记录一下工作这3年多的时光

HTML5+CSS3+Jquery实现纯手工的垂直时光轴【附源码】 前言   由于工作中需要,系统中需要记录不同时间发生的事件,为了提升用户体验,决定用时光轴来实现。[据说这个东西挺火的,QQ空间和FB都在用...] 这个时光轴是在 三生石上 这位博主的时光轴基础上修改的,可以称之为增强版吧! 兼容性   Firefox、chrome、360急速、360安全浏览器、IE8,其他的没测试,不过IE上的兼容有些问题。 效果预览 操作演示 实现过程 阅读详情

       时间一下子就跳到2013年的2月24日元宵节那天。我一个人拖着行李坐上了去武昌火车站的高速,

在路上的心情是复杂的,一个人远离故乡,去往一个完全陌生的城市。终于到了宏基客运站!

跟着人群的脚步去往对面的火车站,等待11点20的D3028次列车。具体细节已经想不起来了。

        这趟车好像是5点半到虹桥的,然后在C的指导下,我坐上地铁了,因为要换乘,

我就买了2张票,事后才知道自己买多了。那时候还没坐过这玩意儿,上2号线就冻的要命,

那还是冬天呢。就这样出站了,一起在附近的好像是家湘菜馆吃了顿饭,回来还能看到有人在放鞭炮。

然后就这样开始了在上海的生活。第二天去附近的小吃店吃了碗拌面,真特么难吃,太干了,

然后就去办了张邮政储蓄卡,家里给我打了3k经费。多了也没有哈。靠着这3k找了10多天工作。

在一家大公司和小公司里面选择了大点的波克城市。在上海做游戏的同行应该会有一点点了解。

4k5的转正月薪,毕竟是第一份工作,也就这样干了下去。

         每天坐785公交车30多分钟就可以到了,静安区人还是挺多的,住的地方是市中心,空气不咋的,

从17楼看下面,不远处弥漫着雾气。后来才知道这玩意儿是雾霾。大学所在地在武汉旁边,

对雾霾完全没概念。新公司很沉闷,彼此之前都在做自己的事情,中午公司包盒饭,晚上也是。

做到7点就回去了。也是乘坐公交车,因为地铁还是有点距离。拖着疲惫的身体回到了住处,

回来已经有8点了。街上人来人往的,偶尔会去附近超市买点水或者水果啥的。

拿着过年买的lenovo a288t,现在还能记起来,移动的一款定制机,就280多块钱吧。

晚上回来洗个澡,看看新闻,聊个天就睡觉了。这样的生活持续了不到一个月吧。

突然有天领导找我谈话,我有点紧张,不知道他找我干啥。然后我了解到,

他说我不太适合这个岗位,给的需求都完成了,我不知道哪里不对劲。

后面他说到我没有面向对象的思维来做事情。跟我一起进来的还有另外一个哥们儿Z,

然后后面还来个人,没多久也走了,没想到这事儿发生在自己身上。

自己也是刚从学生的角色转换到员工,一时之间还是有点难以接受的,最后我就去财务结清工资离开了这里。

第一份工作就这么结束了,手上拿了1k多现金,然后第三天刚好是发工资日子,卡里多了2k多,

家里打的3k也用的差不多了。然后揣着最近一个月打工挣来的钱,开始了新一段找工作之旅。

       一个月的工作,朝九晚七,感觉在那里待着很压抑,不是自己想要的,就这么安慰自己吧。

底子还是有的,大一下学期从化学学院去了计算机学院。上学期给别人搞过婚礼摄影,

发过传单,然后刚好有个免费机会转专业,就和另外一个小伙伴一起备考,

他去了电子商务,我选择了计算机,我本人比较喜欢数学。不过等过去后,

由于没学过C语言,数据结构刚开始一窍不通,指针完全听不懂。大二玩了一年游戏。

暑假去做了20天高二学生的家教,回来也是在玩游戏,后面这个孩子考上了中山大学,

高三的时候他爸还让我去给他儿子看下数学,后面实在是没时间,就没继续了。

这孩子底子不错,我也教了他不少数理化的解题方法,也是功德一件,他们后来还感谢我。

大三自己天天晚上去图书馆,就这么坚持了一年,终于才C语言入门了,这个时候也在接触C++。

完全都是在自学,数据结构也看的差不多了。大四上花了一个礼拜吧用MFC框架吧俄罗斯方块写好了,

