趁老婆不在家,我把儿子带成了程序大神...

海思ISP调优实战:从实验室到真实场景的IPC相机图像质量优化指南 本文深入探讨海思ISP调优在IPC相机图像质量优化中的实战应用,从实验室标定到真实场景部署的全链路调优方法。重点解决光照动态范围、色温变化和噪声特性等核心问题,提供AE权重表配置、CCM标定、3DNR时域滤波等关键技术方案,帮助实现从理论到实践的图像质量提升。 阅读详情


写在最后

今天儿童节,突然想起了我们很早之前的这篇漫画,我们至死是少年,祝大家儿童节快乐!

本文原创公众号:不会笑青年,授权转载请联系微信(laughyouth369),授权后,请在原创发表48小时后转载。


觉得还不错就给我一个小小的鼓励吧!


基于AI大模型实现自然语言转SQL、SQL解释、SQL优化和SQL转换 随着大数据和人工智能技术的发展,数据分析和数据挖掘在各行各业中的应用越来越广泛。SQL(Structured Query Language)作为关系数据库的查询语言,是数据分析的重要工具。然而,SQL语言的复杂性和专业性使得许多非技术背景的用户难以直接使用,阻碍了数据的广泛利用。为了降低SQL的使用门槛,许多研究者和企业开始探索如何通过自然语言处理(NLP)技术,将自然语言转化为SQL查询语句,从而让用户可以通过自然语言与数据库进行交互。 阅读详情

相关推荐

SD - WAN:企业出海的网络加速器

例如,一家中国的跨境电商企业,在欧美市场的促销活动期间,借助 SD - WAN 技术,即使面对海量订单数据的交互,也能确保欧美客户在浏览商品、下单支付时感受到近乎本地网络的流畅体验,大大提升了客户满意度,稳住了销售增速。企业无需在海外本地部署大量冗余服务器,只需依托云台,借助 SD - WAN 快速稳定的网络连接,即可轻松实现业务拓展,进一步精简运营架构,提升整体效能。在未来,随着技术的不断演进和企业出海需求的持续增长,SD - WAN 将持续赋能,助力更多企业在全球市场扬帆远航,书写辉煌篇章。

idcicp_com的博客 448

把儿子带成了程序员大神,却被老婆打了!

拼图”玩法的Cocos版源码来了!

奎特尔星球 31

语言 拉丁超立方抽样_医学统计与R语言:间断时间序列分析(Interrupted time series regression)...

微信公众号:医学统计与R语言如果你觉得对你有帮助,欢迎转发Interrupted time series (ITS) analysis is a valuable study design for evaluating the effectiveness of population-level health interventions that have been implemented...

weixin_29300805的博客 3706

为儿子取高分名字而编写的lua程序

11月为给儿子取名字,折腾了2个星期,我们家大事都需要老婆做主,取名字当然算是大事 虽然我想好些名字,但都被否决,老婆需要算五行,名字的评分要好高,找了个神棍网站,我也抱着宁可信其有的态度 名字要好听,得分要高,还要有含义,简直就是大海捞针,折腾两个星期后,名字终于取出来,为此还写了程序来捞这个针,虽然最后并不是 从中定,但也是记录养孩子的不容易 用luacurl实

u012997953的专栏 763

Unity URP项目里Post Processing死活没效果?别急,这5个坑我帮你踩过了

本文详细解析了Unity URP项目中Post Processing效果不显示的5个常见问题及解决方案,包括管线配置、Volume设置、摄像机选项、Layer冲突和Shader兼容性。通过专业排查步骤和实用代码片段,帮助开发者快速定位并修复后处理效果失效问题,提升项目开发效率。

weixin_28693309的博客 234

K-means在关键词聚类中的尝试

K-means在文本聚类中的尝试 K-means算法是无监督的聚类算法。它的算法思想是:先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配了,每个聚类的聚类中心会根据聚类中现有的对象被重新计算。 K-means算法的关键点在于: 初始k个聚类中心的选择 距离的计...

