从软件工程师到一个愤青IT猎头的经历

pytorch图像分类篇: 花分类数据集下载和AlexNet网络搭建训练 一、花分类数据集下载 data_setdata_set该文件夹是用来存放训练数据的目录 使用步骤如下: (1)在data_set文件夹下创建新文件夹"flower_data" (2)点击链接下载花分类数据集 (3)解压数据集到flower_data文件夹下 (4)执行"flower_data.py"脚本自动将数据集划分成训练集train和验证集val ├── flower_data ├── flower_photos(解压的数据集文件夹,3670个样本) ... 阅读详情
转一片文章,也许对将来的方向是个有意义的参考,
上海,I will be back !


在做完三年的通信软件工程师之后,因为不想在技术这条路上继续走下去,但又不想到处出差,吃喝应酬,在一个朋友的推荐下做了猎头,猎头在很多人的眼里是个 神秘的职业,可能很多朋友都不知道自己怎么就突然被猎头找到了,然后经过很专业的寒暄跟客气之后,就开始职位介绍,如果这年头,您正不打算换工作,而且又很忙,收到这样的电话可能还真烦的不得了,但如果您目前正有换工作的打算,此时听到猎头的电话,一般都会很客气的躲开您的老板,好好的跟猎头沟通一番。
 
  首先说一下,猎头行业是单方面收费的,绝对不向个人收取费用,仅仅收取公司费用。一般人可能会问,为什么那些公司招人不去专门的招聘网站发布消息,偏偏要拿钱来给猎头公司让他们帮忙寻找候选人,其实这很简单,在网站发布消息同样是要收费的,这样公司也许会收取大量简历,但是有利用价值的简历很少,尤其对于那些很高级的职位,你见过有几个manager,或者GE的角色 去上 51job,或者中华英才网的,而且很多公司比较优秀的人才很可能跳槽的动机都不是很强,只有在碰到非常有吸引力的职位时,他们才会考虑一下,另外有些职位很难理解,并不是简单的一些编程经验,他们需要很多额外的附加条件需要猎头去理解。
 
  所以猎头的工作简要的可以描述成:寻找合适的人才并过滤简历,在某些时候,甚至我们还需要跟候选人进行第一论电话面试。
  
   猎头公司的客户一般都是些外企和国内的名企,当然也有一些小公司,不过就一个猎头公司的发展来看,更愿意去做那些知名企业的case,首先他们有跟猎头合作寻找人才的意识,也比较付得起钱,猎头公司也喜欢跟这些大公司建立长期合作关系。比如像Cisco,EMC,盛大,微软这些公司都是我们公司的长期客户。
 
 
 
  当客户给我们一个职位的时候,我们首先分析这个职位,需要到什么公司去挖人,像那些国际知名的大企业的职位,一般我们都不会从小公司去找人,像这些大公司,一般都很拽的,我们推上去的简历,不出名的公司他们连简历看都不看的,即使经验再匹配职位。他们宁愿offer一个贵点的同等竞争对手的人才,也不会Offer一个差一点的公司出来的。
 
 另外就是一个职位的匹配度问题,这些大公司特别注重经验,因为他们要根据你曾经工作过的年限来定level,这是给你offer多少钱的一个标准,一般来说,这些大公司的业内薪水的标准都差不多,一般新公司给你offer,会参考你上个公司的的薪水,做一个 20%-40%的涨幅,一般涨幅到50%都是很难的。
 
