程序员裸辞全职接单一个月的感触!

波束管理 Beam Management Beam Management in 5G NR   波束管理,是5G NR中基于信道质量来动态选择每个UE和gNB之间以什么方向和频率的波束beam来进行通信。   背景   5G NR(New Radio)支持非常高的数据速率和更低的延迟。5G NR支持FR1和FR2频段,FR1为亚6 GHz(450至6000 MHz);FR2为毫米波段(24.25 GHz至52.6 GHz)。   由于毫米波频带使用非常高的频率,因此会导致传播损耗和其他损耗。为了补偿损失,在这种频率下定向通信是必不可少的。 阅读详情

👉 这是一个或许对你有用的社群

🐱 一对一交流/面试小册/简历优化/求职解惑,欢迎加入「芋道快速开发平台」知识星球。下面是星球提供的部分资料: 

c45e5881d61c4b96c25e1e1ed9688d61.gif

👉这是一个或许对你有用的开源项目

国产 Star 破 10w+ 的开源项目,前端包括管理后台 + 微信小程序,后端支持单体和微服务架构。

功能涵盖 RBAC 权限、SaaS 多租户、数据权限、商城、支付、工作流、大屏报表、微信公众号、ERP、CRM、AI 大模型等等功能:

  • Boot 多模块架构:https://gitee.com/zhijiantianya/ruoyi-vue-pro

  • Cloud 微服务架构:https://gitee.com/zhijiantianya/yudao-cloud

  • 视频教程:https://doc.iocoder.cn

【国内首批】支持 JDK 17/21 + SpringBoot 3.3、JDK 8/11 + Spring Boot 2.7 双版本 

来源:juejin.cn/post/
7032317937339858952


背景

鄙人本科毕业一年有余,计算机专业。全栈工程师,但更喜欢前端的工作,于是在一家游戏公司任职前端工作。在这个内卷的时代,身处一线城市,来自全国各地的优秀学院/培训机构人才辈出,涌入市场,竞争激烈,各大公司并驱争先用丰厚的薪水,优渥的待遇去吸引更优秀人才入职。

但是,现在已经过了 ”不会但我会学“ 就能感动面试官的时代,随着供需关系的变化,不论是对于面试官还是面试者,面试的成本越来越高。为了筛选到更优秀的程序员,面试官们可谓是绞尽了脑汁,”面试造火箭,工作拧螺丝“ 的传言也不是空穴来风。

鄙人在学生时代考试就不太愿意复习,面试的准备我也是比较随缘,理所应当地尝到了 ”不好好准备面试“ 的后果。

基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/ruoyi-vue-pro

  • 视频教程:https://doc.iocoder.cn/video/

动机

根据前面背景的介绍,在上一份工作准备离职前,我已经找好下家。带着美好的期待跳槽进入之后发现与想象之中相差甚远,除了薪资比之前高不少,其余都在预期以下。于是便选择了裸辞(虽然入职手续还没办完),随后虽然也找了几家,但是 “一朝被蛇咬,十年怕草绳”,后面都很小心地找工作,而且可能是感觉对大部分的公司的前端业务(做做后台这样子)都提不起兴趣。

差不多一周之后,我想这样下去也不是办法,于是就想不如在家接单吧...

基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/yudao-cloud

  • 视频教程:https://doc.iocoder.cn/video/

渠道

我的渠道主要是在各外包 Q 群里(一些网站的兼职也是可以考虑,如果外语过关可以去国外的 upwork 或者 stackoverflow 等)

Q 群的用户端入口一般都是某宝店铺,如果想要接单的,可以加入一些 Q 群,也可以直接去找店铺然后联系客服,让他拉你进群。

你也可以和一个靠谱的中介建立稳定的合作关系,这样你就不缺需求了。

其实大学时我就试过接单了,从校内课程设计,到一些学校的毕设,后来开了某宝店,提供软件外包和咨询服务。(由于太久没管理,店铺已经不存在了)