不到两天用win32sdk实现了贪吃蛇。然后后面花了一个多礼拜吧扫雷搞定了,这个也是自己的毕业设计。

剩下的时间玩了一个月鬼泣4,也去过武汉找过一次工作。情况不理想。然后就这么等着毕业答辩。

       简短地回顾完大学时代,当然中间还发生过其他事情,不过这不是重点。接下来开始了新一轮的面试。

两个礼拜下来,去了6家公司,情况不是很理想,毕竟是还没毕业,然后在朋友的帮助下,吧简历改了下,

简历一定要重视起来,即使是现在,我也是会花很大力气写这个,最后在意外地去了现在的公司。

以为自己答得不好,最后却进去了。

       人生因为充满了未知才美丽?!

       谁知道这一呆就是3年多!第一天过来上班就和hr签了劳动合同和保密协议。然后就在CTO P旁边坐了半个月。

这日子可不好受呀。早上9点不到我就在桥头买花早饭来了公司。然后开始了一天的工作。直到11点P才来。

qq也没登,然后中午吃饭也不敢按时下去,还先问问P要不要帮他带点。我们这一排就我和P,

我就去楼下吃快餐了。唯一的晚上吃饭是和P还有公司老板一起,真是受宠若惊,话都特么不敢乱说。

就吃了碗乌冬面,擦那,心里对自己说着真难吃。还不如高三那会儿在外面吃的瘦肉拉面。

他没下班弄的我都不敢下班,那段日子真是难过。每天晚上10点左右才回去,真特么累,我居然坚持下来了!

一个月才拿4k5,就这么点工资,我特么一天都赔进去了,真是难过啊,回到住处都11点了,洗个澡就睡觉了。

       新的一天又开始了,持续了两周,我就去了项目组那边,当然座位也换了,心想终于解放了。

不过事实也是这样,当然不用每天都呆这么晚。不过刚刚开始一年加班还是非常多的,尺度也是很大。

经常10点半以后才回去,打车报销。回去大概要花50左右,从浦东到静安。做的项目是网页游戏。

后来才知道是公司的支柱产品。做了三个月转正了,也和P提了加薪的事情,给我加到6k。

7月份我花了我2/3的余额去苏宁实体店买了我的第一款nokia lumia 720,本来是想买920的,

可是价格贵了700多,买了我就没钱吃饭了,就这么到了过年,小伙伴W说自己去年发了10多w项目奖,

心里还是挺期待的。结果后来才知道发了1w,心里多少还是有点失望的,年终奖发了7k多。不过也知足了。

我一个月才6k呢。差不多3个月工资了,也还是不错的。

       到年会抽奖环节,我抽了台西门子滚筒洗衣机,价值3看,三等奖,是我们小组里面手气最好的。

小伙伴晚上帮我们抽到洗衣机的同事吧洗衣机给运回公司了,第二天我就找德邦快递托运回家了,

快递费和车费都花了450了。成本有点高了。这个时候也玩过一个月的btc,亏了800多。后面就没玩了。

公司还算人性化,过年放假调休放了11天,然后自己请假2天,在家可以多呆几天。就这么进入了2014年,

开始有年假了,7月份工资涨到8k多了,这时候世界杯也开始了,慢慢地也知道了许多球星,

谁知道这特么原来是噩梦的开始。9月份谈了个女孩子,好景不长,12月份的时候就分了。

和这玩意儿也有很大关系,忽视了对方,女孩子还是要多陪陪对方,多关心关心,不然就像我这样了。

我特么还在玩这个,真是着魔了,后面越玩越大。到14年年会的时候我抽了个骚尼RX100,价值2k多吧,三等奖。

这2年手气还是不错的,依旧是小组手气王。5月份他们也给我介绍了个研究生吧,接触了有个把月,

和我一样是天枰座的,性格有点相似,对我感觉还不错,后面她家里出了点事情,有几天没联系吧,就把我删了,

我发消息后面没回复,那几天我就没和她聊天了,后面就发现已经被拉黑了,之后C还准备让我去浦西吃个饭,

我那时候身上只有几百块了,就没想过去了,这段经历就告一段落。我特么一个到手8k的,现在沦落到只有几百块了,14年年底发了3w,按说我应该有点积蓄,结果一无所有了,吃个饭都没钱,真是可怜,