  我目前做的主要是技术方面的职位,包括开发,测试,mananger的职位,所以对这方面了解还是有些经验,我现在列举一下我作过的一些公司情况:
   Cisco(上海思科)这个公司比较拽,不过最近亚太区的业务扩张很快,着两年狂招人,估计把alcatel,lucent的人都挖的差不多了,当然Huawei,ZTE也是他们的对手,不过huawei,ZTE的人英语相对比较差,所以过英语这关相对不是很容易,而且huawei的股票也能留住不少人,ZTE的人都慵懒的国企感觉,猎头公司也不是很喜欢找,Cisco当然也很喜欢英特尔,IBM级别差不多类型的人才,总之最Prefer的还是有外企大公司背景的,思科的工程师是分好几个level的,12,8,6,4根据你的工作年限来定,当然 薪水级别不同,思科的薪水整体还是不错的,当然这也要看你的能力和背景,所以你不能主观的去评判说,听说思科薪水也一般般,这种之类的话。
   在软件方面,思科的职位多半都是嵌入式开发的职位,多半的系统都是Linux,QNX,不像huawei,ZTE,alcatel都是用vxworks的,另外就是很strong的C/C++能力,一般juion和senior的软件职位基本就是上层应用软件和底层驱动这两种。
   EMC,存储业的老大,大家对这个公司可能了解不是很多,不过一提那个史上最牛的女秘书肯定都知道了。EMC的业务其实在硬件比较多,近今年软件需求也扩张很快,目前在上海的五角场那边就是EMC的软件开发中心,EMC很喜欢要英特尔,marvell,oracle,IBM,HP这类公司的人才,薪水也很高,而且四金个人那部分也由公司代交,拿到手的确实比较多,也是很不错的公司。对于软件职位的要求,他们也多半是要求strong experience in Linux C/C++,OS kernel 是非常perfer,偶尔有些windows方面的要求,因为他们主要是网络存储方面的,所以偏底层的软件职位还是更多。
   Intel,英特尔在上海的软件研发中心人很多,目前都在紫竹那一块,intel网罗的也都是中国最优秀的计算机人才,英特尔的工程师一般知识都很全面,公司的业务也很全面,芯片半导体,无线网络设备,多媒体,纯软件方面的比如complier,middleware等等,他们的系统平台也多半是Linux,有些是Wince,C/C++的经验。intel是个很好的公司,加班也不多,这是技术型的公司,在里面你能找到很多大牛,硕士工作个5,6年一般你如果不是太差,都有个30w左右的年薪。
  
   Marvell,这个半导体公司这几年简直发展太快了,收购了intel的一个偏硬件部门还有UT的一个无线芯片部门,顺便提一下,marvell的创始人是一个**华裔和一个上海姑娘,强人啊,真给中国人长脸,里面的业务大家可以去他们网站查询,主要涉及存储,通信芯片这方面的业务,软件方面的职位也多是要求Linux C/C++,对kernel比较了解。
   MicroSoft,如果以上的几个公司都offer不起你的话,请你到微软来试试,目前微软在上海的研发中心多半的业务还是集中在MSN这方面,估计还有些外围的业务,很核心的产品国内目前没有开发,他们对候选人十分挑剔,想给microsoft找个合适的manager,不给他们推荐3,40个大公司的候选人简直不太可能。不过很多人对微软目前在国内的业务不是很感兴趣,所以找合适的人对他们来说就更难了。
  其他很多有名的公司我就不多说了,比如AMD,HP,IBM,freescale,apple,sybase,等等,local的还有盛大,google,等等。。各有各的风格和企业文化。
  
  所以可见,通信,半导体行业的各类人才,软件方面主要focus再Linux ,Kernel,C/C++,如果您足够优秀,有垮平台的开发经验更加好。硬件方面就是集中在ASIC设计,IC设计等等比较抢手,还有一个最重要的,要想进入这些大外企,英语是非常重要的,一般他们所有的面试80%都是英文面试。
  
   作为一个有点愤青的猎头,从这些跨国企业选人才的标准我不禁感叹万千。
  1. 这些大公司会把国内那些最优秀的人才选走,然后给予比较高薪的待遇,当然这待遇跟国外的工程师比起来,成本已经低了很多,这也是他们为什么大都把研发中心签到中国来的原因,当然,大多数工程师还是做不到核心的技术,多半也是一些外围的东西,但是成熟的外企制度和优厚的待遇让他们不可能再去考虑local的公司,而即使自己创业,因为你接触的核心东西并不是很多,所以也很难有什么创业的发展前景,比如芯片半导体这个领域。
  2. 外语,让人感觉很痛心的就是,这些老外到中国来选人才,却要求一个东方人会很流利的英语,这是为什么?就是因为人家比你强啊,大家也不止一次看到国,一个满嘴操着英语的人可以到中国来混吃混和,甚至我们更多中国人还客气的跟他们讲英文,以为是个学英语的好机会,而这是我们的领土啊,这里都是说中国话的,到你们的土地上说英文我没什么好讲,但是来到我们的土地,请你们老外要学点中文,中文可比英文有意境多了。可事实并不是这样,大多数人甚至都恨不得忘记自己的母语,满嘴中文夹着英文,哎,有时候,我真感叹,这是不是一种高科技和平年代的侵略方式呢?
  其实大家想想,外企真的给我们中国带来了什么?除了解决了很多人的就业,确实也提高了很多人的生活水平,可真正的核心技术还是老外控制,即使进了外企,也很难进入一个很高的职位,公司的利润大都还是被欧美带走,GDP留给中国了,说白了,人家利用的还是你的廉价又廉价的劳动力。
  3 .反思当代中国大学教育,很多老师,教授其实根本不知道当前社会上需要什么样的人才,单就中国大学的教育来讲,真的是很失败的,教学内容的更新完全落后于技术的更新。
  
