程序员生活大城市与小城市差别,说几个故事

为什么学编程的人大多数都去了深圳和北京? 商汤、爱奇艺、搜狐、搜狗、字节跳动、微软、蔚来、小鹏汽车、商汤科技、货拉拉、vmware、去哪儿百度、新浪、腾讯、网易、小米、快手、滴滴、贝壳、联想、金山美团、陌陌、阿里云、优酷、携程、360、58同城、雪球、百合网亦庄京东、京东到家、中企动力、斑马网络等等北京还有很多互联网公司......... 阅读详情

文章转自:IT工程技术网,www.systhinker.com

故事1:我一个亲戚,学机械的。当时去北京,我鼓动他转Java,说机械不好就业,而那时Java缺人,转正是时候。没转,找工作。三峡大学毕业的,家里没关系,自己找进了二汽,还是五六年前吧,工资是5k,每年听说发15个月工资。好吧,那时我们本地工资大概是1k每月不到。

故事2:青鸟毕业的。在本地。3年前工资据自己说是每月8k,就是工作累点,每周六天。现在本地工资,平均起来1.5k不到。

故事3:青鸟毕业的,去上海,四五千块钱不够生活。回来了,每个月赚的钱差不多。

故事4:本地大学毕业的,成立公司,活的好好的。

故事5:本地大学毕业的另一个人,成立公司,最开始到处诉苦说不赚钱,前一阵查询了下,扩大到几十人了。

这里就有一个现象,为什么小城市的平均工资很低,但有些人的收入还不错呢?

总结起来应该是2点:

(1)敢干的混的都不错。在小城市干,成本很低,只要模式出来了,收入都还可以——创业成本实在太低!

(2)从大城市回来的,都还不错,眼界有了,成本又低了。网络哪里没有,现在交通又这么发达,地区间差别没以前那么大了。

我自己的体验是,从大城市到小城市,最关键的是个人的意志。大城市,个人意志差的,有环境推动你前进,而在小城市,个人意志差的可能就堕落了。如果您的意志力强,可以自己把握方向,到小城市其实是很爽的。我在本地见到的IT公司,虽说有的不赚钱,但倒闭的还没听说过。

现在呆在本地,根本都没兴趣出去了。山山水水清清秀秀的。

微信小程序真机调试遇到ERR_FAILED?手把手教你排查SSL证书链问题(附阿里云/亚数工具) 本文详细解析了微信小程序真机调试中遇到的ERR_FAILED错误,重点介绍了SSL证书链问题的排查与修复方法。通过使用SSL Labs、亚数信息等工具检测证书链完整性,并提供Nginx、Apache等服务器的具体配置方案,帮助开发者快速解决证书问题,确保小程序安全运行。 阅读详情

相关推荐

数字后端流程--place

Floorplan完成后芯片的大致框架已经出现,万里长征已经迈出特别重要的第一步了,前面的步骤我们已经完成了io port,macro的摆放,现在core外只剩下std cell(标准单元)了,Place这一步就是要把std cell放进core里。看到密密麻麻的std cell也不用紧张,因为放std cell不用像macro手动一个一个摆,工具就可以帮我们完成大部分工作。虽然这一步的工作只有一个,但也不是只要Place完就能进行下一步的,衡量Place质量是否满足标准会通过以下几点判断。

qq_68400574的博客 773

程序员,在北上广深杭赚够100万,就逃回二三四线城市生活,靠谱吗?

终极手撕架构师的学习笔记:分布式+微服务+开源框架+性能优化《互联网大厂面试真题解析、进阶开发核心学习笔记、全套讲解视频、实战项目源码讲义》点击传送门即可获取!服务+开源框架+性能优化[外链图片转存中…(img-OHg5Z5jM-1712978592188)]《互联网大厂面试真题解析、进阶开发核心学习笔记、全套讲解视频、实战项目源码讲义》点击传送门即可获取!

2401_84047990的博客 789

手把手带你搭建一个语音对话机器人:5分钟定制个人AI小助手

通过本文的简单步骤,你已经掌握了如何用 Python 搭建一个语音对话机器人。我们使用了实现语音识别,利用 OpenAI API 生成对话内容,并通过gTTS将文本转换为语音。整个流程非常简洁,你可以根据自己的需求进一步扩展机器人功能,甚至将其集成到实际的应用场景中。

小蜗牛的珍贵百宝箱 4809

浅谈个人对大城市程序员与小城市程序员的感想...

