墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
500+累计阅读
546平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
以下数据来自网络，不清楚怎么统计的，也不知道准确性，供参考！
城市
以上工资数据来源：https://blog.youkuaiyun.com/juwikuang/article/details/116430863
你拖后腿了吗？
南京的工资已经连续两个月超过广州了，苏州也快赶上来了，真的有点出乎意料。
推荐算法工程师才是最赚钱的，图像识别居然跌到了12500，这个专业也是研究生专业了，真是惨不忍睹。
编程语言比例(市场份额)
Go 占比 6.7%，排在第 6 位，gopher 们还需要努力呀。
具体语言的工资
这份数据不知道有没有参考价值，Go 薪资排在第 5 位。
你拖后退了吗？欢迎留言交流！
推荐阅读
学习更多技能
请点击下方公众号
2021年2月中国编程语言排行榜来了！
编程语言比例(市场份额) 工资 rank pl_ 平均工资 工资中位数 最低工资(2.5%) 最高工资(97.5%) 招聘人数 百分比 1 haskell 25167 22500 20000 33000 3 0.0% 2 rust 20732 18500 5000 45000 515 0.1% 3 julia 19194 20000 ...
做Go开发，月薪想达到3万以上，都需要会哪些内容，达到什么水平？
对于 Go 程序员来说，月薪 3 万需要会哪些内容呢？希望本文对月薪不到 3 万的你有一定的帮助，祝你早日实现月薪 3 万+ 在这里，我需要假定一些前提条件。首先，我们假定工作地点是北京。然后，我们分大公司和创业公司两个维度来看。 01 大公司 我们先来看一个滴滴的『Golang开发工程师（20k-50k）』招聘要求： 岗位职责： 参与滴滴基础服务平台的设计、研发工作，提...
2025最赚钱的5大编程语言薪资排行（数据来自千份offer分析）
揭秘2025最赚钱的编程语言，基于千份offer深度分析程序员薪资行情2025。涵盖AI、云计算等高薪领域主流语言，揭示技术选型与薪资增长关联。数据驱动决策，助你规划职业路径，值得收藏。
医疗领域BGE-M3模型微调全流程：从数据准备到效果评估
本文详细介绍了医疗领域BGE-M3模型的微调全流程，从数据准备到效果评估。通过医疗数据微调，BGE-M3模型在临床问答、病历检索等场景中表现显著提升，能够准确理解医学术语之间的细微差别。文章还提供了实战练习代码和效果评估指标，帮助开发者快速掌握医疗文本嵌入模型的应用技巧。
从MATLAB代码入手：手把手教你复现OTFS调制解调核心模块（附完整函数解析）
本文详细解析了OTFS调制解调技术在MATLAB中的实现方法，包括核心模块如ISFFT变换、海森堡变换及MP检测算法的代码实现。通过完整的函数解析和性能验证框架，帮助通信工程师快速掌握这一前沿技术，提升在高速移动场景下的通信系统设计能力。
2022全球开发者中，你的收入排多少？
关注、星标公众号，直达精彩内容整理 | 于轩 出品 | 程序人生（ID：coder _life）近日，技术人才智能招聘平台CodeSubmit发布了一份软件工程行业的薪资报告，他们通过查找对比美国、欧盟、印度等20多个国家开发人员的数据，得出了这些国家软件工程行业的平均工资。以下是具体内容（节选部分）：美国开发人员平均年薪超11万美元，全球最高报告显...
Origin 2025b中文版安装全指南：避开乱码、水印与崩溃陷阱
Origin作为科研绘图领域的事实标准，其2025b版本首次官方支持简体中文UI，但安装远非‘下一步’即可完成。核心在于理解软件本体、语言包、许可证服务与系统区域设置四者间的耦合关系——尤其Windows非Unicode程序语言必须设为‘中文（简体，中国）’，否则必然触发坐标轴乱码、PDF文字方块等典型故障；而AI辅助拟合、内置Python 3.11等新特性，又依赖正确的字体链（如SimSun）与注册表强制加载（UILanguage=zh-CN）才能稳定启用。该版本广泛应用于材料科学、电化学、XRD/SEM
2022全球程序员薪资排行：中国倒数
2022年全球程序员薪资排行榜单来了：中国上榜全球薪酬国家名单，排名。并且，榜单上程序员全球最高年薪和最低年薪之间相差（约合人民币70万元）。what？？？差距有这么大？其实，程序员的年薪不只在不同国家之间有差距，写不同的代码也会有差距。这些差距都“差”在哪？不妨来看看具体的榜单。
微信小程序推送微信服务号模板消息
微信小程序中发送微信服务号模板消息,无需用户手动确认订阅,无需绑定开放平台,无需使用UnionId。
基于OSPF技术的某企业网络设计（完整文档+ENSP拓扑图)
主要对网络规划与设计，以企业网络为背景，对某个中型企业网络进行规划设计，该企业总部在南京，在常州有一个分公司，需要实现总部和分公司能够访问外网，能够让分公司内的用户或主机访问总部服务器的资源，并且保证数据的安全性。在这次总部企业网络设计中，考虑到资金的问题，核心层部署2台核心三层交换机，负责转发总部内部用户的流量，并充当内部用户网关，能够实现内部不同网段的用户之间的连通性。对于一些对网络比较敏感的企业或用户，对网络的要求较高，对于网络的稳定性和安全性也有较高的要求。
2019年11月中国大陆编程语言排行榜
2019年11月2日，我统计了某招聘网站，获得有效程序员招聘数据9万条。针对招聘信息，提取编程语言关键字，并统计如下： 编程语言比例 rank pl_ percentage 1 java 33.62% 2 cpp 16.42% 3 c_sharp 12.82% 4 javascript 12.31% 5 python 7.93% 6 go 7.25% 7 p...
