题。首先,现状是什么?关于这个问题,我并不打算讨论个体,因为每个人的情况千差万别,我准备从整体入手。

IT 行业是一个快速发展变化的行业,一方面,我们不断地看到有人快速取得成功,另一方面,我们也听到了许多充满焦虑的声音。获得大的成功总是一个小概率事件,大多数人面对的还是日常的柴米油盐。

我们的焦虑来自于对未来的不确定性,而这种不确定性是一个特定时代加上特定行业的产物。

如果把时间倒回到上个世纪 80 年代之前,虽然当时的生活条件一般,但很少有人会为未来的发展焦虑,因为那时候,人们可以清晰地看到自己未来的人生,尽管那种人生可能是平淡的。但今天的我们处在一个人类历史上少有的快速发展时代,我们看不清以后的人生,大脑却还停留在上一代人的思维习惯上。IT 行业在国内的大发展也就最近 20 多年的事,行业里很少有走过完整职业生涯的程序员。也正是因为如此,我们经常会产生了各种焦虑:

  • 我刚刚入行时,有人问,程序员能做到 30 岁吗?

  • 我快 30 岁时,有人问,35 岁还能做程序员吗?

  • 我 35 岁时,讨论变成了 40 岁的程序员该怎么办。

估计等国内有越来越多的程序员走完了整个职业生涯,就会有人关心,程序员退休之后的生活应该是什么样子了。从长期来看,只要生活中还有需要用自动化解决的问题,程序员这个群体还是很有前景的。但随着时间的推移,程序员这个职业的溢价也会越来越低,单纯凭借身处这个行业就获得好发展的可能性也越来越低,想让自己的职业生涯走得更顺畅,还需要找到更好的目标,不断努力。

成为 T 型人


我们再来回答下一个问题:目标是什么。也许这时候,每个人脑子里想到的职业发展路线都不一样,但我准备用一个统一的目标回答你:成为 T 型人。

什么叫 T 型人?简言之,一专多能。

有了“一专”,“多能”才是有意义的,否则,就是低水平重复,而这正是很多人职业生涯不见起色的真正原因。

这里的“专”不是熟练,而是深入。你可能是个有着 10 年丰富经验的程序员,但实际上只不过是重复了 10 年解决同样难度的问题而已,这根本就不算深入,也就没有做到真正意义上的“一专”。

你会发现很多优秀的人,在很多方面都会很优秀,这是“一专”带来的触类旁通。

当你有了“一专”,拓展“多能”,就会拥有更宽广的职业道路。比如,我拥有了深厚的技术功底,通晓怎么做软件:

  • 如果还能够带着其他人一起做好,就成了技术领导者。

  • 如果能够分享技术的理解,就有机会成为培训师。

  • 如果能够在实战中帮助别人解决问题,就可以成为咨询师。

反过来,当你有了“多能”,也可以拓宽你的视野,帮你认清自己的“一专”怎样更好地发挥价值,而不是狭隘地认为自己有了技术,就已经天下尽在掌握了。视野窄,缺乏大局观,也成为了许多程序员再进一步的阻碍。

也许你会说,我在公司已经独挡一面了,应该算有“一专”了吧?但我想说的是,可能还不够。只做一个公司的专家,受一个公司的波动影响太大,而成为行业的专家,才会降低自己职业生涯的风险。

有时,我在面试时会问候选人这样一个问题:“如果让你在一次技术大会上做分享,你会讲什么呢?”我真正的问题是,以行业标准衡量,你觉得你在哪个方面是专家呢?

大多数人从来没有思考过这个问题,他们只是日常在完成自己的工作,即便在某一方面已经做得很不错了,但依然算不上专家,因为他们缺乏深度思考。

比如,你非常熟悉 Kafka,知道它的各种参数,也读过它的实现原理。但如果我问你,Kafka 为什么要把自己定位成一个分布式流平台,它要想成为一个流平台,还要在哪方面做得更好?你的答案是什么呢?