俗话说的好,可怜之人必有可恨之处。互联网的发达让人无法控制自己,但欲哭无泪。我也不好说啥了。

6月份一个消息让我措手不及,C让我借他5w。要是不接触足球,我很轻松就借了。

那段日子我很难过。做梦还梦到借钱的场景。我为何要这么作践自己呢。后面也是运气好,

花了240中了1w6多,后面总共回来了3w多。然后找同事和室友拿了点。凑到了5w,

在6月底打给C了,然后8月份我就搬到那边去了。好在我净存款是正数,就当存钱了吧。

一直到12月我才彻底没玩了,想想这1年半,我损失了2年多的积蓄和奖金,这感觉真特么惨。

我还能怎么样呢?只能自己默默承受。就这么到了16年年底,C开始还我钱了,我的lumia换了2次屏幕,

第二次自己在更换过程中弄坏了主板的排线插口,就换了部6s。年底发了我3.9w,还算是不错,

工资也涨到了11k了,之前之所以敢玩那么多,还是因为奖金的缘故。年底就中了个小米套装,

手气好差。这期间也介绍过一两个,不过都没啥兴趣。都是异地,不看好这些。

这半年是我来上海最难过的时期了,好在自己挺过来了。

       一直到公司呆了快3年的时候我有了离职的想法,一来工资确实低了,二来这边我已经到瓶颈了,

无法突破了,然后开始请假面试了。陆陆续续面了15家公司,一天三四家。大大小小的公司都去了不少。

到手的offer有2个,一个18k的A,一个16k的B(每天50补贴)。AB都避税,不过B我可以选择交金基数。

现在这公司还没离职,这个月才给我公积金开户。A社保基数太低,最低缴费,和我现在一样,还要扣2k5的个税。

谈到发展,可能A要更好点,还特么新三板上市公司。B我选择10k交金,2个offer到手都是15k,不过B福利更好点。

虽然B公司不大,但是老板有钱,舍得为员工花钱,每周40小时,不怎么加班,我选择了B。

现在公司呆了这么久,能不加班还是不加班,身体第一。A项目已经快收尾了,B才刚开始,手游项目,

我选择B也是想接手一个从开始到上线的项目。之前也有不少公司对我有意向,不过工资不超过15,我就婉拒了。

还有个17k的offer C,加班太厉害了,也没去。A每天固定加班到9点半,周六可能还要过来。

综合考虑还是把A pass掉了,不得不说面试也是一门学问。说好的20k,因为说错了一句话,缩水成18k了。

       我需要一个公积金多的单位,经验哪里都差不多。生活也走向正轨,积蓄也有10多w了,今年年底看能不能整个首付,争取早点结婚生娃。人生从来都不简单,这些或许就是我人生要经历的,现在面对这些,也还是很坦然了。

打好基础,过好现在,不然自己后悔,去特么比的股票和彩票,最大的合法化赌博市场,能不碰这些就不要碰!

顺风顺水固然好,身处逆境也不要气馁,问题总可以解决的。搞技术的还是要有些技术积累,我呆的这3年,

积累的东西也就是一般水平,有很多我还是不会的,不过如果等我会了这些,也不是现在这个价格的。

都是个过程。

       月底就要去新单位入职了,纵然有再多的不舍,人生没有不散的筵席,我需要改变这些。

这就是我现在要做的。这3年多的经历让我成长了许多,不管是工作还是生活,

人需要有在逆境中改变现状的想法和行动,很多时候都是被迫去适应。撑过去了,你就是人生赢家。

其实还有很多细节东西没写上去,要说的实在是太多,这几年发生的事情太多了。

就写到这里吧,以后有空再加上去。

一文理解近红外光谱数据建模步骤的细节(细节知识总结) 上一篇文章,向入门的同志大体介绍了近红外光谱数据建模的内容,依据上文其实已经可以基本完成数据建模的工作,但是很多工作不够细致,本文便是分享其中的一些技术细节。 阅读详情

相关推荐

飞塔防火墙和paloalto防火墙构建ipsec

一、配置fortigate防火墙1.防火墙配置上网功能1.1配置fortigate的wan1接口IP为100.100.100.2/24VLAN交换internal,IP地址为192.168.156.99/24。开启DHCP分配IP地址范围为192.168.156.110-192.168.156.2101.2配置访问互联网的缺省路由1.3配置访问互联网的安全策略2.配置与Paloalto防火墙的IPSECVPN。

weixin_44675999的博客 3738

面试经历

我的几次面试经历(我是某重点大学计算机专业本科生):第一次大学四年级,某台资大公司(员工50000+)来校招人,轮到我面试的时候,面试问答如下:问:你想到我们公司从事哪方面的工作?答:网络方面(当时对网络很感兴趣)。问:你确定吗?答:是的,我确定。问:好,你可以下去了……一个礼拜后,接到该公司的通知,去和该公司签约。第二次在第一次所在的公司混了半年以后,感觉不爽,于是决定跳槽。给了国内一家知名公司

游戏 1787

基于近场动力学的二维疲劳裂纹扩展模型_近场动力学数值模拟的程序实现(1)——引言...