收入

大家最看重的可能就是收入问题了,本文没有网上说的月入大几万这么夸张。从上个月开始兼职,大概工作了 20 几天,赚了 11K+,不过由于有中介费的存在,实际到手也就 9 ~ 10K。不过对于一份在家的兼职工作,这个收入还是过得去。

与一份稳定的工作不同,自己接单不存在上班摸鱼这个概念。上班摸鱼摸一个月,你的工资还是一样照发,同时你还要考虑节假日,五险一金等等。

报价

一般来说报价是按照这个公式来算:

报价=日薪 ∗ 工期报价 = 日薪 * 工期报价=日薪 ∗ 工期

不过也没必要完全按照这个标准,我的标准很简单:不会因为价格太低而感到后悔,也不会因为价格太高而感到心虚。

报价前要了解你将要做的是什么,需要花多久。客户需要装环境吗,如果需要你预计花多久搞定等等......

内容

在上一份工作中,虽然工作了一年有余,但是项目经历还是比较少。在这一个月的接单中:我接触了我非常陌生的 php,python;用 react + django 写了一个简单的社交网站;用 heroku 部署了两个网站;接触了以太坊加密;用 css3d 构建了圣诞节的 3d 场景,包括了用 PS 画图;接触了炒股软件开发(vue),学会了看 k 线;接触了 google group varint 压缩算法;做了个网页帮留学生在国外宣传敦煌文化......

总的来说,内容很丰富,但都不是什么大需求。由于我学习东西比较快,debug 能力还行,原本只打算接前端的单子,但是总是在自己的能力边界徘徊,也就学会了见招拆招,做一些其他语言或框架的工作。比如 php 我从来没接触过,python 也只会最基础的语法而已。

接单就是这样的,有些客户会愿意相信你,你也不想辜负别人的期待。在大学的时候,我就接过我不太熟悉的 springboot + jquery 的毕设,和 .NET 桌面软件的修改,还有 process 设计,由于这个技术比较冷门,客户直接发学习资料,让我学一周之后再做。XD

作息

接单作为兼职,在业余时间抽空做一些小单子。时间很容易把控。但把这个当成全职之后,就不可同日而语。假如你和我一样,并不是跟家里人住在一起,而是在外租房,没有公司的朝九晚五(996),你的时间概念可能会慢慢缺失,你的所有时间都需要你来掌控(虽然对于自律的人,这可能不是什么问题)。

在经过一个客户连续两三天的需求,每天都忙到凌晨四五点才睡。彻底把我原本就不平衡的作息给搅成糊。之后的几天,我的作息都无法完整调整过来。于是我给自己放了一周的假期,回了一趟家,在家里的作息又恢复正常,于是才回来继续工作。现在已经作息比较规律了。

作息规律,多出去走走,不要久坐,没有工作之后,你想干什么,随时去干吧。

总结

对于程序员来说,跳槽还是得准备 fallback 方案,起码 offer 可以准备多几个再跳槽。如果一不小心 gap 了, 那靠接单来维持生计不失为一个好的路子,但是如果打算一直接单的话,还是需要结合自身情况。这里总结一些值得注意的点:

  • 一个单子明显不能做的时候,要趁早告知客户。例如明显超出自身能力范围,或者说这个需求根本做不了。

  • 最好同时不接超过三单 ,同时接好几单会很消耗你的心力。

  • 客户要求比较含糊的时候,一定要搞清楚所有需求 ,不然后面可能会不断加细节,加需求,另外了解需求才能给一个合适的报价。

  • 跟客户友好沟通,出现联系不上的时候,不要着急。收钱办事,不用掺杂各种情绪。如果由于联系不上客户导致赶不上工期,It's not your fault 。

  • 合作完之后,如果你和客户都很满意对方的话,不妨加个好友,基于信任的基础上,如果以后有需求你们可以直接联系。

其他

能看到这的,你可能或多或少是有这方面的考虑,不容易啊,加油吧。


欢迎加入我的知识星球,全面提升技术能力。

👉 加入方式,“长按”或“扫描”下方二维码噢:

73d2802f56a680eb6bc9412c378840f5.png

星球的内容包括:项目实战、面试招聘、源码解析、学习路线。

e24d73690d6c38d9c2fe028b345e6593.png

9acd88ffe61899e2f9407616c14962e8.png24b1dd73a3e71cd5f4795fbe781370b1.png1b680bc24d2808c641a60b16ef4c3cdd.pnga041cf3fef7bdff66ab8da13a022975e.png

文章有帮助的话,在看,转发吧。
谢谢支持哟 (*^__^*)
UVM和System verilog笔记总结(四) virtual sequence 即虚seq,用于管理多个实sequence的执行顺序。 下面有三个sequence,此时需要virtual sequence去管理这三个的顺序。 virtual sequence和virtual sequencer需要成对写,使用例化实的sequence和sequencer控制: 此时在virtual sequence里面启动,而不是之前在test.sv里面用default或start函数启动。具体方法如下:先例化 再启动,用 `uvm_do_on 实sequence 阅读详情

相关推荐

国内免魔法接入Grok API,打造智能QQ机器人实战指南

大型语言模型(LLM)通过API接口为开发者提供了强大的自然语言处理能力,其核心原理是基于海量数据训练的深度神经网络,能够理解和生成类人文本。这一技术价值在于显著降低了AI应用开发门槛,使开发者无需从零训练模型即可快速集成智能对话、内容生成等功能。在即时通讯、智能客服、自动化工具等应用场景中,LLM API能有效提升交互体验与效率。本文聚焦于如何通过稳定的第三方API服务,绕开网络访问限制,将xAI推出的Grok模型接入国内网络环境,并结合NoneBot2框架与go-cqhttp,实现一个功能完整的智能QQ

weixin_30607125的博客 339

程序员全职接单一个月的感触

背景鄙人本科毕业一年有余,计算机专业。全栈工程师,但更喜欢前端的工作,于是在一家游戏公司任职前端工作。在这个内卷的时代,身处一线城市,来自全国各地的优秀学院/培训机构人才辈出,涌入市场,竞...

hnjsjsac的博客 1148

海思SD3403/SS928V100开发(6)单路GMSL-MIPI-YUV相机视频输入调试

硬件连接:森云GMSL相机 -> GMSL 解串器 -> SD3403 MIPI0暂时先进行单路视频输入通路调试。

jzwjzw19900922的博客 1935

会Python要怎么接单兼职?怎么把它作为副业发展呢?

会Python要怎么接单兼职?怎么把它作为副业发展呢?

python03014的博客 322

不藏了!Wireshark 命令、捕获、过滤器大全分享给你

Wireshark,这款广受欢迎的开源网络协议分析工具,堪称网络管理员、网络安全专家和网络爱好者的“显微镜”!它可以帮助我们捕获网络中的数据包,并提供详细的解码和分析能力。本文将为您全面剖析 Wireshark 的强大功能,从基础到高级,让你快速掌握这个神器!💡Wireshark 是一款功能强大的网络协议分析器,最早由 Gerald Combs 于 1998 年开发,经过多年发展,已成为网络诊断和分析的首选工具。

网络技术联盟站 728

MobSF-v3源代码分析(一)

移动安全框架(MobSF)是一种自动化的移动应用程序(Android/iOS/Windows)测试框架,能够执行静态、动态和恶意软件分析。 它可用于Android、iOS和Windows移动应用程序的有效和快速安全分析,并支持二进制文件(APK,IPA和APPX)和压缩源代码。 MobSF可以在运行时为Android应用程序进行动态应用程序测试,并具有由CapFuzz(一种特定于Web API的安全扫描程序)提供支持的Web API模糊测试。MobSF旨在使您的CI/CD或DevSecOps管道集成无缝。

武天旭的博客 8960

程序员自曝接私活:10个月时间接了30多个单子,纯收入40万

人为财死,鸟为食亡。八个字,道尽了我们生活的目的和艰辛。 随着互联网的发展,对于程序员的需求也日益增多。一些程序员在按部就班的同时,也会在外接一些私活增加收入。有一名程序员无意间发现了商机,开始了全职接私活,在10个月时间接了30多个单子,纯收入40万,直言比上班强多了。 许多同行也是纷纷跟帖交流,看来,程序员接私活已经是一个较为成熟和实用的赚钱方式了。很多程序员,通过做私活承接项目,将自...

