你和牛人到底差在哪里?

CTF全能工具箱ProV2:集成AI与94GB离线资源库,打造无网环境下的智能解题流水线 CTF全能工具箱ProV2是一款专为线下CTF比赛设计的All-in-One离线解决方案。它集成了94GB的庞大离线资源库,涵盖Web、逆向、Pwn等全方向工具链与知识库,并创新性地内置了本地AI大模型,可在断网环境下提供智能解题辅助,实现从信息收集到漏洞利用的智能流水线作业,极大提升比赛效率。 阅读详情

成长&认知 丨 作者 / 袁吴范
这是pointers公众号分享的第20篇原创文章

今天是周六,杭州又是一个阳光明媚的好天气。晒着暖暖的太阳,给大家来一篇。

你是否经常陷入苦恼,为什么明明工作已经非常努力了,但是能力提升还是很慢?

总是羡慕别人那么的优秀,对他们为何优秀却丝毫不知。

最后只能简单地把这一切归因于牛人对我们的智商碾压。

请你耐心看完文章,相信我,你会有大收获。


01能力跃升

在学生时代的时候,老师总是教我们你要你好好学习,成绩不会差的。

在职场中,你的领导总是会告诉你,只要努力工作,你的能力就会提升。

最终,大家的能力天差地别,我们总是会归因于智商碾压,运气好,机会多。

如果我们能够认真的分析,就会发现智商真的给他们提供了多少先发优势吗?

能起到决定性的作用吗?

其实真的没有你想象的那样大的差距,那些现在春风得意的牛人们,跟你我一样,都有懵懂的职场初级阶段。

但是几年后,那些优秀的人在能力和认知水平上可能会是普通人的成百上千倍,甚至更多。

强者越强,弱者越弱,个人能力发展的“马太效应”初显,这一切到底是为什么?

真正的原因是由于那些优秀人才长期坚持不懈地积累,他们的能力和认知水平相比我们普通人已经先行进入了指数增长的阶段。

你还否定自己的智商吗?

还在为自己找借口吗?

最后一句送给你:继续努力,静待花开!


02认知收益和成本

举一个例子。

假定2个人设,你和小明,小明是一个整天不学无术,就知道好吃懒做,没有任何想法,大脑时常空白。

而你,精通Linux内核,对计算机原理了如指掌,各种计算机语言烂熟于心。

你们两个人同时要开发一个简单的局域网聊天软件。

这个任务对于没有任何计算机知识的小明来说,简直无从下手。无奈之下,小明只能照搬互联网上的别人写的代码,艰难完成初步开发,然后一个更加残酷的问题接踵而至,运行期间发生的bug,对于小明来说简直就是天书,他自己是无法独自解决的,他就会花费大量时间,寻找帮手解决,但又不知道其原理,就这样一直在发现问题,艰难解决问题的循环中前进。

这个任务对他来说毫无疑问就是一个高成本低收益的事情。

反观你自己,情况则完全不同。首先你有自己的知识体系,能够经过自己的详细设计、认真编码、仔细测试,最终轻松并且迅速的完成了任务,这个任务对你来说,毫无难度,就是一个低成本高收益的事情。

通过这个例子,可以清晰的发现。

初期在一定的时间内,你付出的努力之后的效果和收益是不明显的。

就像你学习Linux内核,需要学习计算机原理、计算机语言等等,这些需要大量的前期努力。

但当你的知识和能力积累到一定层次之后,你对新知识的认知成本会急剧下降,也就说你的学习过程会越来越轻松。

你的认知收益还会迅速上升,也就是例子中的你,轻松的完成了这个开发任务。

在外人看来就是说你越来越聪明了。

这样此消彼长的双重影响下,收益与成本的比值会急剧的增大。

所以,你会发现,你身边的牛人大多有坚持和专注的品质。

因为你做一件事情你会越来越轻松,而且收益会越来越大,何乐而不为呢?