这其中的差别就是,前面所谓的熟悉,只是熟悉别人的思考结果,而后面则是一个没有现成答案的东西。学习微积分是有难度,但同发明微积分相比,难度根本不在一个层次上。当然,我不是说你要熟悉所有工具的发展过程,而是自己要在一个特定的方面拥有深度的思考。

也许你会说,这个要求实在是太高了吧!没错,这确实是一个很高的要求。但“取法于上,仅得为中;取法于中,故为其下。”

其实,很多人的焦虑就源自目标太低,找不到前进的动力。给自己定下一个可以长期努力的目标,走在职业的道路上才不致于很快丧失动力。

在学习区成长


现在我们来回答第三个问题,怎么达到目标。既然要朝着行业中的专家方向努力,那你就得知道行业中的专家是什么样。我的一个建议是,向行业中的大师学习。

你或许会说,我倒是想向大师学习,但哪有机会啊!好在 IT 行业中的许多人都是愿意分享的,我们可以读到很多大师级程序员分享的内容。

我在入行的时候,有幸读了很多经典之作,比如,出身贝尔实验室的很多大师级程序员的作品,诸如《C 程序设计语言》《程序设计实践》、《Unix 编程环境》等,还有一些像 EricRaymond 这样沉浸编程几十年的人写出的作品,诸如《Unix 编程艺术》,以及前面提及的 Kent Beck、Martin Fowler 和 Robert Martin 等这些人的作品。

读这些书的一个好处在于,你的视野会打开,不会把目标放在“用别人已经打造好的工具做一个特定的需求”,虽然这可能是你的必经之路,但那只是沿途的风景,而不是目标。

接下来,我们要踏上征程,怎么才能让自己的水平不断提高呢?我的答案是,找一个好问题去解决,解决了一个好的问题能够让你的水平快速得到提升。什么是好问题?就是比你当前能力略高一点的问题,比如:

  • 如果你还什么都不会,那有一份编程的工作就好。

  • 如果你已经能够写好普通的代码,就应该尝试去编写程序库。

  • 如果实现一个具体功能都没问题了,那就去做设计,让程序有更好的组织。

  • 如果你已经能完成一个普通的系统设计,那就应该去设计业务量更大的系统。

为什么要选择比自己水平高一点的问题?这与我们学习成长的方式有关。Noel Tichy 提出了一个“学习区”模型,如下图所示:

最内层是舒适区(Comfort Zone),置身其中会让人感觉良好,但也会因为没有挑战,成长甚微,你可以把它理解成做你最熟悉的事情。

最外层是恐慌区(Panic Zone),这是压力极大的地方,完全超出了你的能力范围,你在其中只会感到无比的焦虑。

中间的是学习区(Learning Zone),事情有难度,又刚好是你努力一下可以完成的,这才是成长最快的区域。

根据这个模型,只有一直身处学习区才能让人得到足够的成长,所以,我们应该既选择比自己能力高一点的问题去解决,不要总做自己习惯的事,没有挑战,也不要好大喜功,一下子把自己的热情全部打散。

在学习区成长,就不要满足于当前已经取得的成绩,那已经成为你的舒适区。因为我们有远大的目标在前面指引,完成日常的工作只不过是个人成长路上的台阶。

也许你会说,我的工作不能给我个人成长所需的机会,怎么办呢?实际上,别人只会关心你是否完成工作,成长是自己的事情,很多机会都要靠自己争取,前面提到的那些具体做法完全是你可以在工作范围内,自己努力的事情。

如果你当前的工作已经不能给你提供足够好的问题,那就去寻找一份更有挑战性的工作。在IT 行业,跳槽似乎是一件很常见的事,但很多人跳槽的时候,并不是以提升自己为目标的。造成的结果是,不断地做同一个层面的工作,自然也就很难提升自己的水平。

为什么程序员都愿意到大厂工作?因为那里有高水平的人和好的问题。但如果只是到大厂去做低水平的事,那就是浪费时间了。所以,即便你真的想到大厂工作,与谁一起工作,做什么事,远比进入大厂本身要重要得多。

如果你真的能够不断向前进步,迟早会遇到前面已经没有铺就好的道路,这时候,就轮到你创造一个工具给别人去使用了。

最后,我还想鼓励你分享所得。输出是一种将知识连接起来的方式,它会让人摆脱固步自封,也会帮你去创造自己的行业影响力,机会会随着你在行业中的影响力逐渐增多,有了行业影响力,你才有资格成为行业专家。

当你成为了一个行业级别的专家,就可以在这条路上一直走下去,而不必担心自己是不是拼得过年轻人了,因为你也在一直前进!