  4.职业发展,我常常听很多做了3,4年的候选人说,我不想做技术了,我已经做project leader,不要给我推荐Engineer的职位,其实这种想法也只有在中国人的工程师里出现,对于这种很牛的技术型公司,PL并不是一个position,大多数是由比较senior的engineer担任,manager才是一个position,像intel,思科,emc这种技术型的公司,职业发展都是分两路走,一种是走技术路线,一种是都管理路线,并不是说技术的就比管理的薪水或级别低,他们的level是彼此独立的,薪水一样有很大提升空间的,但即使是manager的职位也要保持非常深厚的技术功底,但也许不如technical lead 关心的那么细节和深入。
  国内很多毕业生的想法就是,做几年技术,做个leader,就可以不用再弄那些枯燥无聊的coding了,只要管管人,协调一下,就好像解放了一样,这也就是很多国内的公司为什么无法作出最好的技术,保留住最好人才的原因。
  让喜欢技术的人继续研究技术,有管理能力的人从事管理。这才是人才分配的最好方式,当然,中国的用人制度跟从小到大的教育都是密不可分的,想解决这些问题必须治标又治本
Deepracer 智能无人车-绿洲科学云平台介绍 Deepracer 智能无人车 绿洲科学云 阅读详情

相关推荐

【编译原理】LL(1)分析方法 生成语法树(c++实现)

基本流程 输入文法->消除左递归->提取左公共因子->求FIRST集->求FOLLOW集->LL(1)分析表->表驱动的预测语法分析过程->输出语法分析结果和语法树

qq_43417265的博客 1万+

【转】50款免费的好软件

如今,成千上万的网站在提供免费软件,令人眼花缭乱。不过如果仔细搜查一下,确实能够找到许多效果不亚于付费软件的免费软件。本文按从A到Z排列的方式向读者推荐50款不错的免费软件和服务。   A 1.Alleycode(alleycode.com/) 这个WYSIWYG HTML编辑程序可以提供许多付费软件具有的一大批功能,尤其擅长建立层叠样式表。软件免费,不过网站倒是接受捐款。 2.avast...

竹林愤青 2310

Windows中的TLS 1.2启用方法(IIS、C#、.Net framework)

折腾几天了windows中的tls1.2启用方法!特此记录一下 开发背景: 在一个用.net framework 2.0开发的客户端程序里面嵌入功能调用第三方物联网相关接口,服务器上有一个restful接口用于接收第三方上报的数据及处理,最后再调用第三方的物联网相关接口。本机开发环境Windows 10,客户服务器是Windows Server 2008 R2。 第一次写这种物联网相关的接口调用,而且第三方提供的文档比较简单,最基本的报文示例都没。开发环境里面各种摸索一步一个坑,首先在发送HTTP请求前

dl1314ld的博客 1万+

从软件工程师到IT猎头:我的一点经…

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd"> 从软件工程师到IT猎头:我的一点经历和感触 在做完三年的通信软件工程师之后,因为不想在技术这条路上继续走下去,但又不想到处出差,吃喝应酬,在一个朋友的推荐下做了

dieqms的专栏 595

Altera下载器驱动配置:手把手教程(从零实现)

详解Altera USB-Blaster驱动安装全过程,从设备识别到软件配置一步一图,解决常见连接问题,确保开发下载器正常工作,适合初学者快速上手FPGA下载调试。

weixin_35751194的博客 991

Android SystemUI——初始化流程(三)

1、Android 系统在启动之后,首先会Zygote进程,Zygote进程又会进一步启动 SystemServer进程,它会启动各种系统所需要的服务,在监听AMS启动完毕之后,还会启动SystemUIService。2、在启动SystemUIService服务之前,系统首先会创建SystemUI对应的进程,获取SystemUIAppComponentFactory实例对象,调用instantiateApplicationCompat创建SystemUIApplication实例对象并设置回调方法。

