霸气!考 692 分想当程序员,女王式发言:也没见男生考得比我好

如何解决群晖Docker注册表查询失败/无法拉取镜像等问题 阅读详情

点击上方“Github爱好者社区”,选择星标

回复“资料”,获取小编整理的一份资

fe0242d530d8b2557991f6824334be9e.jpeg

整理 | 王晓曼

出品 | 程序人生(ID:coder _life)

近日,四川成都一考生在采访时介绍自己报考志愿的视频意外走红,发言霸气又自信,引来网友们的纷纷点赞!

7a4b786d6c9790eb794322609c7b15f0.png

当被问到自己的高考成绩时,该女生有些害羞,又有些骄傲地报出了自己的分数——692分。其中比较擅长的科目是数学,卷面仅扣一分,取得了149分的好成绩。在复盘分析数学时表示,落写了压轴题的范围,“有一个细节没有写上去。”

谈及想要报考的院校及专业时,该女生坦言到想报考复旦大学电子信息类专业,未来想当程序员,她认为“(程序员)比较帅”。

5176af3280770aadfab3e6efad444470.png

图片来源:头条新闻

面对“秃头警告”,该女生霸气侧漏说道,“我觉得家里遗传给我的头发还挺好的”。

f7e44b16fa65c8b415d57ba67c2c5087.png

图片来源:头条新闻

当记者提到学该专业的男生较多时,她表示,女生也可以学好,“像我们学校也没有男生考得比我好。”

9e222d89c7b0fcb203a3d35e5d1e475c.png

该视频发布后,在多个平台登上热搜,网友们表示好厉害小美女,智慧与美貌并存,可爱又有气场。

网友@陈囧_Hayward:对于天赋极高的同学:计算和程序只是工具。用工具解决什么问题,才是你们该想的。希望妹子可以大展宏图伟业。
网友@-Polaris_B:世界上第一个程序员就是女孩子,数字女王阿达•洛芙莱斯
网友@面相隐士:又一位IT大佬诞生!!!
网友@努力Keep再努力:虽说IT业女生比较辛苦。。。但是欢迎大佬!
网友@海Y清:就佩服这样的好孩子!努力了,生活就会有多种选择!
网友@当阿波罗遇到雅典娜:长得好看说的也好,关键成绩也好,妥妥的御姐范

245f5f452874920a79628a4ab23fd314.png

据优快云发布的《2020-2021中国开发者调查报告》,30岁以下的开发者占比高达81%,30-40岁占比16%,40岁以上的从业者仅3%。不过,有11%的从业者选择从初级程序员一步一步走上技术经理岗位,带领技术团队坚持奋战在研发一线。

118c4dcddfa98c68a684e6689a277c87.jpeg

图片来源:2020-2021中国开发者调查报告

程序员一直是业界公认的高薪人群,计算机类专业也是每年高考志愿填报的热门专门。报告显示,月薪超过1.7万的开发者占比21.2%。近九成的开发者工资在5000元以上,其中,8001-17000元区间的开发者占比最高,为44.5%,30001-40000元区间仅占3.2%,40001-60000元区间占1.1%。

e4c74bff813e28bee942fd6246503517.jpeg

图片来源:2020-2021中国开发者调查报告

在北京,月薪高于1.7万的开发者占比高达30%,远超其它地区。其次,广东、上海地区月薪高于1.7万的开发者分别占比19%和16%。

你觉得程序员还吃香吗?欢迎在评论区留言分享。

参考链接:

https://m.weibo.cn/status/4652658403053866?wm=3333_2001&from=10B6193010&sourcetype=weixin

深度学习工具包 DeepLearningToolbox 深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/)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") 立即下载

相关推荐

别再手动抄表了!用PaddleOCR超轻量模型5分钟搞定数字仪表识别(附完整Python代码)

本文介绍如何利用PaddleOCR超轻量模型快速实现工业仪表数字识别自动化。通过5行核心代码和关键预处理步骤,显著提升识别准确率至98.2%,解决传统OCR在工业场景中的体积大、抗干扰弱等问题,并提供完整Python代码和边缘部署优化方案。

weixin_31062533的博客 353

牛逼!女生怒考 692 分,想当程序员,卷了卷了。。

点击关注公众号,Java干货及时送达整理:王晓曼出品:程序人生(ID:coder _life)近日,四川成都一考生在采访时介绍自己报考志愿的视频意外走红,发言霸气又自信,引来网友们的纷纷点...