小结


程序员是一个充满焦虑的群体,焦虑的本质是对未来的不确定。工作在这个时代的程序员是一个特殊的群体,一方面,这个大时代为我们创造了无数的机会,另一方面,因为程序员是一个新的行业,所以,很多人不知道未来是什么样子的,焦虑颇深。

从目前的发展来看,IT 行业依然是一个非常有前景的行业,但想在这条路上走好,需要我们成为 “T ”型人才,也就是“一专多能”。一专多能的前提是“一专”,让自己成为某个方面的专家。这个专家要放在行业的标准去看,这才能降低因为一个公司的波动而造成的影响。

成为行业专家,要向行业的大师学习,给自己定下一个高的目标,然后是脚踏实地,找适合自己的问题去解决,让自己一直在学习区成长。

如果今天的内容你只能记住一件事,那请记住:在学习区工作和成长。

趣说IT职场4:程序员35岁焦虑真相:你焦虑的不是年龄,是“盲干” 程序员35岁焦虑真相:你焦虑的不是年龄,是“盲干” 阅读详情

相关推荐

SAP MTO实战:从销售订单到生产订单的精准触发与配置详解

本文深入解析SAP系统中按订单生产(MTO)模式的核心流程与配置。详细阐述了如何通过精准配置物料主数据策略组、需求类型及计划策略(如策略50),实现从销售订单自动触发生产订单的完整链路。文章结合实战案例,指导用户打通销售与生产环节,并提供了关键事务代码与常见问题排查指南,助力企业实现以销定产,优化库存与成本控制。

weixin_29300931的博客 217

Java 培训班出来之后的面试经历,很难!!

????????关注后回复“进群”,拉你进程序员交流群????????今天分享一位同学从培训班出来之后的面试经历。下面是正文。个人情况本人化工专业毕业,专科学历。经过某培新机构转行做 java。刚培训出来,经过培训机构的推荐到一家公司就职三个月(转正薪资 4k,试用期三个月,每月 3.2k,),由于个人原因还没有尝到转正多拿七百块的甜头就离职了,离职之后,刚过完年就离开家乡,到这个我之前都没来过的城市找工作,找了半个...

<sdffdsfsdfdfs>sfsfsfsdfsdffds</sdfsDS>Fsd 680

ASPICE1-配置管理

SUP.8配置管理 BP1:开发配置管理策略 BP2:识别配置项 BP3:建立配置项管理系统 BP4:建立分支管理 BP5:控制变更和发布 BP6: 建立基线 BP7:报告配置项状态 BP8:验证配置项信息 BP9:管理配置项和基线的存储 1.配置管理概念 配置管理(Configuration Management,CM)是通过使用技术或行政手段对软件产品进行控制,以实现对软件开发过程和生命周期进行控制、规范的一系列措施。 完整性、一致性、可控性。 2.配置管理的主要活动: 1.

HDZQ2005的专栏 3687

本科学历找Java程序员岗位,为什么普遍焦虑?二本还有出路吗?

按说老板的收入是高管的好几倍,大多数情况下,老板的精力都印在公司,公司有任何变数都是不一定的,老板没有退路。但是一般高管,在公司以外都是额外收入的,投资也好,股票也好,哪怕多一份收入的能力,就会让你的工作与生活变得很从容,可以去放手一搏,大不了我们再重头再来嘛!其实消除焦虑的方法很简单,但是会有点累,那就是额外掌握一项或多项赚钱技能,大学期间也好,工作中也罢,半年不要有业余生活,全部用来掌握新知识。考研如果顺利录取了,并且顺利毕业了以后,对就业会有比较大的帮助,可以选择的岗位也比较多。