小旭的专栏 1160

从软件工程师到IT猎头:我的一点经历和感触

在做完三年的通信软件工程师之后,因为不想在技术这条路上继续走下去,但又不想到处出差,吃喝应酬,在一个朋友的推荐下做了猎头,猎头在很多人的眼里是个 神秘的职业,可能很多朋友都不知道自己怎么就突然被猎头找到了,然后经过很专业的寒暄跟客气之后,就开始职位介绍,如果这年头,您正不打算换工作,而且又 很忙,收到这样的电话可能还真烦的不得了,但如果您目前正有换工作的打算,此时听到猎头的电话,一般都会很客气的躲...

weixin_30823227的博客 254

Host是如何与EC通信的

EC中有三个寄存器,分别为状态寄存器EC_SC、命令寄存器EC_SC和数据寄存器EC_DATA。而状态寄存器和命令寄存器同属于一个寄存器,这几个寄存器遵循着ACPI EC规范。host可以根据ACPI协议规范来与EC进行通信。 以下是个寄存器的详细介绍。 EC状态寄存器(EC_SC(R)),该寄存器是一个只读寄存器,它反映了此时EC接口的状态。下图为该寄存器表。 EC状态寄存器表中各位的具体含义: OBF(Output Buffer is Full),该状态位置1...

qq_30135687的博客 3701

我是如何从测试开发做到年薪百万的

点击上方“程序人生”,选择“置顶公众号”第一时间关注程序猿(媛)身边的故事2017年的结束,意味着我从事猎头的工作已经有8年了。在过去的三年里,有超过200万的个人业绩,成为公司100多名猎头顾问中的Top Billers (业绩最好的顾问)之一,而我个人的年收入也连续三年达到了100万。从“程序员”转变成“程序员猎头”8年前我还是一个在望京索尼爱立信(简称索爱)的测试开发工程师。从测试开发工程师

程序人生的博客 2万+

Go游戏服务器开发的一些思考(一):语言层面

Go是比C++更好用的高级语言使用Go作为服务器开发的主语言前,首先需要对Go语言做下定性。在接触Go前,可能给人的印象(至少是我),Go是一门脚本语言。看了 官方文档 ,才知道Go是一门高级语言。与C++相比,它有以下优势: 面向接口的编程没有C++复杂的面向对象语法,如类、继承、多态、虚函数等等。Go中只有结构与接口,从语言层面上,直接指导功能与功能间的解耦。直接且语法简单 提供语言反射机制提供

范安崇的博客 9561

阿里云 Docker 镜像加速收费后:这些免费替代方案值得收藏

阿里云Docker镜像加速服务收费后,国内开发者急需免费替代方案。本文推荐2025年仍可用的7个免费镜像源,包括轩辕镜像、DaoCloud、网易云等,并提供多源配置方案以提高稳定性。建议开发者在CI/CD环境中配置多个镜像源,避免构建失败。文章还提供了详细的配置步骤和使用建议,适合个人和团队开发者参考。

sg_knight的专栏 1934

我曾经的"愤青"思维

我曾经的"愤青"思维.     今天晚上google了一下一些和自己相关的东西.突然发现上网5年.id用了确实不少. 从最早的nhsoft.magix , 到后来的xpertsoft,xheartblue以及stanly.lee和大大的野猪. 一年还能分到一个多.呵呵. 不过最大的收获还是从以前发的帖子里重新思考了一次以前曾有的愤青思维.愤青思维一 , 高校教育无用论:   也许是自己没能

Nhsoft的专栏 3842

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

猎头说...

 在做完三年的通信软件工程师之后,因为不想在技术这条路上继续走下去,但又不想到处出差,吃喝应酬,在一个朋友的推荐下做了猎头,猎头在很多人的眼里是个神秘的职业,可能很多朋友都不知道自己怎么就突然被猎头找到了,然后经过很专业的寒暄跟客气之后,就开始职位介绍,如果这年头,您正不打算换工作,而且又很忙,收到这样的电话可能还真烦的不得了,但如果您目前正有换工作的打算,此时听到猎头的电话,一般都会很客气的躲开

evanever的专栏 1197

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

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")

鼹鼠的故事全集63集 下载地址

鼹鼠的故事全集63集 发布时间:2007-03-30 ftp://guest:guest@www.zidong.net.cn:2121/儿童影视/动画连续剧/鼹鼠的故事/1957鼹鼠与裤子.rmvb ftp://guest:guest@www.zidong.net.cn:2121/儿童影视/动画连续剧/鼹鼠的故事/1963鼹鼠与汽车.rmvb ftp://guest:guest@www.z