勇往直前的专栏 2万+

Windows 下运行 openclaw 出现“‘openclaw‘ 不是内部或外部命令,也不是可运行的程序或批处理文件“的解决方案

方案适用场景推荐指数检查并手动添加 PATH明确知道全局安装目录,只是没加进PATH⭐⭐⭐⭐⭐pnpm setup 自动配置使用 pnpm 安装,想要省心的自动化方式⭐⭐⭐⭐⭐npx 免安装临时运行快速验证核心程序是否正常,排除法排查⭐⭐⭐⭐清理残留后重装npm/pnpm 混用导致版本混乱⭐⭐⭐⭐改用 WSL2不熟悉 Windows 路径体系,长期使用⭐⭐⭐'openclaw' 不是内部或外部命令这类报错,本质上不是"程序坏了",而是。

一键难忘的博客 1万+

python入门级新手接单一单两百块,经验方法分享

如何利用python在网上接单赚钱,兼职也能月入过万 学习python编程,不仅可以找到一份高薪工作,而且不打算转化或者是在校学生的话,也能为你的日常生活提高一些帮助,比如:自动化办公 爬取一些数据信息之类的.....另外闲暇时间也可以在网上接点小单,增加些收入 至少不用为生活费发愁 Python作为一门编程语言,一门技术,就一定能够为我们所用,至少赚个外快是绝对没有问题的。 渠道一:淘宝搜python程序 可以到淘宝上搜,Python程序,到相应的店里找客服,就说你想做程序开发,给个联系方式。

xunmi1996的博客 1万+

Hindsight 内存爆炸 4 个词排查清单:9,284 条 6 成是 SSH 调试日志——Agent 标签系统的实战复盘

9,284 条记忆里 66% 是 SSH 调试日志。4 个标签被滥用=0 区分度。3 个 entity_labels + retain_mission + retain_every_n_turns 配置把噪声压回 5%——附 PATCH 脚本和实测前后数据。

Starry-SkyJing的博客 59

AI Agent开发大全第一课-AI是什么以及如何使用AI

近年来,人工智能的迅猛发展引发了广泛的关注,尤其是“大模型”这一概念越来越深入人心。大模型,顾名思义,通常指的是那些拥有大量参数、能够处理复杂任务的机器学习模型。与传统小模型相比,大模型在数据处理、信息理解和生成等方面表现更加出色。为了理解为什么现在的AI被称为大模型,我们需要深入探讨几个关键因素。立角色是指在提示词中清晰地界定交互双方的身份。明确用户希望模型扮演的角色,可以帮助模型更准确地理解上下文和用户需求。

打造全国最全的AI Agent开发知识领域的博客 1411

我第一次接私活,就被骗了···

前几天,读者群里有小伙伴们聊起了一个程序员都感兴趣的话题:接私活。有这类想法的朋友大部分属于对现有收入不满意,又有一定的空闲时间,想搞点事情。今天这篇文章,轩辕就来聊聊,那些年我接过的私活...

1362

人工智能技术基础系列之:迁移学习

作者:禅与计算机程序设计艺术 1.背景介绍 随着深度学习和神经网络的快速发展,越来越多的应用场景需要处理大量的数据和复杂的任务。然而,由于计算资源、存储空间等条件的限制,传统的人工智能方法往往不能满足实际需求。因此,为了提高效率和降低成本,研究人员提出了迁移学习的概念。本篇文章将详细介绍迁移学习的基

AI天才研究院 700

程序员裸辞后,全职接单一个月的感触!