Java技术栈,分享最主流的Java技术 445

卫星图像检测,分割,跟踪,超分辨率,数据集调研,以及论文笔记

目标检测,针对物体有很多类如桥,烟囱,罐子等,有静态图像下的检测,也就是图像源头多来自谷歌地图,但是前后帧没有任何联系,并且谷歌地图相对来说比较清楚,难度小一点,也有粗粒度以及较细粒度的检测,然后卫星视频的数据集较少,则可以通过前后帧的联系来辅助检测,并且卫星帧基本上只对车,船,飞机,火车进行检测,没有进行细粒度的检测即将车辆分类为卡车,皮卡,小轿车,但是关船,则可以分类为货船以及军舰,因为目前的卫星视频中小车实在太少了,难以进行更细粒度的检测。luojia 三号卫星。

zhangzhao147的博客 4710

高考女生怒考 692 分,想当程序员,卷了卷了。。

近日,四川成都一考生在采访时介绍自己报考志愿的视频意外走红,发言霸气又自信,引来网友们的纷纷点赞!1当被问到自己的高考成绩时,该女生有些害羞,又有些骄傲地报出了自己的分数——692分。其中...

hnjsjsac的博客 218

【FPGA】AD9653设计和调试总结

基于FPGA的AD9653设计,设计思路,注意事项

weixin_41246509的博客 7599

MobaXterm结合SSH密钥对安全连接阿里云ECS的实战教程

本文详细介绍了如何使用MobaXterm结合SSH密钥对安全连接阿里云ECS的实战教程。通过对比传统密码登录的风险,重点讲解了密钥对的生成与配置、阿里云控制台的密钥绑定技巧,以及MobaXterm的高级设置和故障排查方法,帮助用户实现高效、安全的远程连接。

weixin_29208327的博客 469

初涉STM32之浅谈时钟使能问题

作为一个STM32的菜鸟级人物,我刚开始接触STM32时,其实和当年开始学习51单片机的心理是一样的。茫然,谁说不是呢?但是,正常的学习途径无非就是看书,然后敲代码,最后烧程序,有问题就check,然后再继续烧,我都怀疑我快成了火头工。因为在我的印象中,只有这类职业才和“烧”有着密不可分的联系。即使当一名敬业又牛逼的火头工是我毕生的梦想。OK,不侃了。我希望,通过写日志把我作为一个菜鸟在学习STM

往事撩人醉的博客 5528

电磁场仿真:电磁场基础理论_(13).微波技术基础

微波是指频率在300 MHz到300 GHz之间的电磁波。这一频率范围对应的波长为1米到1毫米。

2401_87715305的博客 1320

女生当程序员合适吗

经常有人在得知楼主是一名女程序员时,总是会不自觉的露出难以掩饰的惊讶的表情。楼楼在公司已经不止一次遇到类似的对话了。        同事:“你在你们部门是做什么的呀?”        我:“我是开发呀,写代码的~”        同事:“啊?我还以为你是做业务的呢?”        我:“我为什么要做业务呀?”        同事:“女孩子比较适合做业务呢!你可以考虑转业务哦~”

Yolanda_NuoNuo的专栏 5035

读懂 ABAP CDS 注解的直接、继承与派生

本文系统梳理了ABAP CDS注解的评估逻辑,重点解析直接注解(Direct)、继承注解(Inherited)和派生注解(Derived)的差异及其在CL_DD_DDL_ANNOTATION_SERVICE中的处理方式。通过视图注解@Metadata.ignorePropagatedAnnotations可调控注解传播行为,避免下游语义影响上层视图。文章还提供了基于标准表的完整示例(包含底层视图、消费视图和ABAP报告程序),帮助开发者在实际系统中验证三层注解的叠加效果与阻断机制。关键点包括:派生注解的数据

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 247

Unity-Mirror网络框架-从入门到精通之Mirror简介

在现代游戏开发中,网络功能日益成为提升游戏体验的关键组成部分。Mirror是一个用于Unity的开源网络框架,专为多人游戏开发设计。它使得开发者能够轻松实现网络连接、数据同步和游戏状态管理。本文将深入介绍Mirror的基本概念、如何与其他网络框架进行比较,以及如何从零开始创建一个使用Mirror的简单网络项目。Mirror是一个功能强大的Lite网络框架,旨在替代Unity的UNet网络解决方案。它提供了高效的多玩家架构、简单易用的API,以及良好的社区支持。