这才是我们和那些“牛人”之间从本可以望其项背到后来与之判若云泥的客观发展过程。

上面的例子虽然现实中不太可能,但是事实却是如此。

以我自己为例,由于大学期间,打了四年的游戏,直到毕业,才发现身无所长,最终痛下决心,挑灯奋战学习持续2年。好在我自己深知能力积累的“非线性增长”规律,所以也并没有过于气馁和急躁。终于进入海康之后,仿佛是一瞬间被打通了任督二脉,厚积薄发,职场中一路飙升。

这就是认知成本与认知收益叠加之后的力量。

造成我们和优秀同事之间的能力巨大鸿沟的决定性因素其实是“知识能力”积累到一定程度带来的自身增值速度。


03认知收纳和建立链接

这时候的你认识到了积累的重要性了。

但是对不起,即便是你日以继夜的积累,也可能达不到能力提升的目的。

最好还差一步,就是缺乏系统思维。

你通过长期积累的知识并没有纳入到你自己的知识体系中去,他们还只是单纯的孤立的知识点。

我们的记忆本质就是记忆逻辑,也就是记忆关联。

我们需要将新知识和已有的认知进行连接。

这样才能达到融会贯通,才能达到信手拈来的程度。

那如何培养自己的系统思维呢?

我自己的学习方式是每当我学习到一个全新知识的时候,我会去思考这个知识点与我脑中现有的知识系统有何联系。然后再去想,我该去如何使用这些知识。

打一个比方。

我们学习数据结构的时候,其中有链表,二叉树等等,这时候你就要去想,这些数据结构是怎么使用的?在你的工作中哪些地方可以用到。跟你脑中的已经学习到的例如Linux内核有关系吗?是不是Linux内核中也使用这些数据结构?内核中为什么要这样使用的?

通过这一番深度思考之后,是不是对知识的理解更加深刻,也就真正成为了你自己的东西了。

再仔细想想为什么常常我们道理都明白,却很难做到?

其实很多时候我们都犯了一个巨大的错误,那就是误把“知道”当作“明白”或者“感悟”。

想知道,道理很容易,那些祖训大家都耳熟能详,但往往真正明白并内化到自己的骨子里却需要付出不少的精力。

所以,再看极少数身边优秀的人,在年轻时就能把这些有价值的道理真正内化到了自己的行动上,不得不说这才是他们身上一直被人们忽略的最大的天赋。


04突破舒适区

上个月和老同学们续了叙旧,转眼间已经毕业7年了。

有些同学已经发生了天翻地覆的变化。以前向我借10块还没还的同学,大学期间,每天7点起床,迅速的洗漱完,背上书包,就去实验室,敲代码,练习编程题目,准备参加竞赛。现如今已经自己创业,创立了自己的竞赛培训机构。目前已经基本财务自由。

有些同学经历了考研,目前在华为、网易等大公司里比较基层的岗位工作着。

短短几年之后,职业发展的轨迹就已经天差地别。

如果你还在满足于当前的得过且过状态,你身边的同事们正在暗暗较劲,拼劲学习,努力积累经验。此时将你们进行横向对比,确实差别不大。正所谓逆水行舟不进则退,倘若再过几年呢?

在认知收益和认知成本比值不断增大的情况下,在温水煮青蛙的状态中,在你还没有意识到时,对方能力的已经把你甩的老远。

此时,对方已经开始崭露头角,领导的资源就慢慢向他倾斜。那时,你该如何是好呢?

不要在本该奋斗的年纪选择安逸,那样以后的路越来越难走。天底下没有速成的秘诀,没有捷径可走。

时刻保持危机感,设立高标准,严格要求自己。

当你学会了走路,就要想学着跑步,当你学会了跑步,就要想着到水里,学着游泳。

总之,do it now!


