程序媛有话说丨一名误入编程路的程序员

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


作者简介

Lizzy,2008年开始从事Asp.net(C#)开发,中间做过2年多的技术支持,后换工作继续做开发直到现在,从前端到后端都有涉及,根据不同项目需要使用不同语言,不过用的最多的还是C#



我的大学专业是计算机科学与技术,大学课程里最讨厌最害怕的就是各种上机编程课,当时也是一再告诫自己:找工作绝对不找编程的。其实当时也不知道能找什么工作,然后懵懵懂懂的在学校的应届生招聘会上找了个技术支持工程师的岗位。


兴高采烈的入了职,当时与我一同入职的还有一个女生,三个男生。领导给每人分了一个导师,在经历各种公司文化入职培训后,分给我的第一个任务是:在部门开发的一个管理网站的一个页面新增全选功能,并将数据导出到EXCEl,一个月完成。接到任务的我是一脸懵:不是做技术支持么?难道技术支持也要编程?一个新同事问出了我的疑惑,得到的答复是:现在技术支持工作一个老同事足以搞定,开发组活多,先去开发组。


秉持着领导安排的活一定要按时按量完成的想法,在导师的帮助下,安装好了要用的工具:Visiual Studio 2008,SQL Server2000和VSS。期间,组内组织了一次项目架构讲解,那次讲解我只记住了一个词:三层架构,但是具体的完全不懂。由于公司电脑不能联网,于是周末去书店买了2本asp.net的书,那也是第一次认认真真的从头到尾看全了的书,跟着书里的案例一步步操作,知道了怎么创建一个网页;怎么通过C#连接SQLServer数据库;怎么从数据库取数据返回到页面;怎么单步调试;还学会了写简单的Js脚本等等;那一个月几乎天天晚上加班到九、十点,忙且充实,最后终于按时完成了工作(中间碰到的很多问题都和导师一起解决了),且还协助另一个数学专业的同事完成了他的任务。


虽然第一次的任务在只知其然不知其所以然的情况下完成了,却让我突然间发现:


原来编程并没有想象中那么难,而且看着自己编写出来的东西特别有成就感;原来大学学的那些理论知识并不是没有用,正是因为有了那些理论,我才能快速上手进入到工作中来。


而且在自我学习的过程中也发现:看书时看到不明白的不要着急,可以先记录下来,继续看书和实践,也许某一天某一刻那些不明白的知识点突然间就明白了。所以不能放弃学习。 


于是在这样乐观的认知下,我在编程的道路上一直走着,从VS2008到2010再到2013,从SQLServer2000到2015(我是微软的忠粉么?),从VSS到TFS到GIT,从三层架构到MVC到各种设计模式,语言也用过不少:C,C#,JAVA到Python,Js,JQuery等等,虽然没有成为专家,但是在自己的岗位上都能做得很好。


虽然很多人都说女生做技术不长久,但是在没有厌倦之前,我觉得还是乐此不疲的。


THE END -

如果,你在你的编程之路上也有话想说


欢迎投稿给我们

征稿要求:

①稿件字数以800~1500字左右为宜,多于2000字的文章在手机上阅读起来比较麻烦,少于800字的文章看起来不过瘾;

②你有自己拍的适合做文章插图的照片也可一并附上~如果不方便,程序和小七也会帮你配图~

加程序人生编辑们的微信,备注#投稿#:


程序 微信ID:druidlost  

小七 微信ID:duoshangshuang  


我们在这里期待你的故事!


点击图片get往期内容

本指南详细阐述基于Python编程语言结合OpenCV计算机视觉库构建实时眼部状态分析系统的技术流程。该系统能够准确识别眼部区域,并对眨眼动作与持续闭眼状态进行判别。OpenCV作为功能强大的图像处理工具库,配合Python简洁的语法特性与丰富的第三方模块支持,为开发此类视觉应用提供了理想环境。 在环境配置阶段,除基础Python运行环境外,还需安装OpenCV核心模块与dlib机器学习库。dlib库内置的HOG(方向梯度直方图)特征检测算法在面部特征定位方面表现卓越。 技术实现包含以下关键环节: - 面部区域检测:采用预训练的Haar级联分类器或HOG特征检测器完成初始人脸定位,为后续眼部分析建立基础坐标系 - 眼部精确定位:基于已识别的人脸区域,运用dlib提供的面部特征点预测模型准确标定双眼位置坐标 - 眼睑轮廓分析:通过OpenCV的轮廓提取算法精确勾勒眼睑边缘形态,为状态判别提供几何特征依据 - 眨眼动作识别:通过连续帧序列分析眼睑开合度变化,建立动态阈值模型判断瞬时闭合动作 - 持续闭眼检测:设定更严格的状态持续时间与闭合程度双重标准,准确识别长时间闭眼行为 - 实时处理架构:构建视频流处理管线,通过帧捕获、特征分析、状态判断的循环流程实现实时监控 完整的技术文档应包含模块化代码实现、依赖库安装指引、参数调优指南及常见问题解决方案。示例代码需具备完整的错误处理机制与性能优化建议,涵盖图像预处理、光照补偿等实际应用中的关键技术点。 掌握该技术体系不仅有助于深入理解计算机视觉原理,更为疲劳驾驶预警、医疗监护等实际应用场景提供了可靠的技术基础。后续优化方向可包括多模态特征融合、深度学习模型集成等进阶研究领域。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论 13
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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