BigPig_LittleTail的博客 5574

儿子8个月了

今天四月又十八, 儿子只会说咿呀, 八个月来不容易, 都是老婆照顾他, 再苦再累写代码, 我要养活这个家。      

会当凌绝顶 一览众山小 167

镜头调焦的 调整的是焦距还是像距?

在镜头 “调焦”(即日常拍照时的)中,调整的核心是,而非焦距。

AIoT深度探索者 | 嵌入式系统架构师 深耕物联网(IoT)与人工智能(AI)融合技术,聚焦​​边缘计算、图像开发、低功耗通信协议​​,致力于智能硬件,关注我获取最新技术文章信息与海量资源~ 1354

现在每天下午六点,我准时关了 IDEA,开车穿过 4 公里的晚高峰,20 分钟就到小区。一、去年那个手忙脚乱的夏天,我差点错过儿子的成长去年 5 月 23 号,老婆生了,是个儿子,我在产房陪产,当1

现在我的键盘上,贴着儿子百日照,每次敲代码时看见,心里都软乎乎的。写了八年 Java,终于懂了:成功不是简历上的项目经验,是能记住儿子每天的小变化;不是会议室里的技术汇报,是陪他在小区里看星星的夜晚;不是职级表上的晋升,是他跌跌撞撞跑向我时,张开的那双小胳膊。31 岁这年,我把人生代码重构了一次。家人的笑容,才是这辈子最稳定的依赖。至于工资少了?没关系,儿子的笑声,比任何高薪都更值钱。

2501_94315688的博客 378

基于Matlab模拟RANS湍流——详细分析与源代码

在模拟过程中,我们首先定义了模拟所需的参数,包括流体的动力黏度和密度,以及边界条件和网格分辨率。接下来,通过求解平均值方程和湍流涨落方程,我们模拟了湍流的演化过程。在本文中,我们将使用Matlab对RANS湍流进行模拟,并提供相应的源代码。RANS湍流模拟的基本思想是将流场的变量分解为平均值和涨落值,并通过求解平均值方程和湍流涨落方程来描述流场的演化。请注意,以上代码仅为示例,实际的RANS湍流模拟可能需要更复杂的算法和模型。接下来,我们将求解RANS方程,包括平均值方程和湍流涨落方程。

ByteKnight的博客 862

链接文件及功能安全:S32K3如何将FLASH驱动放到RAM里面、RAM如何实现软件复位数据不丢失操作。

在通过RTD的SDK也好MCAL也好,始终存在一个问题,生成的代码除了看门狗模块,默认都是放在flash里面,按照正常逻辑来看没啥大的问题,思考一个问题:Flash放在0x100的位置,但是此时我们要操作0x100怎么办?那肯定不允许啊,但是将flash的驱动放在RAM里面就可以避免这个问题的产生。Flash的特性:PF0能操作PF1,当然PF1也能操作PF0的,以此类推,只要不操作自身,想怎么玩都可以。这也是一个物理特性吧。

梦想技术家 2313

只有程序员才能看懂的幽默:程序员最讨厌康熙的哪个儿子

关注偶,领取超多学习资料。 1.老婆给当程序员的老公打电话:下班顺路买十个包子,如果看到卖西瓜的,买一个。当晚老公手捧一个包子进了家门…老婆怒道:你怎么只买一个包子?!老公甚恐,喃喃道:因为我真看到卖西瓜的了。”   2.一程序员去面试,面试官问:“你毕业才两年,这三年工作经验是怎么来的?!”程序员答:“加班。”   3.宝宝数学很好,2岁就可以从1数到10了。后来,我告诉他0比1还小。...

路漫漫其修远兮,吾将上下而求索。 516

第069篇:浸入边界法进阶

浸入边界法(Immersed Boundary Method, IBM)是处理流固耦合问题的强大数值方法。本文深入介绍直接力法、反馈力法、Ghost Cell方法和多域IBM等高级技术。通过Python实现完整的IBM求解器,展示处理移动边界、弹性边界和多体相互作用的方法。浸入边界法,直接力法,反馈力法,Ghost Cell,流固耦合,移动边界,弹性边界Navier-Stokes方程添加体积力项:∂u∂t+(u⋅∇)u=−1ρ∇p+ν∇2u+f\frac{\partial \mathbf{u}}{\part