05最后的总结

你们可以尝试从认真对待眼前的工作做起,为自己未来的每一年制订一个切实可行的工作与学习计划,早日踏上能力积累的道路,别到明年此时,再言当初若是。

你要相信,能力是存在跃升,只是时间未到,多点耐心。

你要相信,认知收益和成本会急剧的增大,要多积累。

你要对自己的认知进行整合,建立认知链接,打造自己的知识体系。

你要对自己狠一点,谨防陷入舒适区,时刻保持危机感,这是生存法则。

所以,你知道你和牛人的差距了吗?

最后,送给大家一句话:种一棵树最好的时机是10年前,其次就是现在了。

推荐阅读(干货)

程序员如何打造个人品牌?

面试过200人的经验,都在这里了

程序员成为高级管理者的三次跃升

程序员你应该勇敢说不

谈一谈程序员的职业发展路线

程序员进阶必备能力——晋升之道

送给刚毕业的程序员——7点建议

程序员进阶技术专家必备能力——深度思考

程序员如何选择一家好公司

觉得不错,记得关注、转发和在看!多年经验分享,实属不易,感谢支持!


博主是一位物联网大厂技术总监,从业7年。从软件开发、高级软件开发、技术经理再到技术总监,分享职业发展、技术管理、职场晋升、技术成长等个人多年经验和心得。一起成长!有问题可以加我微信交流:pointersss

如果你有技术成长的瓶颈、对未来迷茫、关注我,帮你答疑解惑!

从 SAP Gateway 旧 add-ons 卸载到 SAP S/4HANA 转换的清理路线 摘要: SAP Gateway系统的维护难点往往源于历史遗留组件的堆积,而非OData服务本身的复杂性。早期系统为支持多种服务类型而安装的各类add-ons(如IW_SCS、IW_CNT、GW_CORE等),随着系统升级和团队更替逐渐成为技术负债。自SAP NetWeaver 7.40起,核心功能已整合至SAP_GWFND组件,使架构显著简化。在向S/4HANA迁移时,需重点清理已废弃的add-ons(如IW_SCS、IW_GIL等),但必须谨慎验证其关联服务是否仍被调用。组件清理需结合系统日志和调用链分析 阅读详情

相关推荐

IMU预积分【SLAM】

预积分的推导过程比较多,所以这里只记录关键结论。 其实这些公式不太好记忆,因为预积分推导过程的想法来源很巧妙,无法看出物理意义。一切推导的来源: 最好记忆的旋转相对运动量: △Rij≐RiTRj=∏k=ij−1Exp((ω~k−bg,k−ηgd,k)△t)\triangle R_{ij} \doteq R_{i}^{T}R_{j} = \prod_{k=i}^{j-1}Exp((\tilde{\omega}_{k}-b_{g,k}-\eta_{gd,k})\triangle t) △Rij​≐RiT​Rj​

Tong_1024_的博客 1369

你这么努力,为什么能力提升还这么慢?

▲点击上方"pointers"关注公众号成长&认知丨 作者/袁吴范这是pointers公众号分享的第20篇原创文章今天是周六,杭州又是一个阳光明媚的好天气...

互扯程序的博客 320

从零开始:在CentOS服务器上部署R Shiny应用的完整指南

本文提供了一份在CentOS服务器上部署R Shiny应用的完整实战指南。内容涵盖从创建专用用户、安装R语言环境、配置Shiny Server,到最终部署应用并配置防火墙的全过程。针对部署过程中常见的权限、端口及依赖问题,给出了详细的解决方案,旨在帮助数据分析师和开发者将本地Shiny应用稳定、安全地发布至生产环境。

weixin_29079743的博客 134

能量结构化世界模型与神经时间场:开放世界物理一致运动规划实践

运动规划是机器人、自动驾驶和游戏AI领域的核心问题,旨在为智能体在复杂环境中生成安全高效的移动路径。其基本原理涉及在状态空间中搜索或优化轨迹,同时满足动力学约束与避障要求。传统方法如A*和RRT在已知静态环境中表现良好,但在开放动态场景下面临挑战;而端到端强化学习虽能适应复杂环境,却常产生物理不合理行为。本文聚焦于结合两者优势的先进方法:通过构建能量结构化潜在世界模型,将物理常识编码为可学习的能量函数;并利用神经时间场在连续时空中进行可微轨迹优化。这一技术框架为智能体提供了强大的物理先验与泛化能力,能有效应

weixin_30632883的博客 489

ROS开发者的福音:用Anaconda虚拟环境解决Python包冲突(附完整配置流程)