TxNet 3099

95后女生想做程序员,海投2500份简历无果,想了断人生

在工作面前,有能力有本事的人总是优先于没能力没本事的人,这个世界上没有绝对的公平公正,凡事都需要靠自己主动追求,与其说很多公司不给机会不如说是自己没创造机会,当你的能力高于别人的时候,这些机会都会“迎接你”当然也有四处碰壁的人,比如最近在互联网贴子上就有一名刚毕业的女网友想进互联网做个女程序员,但是却被各家企业惨拒。 一位来自北京的95后本科生,投了近2500份简历,本以为可以找到在自己擅长...

weixin_44040460的博客 422

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。

霸气!女学霸考692分想当“程序媛”,女王式发言:也没见男生考得比我好

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“在看程序员求职面试整理内容参考自:新浪微博、星视频6月26日,在四川成都,...

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 591

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

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

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

计算机系女学霸,女学霸高考692分,未来想当“程序员”,霸气发言让男生无地自容...

文/李大宝说教育(原创,欢迎转载分享)“眼镜”+“格子衫”,这是大众眼中程序员群体的“标配”,因为长期熬夜加班养成的熊猫眼、工作繁忙而不修边幅的打扮,使得很多人对程序员这个行业只能“敬而远之”,尤其是女性“程序媛”宝贵而稀少。可你能想象到,一个刚刚从中学校园走出的女孩,就直言要加入程序员行业吗?女学霸高考692分,直言想当“程序员”,用最萌的脸说最刚的话2021年高考成绩放榜、志愿报考等工作陆续开...

weixin_35972199的博客 533

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

成都女学霸高考 692 分想当“程序媛”,网友:快劝劝孩子

上一篇:一个90后员工猝死的全过程综合整理:程序员的那些事参考:新浪微博、上海热线2021 年各地高考成绩已经全部出炉了,成绩公布后考生们又要马不停蹄的开始填报志愿了,近日四川成都一女学霸...

emprere的博客 571

计算机专业记者,女学霸考692分想当程序猿,结果被记者质疑,被学霸当场霸气回怼...

今年的高考成绩陆续下来了小编刷刷微博都是各地高分考生们(感到差距)今天 一四川成都女生高考692分还女王发言“全校男生没我考得好!”也冲上了热搜全校男生没我考得好!学霸女孩高考总分692分其中数学成绩为149分最后一道大题一个小细节扣了一分有记者去采访了她并询问她想要去什么大学、学什么专业时女生回答的是“复旦大学的电子信息类专业”于是该记者又抛出一句好像这个专业男生学得比较多哦!小姑娘slay!霸...

weixin_42139357的博客 805

女学霸考 692 分想当“程序媛”,网友:快劝劝孩子

综合整理:程序员的那些事参考:新浪微博、上海热线2021 年各地高考成绩已经全部出炉了,成绩公布后考生们又要马不停蹄的开始填报志愿了,近日四川成都一女学霸高考分数 692 分,直言想当程序...

程序员小灰的博客 485

女生当程序员到底行不行?数学149的女学霸,直言男生也没有比我好!

互联网的发达,让一些不为人知的高考学子故事纷纷呈现在大家面前。 据媒体报道,6月26日在四川成都,媒体采访到一位小姑娘,她介绍今年高考得了692分。其中表现较好的科目是数学,149分,也就是差1分满分。 学霸考692分想当“程序猿”,女王式发言:也没见男生考得比我好 小姑娘复盘分析,这一分应该是最后一道压轴大题有个数值范围细节没写好丢的。 谈及想要报考的学校和专业,女孩坦言复旦大学工科电子信息类,未来想从事计算机编程行业,做一名程序员。 记者开玩笑提到了“掉头发”和“行业里男生较多”,女孩更是霸

学习交流群:921427443 666
上一篇: “被毕业”下的深圳IT程序员,有人当场破防流泪,有人985硕士刚工作1年,有人大厂总监年近40......
下一篇: 投资127亿!深圳,再添一所985
公众号:【GitHub爱好者社区】
博客等级 码龄6年 357粉丝 48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