2401_87715305的博客 415

公司年会-程序员相亲-小品

妈:  我的那个儿啊,做了程序员,脑子就和别人不一样了,以前在幼儿园的时候,还和小盆友眉来眼去的          现在倒好,整天抱着电脑,比他娘我都亲!我还等着抱孙子呢,今天非得拉她来相亲不可!儿子, 快过来!(儿子上场) 儿子: 啥事啊妈? 妈:   当然是好事啊 儿子: 好事?你给我找个后爸呀? 妈:   去...当然是你的好事啊 儿子: 我的好事?相亲吧!我上次相亲,连女孩面

莽夫小小的专栏 1万+

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

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

老婆,程序员这条路可能不适合你

我不信,我再问问。前不久老同学聚会,这是疫情三年后的首次碰面,来之不易,围着火锅,大家有说不完的话,聊不完的工作烦恼和生活的琐事。有位老同学的妻子,原来读文科,现在正在攻读IT相关的企业经济管理学学位。课程中也包含了挺多的编程课程,于是借机会来说了说一些她的困扰。第一个问题就是:编程怎么入门?...

德国IT那些事 159

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

现在1每天下午六点,我准时关了 IDEA,开车穿过 4 公里的晚高峰,20 分钟就到小区。一、去年那个手忙脚乱的夏天,我差点错过儿子的成长去年 5 月 23 号,老婆生了,是个儿子,我在产房陪产1

现在我的键盘上,贴着儿子百日照,每次敲代码时看见,心里都软乎乎的。写了八年 Java,终于懂了:成功不是简历上的项目经验,是能记住儿子每天的小变化;不是会议室里的技术汇报,是陪他在小区里看星星的夜晚;不是职级表上的晋升,是他跌跌撞撞跑向我时,张开的那双小胳膊。31 岁这年,我把人生代码重构了一次。家人的笑容,才是这辈子最稳定的依赖。至于工资少了?没关系,儿子的笑声,比任何高薪都更值钱。

2501_94315688的博客 271

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")

婆婆存了80万养老,我无意中发现存折,正要告诉老公,却听到婆婆在电话里哭着说:”儿子,这是我最后能为你做的了”!...

点击蓝字 关注我们01.那是个闷热的下午,我在收拾婆婆房间的时候,一个褪色的红色布包从床底滑了出来。打开一看,竟然是一沓存折。最上面那本显示余额八十万整,我的手不自觉地颤抖起来。这可不是个小数目,要知道我和老公张诚打工这么多年,除了还完房贷,也就剩下二十来万的存款。婆婆平日总说手头紧,一件新衣服都舍不得买,没想到竟然存了这么多钱。我正准备拿着存折找老公问个明白,却听见阳台传来婆婆压低的声音。02...

机器语言与生信分析 479

对不起,优秀程序猿的人生里没有不加班!

28岁的你在做什么?可能是挥霍着美好的青春,纸醉金迷,醉生梦死。可能是找到一份不好不坏的工作,朝九晚五,混吃等死。。。还有这么一群人,把最好的青春奉献给各大公司。华灯初上,前台、小编、保安、经理、扫地阿姨统统下班回家,唯有他们还在公司,榨干了身体的最后一滴血汗。 他们就是程序猿,是最奇怪的一群人--视工作为生命,视生命为粪土。他们为公司奉献自己的一切,是公司的顶梁柱也是家庭的保护伞。下班回...

shmonyu的博客 364

中国一个奇怪的现象:现在最可怕的事情,不是年轻人不结婚、不生孩子,而是70后父母开始认同“不结婚”这件事了…...

点击蓝字 关注我们我是一名心理咨询师,每天都要接待很多来访者。最近遇到的张阿姨让我印象特别深刻。那天她坐在我对面,双手不停地绞着手帕。“我今年52岁,是做会计的。我就想问问,我支持儿子不结婚,这想法是不是太过分了?”张阿姨说起了她儿子张泽明的故事。泽明在一家互联网公司做产品经理,月薪两万出头。按理说,这收入在三线城市已经不错了。可张阿姨却说:“现在结婚哪是两个人的事?分明是两个家庭的经济战争。...