本文为ROS开发者提供了使用Anaconda虚拟环境解决Python包冲突的完整方案。通过分析冲突根源,详细介绍了Miniconda安装、专用环境创建以及核心桥梁包的配置流程,并阐述了“混合环境运行”与“纯虚拟环境构建”两种实战工作流,帮助开发者实现ROS核心与特定Python库的和谐共存,从而提升开发效率和项目可维护性。

weixin_28835789的博客 338

SAP MM新手避坑指南:工厂间调拨用301还是303?手把手教你选对移动类型

本文深入解析SAP MM模块中工厂间调拨的301与303移动类型,帮助新手避开常见陷阱。通过对比一步法(301)和两步法(303+305)的核心差异、适用场景及财务影响,提供清晰的决策框架和实战技巧,确保库存调拨的准确性和效率。

weixin_29223603的博客 346

告别规则告警疲劳:用UEBA技术给你的SIEM系统装上‘行为大脑’

本文探讨了如何利用UEBA(用户实体行为分析)技术解决传统SIEM系统告警疲劳问题。通过建立用户行为基线和智能分析,UEBA能有效识别异常行为,提升威胁检测率。文章详细介绍了UEBA与SIEM的融合架构设计、实战应用场景及运营转型策略,帮助安全团队从海量告警中解放出来,聚焦真正的高风险事件。

weixin_30897079的博客 253

大疆2025八月份校招硬件工程师笔试真题A卷题目分享

大疆2025年笔试真题解析

weixin_63651698的博客 1566

技术牛人的一些特性

<br />转自: <br />http://cto.youkuaiyun.com/Hot_Discuss.aspx?Name=fengqinghua&pointid=3310<br /> <br /> 技术牛人的一些特性(很多CTO不认可,不在于对错,只在于探讨)<br />技术牛人通常都很自负,都很傲气,还有点偏持,喜欢就技术进行争执,但并不都是财迷。 <br /><br />1.很到时候我们都以为技术牛人最终的归属都会创业,这样理解有误解,首先创业的通常一个团队而不是一个作为个体的人; <br /><br />2

moonlit1228的专栏 2120

Veritas NetBackup8.1.1客户端安装

1.在客户机打开安装包运行Browser 2.选择NetBackup Client Software Installation 3.下一步 4.接受,下一步 5.我选择自定义安装,下一步 6.我选择安装到D盘 7.默认下一步 8.使用域管理账户 9.输入服务器安装了服务端的那一台名称 10.输入服务端生成的令牌,选择“I recognize the fingerprint for this host.Proceed with the certificate deploymen”下一步

万物皆可学 2万+

Multisim14使用教程详尽版--(2025最新版)

摘要:本文详细介绍了Multisim14电路仿真软件的功能和使用方法。主要内容包括:1)主流电路仿真软件比较,突出Multisim在教学、竞赛设计中的优势;2)软件界面说明,涵盖菜单栏、工具栏、元器件库和仪器仪表;3)18类元器件分类详解及其使用操作;4)15种仪器仪表的原理和应用场景;5)电路原理图设计与仿真流程;6)基本电路分析方法(直流静态工作点分析、交流分析等)。文章还提供了硬件工程师笔试面试相关资源链接,涵盖电阻、电容、三极管等器件知识及AD软件操作指南。通过系统讲解,帮助用户掌握Multisim

