程序员崩溃的 40 多个瞬间!!!太形象了,你遇到过几个?

一文速览:大模型语料构建与基础训练全流程实战指南 因为模型只有看到足够丰富、高质量的数据,才能真正学到“真本事”,展现出更强大的泛化能力,也就是能够在全新的场景和任务下,做出准确的推理和判断。我们日常做饭的时候,通常会先把买回来的菜仔细清洗干净,把坏掉的叶子、泥土、杂质等去除掉。同理,训练大模型的数据就像我们的食材,如果不干净,就会影响模型的学习效果,甚至训练出逻辑紊乱的模型。在大模型的世界里,有一句名言:“Garbage in, Garbage out”,翻译过来就是“垃圾输入,垃圾输出”,说白了,就是给模型喂的是什么数据,它学到的就是什么知识。 阅读详情

点击上方“芋道源码”,选择“设为星标”

管她前浪,还是后浪?

能浪的浪,才是好浪!

每天 8:55 更新文章,每天掉亿点点头发...

源码精品专栏

 

来源:zhuanlan.zhihu.com/p/47066521

说到程序员,在外界眼里,他们是掌控代码的大神,他们是改变世界的王者。其实程序员的工作不容易,不信,就来看看程序员崩溃的各种瞬间——(前方高能)

01

公司实习生找bug

02

在调试时,将断点设置在错误的位置

03

当我有一个很棒的调试想法

04

偶然间看到自己多年前写的代码

05

当我第一次启动我的单元测试

06

数据库的delete语句忘了使用限定词where

07

明明是个小bug,但就是死活修不好

08

当我尝试调整生产数据库中的一些东西时

09

好像真的没人发现我产品里的bug

10

下班前我还有一项任务没有完成

11

产品还没测试直接投入生产时

12

调试过多线程的都会懂

13

当我以为已捕获了所有可能的异常...的时候

14

当我试图清理几行所谓的旧代码

15

当有人让我帮他调试代码时

16

程序员第一次向老板演示项目

17

当你看到你几个月没碰过的代码

18

接到产品经理电话的我睡意全无

19

测试的时候一切ok,真正上线的时候……

20

作为一个程序员,拷问灵魂的时刻到了

21

当年学C语言的过程

22

当前端程序员想改后台代码时,后台程序员的样子

23

调试bug

24

正在调试,突然内存溢出了

25

需求文档又改了

26

苦逼的后端工程师

27

后端工程师做UI的活

28

在生产环境做hotfix

29

刚调稳定的系统,公司叕空降了一位架构师,又双叕要重构现有系统……

30

当程序员听客户说还在用IE时

31

功能先上了再说

32

新手程序员第一次做项目的过程

33

零错误零警告一次编译通过

34

春节前后上班写代码状态是这样的

35

被老板委派接手刚刚离职同事的项目...

36

准备下班的时候,测试又提bug过來了…

37

测试刚写完的代码

38

当我以为我修复了一个bug

39

程序员新手尝试新框架的时候

40

当我第一次测试我的代码时

41

我设计的接口和别人调用我的接口(好疼)

42

高级开发人员作为一个团队进行编程时

43

不小心碰到了遗留代码,真惨

说中了嘛?

如果你中招了,请点个在看,分享给他人一起欢乐!如果你有想分享的,欢迎留言!



欢迎加入我的知识星球,一起探讨架构,交流源码。加入方式,长按下方二维码噢:

已在知识星球更新源码解析如下:

最近更新《芋道 SpringBoot 2.X 入门》系列,已经 20 余篇,覆盖了 MyBatis、Redis、MongoDB、ES、分库分表、读写分离、SpringMVC、Webflux、权限、WebSocket、Dubbo、RabbitMQ、RocketMQ、Kafka、性能测试等等内容。

提供近 3W 行代码的 SpringBoot 示例,以及超 4W 行代码的电商微服务项目。

获取方式:点“在看”,关注公众号并回复 666 领取,更多内容陆续奉上。

兄弟,艿一口,点个赞!????

YOLO26训练教程,训练自己的数据集教学,从源码下载,配置虚拟环境,准备数据集、训练、验证、推理测试 。实现0到1的完整教学过程。快速入门必看 本文详细介绍了YOLO26目标检测模型的配置与使用流程:1)下载YOLOv11源码并创建Python3.10虚拟环境;2)安装PyTorch2.5.1及相关依赖库;3)准备数据集并修改配置文件;4)编写训练脚本设置参数(640x640分辨率、500轮次);5)验证模型效果;6)使用训练好的模型进行推理测试;7)生成可视化热力图。整个过程涵盖了从环境搭建到模型应用的全流程,并提供了清华镜像源加速下载。 阅读详情

相关推荐

程序员崩溃的40多个瞬间!!!太形象了,你遇到过几个?

假期别再写Bug了,放松娱乐下。说到程序员,在外界眼里,他们是掌控代码的大神,他们是改变世界的王者。其实程序员的工作不容易,不信,就来看看程序员崩溃的各种瞬间——(前方高能)01公司实习...