机器语言与生信分析 409

只有程序员才懂的幽默 :程序员最讨厌康熙的哪个儿子

以下是关于程序员的一些笑话,据说看懂的人都还在加班中。0. 老婆给当程序员的老公打电话:下班顺路买十个包子,如果看到卖西瓜的,买一个。当晚老公手捧一个包子进了家门。老婆怒道:你怎么只买一个包子?!老公甚恐,喃喃道:因为我真看到卖西瓜的了。”1. 一程序员去面试,面试官问:“你毕业才两年,这三年工作经验是怎么来的?!”程序员答:“加班。”2. 某程序员对书法十分感兴趣,退休后决...

weixin_33752045的博客 226

为什么我的儿子不沉迷游戏?一位游戏策划家长的分享

(点击上方公众号,可快速关注)转自:岛上十点(BBfresh),作者:乔治王【前言】周二「程序员的那些事」公号发起了一个话题《话题:游戏害人?该管游戏,还是管人?》。从目...

程序员的那些事 1003

嘘~~他在写程序~~~

    在车上看着项目经理给他的图纸,他想到了解决办法,回到家里继续着刚才的思绪,聚精会神的写着程序。   “你倒是陪陪你老婆啊!”,他母亲说道。   “嘘~~他在写程序~~~我没事的”,他老婆小声对他母亲说。    若干年后,他儿子在同样的一个地方写程序。   “你倒是陪陪我啊!”,儿子的女朋友说道。   “嘘~~他在写程序~~~”,儿子的母亲小声说着。

zhangyu_kenshin的专栏 643

妹纸们擦亮双眼啊,嫁给“猪”一样的程序员伤不起啊!!!

妹纸们擦亮双眼啊,嫁给“猪”一样的程序员。。。伤不起啊伤不起   篇前语:   恋爱时,猪已工作,我还在读书。我一文科生哪里知道啥是“程序员”啊。只知道他总是忙于工作,总是在几个固定的城市飞来飞去。好在我也要读书、实习、考试、做论文,也并不觉得谈恋爱就是时时刻刻分分秒秒要看的对方。   婚后,悲剧就华丽丽的来了。。。   1、程序员们只懂代码,不懂物价的么?为了换一个大点的电视,我拖猪去逛国美,逛苏宁,我看的津津有味,猪在后面怯怯问:老婆,这么大的,一台要好几万吧?   2、程序员们工作时间长,估计脊椎或者

大老二的Python路 567

31 岁半,写了 9 年代码,最棒的项目是我的一岁半儿子(准确来说是一岁220天)

最近,儿子最喜欢的词是 “挖机”。每天下班我一进门,他就拖着小脚丫跑过来,嘴里喊着 “爸爸!挖机!”,然后拉着我去阳台看马路对面的工地。那边有一台黄色的挖掘机,他每次看得都入神,眼睛亮晶晶的。我问他:“你也想开挖机吗?” 他用力点头,然后又摇头,说:“爸爸开。” 我笑着说:“爸爸不会开啊,爸爸只会写代码。” 他眨巴着眼睛看我,好像在想:写代码,是不是比开挖掘机还厉害?

Minoz_wl的博客 1021

滴滴程序员年薪80万却被亲戚鄙视:钱多有啥用,我儿子二本大学教师

作者:胡多钱 From:程序员小乐 正文 说到教师和程序员这两个职业来说,很多人都会偏向于教师,毕竟从长远角度看,不管是地位还是工作稳定性来说,教师更加有优势,如果让你从程序员年薪80万和教师15万的收入来选择,你会选择哪个? 最近在职业论坛看到这样一个热门的帖子,“滴滴员工年薪80万却被亲戚鄙视:钱多有什么用,我儿子二本大学老师”。到底怎么回事?请往下看。 原来是一位滴滴员工发帖吐槽,说...

weixin_45258969的博客 476
上一篇: 聊聊Pandas的前世今生
下一篇: Numpy闯关100题,我闯了95关。
Wang_AI
博客等级 码龄12年 997粉丝 162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