本人从事java开发工作两年了,家境一般,因为不想离家太远,所以一直都是呆在家这边(一个二线偏三线的小城市),在一家小IT公司上班。感觉大城市的公司想活着得靠公司各方面的实力,而小城市的公司,想活着只需要老板有背景就行了(这点我这两年的经历深有体会)。 额,扯远了,回到我们的话题! 在大城市的程序员,怎么说呢,工资高,机会多,个人前景更好,接触的各方面包括技术、知识还是其他的人脉什么的,肯定是...

qq_38400856的博客 5582

深入解析Cuk、Zeta和Sepic拓扑:非隔离型开关电源的设计奥秘

本文深入解析了Cuk、Zeta和Sepic三种非隔离型开关电源拓扑的设计奥秘。它们均能实现升降压转换,但特性各异:Cuk拓扑输出反向电压,输入输出纹波极低;Sepic拓扑输出同极性电压,应用广泛;Zeta拓扑输出纹波小,适合精密供电。文章详细对比了其电路结构、工作原理、核心公式及选型指南,帮助工程师根据输入电压范围、输出极性及纹波要求,灵活选择最合适的拓扑方案。

weixin_28308325的博客 481

Windows系统离线搭建PyTorch深度学习环境全攻略(CUDA+cudnn实战)

本文提供了一份在Windows系统下离线搭建PyTorch深度学习环境的完整实战指南。文章详细讲解了如何在没有网络连接的情况下,正确安装和配置CUDA、cudnn以及PyTorch,并构建独立的Python虚拟环境。重点强调了版本依赖关系的重要性,并提供了从驱动准备到环境验证的每一步操作,旨在帮助用户高效、稳定地部署可复用的GPU深度学习开发环境。

table的专栏 583

一个程序员在大城市,还是选择离家近的好城市呢

这可能是很大一部分程序员都要面临的问题,北上广深的房价早已望尘莫及,尤其是北上深。是在大城市工作几年回家,还是一直大城市租房,废话不多说,我们先来看一下各个社区里面的意见:伯乐在线:知乎:开源社区:度娘:优快云:看了这些回答,相信你们自己心中也有了一个大概的轮廓。那么问题又来了,如果让你作出一个选择,你会怎么选?一线城市是现货,二、三线城市则是期货。沈从文说:一个战士要么战死沙场,要么回到故土。...

欢迎来到技术宅的博客 6791

Oracle EBS Interface/API(42) -AP发票客制化付款申请

背景 在OA系统上,选择Oracle EBS的某张AP发票做付款申请,需要类似于锁定该发票以便付款,其他用户或者下次用户不能再次选择该发票做付款申请。 快速参考 参考点 内容 功能导航 N: AP->Invoices->Entry>Invoices 并发请求 None 基表 AP.AP_INV_SELECTION_CRITERIA_ALLAP.AP_SELECTED_INVOICES_ALL API 参考下面介绍 错误信息表 None 接口Form

陈显平的专栏-Oracle EBS 1200

而立之年——三线城市程序员的年终告白

30岁(2017-1987),曾经对我来说曾是个多么遥远的数字,但它正悄然的离我越来越近。古人云,三十而立,而立的意思是自立于世,多指学有所成。 在《于丹的〈论语心得〉》里,“立”是内心的的立,是内在心灵的独立,而不是十岁的无知,二十岁的愤青,三十真正追求的是心灵的自信和坚定,在你的生命里树立清楚的自省,从容不迫的生活态度,忠于自己的心灵。当我敲下于丹的解释,我的内心是颤抖的、思虑万千,久久不能释怀

铭毅天下Elasticsearch 8万+

人工智能算法面试大总结-总目录

涉及秋招、春招、社招

啥都生的博客 2万+

第3.4章 机器人第三方库实战总结(四):G2O优化库从入门到实战(附SLAM实例代码)

自定义边同样是满足复杂应用需求的重要手段。自定义边时,需要明确边所连接的顶点类型以及边所表示的误差项的计算方式。假设我们要定义一条边,用于约束两个上述自定义顶点之间的相对位姿和传感器偏移量关系。我们可以这样定义边类:public:// 计算误差// 计算雅可比矩阵// 读盘和存盘函数,这里暂不实现。

行知SLAM 363

程序员的我,为何来了大北京

上篇文章「我的程序员到项目经理之路」说了,我来北京前,经历了痛苦的思想斗争。现在回想,究其原因,就是选择大城市还是小城市的问题。下面结合我自己的亲身感受来说说。 我从小在农村长大,我的家乡是中部一个很普通平原地区的小村庄。那里有传统农村所有的气息,有着大片的田野,不论天气好坏,四季更替,田间地头永远有辛勤劳作的人,村头永远环绕着炊烟。现在回想小时候的这些景象,不知为何,感觉很美好,但小时候自己却...

kevin_shengji的专栏 1115

YOLO26改进策略【卷积层】| DWRSeg :高效获取多尺度上下文信息,二次改进C3k2

本文记录的是利用DWR 模块改进 YOLO26 的特征提取部分。(Dilation-wise Residual)通过两步残差流程(区域残差化-语义残差化)与分支化空洞卷积结合,引导解码器处理特征与跳接特征的多尺度精准融合。本文利用模块,通过区域残差化生成简洁区域型特征图以简化融合基础,再通过分支化空洞卷积捕捉多尺度空间上下文,同时依托残差连接保留原始特征信息,对YOLO26中不同尺度目标特征进行针对性强化、抑制无效背景特征干扰,在特征融合阶段实现多尺度语义与细节信息的高效互补,避免传统多感受野卷积的冗余计算

Limiiiing的博客 161

作为程序员的你,会选择奋斗在一线城市还是回归故乡发展?