XU157303764的博客 2万+

如何成为牛人

    如果有人表扬你牛,那说明你有值得别人佩服之点。新一年是牛年,我们希望有更多的人成为牛人,那么是不是你想成为牛人就能成为牛人呢?是不是你以为自己是个牛人就成为牛人了呢?回答是否定的。而且很可能恰恰相反,你越把自己说的牛,大家对你期望越高,你越可能被大家当成一个负面典型,成为一个牛皮;或者你虽然已经有所成就,多于自以为牛,结果人家更可能与你顶牛,你这个牛人要真的做点事情,就会发现障碍与拦阻都会...

makemyownlife 345

Halcon那些事:Halcon非常核心的1个概念reduce_domain算子的理解和1个详细的使用示例

Reduce是减少的意思。并不是真的去裁剪图像,而是定义一个“感兴趣的区域(Region of Interest, ROI)”。后续的图像处理算子将只在这个定义的区域内有效,区域外的像素将被忽略。在一张白纸(完整图像)上放一张镂空的纸板(Domain)。我们后续的绘画(图像处理操作)只会透过镂空的部分影响到下面的白纸。镂空纸板之外的部分保持不变,也不会被处理。关键步骤:使用ReduceDomain,将图像的域限制为ROI区域,图像在原来图像基础上存在图像区域。

十多年IT经验,专注机器视觉,智能制造半导体行业 577

什么是"牛人",怎么成为"牛人"的讨论

讨论正在进行中,欢迎加入发表你的看法http://topic.youkuaiyun.com/u/20080920/14/18579a30-e278-442e-b13a-56404b2830ba.html我的个人观点什么是“牛人”牛人专精某个领域,而不是某个单纯技术。一类牛人过于专注技术,所以很低调,因为他不怎么会表达一类牛人擅长沟通和管理,他们不能太低调一类半牛人,从技术转管理,又是牛人.0.5+0.5=1

老紫竹的专栏 4325

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

牛人用计算机弹歌曲乐谱,牛人乐谱app

牛人乐谱app是一款电子乐谱软件,想要更好的练习自己的乐器的小伙伴就不要错过牛人乐谱app哦!它是专门为众多小伙伴练习乐器而创作的平台哦!在这里你可以看到大量的乐谱,非常的丰富,你可以在这里进行自己的乐谱的练习,它还可以进行乐谱的播放,让你可以更好的进行相应的练习。软件介绍:牛人乐谱app可以让更多的乐器弹奏者得到更好的训练,这里面有着大量的乐谱你也是可以进行更好的练习,还有许多智能化的设备可以让...

weixin_32137855的博客 7779

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")

牛人是什么样的?

牛人是什么样的?我一直没有看到过牛人?想知道?谁能告诉我。

ugg的专栏 1774

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

安焦删除贴 牛人纷纷出现(3)

 安焦删除贴 牛人纷纷出现(1) 安焦删除贴 牛人纷纷出现(2) 安焦删除贴 牛人纷纷出现(3) 安焦删除贴 牛人纷纷出现(4)  Jonak 发表于:2004-12-04 21:06 发帖: 14积分: 0注册: 2002-01-20引用 (c0ldface @ 2004-12-04 20:54) 1,80W里有30W是关于其他方面的事情,与你无关,合同涉及商

Dark White Polyphony 深白复调 5010

机器学习牛人主页及相关会议,论文和期刊

国际顶级会议 AAAICIKM 2010CIKM 2011COLT 2010COLT 2011Computer Vision ResourceICJIAICMLNIPSSIGIR 2010SIGIR 2011SIGKDDSIGKDD2010 论文搜索 CV顶级会议论文下载google 学术搜索超全计算机视觉资源汇总联合参考文献 学术牛人主页 feifei li -co