好程序员IT教育 268

产品失效你必须要知道的概念---MTBF、MTTF和FIT

如果我们想知道该电路在10年后仍能正常工作的几率,按照前面例子的相同计算步骤,结果将是90.3%。例如,假设一个TDK电容器的MTBF为6918年(16.5失效时间间隔,FIT),这并不意味着该电容器能持续这么久(显然,没有人能够对部件进行这么长时间的测试)。综上,MTBF和MTTF是用来描述系统或设备级别的故障间隔时间,而FIT是用来描述某单一器件的失效率的单位。MTBF和MTTF使用相同的计算方法,但MTBF用于可维修的产品,而MTTF用于不可维修或维修成本过高的产品。

weixin_49761275的博客 3837

DMA学习笔记

DMA(direct memory access,直接内存访问),是一种避开CPU,可以直接对外设和内存进行访问的技术,可以实现外设与内存、内存之间、外设之间的数据的访问和搬移。

weixin_46220498的博客 3116

JVM 调优经验总结,你遇到过吗?

昨晚,我在路口等车的时候,听到几个程序员在那讨论问题:“之前我用 jprofiler 监控 jvm 里的对象,当老年代满了,我手动触发一次 fgc,发现只能回收一半,再触发一次,就完全回...

形势所逼,不进则退 1263

扬声器设计避坑指南:用Comsol分析反电动势对THD的影响(附案例文件)

本文深入探讨了扬声器设计中反电动势对总谐波失真的关键影响。通过COMSOL仿真,详细分析了BL值非线性、音圈电感变化等电磁-力-声耦合机制,并提供了从参数化建模到系统级优化的实战指南,帮助工程师精准量化并降低谐波失真,提升扬声器音质。

xx56789的博客 526

java初学者的焦虑

毕业一年了,这一年之间也没有积累什么工作经验。一脑袋发热就想学做Java开发,毕竟觉得IT行业就业前景好,但对于零基础的我来说,选择了去培训机构培训。其实心中也打着一个问号,java开发要学得东西这么多,花上四五个月,交上几万块钱,出来以后就能是抢手的IT人才?去上了第一天课感觉非常的不好,跟着老师的节奏,一行一行的敲代码,一步一步的按照做,自己却对这个步骤意义一无所知,一天学完开始想放弃了。但是...

W_swjd的博客 591

C#与数据采集卡集成开发全指南:从硬件连接到实时数据处理(附工业传感器监测实战)

C#数据采集卡集成开发指南 本文系统介绍了不同类型数据采集卡(DAQ卡)与C#的集成方法。主要内容包括: 数据采集卡分类:按接口分为PCIe/PCI(高带宽低延迟)、USB(便携即插即用)和以太网(远距离组网);按信号类型分为模拟量输入、数字量输入/输出等。 C#集成核心方法: 优先使用厂商SDK(如NI DAQmx),提供完整功能封装 无SDK时采用通用协议(如USB HID、Modbus TCP) 具体实现示例: NI DAQmx采集热电偶温度代码 USB HID协议读取模拟量电压值 工业应用要点:实时

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1975

为什么idea已经改了UTF-8还是乱码,如何解决?

🏆本文收录于 《全栈Bug调优(实战版)》 专栏,该专栏专注于分享我在真实项目开发中遇到的各类疑难Bug及其深层成因,并系统提供高效、可复现的解决思路和实操方案。无论你是刚入行的新手开发者,还是拥有多年项目经验的资深工程师,本专栏都将为你提供一条系统化、高质量的问题排查与优化路径,助力你加速成长,攻克技术壁垒,迈向技术价值最大化与职业发展的更高峰🚀!

**My Coding Family** 1579

80% 的 Java 焦虑,都可以被这张图解决

昨晚,我在路口等车的时候,听到几个人在那讨论问题: “之前我用 jprofiler 监控 jvm 里的对象,当老年代满了,我手动触发一次 fgc,发现只能回收一半,再触发一次,就完全回收,这种情况正常吗?” “是不是你的应用正在执行过程中啊?” “可以考虑下 finalize,弱引用缓存等。” “那你们怎么确定 CPU 线程上下文切换消耗资源的?你们咋改进的?” “一般我们的业务系统 CPU 切换消耗很低,你可以试下分批加法,算 100 亿个数字相加什么的,开 10 个,100 个,1000 个,