参考书目W. H. Gerstle. 2015. Introduction to Practical Peridynamic: Computational Solid Mechanics Without Stress and Strain.E.Madenci, A.Barut, M.Dorduncu. Peridynamic Differential Operator for Numerical ...

weixin_39764603的博客 1202

数仓面试总结

2021年5月开始找工作,面试了若干个数仓的岗位,面的差不多也就2个,总结下大致的面试内容 一、字节视频面,上海的一个部门,视频面挂,小伙伴内推的 这个5月份面的,大概视频面试了一个小时,主要面试内容 1、问了mapreduce的具体执行过程,这位面试官还问到了执行计划的东西,就是explain sql代码的东西,这个我基本都不会 2、数仓分层的东西,就大致讲了下分几层还有主题的划分 3、因为我现在做了一些flink的东西,问了一点流的东西 4、做了1个sql的题目...

huobumingbai1234的博客 4472

深入解析BLheli电调固件与Dshot通讯协议:从原理到实践

本文深入解析了无人机动力系统的核心——BLheli电调固件与Dshot通讯协议。详细阐述了BLheli固件从经典版到BLheli_32的演进及其功能特性,并重点剖析了Dshot数字协议如何通过数据包和校验码实现更快、更准、更可靠的电机控制。文章还涵盖了双向Dshot遥测、实战配置与调参指南,帮助玩家充分释放无人机性能。

weixin_28273593的博客 434

从SVF文件到高效验证:Formality中set_svf命令的隐藏技巧与实战解析

本文深入解析Formality中set_svf命令的高级应用技巧,涵盖SVF文件生成策略、多文件加载优化及验证效率提升方法。通过-append和-ordered选项的实战应用,帮助工程师解决芯片验证中的常见问题,实现验证通过率与运行效率的双重提升。

mqtt6iot的博客 819

波克城市面试记录

如何制作一幅扑克牌的数据结构。

qq_56174184的博客 1437

从噪声中提取真相:LabVIEW振动信号积分处理的降噪艺术

本文深入探讨了LabVIEW在振动信号积分处理中的降噪技术,揭示了如何通过选择性频率加权从噪声中提取关键故障特征。详细介绍了时域和频域积分方法的实现原理及优化策略,并结合工业案例展示了多轴信号联合降噪的实际应用效果,为设备状态监测提供了高效解决方案。

weixin_29164185的博客 302

某捕鱼分析

最近研究捕鱼的一些功能,顺手下载了一款鱼。 首先使用Android Killer打开APK如下: 打开工程管理: 看到Assemble-CSharp.dll 可以断定是用Unity3D开发的,一般这个dll是主核心逻辑代码。 我们使用dnSpy打开发现有加密,dnSpy是一款开源的C# DLL反编译工具。 我们需要对Assembly-CSharp.dll 解密才能通过dnSpy解开源码。 1、使用IDA反汇编工具打开libmono.so 找到解密的地方。 查看了一些资料Unity3D加载dll的时

0 2025

SVPWM原理与MCU/FPGA实现:从数学推导到工程实战

空间矢量调制(SVPWM)是实现高性能电机驱动控制的核心算法之一,其通过六个基本电压矢量与零矢量的伏秒平衡,在一个PWM周期内合成任意方向的旋转电压圆,相比传统SPWM可提升约15%的直流电压利用率。该技术不仅涉及扇区判断、作用时间计算、过调制限幅等数学原理,还在MCU与FPGA两种硬件平台上有不同的工程实现路径,包括中心对齐PWM配置、死区插入、定点数流水线设计等。在电动工具、无人机、机器人及车载执行器等电池供电场景中,SVPWM直接决定续航与扭矩表现。本文从数学原理出发,详细拆解MCU和FPGA实现细节

weixin_34265814的博客 301

YOLOv8改进 | Neck篇 | Slim-Neck替换特征融合层实现超级涨点 (又轻量又超级涨点)