上一次写博客,还是一年前,最近在做视觉匹配的工作,昨天查找了很多资料,又见识了博客的许多大神,突然想起,曾经许下常常更新博客的诺言似乎早已被忘记,实在惭愧!今天看到《观点》提出的问题,这个问题也是我一直思考的,所以,那就来吧! 我来自湖南岳阳,农村娃!所以你要问我以后会奋斗在一线城市还是回归故乡发展,我会毫不犹豫说一线城市! 其实说到这个问题,更多人谈到的是程序员岗位的特殊性。累,我们需要付出

来小东的博客 1万+

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")

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

程序员在城市之间如何抉择?一线城市、二三线城市哪里更适合?

一线城市容不下肉体 二三线城市安放不了灵魂 北京赚钱北京花,一分别想带回家 深圳赚钱深圳花,交完房租又白搭 …… 这几年对于工作城市的讨论一直没有停止过,城市的选择也一直摆在我们面前:大学毕业踏入社会的第一步就是选择一座城市,而已经工作两三年的打工人也会考虑之后应该在哪发展。 一线城市 一线城市的经济发展速度快,岗位多,工作好找,并且薪资和福利都要比二三线城市好,这也是很多人选择在大城市工作的主要原因之一。 并且一线城市的资源会多很多,比如城市图书馆、休闲场所等,平时在周末也..

miaozenn的博客 3958

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

Java程序员二线城市工作四年,从3k到税后23k,去一线发展如何?

在互联网时代,程序员是现在的热门职位,很多人都选择去当程序员,因为程序员就代表着高薪,在很多人的认知范围中,总觉得只要当上程序员就能拿到高薪,其实并不是,刚入行工资并不高,除非你是大神,做这一行靠的是技术,靠的是工作经验,所以等你有了成熟的技术经验就不用愁工资的高低了。 ​如果有想学习java的同学,可来我们的java技术学习QQ群的哦:745446493里面免费送整套系统的java教程! ...

weixin_44040460的博客 2389

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

四线小城市程序员2020年终总结

年终概述 2020年就要过去了,想着匆匆飞逝的时间,让人沉思,工作一年多以来,我到底干了什么?年底总结一下自己的过失,以积极和勇气去面对未来。 自从2019年7月毕业开始,再过两天就是2021年了。这一年多的工作,收获许多,但也因为很多遗憾感到心理有落差。希望2021年,我们都能牛转乾坤,努力完成目标、实现愿望! 工作现状 以前在学校的时候,我幻想着大城市的工作与生活。可想不到毕业之后,我回了老家的四线城市,进了一家小外包公司,一待就到2021年了。这里的互联网环境可以说让人很难想象,如果在这座小城市还能

极客开发者的博客 1227

作为一个回到二线城市程序员,困境下,我的冷思考

loonggg读完需要4分钟速读仅需 2 分钟关注我很久的朋友应该知道,我是 16 年从帝都回到二线城市烟台的。回到了烟台也一直从事互联网行业编程的工作,虽然现在创业了,但是也一直在坚持...

非著名程序员 7978

对于35岁以下的程序员来说北上广深就是天堂,不服来辩

一直以来,一线城市的高薪和良好的就业机会总是吸引着应届毕业生们争相进入,但近几年,二线城市的发展全面崛起,也成为了不少毕业学子的第一选择。 究竟哪个城市的发展最好,什么职业的需求量大薪资高? 1、毕业后该选择哪个城市? 先上一张图给大家看一下。 数据,由图可见,整体人才需求度最高的城市还是北上广深,毕竟作为快速发展的超一线城市,对于人才的需求亦越来越高。同时,国家正在大力扶持IT等新兴产业,它的发展前景也是十分令人期待的。 随着阿里、腾讯等着知名大厂逐渐在杭州、成都等地开设分公司,二线城市的.

优快云超级实习生 2205

java面试小经历

在面试中常见的、易出错的Java技术人员面试题(3年内初级人员)

zx520sun的博客 7785
上一篇: 同步 异步 阻塞 非阻塞
下一篇: Linux挑战基因网络——电脑操作系统与生物基因网络之对比
SysThink
博客等级 码龄17年 37粉丝 136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