Python之禅的专栏 533

基于IC555的PWM信号发生器设计:从原理到电机调速与LED调光应用

脉冲宽度调制(PWM)是一种通过调节数字脉冲宽度来控制模拟信号电平的核心技术,其原理在于固定频率下改变高电平占空比,从而等效调节平均电压或功率。这项技术因其高效率、低损耗的特点,在电机调速、LED调光、开关电源等工程领域具有重要价值。本文聚焦于利用经典IC555定时器芯片构建PWM信号发生器,通过分析其无稳态工作模式及改进型电路设计,实现了占空比独立可调且频率稳定的信号输出。文中结合电机驱动与LED调光等具体应用场景,详细阐述了电路参数计算、元件选型、PCB设计及常见问题排查等实践要点,为电子爱好者与工程师

weixin_30342363的博客 397

程序员崩溃的 40 个瞬间!!! 太形象了

程序员的成长之路互联网/程序员/成长/职场关注阅读本文大概需要 2.8 分钟。来自知乎专栏 互联网视界 编辑:可可https://zhuanlan.zhihu.com/p/4706...

良月柒 778

【STM32CubeIDE入门】(一)工程创建&工程配置

​写在前面:如果是刚接触stm32cubeide的同学推荐与这一篇文章共同阅读,能够更加快速认识上手stm32cubeide。 1、打开stm32cubeide,选择好工作目录进入主界面后,点击创建工程。

涛涛子的博客 1万+

AD9176 双通道高速DAC调试记录

AD9176是一款高性能双通道16位数模转换器,支持高达12.6GSPS采样率,专为多频段无线应用设计。该器件集成8通道15.4Gbps JESD204B接口,支持复数/实数数据输入,每通道最大输入速率达3.08GSPS。关键特性包括:48位高精度NCO、灵活的插值滤波器(最高12倍)、优异的动态性能(SFDR达-83dBc@1.84GHz)以及多芯片同步功能。硬件调试需重点关注时钟配置(建议250M基准时钟)、JESD参数匹配及交流耦合设计。测试指标要求SFDR>55dBc@312MHz,实测值可达65d

universaldata的博客 1496

让程序员崩溃的瞬间,这比喻太形象了,你遇到过几个?

  1. 公司实习生找 Bug     2. 在调试时,将断点设置在错误的位置     3. 当我有一个很棒的调试想法时     4. 偶然间看到自己多年前写的代码     5. 当我第一次启动我的单元测试时     6. 数据库...

exodus3的博客 1万+

《YOLOv8实例分割实战:训练自己的数据集 》(视频课程)

本课程将手把手地教大家使用labelme标注和使用YOLOv8训练自己的数据集,完成一个多目标实例分割实战项目。

bai666ai的博客 790

程序员崩溃的 40 个瞬间!!! 太形象了

来自知乎专栏 互联网视界编辑:可可https://zhuanlan.zhihu.com/p/47066521说到程序员,在外界眼里,他们是掌控代码的大神...

LuckyWinty的博客 237

【数学基础】基于欧拉角表达的旋转顺序

欧拉角旋转顺序

FalschxMico 1385

UE 顶点动画工具 (VAT)

导入模型需要勾选全精度UV。

iesoxj的博客 1647

轻松周末,让程序员崩溃的瞬间!这比喻太形象了,你遇到过几个?

点击上方 "程序员小乐"关注,星标或置顶一起成长每天凌晨00点00分,第一时间与你相约每日英文We all have moments of desperation. But if we can face them head on, that’s when we find out just how strong we really are.我们都有绝望的时候,只有在勇敢面对时,我们才知道我们有多...

吧主 381

word多级列表为什么会变成黑块解决思路

今天在写文档时,发现WORD5级的标题都变黑块了,找了度娘的资料,终于解决了。 第一种 1、光标bai放在黑快的右边,按向左的箭头,然后ctrl+shift+s,点击重新应用。 2、点击“定义新的多级列表”(不知道从哪儿找这个按钮的百度下),直接点确定。 3、这里很重要!!!不要直接保存,而是直接关掉word,会提示保存还是不保存,这个地方再点击保存。 第二种 Word2016 使用宏代码修复方法 1.找到视图-宏,打开 查看宏 2.创建宏 3.贴...

霍力强的专栏 8585

65个让程序员崩溃的瞬间,这比喻太形象了

1. 公司实习生找 Bug2.在调试时,将断点设置在错误的位置3.当我有一个很棒的调试想法时4.偶然间看到自己多年前写的代码5.当我第一次启动我的单元测试时6....

Python之禅的专栏 384

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")

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

程序员崩溃的 43 个瞬间,太形象了!

原文:https://zhuanlan.zhihu.com/p/47066521说到程序员,在外界眼里,他们是掌控代码的大神,他们是改变世界的王者。其实程序员的工作不容易,不信,就来看看程...