deqing271的博客 275

【k8s故障处理篇】calico-kube-controllers状态为“ImagePullBackOff”解决办法

【k8s故障处理篇】calico-kube-controllers状态为“ImagePullBackOff”解决办法

jks212454的博客 2308

程序员的焦虑

年轻的实习生们能加班到凌晨,对新技术如数家珍,要价却只有我们的一半。我们开始理解为什么有人把程序员比作"码农"——这份工作有时确实像在数字农田里劳作,而年龄增长就像土地肥力下降,终有被弃用的一天。

weixin_39857556的博客 783

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

再来说说程序员的年龄焦虑

近段时间跟一些读者交流,年轻的读者问到的关于学习方法,技术成长等方面的问题,我依着自己的经验,基本都给出了自己的解答。因为都是自己验证过的,我都比较有把握,对大家应该也有些帮助。 唯独有个问题,我每次都不能给出好的答案。 那就是程序员的年龄焦虑问题。 每次有人问到我这个问题,我都只能回以无奈的表情。 我觉得这种焦虑,大部分的人都有,包括我自己也有。 这种焦虑产生的原因,有客观因素,也有主观因素...

勇往直前的专栏 564

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")

程序员,你焦虑吗?

前言 我很焦虑,请问程序员们,你焦虑吗? 我是一名年过35的北漂程序员,我身边的朋友大多也是程序员。我总感觉到30岁以上的程序员充满了焦虑。“华为清退35岁以上老员工”、“中兴程序员坠楼”这些事件,更加重了程序员的焦虑。 最近又有朋友都跟我抱怨他们的焦虑的事情,我仔细听完后发现,他们焦虑的居然是前途渺茫,妻离子散,家破人亡! 朋友A的焦虑:前途渺茫 A也是一名北漂程序员,最近在跟媳妇商量回老家发展...

qiyue683209的博客 707

程序员!你焦虑吗?你焦虑嘛?你焦虑么?

✪ 请问程序员们,你焦虑吗? 最近又有朋友都跟我抱怨他们的焦虑的事情,我仔细听完后发现,他们焦虑的居然是"看不到未来,妻离子散,家破人亡!" ☁ 朋友A的焦虑:看不到未来 "A"是一名北漂程序员,最近在跟媳妇商量回老家发展。A的媳妇和孩子有北京的集体户口,但是在北京买不起房,孩子该上幼儿园了,公立幼儿园申请的人太多,没有房子根本排不上队。 "A"那...

HUYA69的博客 672

程序员体重与焦虑:每日久坐不超过6小时|68%的程序员存在中度以上焦虑

立法强制“每月加班不超过45小时”,程序员焦虑水平(GAD-7≥10分)从52%降至38%(日本厚生劳动省2022年数据)。(《2023年中国职场人健康洞察报告》),远超世界卫生组织(WHO)建议的“每日久坐不超过6小时”。(男性≥90cm,女性≥85cm),比金融业(29.5%)和制造业(21.3%)更高。(美团《2023年程序员消费行为报告》),高热量外卖(炸鸡、奶茶)订单占比超40%。(30-40岁年龄段),比同年龄段教师(12%)和医生(8%)更高。

软件行业技术文化交流。 3789

程序员为什么总是焦虑?

曾经有个同事,因为长期处于焦虑状态,在写一个关键模块的代码时,频繁出现逻辑错误,导致整个项目进度延误,他自己也陷入了更深的焦虑之中。可以采用一些时间管理方法,比如番茄工作法,将工作时间分成 25 分钟的小块,每完成一个小块就休息 5 分钟,这样既能保持专注,又能避免过度疲劳。另外,要给自己留出足够的休闲时间,培养一些兴趣爱好,如运动、阅读、绘画等。程序员的焦虑并非无法克服,只要我们正视问题,采取有效的应对措施,就一定能够突破困境,在这个充满挑战的行业中找到属于自己的一片天地,重新拥抱充满活力的工作与生活。