YOLOv8首发优化：遥感目标检测 | 专为低质量遥感图像设计的边缘 - 高斯聚合（EGA）模块，解决低空间分辨率、传感器噪声、目标模糊、低光照退化和部分遮挡等限制
一种轻量级网络，其创新性地整合了专为低质量遥感图像设计的边缘 - 高斯聚合（EGA）模块。
2019年12月中国编程语言排行榜
2019年12月4日，我统计了某招聘网站，获得有效程序员招聘数据9万条。针对招聘信息，提取编程语言关键字，并统计如下： 编程语言比例 rank pl_ percentage 1 java 33.60% 2 c/c++ 16.58% 3 c# 12.59% 4 javascript 12.21% 5 python 7.96% 6 go 7.19% 7 php ...
一文搞懂YOLO各版本差异：v5易用、v8多任务、v10低延迟，该怎么选？
YOLOv5的“易用”是为了降低入门门槛，适合新手启蒙和旧项目维护；YOLOv8的“多任务”是为了满足工业需求，成为目前的主流版本；YOLOv10的“低延迟”是为了适配边缘计算，代表未来的发展趋势。选型的核心不是“选最新的”，而是“选最适合自己场景的”。记住选型口诀，按场景对号入座，就能避开99%的坑。希望这篇文章能帮你彻底搞懂各版本差异，选对属于自己的YOLO版本！
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
2019年9月中国编程语言排行榜
2019年9月2日，我统计了某招聘网站，获得有效程序员招聘数据9万条。针对招聘信息，提取编程语言关键字，并统计如下： 编程语言比例 排名 编程语言 百分比 1 java 33.71% 2 cpp 15.95% 3 c_sharp 12.72% 4 javascript 12.70% 5 python 7.63% 6 go 7.37% 7 php 4.66% ...
IMSL CNL 7.0.0 (x86-64)Crack
IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件
2019年6月中国编程语言排行榜
2019年6月1日，我统计了某招聘网站上面的5月份数据，获得有效程序员招聘数据28万条。针对招聘信息，提取编程语言关键字，并统计如下： 编程语言比例 rank pl_ percentage 1 java 33.66% 2 cpp 16.00% 3 javascript 13.28% 4 c_sharp 13.04% 5 python 7.30% 6 go 6.9...
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');```[](https://bitdeli.com/free "Bitdeli Badge")
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
2019年10月中国编程语言排行榜
2019年10月2日，我统计了某招聘网站，获得有效程序员招聘数据9万条。针对招聘信息，提取编程语言关键字，并统计如下： 编程语言比例 rank pl_ percentage 1 java 33.54% 2 cpp 16.38% 3 c_sharp 12.79% 4 javascript 12.59% 5 python 7.68% 6 go 7.25% 7 ph...
2020年4月中国编程语言排行榜程序员工资统计，人工智能工资大跌
1、编程语言比例 排名 编程语言 平均工资 工资中位数 最低工资 最高工资 人头 人头百分比 1 java 14101 12500 5250 35000 89793 28.21% 2 C++ 14962 12500 5250 37500 83970 26.39% 3 C# 12272 11500 4525 30000 35896 11.28% 4 javascript...
2021年7月中国编程语言排行榜
编程语言比例(市场份额) 工资 rank pl_ 平均工资 工资中位数 最低工资(2.5%) 最高工资(97.5%) 招聘人数 百分比 1 rust 22394.4 21750 5000 58629.6 1088 0.00155646 2 julia 21287.5 19812.5 12500 40000 80 0.000114446 3 r 20027.1 17500 5500 50000 7763 0.0111055 4 scala 19915.4 17500 7000 4
2023年全国程序员薪酬排行天梯榜
当有一天觉得 "外界的攀比和竞争都影响不到我自己" 的时候，那么恭喜你，你的心理能量就更前进了一步。少刷微博和短视频，多喝点水，多多运动，不仅能解压、还能收获健康的身体。身体健康了、心里也就健康了。焦虑变少了，人的气场也就变强了。
2020年8月中国编程语言排行榜
编程语言比例(市场份额) 工资 排名 编程语言 平均工资 中位数 最低()95% 最高(95%) 人数 百分比 1 julia 22539 22500 9000 37500 17 0.00% 2 rust 20987 18500 5371 45000 548 0.11% 3 scala 19390 17500 7000 42500 3200 0.66% 4 lua 18489 17500 6500 38143 4044 0.84% 5 python 18074 16000.
2020年5月中国编程语言排行榜
编程语言比例 排名 编程语言 平均工资 工资中位数 最低工资 最高工资 人头 人头百分比 1 scala 20165 18000 7000 45000 3309 0.71% 2 rust 19364 17500 5398 43687 483 0.10% 3 python 18622 17500 6500 45000 36531 7.81% 4 julia 18455 ...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