Yasin Lee 1万+

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

自闭症的认识

转自维基百科:http://zh.wikipedia.org/wiki/%E8%87%AA%E9%96%89%E7%97%87 自闭症 维基百科,自由的百科全书 维基百科的医学类别条目仅供参考,并不能视作医疗意见。 任何关于健康的问题应咨询专业的医护人员。 自闭症 分类系统及外部资源

Yasin Lee 4817

请不要再用老土的销售对白了

很多导购,顾客进门第一句话他就说错了!一般的导购看到顾客第一句话就是:“你好,欢饮光临!”,其实这句话说错了!第二句话说错的人更多了!“您想要点什么?” 错      “有什么可以帮您的吗?” 错      “先生,请随便看看!” 错      “你想看个什么价位的?” 错      “能耽误您几分钟时间吗?” 错      “我能帮您做些什么?” 错      “喜欢的话,可以看一看

Yasin Lee 3035

航模利润

<br />http://www.jfdaily.com/a/1288176.htm<br /> <br />核心提示:国内航模产业的尴尬是,厂商和销售商面对国内消费者时,首先要从最基础的解释做起。据业内人士介绍,虽然热门程度赶不上“山寨”电脑和“山寨”手机等产品,但航模的利润远高于它们,“一架好一点的航模,其利润超过几十台‘山寨’电脑”。  国内航模产业的尴尬是,厂商和销售商面对国内消费者时,首先要从最基础的解释做起。“你必须搞清楚,航模可不是玩具啊!科技含量较高的航模飞行速度为50至100公里/小时,遇

Yasin Lee 2467

机器猫500集下载

http://202.107.209.193:6666/F:/vod/小眯动画/机器猫/0001.RM http://202.107.209.193:6666/F:/vod/小眯动画/机器猫/0002.RM http://202.107.209.193:6666/F:/vod/小眯动画/机器猫/0003.RM http://202.107.209.193:6666/F:/vod/小眯动画/机

Yasin Lee 2104

王小波语录

1.这个世界自始至终只有两种人:一种是像我这样的人,一种是不像我这样的人。   2.我认为每个人都是有本质的。 像我的本质就是流氓、土匪,如果放到合适的地方就大放光彩,可是在城市里做个市民、在学校里做个教员就很不合适了。   3.这辈子我干什么都可以,就是不能做一个一无所能,就能明辨是非的人。   4.当一切开始以后,这个世界上再也没有什么让我害怕的事情了。

Yasin Lee 2030

言论

1   有钱买块好表,比在自己有脖子上加条一指来粗的金链子让人看着有品味多了,山炮才带金链子。 2   偶尔和父亲促膝喝点小酒,永远比和一帮酒肉朋友在一起买醉来得开心。 3   喝酒喝好,不代表喝完吐吐完喝,在量上占个老大。 4  不要想着找个情人,因为情人是在有了家有了媳妇有了

Yasin Lee 1678

初吻的女孩

1998年我在读高二。那年夏天我认识了一个女孩,我和她接吻了。她说她想去温州,我问她去那里做什么,她说她要去温州当小姐。 夏天还没结束,有一天她消失了。 我经常想起她,怀念第一次接吻的感觉,她说我接吻的时候口水流到她嘴里了。 十二月十二日是她的生日, 现在是2010年12月12日我依然祝她生日快乐,我依然爱她。 现在是2011年12月12日,我不知到她现在在哪里,也许还在那个小城市。今天

Yasin Lee 1532

十盼了三十盼初一,终于没有年终奖。真是悲哀呀。。。。

盼了三十盼初一,终于没有年终奖。今日问老板何故。答曰:"公司的财政年度改成7月份了" …… 血淋淋的事实再一次证明:神马真的是浮云。

Yasin Lee 1488

程序员守则:跟你比起来,大部分人都像笨蛋

……

Yasin Lee 1454

城市足印

领导给你的承诺就像当年你给那个女孩的承诺一样 高中毕业时你对那个女孩说:等大学毕业了我就回来娶你。 那天你紧紧抱着她。 你在心里发誓大学毕业后你一定会回来娶她。 女孩也这么憧憬着。 大学毕业的散伙饭上。 你喝了很多,你很清楚的知道你没有喝醉。 但是你看起来是醉了的。 你紧紧抱着那个女孩说:等我赚了钱就回来娶你。 你的心跳很快。 你很清楚的知道,是酒精的刺激你才鼓

Yasin Lee 1446
上一篇: keil编程学习备忘
下一篇: 一个男人关心的东西决定了他的层次
YasinLeeX
博客等级 码龄19年 380粉丝 310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

打赏作者

YasinLeeX

再来一杯西湖龙井。

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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