Hit_liuyongwei的专栏 1931

怎样找到很多牛人

怎样找到很多牛人 我给大家分享五个渠道 (一)新媒体平台。我关注了很多牛人的微信公众号,我会给其 中的一些人留言,有的真的会回复我,并且愿意和我沟通 (二)社群、培训班。我参加了很多社群和培训班,在里面会遇 到一些牛人,我会想办法结交他们。 (三)付费约见平台。比如,通过“在行”App付费约见,这个 App上入驻了各行各业的牛人,我会通过搜索关键词查找到相关领域 的牛人,并约见他们。 (四)他人引荐。比如,见牛人的时候,有些牛人会给我引荐其 他牛人;再比如,有的朋友知道我要见牛人,也会给我介绍牛人。 (五)

weijia3624的专栏 7536

牛人是怎样炼成的?

如果有人表扬你牛,那说明你有值得别人佩服之点。很多人想成为牛人,越把自己说得牛,大家对你期望越高,你越可能被大家当成一个负面典型,成为一个牛皮;或者你虽然已经有所成就,自以为牛,结果人家更可能与你顶牛。牛人要真的做点事情,就会发现障碍与拦阻都会比较多。 牛人是怎样炼成的?我分其为三级六层: 第一级是要追求做一个牛崽。这就需要有牛劲,做事情要投入,上手要认真,对一件事情埋头深耕,让人让...

287

如何成为程序员中的牛人/高手?

高手是做了一些常人做不到的事情,在这个过程中磨练成了高手;不是先成为高手,才做了常人做不到的事情。在成为高手之前,他们很可能和你我一样,都是茫茫人海中的无名之辈——毕竟,谁一生下来就什么都会呢?也许多年后你也会成为一个高手。

xuxian的博客 968

安焦删除贴 牛人纷纷出现(2)

 安焦删除贴 牛人纷纷出现(1) 安焦删除贴 牛人纷纷出现(2) 安焦删除贴 牛人纷纷出现(3) 安焦删除贴 牛人纷纷出现(4)  sunwear 发表于:2004-12-04 11:21 发帖: 292积分: 14注册: 2004-08-25引用 (c0ldface @ 2004-12-04 05:03) 真TMD不想说你l0in,50W那点小钱还不上我的眼,

Dark White Polyphony 深白复调 6887

三个牛人教你怎么高效阅读论文

三个牛人教你怎么高效阅读论文 科研牛人一 从Ph.D到现在工作半年,发了12 篇paper, 7 篇first author 我现在每天还保持读至少2-3 篇的文献的习惯,读文献有不同的读法,但最重要的自己总结概括这篇文献到底说了什么,否则就是白读,读的时候好像什么都明白,一合上就什么都不知道,这是读文献的大忌,既浪费时间,最重要的是没有养成良好的习惯,导致以后不愿意读文献。 1、每次读完文献(不...

DoctorCuiLab的博客 5352

转:牛人?

发生问题了,不是说别人不行,管别人行不行,老子先看看自己行不行,能不能改善

Rolei的博客 1335

技术牛人到管理牛人的蜕变

作者李攀授权转载 作者产品:http://juhuiwan.cn 所有互联网公司,包括创业公司,都有不少技术牛人,这些技术牛人的技术栈深度广度已经达到一定程度,在他们的世界里,没有实现不了的需求,也没有解决不了的问题。 但是,我们却很少看到在技术和管理两方面都很出众的人才。 直接点,技术牛人如何培养自己的管理能力,蜕变为合格的技术管理呢?

江湖两把刀的技术博客 840

推荐 牛人 App

对于许久不用的东西,容易忘记。百度许久,也未能找到自己所要。 从今日起,有些东西就记载下来,不仅方便自己,希望能帮到他人吧。 牛人App,需要多逛,多记,多写,多看...

yancyang的博客 2万+
上一篇: 一直不受领导的重视?程序员怎样管理自己的人设
下一篇: 7年,从“游戏少年”到大厂技术总监的逆袭之路
袁吴范
博客等级 码龄10年 31粉丝 30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