本文给大家带来的改进机制是Slim-neck提出的Neck部分,Slim-neck是一种设计用于优化卷积神经网络中neck部分的结构。在我们YOLOv8中,neck是连接主干网络(backbone)和头部网络(head)的部分,负责特征融合和处理,以便提高检测的准确性和效率。亲测在小目标检测和大尺度目标检测的数据集上都有大幅度的涨点效果(mAP直接涨了大概有0.4左右。同时本文对Slim-Neck的框架原理进行了详细的分析,不光让大家会添加到自己的模型在写论文的时候也能够有一定的参照。

Snu77的博客 1万+

互联网寒冬结束!大厂开始扩招!技术岗坑位增加,早投早占坑!

过年前太着急找工作了,进了一家和预期有很大出入的公司,感觉被hr骗了,领导也不太行,现在试用期一个多月了,每天都待的很难受,如果现在再找工作会不会有影响啊,才工。内推码:zmxkja内推码:zmxkja内推码:zmxkja职位类别:智能制造类,综合管理类,研发技术类,营销类,产品设计类,财务金融类,供应链类,信息技术类,公积金拉满,还有8%房补。不玻璃心,读硕时算法课给学出自信了,以为真行了,秋招没参加,本来春招想找算法岗,找的时候发现跟佬们的简历比起来好像不配一起卷算法,光靠自己兴趣学的那点东西根本不。

2301_79125642的博客 986

手把手教你学simulink(90.1)--直流电动机实例:基于Simulink的基本模型的直流电动机(DC Motor)建模

直流电动机(DC Motor)因其结构简单、控制方便和良好的调速性能,广泛应用于各种工业自动化、机器人技术、家用电器以及航空航天等领域。为了更好地理解和应用直流电动机的工作原理及其控制系统,本项目旨在通过Simulink对直流电动机进行基本模型的建模与仿真。

MHD0815的博客 439

2026 年时间记录软件对比研究:时间线与「时光流」设计的产品分化

本文分析了5款时间记录应用(时光序、时间块、时间日志、Pendo笔记、时光小铺)在时间线设计上的差异。随着时间管理工具从“记录功能”转向“时间感知”,时间线逐渐成为核心交互要素。研究从功能架构、时间线呈现、时间穿梭能力和回顾机制等维度对比,发现时光小铺以连续时间流为核心结构,支持无级穿梭与深度分析,而其他应用或侧重模块化(时光序)、离散记录(时间块)或叙事功能(Pendo)。结论指出,时间线设计分化反映了产品对“时间”的不同抽象方式,时光小铺通过操作化时间线提升了用户行为优化效率

分享有趣的、贴近生活的CS知识 1038

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

时光本-免费记事本、日历本、MBTI测试、工作分析、AI总结

免费记事本、日历本、MBTI测试、工作分析、AI总结、周报、月报,让时间管理变得简单高效 创新的矩阵日历视图,强大的横道图管理,智能的AI工作总结。 支持倒数日提醒、过期事项提示、全局搜索和四象限分析。 一款真正懂你的时光本。

qq_39392097的博客 1012

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

从面试到入职到离职,我在B站工作的30天时光!!!

从面试到入职到离职,我在B站工作的30天时光!!! 2019年4月,我从工作两年的公司离职了。离职前我拿到了B站的Offer,入职B站一个月后就走了。 大家不要瞎猜,看完文章,你关心的内容都会知道了。 当时,我在上海金科路附近一家做物联网的公司工作。2017年年初刚入职这家公司,入职半年,很幸运的赶上公司新业务扩张和组织架构调整。为了给车联网的客户提供更好的更专业的服务,领导层决定从母公司划分出来30人成立了子公司,我正好在这30人的名单中。短短的一年多的时间,子公司人员快速扩张到150人以上,我也从一个

诸葛小猿 1万+

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

QQ聊天记录导出神器:3分钟搞定你的聊天时光机

在数字时代,我们的情感记忆往往隐藏在无数的聊天记录中。无论是与挚友的深夜长谈,还是与家人的温馨对话,这些看似平凡的交流都承载着我们生命中珍贵的时刻。然而,QQ聊天记录的加密机制让许多用户望而却步,无法轻松备份这些宝贵的数字资产。今天,我要向大家推荐一款真正解决这一痛点的开源工具——QQ-History-Backup。 ## 为什么你需要聊天记录导出工具? 想象一下这些场景:**换手机时**,那

gitblog_00834的博客 1376

时光轴的设计理念

时光轴这个栏目,是在参考了QQ空间等社交网站的时光轴栏目之后,根据咱们自己的理解做出来的。 主要特色有以下几点: 1.根据时间逆序展示一个人的活动。 存在这种需求:一个人读书经历了小学、初中、高中、大学等阶段,ITFriend创业史也经历了谋划、设计、开发、内测、公测、改进等阶段。 就...

chulilang8944的博客 238

今天我又发现一个宝藏应用:时光序-个人日程管理应用,记录生活的方方面面!