程序IT圈 214

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

为什么我不建议程序员做“外包”?

点击“开发者技术前线”,选择“星标????”在看|星标|留言, 真爱 ...

开发者技术前线-DevolperFront 715

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

成年人的崩溃是努力了很久却无法掩饰的痛苦

大哥胀红的脸,努力的眯着嘴,不停的眨着眼镜,隐藏着自己想要夺眶的眼泪,但终究没有忍住,哇的一声哭了出来。哭声是那样的撕心裂肺,所有人都在看他,但是大哥却忘记了场合,看不见落在他身上无数的眼睛,他只是拿着手机,极力掩饰着哭泣,哑着嗓子说:啥时候的事?大侠的注意力被吸引过去了,开始好奇,开始分析,为什么这个看似已经40岁的大哥会如此痛苦,到底是什么事情能让他如此不顾形象的崩溃大哭呢?大侠要去地铁站,去客户现场看看,看看大家的进度,跟客户聊聊,聆听一下客户的抱怨。原来,成年人的崩溃是努力了很久却无法掩饰的痛苦。.

sinat_16724815的博客 141

RTX 40系显卡实测:DCT-Net人像卡通化效果惊艳

本文介绍了如何在星图GPU平台自动化部署DCT-Net人像卡通化模型GPU镜像,实现高质量人像转卡通效果。该镜像专为RTX 40系显卡优化,可快速将真实人像转换为日系动漫风格,适用于个性化头像制作、社交媒体形象设计等场景,无需复杂配置即可获得专业级输出。

weixin_42598278的博客 137

程序员表情包背后的秘密(职场沟通暗语大曝光)

揭秘程序员表情包背后的职场沟通术,「程序员表情包合集」帮你读懂团队暗语。涵盖日常协作、需求评审、上线救火等场景,用幽默化解冲突,提升沟通效率。轻松掌握技术人专属表达方式,值得收藏。

ProceGlow的博客 1116

15亿独角兽暴雷!印度程序员「AI骗局」卷走微软亚马逊8.7亿

伦敦AI编程独角兽Builder.ai被曝用人工冒充AI,虚报300%营收骗取软银、微软等4.45亿美元融资。随着Viola Credit冻结3700万美元资金,这家估值15亿美元的明星企业轰然倒塌。内部员工揭露其「代码全靠印度程序员手敲」,微软云集成系统成最大笑话。这场AI洗白风暴揭开行业隐秘黑幕,Gartner预测低代码市场将达260亿美元,但虚假技术包装正成为资本市场的达摩克利斯之剑。

打造全国最全的AI Agent开发知识领域的博客 1156

代码封神:我的架构师之路

《代码封神:架构师逆袭之路》讲述了一位33岁程序员靖哥哥重生逆袭的故事。从遭遇人生低谷后意外重生三年前开始,他抓住蚂蚁金服P7架构师机遇,通过疯狂钻研云原生与高并发技术实现职场逆袭。在双十一流量洪峰中一战成名后,最终成为阿里云首席架构师,并实现财务自由与人生蜕变。故事穿插技术干货与职场斗争,展现了一个程序员通过技术精进(Docker/K8s/高并发设计)、副业变现(技术博客/知识付费)和生活重构(健康管理/社交破圈)的三维成长路径,最终完成从"牛马"到"数字游民"的华

金牌架构师 1613

Windows蓝屏变黑屏:微软的“崩机美学”大升级,还是怕你看蓝了眼?

当然,光靠颜值不够,还得有“实用主义”的遮羞布。干脆改个菜名重新上桌——把“蓝屏”换成“黑屏”,虽然本质还是系统崩了,但至少能减少点用户的“心理阴影面积”,堪称科技版“换个马甲再出道”。但不管怎么加戏,蓝屏始终摆脱不了“系统崩了”的负面标签,甚至成了Windows的“祖传名场面”,连不懂电脑的长辈都知道“电脑变蓝就是坏了”。以前的黑屏多半是显卡烧了、内存松了这类硬件绝症 ,而现在的“黑屏死机”是系统主动“报故障”,本质还是软件或驱动冲突,重启、查代码基本能解决,甚至微软还配了“快速机器恢复”功能兜底。

2501_93595079的博客 615

MySQL 读写分离、ProxySQL 中间件管控与高可用

ProxySQL作为数据库“前台总机”,实现读写分离与负载均衡,屏蔽后端节点变化。通过两层配置库(admin/runtime)管理策略,结合MGR组复制实现主库自动故障转移,无需人工干预。其核心优势在于:应用仅连接ProxySQL,由其自动感知主从切换、路由请求,并保障事务一致性。配合合理规则顺序、会话粘连控制及延迟监控,构建高可用、低耦合的MySQL架构。

xuxiang996523的博客 368
上一篇: 基于 Spring Boot 的车牌识别系统(附项目地址)ba
下一篇: 软件公司与非软件公司区别(纯个人看法)
公众号-芋道源码
博客等级 码龄10年 1639粉丝 377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