钓友宝(微信小程序):一款专门为钓友开发的免费的分享钓点地图与实时天气的软件,地图中标记了所有野钓、钓场、公共水域等的精确位置,支持导航、预测钓鱼位置的鱼情等功能。背景鄙人本科毕业一年有余,计算机专业。全栈工程师,但更喜欢前端的工作,于是在一家游戏公司任职前端工作。在这个内卷的时代,身处一线城市,来自全国各地的优秀学院/培训机构人才辈出,涌入市场,竞争激烈,各大公司并驱争先用丰厚的薪水,优渥的待遇...

Java精选 105

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

大厂程序员裸辞,全职接单一个月的感触!

点击上方“Java精选”,选择“设为星标”别问别人为什么,多问自己凭什么!下方有惊喜留言必回,有问必答!每天13:30更新文章,每天进步一点点...大家好,我是东哥,这篇文章是转自掘金...

Java精选 407

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")

大厂程序员裸辞全职接单一个月的感触 !

点击上方“码农突围”,马上关注 这里是码农充电第一站,回复“666”,获取一份专属大礼包 真爱,请设置“星标”或点个“在看”原文:https://juejin.cn/post/703231...

欢迎关注公众号:【码农突围】,回复9999,可以获取一份LeetCode刷题笔记 248

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

大厂程序员裸辞全职接单一个月,感触颇多!

点击关注公众号,利用碎片时间学习原文:https://juejin.cn/post/7032317937339858952背景鄙人本科毕业一年有余,计算机专业。全栈工程师,但更喜欢前端的工...

Java笔记虾 505

程序员裸辞后,在家全职接单一个月的感触

关注公众号前端开发博客,回复“加群”加入我们一起学习,天天进步背景鄙人本科毕业一年有余,计算机专业。全栈工程师,但更喜欢前端的工作,于是在一家游戏公司任职前端工作。在这个内卷的时代,身处...

前端开发博客 6853

程序员裸辞全职接单一个月的感触

本文系转载。文中的“我”均为原作者原文:https://juejin.cn/post/7032317937339858952背景鄙人本科毕业一年有余,计算机专业。全栈工程师,但更喜欢前端的...

HollisChuang's Blog 608

裸辞以后,在家全职Python接单一个月的收获与感触

对于程序员来说,跳槽还是得准备 fallback 方案,起码 offer 可以准备多几个再跳槽。如果一不小心 gap 了, 那靠接单来维持生计不失为一个好的路子,但是如果打算一直接单的话,还是需要结合自身情况。这里总结一些值得注意的点:一个单子明显不能做的时候,要趁早告知客户。例如明显超出自身能力范围,或者说这个需求根本做不了。「最好同时不接超过三单」,同时接好几单会很消耗你的心力。客户要求比较含糊的时候,「一定要搞清楚所有需求」,不然后面可能会不断加细节,加需求,另外了解需求才能给一个合适的报价。

huang9604的博客 392

2024年最全程序员裸辞后,在家全职接单一个月的感触,前端面试复试

好了,这就是整理的前端从入门到放弃的学习笔记,还有很多没有整理到,我也算是边学边去整理,后续还会慢慢完善,这些相信够你学一阵子了。做程序员,做前端工程师,真的是一个学习就会有回报的职业,不看出身高低,不看学历强弱,只要你的技术达到应有的水准,就能够得到对应的回报。开源分享:【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】学习从来没有一蹴而就,都是持之以恒的,正所谓活到老学到老,真正懂得学习的人,才不会被这个时代的洪流所淘汰。根据前面背景的介绍,在上一份工作准备离职前,我已经找好下家。

2401_84438488的博客 1182

裸辞后,在家全职接单一个月的感触

大家好,周末愉快~封面是尤雨溪移民新加坡后的日常~ 独立开发者届的天花板。今天给大家分享一下另一位独立开发者裸辞之后在家接单赚钱的经历,非常有意思!(原文在这里:https://jueji...

码农code之路 1532
上一篇: Nginx性能优化的几个方法
下一篇: 池化技术:让真实业务效率飙升的利器
公众号-芋道源码
博客等级 码龄10年 1637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