今天我又发现一个宝藏应用:时光序——个人日程管理应用,记录生活的方方面面! 写在前面         本人日常生活中有点小小的强迫症,喜欢规划日程安排一级记录生活中的琐碎日常,对于日程待办类的软件应用市面上比较多,常用的如滴答清单,微软的TODO,如果说仅仅是做待办手推微软的TODO,界面简洁,支持任务步骤、无广告、可以和微软的Outlook数据共享。但是本人一直想找一款具备待办管理,日常生活记录的APP,同时最好支持PC、移动

云间月 1万+

时间轴+html+源码,HTML5+CSS3+Jquery实现纯手工的垂直时光轴【附源码】

由于工作中需要,系统中需要记录不同时间发生的事件,为了提升用户体验,决定用时光轴来实现。[据说这个东西挺火的,QQ空间和FB都在用...]这个时光轴是在 三生石上这位博主的时光轴基础上修改的,可以称之为增强版吧!兼容性Firefox、chrome、360急速、360安全浏览器、IE8,其他的没测试,不过IE上的兼容有些问题。效果预览操作演示实现过程我是做后端的,所以,页面设计的并不是很好看来着。...

weixin_42516967的博客 1128

Story Studio 扩展指南:为新赛道与写作风格自定义接入 DNA 规则与专属画风

Story Studio 是从「选题 → 文案 → 配音 → 配图 → 剪映草稿」的一站式 AI 短视频内容创作 Agent Skill。它内置了历史叙事与人物故事两套写作风格、三套配图画风,但你的新赛道未必在覆盖范围内。这篇 Story Studio 扩展指南将手把手演示如何为新赛道与写作风格自定义接入 DNA 规则、创建专属画风,全程只需按目录结构与注册约定操作,不需要写任何代码。 > 💡

gitblog_00539的博客 283

得力考勤机删除某天记录_让自己更优秀更卓越,从工作记录开始,这几点你要知道...

事情本来就多,还要每天做工作记录吗?如何高效做好工作记录?还有2个月艰难的2020年就要翻篇了,还有3个月又要过年了,而时间越往后走,有一项重要的工作越急迫及重要,那就是年终终结。很多人的状态是每天忙忙碌碌,晕头转向,感觉事情做了很多,可是仿佛都反反复复都是那些,当想要总结的时候,又好像没做什么,或者是记不起来了。又或是在忙碌了一天,就想早点结束今天的事情,好好葛优躺,好好享受美食或者陪伴家人的时...

weixin_35918198的博客 2509

终极指南:如何用home55个人主页的时光胶囊功能记录生活点滴

home55个人主页是一款功能丰富的主页模板,其中的时光胶囊功能可以帮助用户记录和管理生活中的重要时刻。本文将详细介绍如何使用这一实用功能,让你的个人主页更具个性化和纪念意义。 ## 什么是时光胶囊功能? 时光胶囊功能是home55个人主页中一个非常实用的时间管理工具。它能够以直观的方式展示时间的流逝,帮助用户更好地规划和回顾自己的生活。通过这个功能,你可以清晰地看到一天、一周、一个月甚至一整

gitblog_00549的博客 639

忙到没成果?3 个工作管理技巧理顺你的时间

摘要:本文分享3个高效工作管理技巧:1)用四象限法区分任务优先级,推荐使用时光本的矩阵日历功能;2)设置双重提醒机制,利用倒数日和过期事项提醒避免遗漏;3)记录工作日志并借助AI总结进行复盘。这些方法配合时光本工具(免费版基础功能/19.9元专业版)可有效提升工作效率,且数据本地存储保障安全。适合希望改善工作条理性的职场人士尝试。

qq_39392097的博客 982
上一篇: win 32sdk编写贪吃蛇(附源代码)
complety
博客等级 码龄16年 55粉丝 12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