qq_35475668的博客 964

论程序员的时代焦虑与焦虑的缓解

生活在2017年的程序员,不焦虑的确实没有几个。经历了2016年的房价暴涨以及此前房价的数次狂飙猛进,能心静如水的人那内心的强大恐怕不是一般人可以企及。本人一介码农兼教书匠,时常走街串巷,曾经在好多公司讲过同样的一句话,“在中国,一个程序员的成功不取决于你的代码是否写的好,而取决于你是否在正确的时间、正确的地点、买了一套正确的房”。那么,这个悲哀就在于此,我们究竟是要写好代码,还是要买好房子?还是,

cnn0314的博客 806

程序员,停止你的焦虑

       程序员行业是一个焦虑高危的行业,为什么这么说呢?首先是这个行业的特性决定的:1. 高速发展,从移动互联网的火爆,安卓,ios开发,到大数据,人工智能,以及区块链。身处这个行业,你能感觉技术的发展是如此迅猛,一个接一个的新名词,一个接一个的新技术;2. 外加中国特色的“程序员到30岁,35岁就找不到工作了”,仿佛告诉你说,你再过几年你就要流浪街头了,做技术没啥出路;3. 所谓的“高薪”...

crazy246的专栏 1824

谈谈程序员的焦虑感

谈谈程序员的焦虑感@(随笔)这篇文章继续不谈技术,我们来谈谈关于程序员的焦虑感,写这篇文章源自有位同学问了我一个问题: 我接触Android 应用层也快3,4年了,说实话,公司一直让做app 层开发,工作之余,学完ReactNative 和Weex,简单的做了Demo,实际开发中不让上,学完一年忘完了,之前大学专业还专门学了一年Linux 内核,开发中很少去用,慢慢就废了。有公司前辈建议我学ja

巫山老妖 7802

程序员如何避免焦虑和过劳

程序员是一个压力较大的职业,长时间面对复杂的代码、急需交付的项目和不确定的需求变化,容易导致焦虑和过劳。这不仅会影响工作质量,还可能对个人的身体和心理健康产生长期影响。以下是一些缓解焦虑和过劳的有效方法:2.1 合理安排工作与休息合理的工作安排是减少焦虑和过劳的基础。长时间的连续工作不仅会导致疲劳,还可能影响思维的敏捷性和代码的质量。使用番茄工作法是一种有效的时间管理方法。该方法将工作分为25分钟的工作周期,每完成一个周期后休息5分钟,每四个周期后休息更长时间(15-30分钟)。

HUANGXIN9898的博客 1091

焦虑的程序员

这是一个最好的时代,也是一个最焦虑的时代。 作为一个40岁的“老”程序员,我深感程序员们是一个比较焦虑的群体。表面上看,程序员是一份很风光的工作,每天在高档的写字楼里,敲敲键盘,拿着“高薪”,仿佛可以用代码就可以改变世界. 其实不然,无尽的加班,一个接一个的项目,一个又一个产品,永远改不完的需求,无穷无尽的bug,多少个通宵的上线日……二十多岁的时候,焦虑三十岁不能吃青春饭了该咋办?三十多岁的...

weixin_33811961的博客 111

优快云日报20170526 ——《论程序员的时代焦虑与焦虑的缓解》

生活在 2017 年的程序员,不焦虑的确实没有几个。经历了 2016 年的房价暴涨以及此前房价的数次狂飙猛进,能心静如水的人那内心的强大恐怕不是一般人可以企及。

优快云 官方博客 1万+

说真的,别再为程序员35岁焦虑了

其实道理非常简单 —— 如果你能持续做利他的事,就是在持续帮助别人,从帮助别人中获得回报是再正常不过的事了。现在,很多博主都在谈副业,谈快速赚钱。我希望给我的读者们带来个新的视角 —— 你可以像发展本职工作一样发展自己的第二曲线,方式是不断做利他的事。这条曲线不会像一些副业项目一样简单粗暴,能够短时间给你带来收益。

JNPF 专注低代码开发 991
上一篇: 简单聊聊哨兵思想的起源、定义和示例
下一篇: 小心被坑死!如果你还在用 Zookeeper 做注册中心
Java_LingFeng
博客等级 码龄4年 505粉丝 259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