一个26岁IT工程师写在辞职后

离职证明的范例(不用太正规) 离职证明,用于各位在离职后公司开的证明,有的公司需要 立即下载

转自:http://blog.youkuaiyun.com/vince6799/article/details/741788

 

终于决定离开这个城市了,和领导说决定辞职的时候,大家都很平和,彼此说着一些言不由衷的话,因为一周前接到来自另一个城市的offer后,我就和他沟通过,在一家咖啡厅和他整整聊了四个小时,该说的都说了。同事们忙碌的身影晃动成一片幻像,熟悉的声音最后汇成一片嘈杂的响动,跨入电梯那瞬间,才发觉这也许是自己最后一次跨入这个曾经载我上下无数次的电梯,没有很多人离职后的轻松,只是觉得有点茫然,一如我当初第一次跨入这个电梯。

  我,一个26岁的男人,从一个三流大学毕业到现在近四年了。当初高考时候,我报考的专业基本上都是市场营销,可惜最后录取我的恰恰是我半夜起来补在志愿表上的一所三流重点的计算机专业。大学四年一心谋划着考研,考到我心仪的学校和心仪已久的专业,但大四时候一场突如其来的恋爱最终让我功亏一溃。 于是,在那年的岁末,匆匆找了一份工作,就是我刚刚辞去的这一份工作,聊以安生。 而我大学的女友,最终也没能和我到同一个城市,本来根基不劳的感情,在时间的磨蚀下烟消云散。

  四年来,在这个民营的IT公司从小弟做到工程师,再到项目经理,最终成为一个手下七八号人的小领导。 生活的轨迹大抵都是如此吧,我作为世纪初毕业的一个大学生,赶着IT浪潮的尾巴,一路追逐到现在。

  而这期间,我两次报考了当初没能考上的那个研究生,但由于工作后的琐碎以及自己意志的不坚定,都以失败告终,此时我才发现,我的年龄和社会形式注定考研对我来说已经没有意义了。于是,我陷入了尴尬的境地,工作上技术无法精进,管理岗位上升的空间很有限,依靠考研来从事心仪职业的梦想彻底破灭了。毕业近四年后,我失去了方向。

  很自然的,我想到了辞职。 我不是一个安份的人,我想,射手座的性格在我身上体现的尤为明显。 辞职是一个两难的选择,如果不辞职,生活将像现在这样延续下去,我每天重复着现在的工作,心怀郁闷和不甘,我将用我不多的积蓄买一个房子,我有了老婆,接着我有了孩子,直到有一天我做不动了,我的技术无法精进逐渐落伍,而且我也没办法升到高层岗位,或许我将在30多岁的某一天无奈的辞职,不知所措。

  辞职了,前面的路是未知的,我将舍弃过去几年苦心经营的一切,重新开始一个工作,一无所有,唯有残存的理想和青春遗留下的激情。

  这种选择是两难的,尤其当我发现我决定离开的决定深深的伤害了一个爱我多年的女孩时,我进退维谷。在这个城市的几年,一直和她保持着朋友和情人中间状态的关系。 而我的父母,希望我能安心工作,留在这个城市,身为人子,这样做无可厚非。但我还是决定辞职,我也不知道我确切的追求什么,也许只是对现在的一点改变吧。真正决定了,才发现自己原来对这个城市以及这个城市里的人是如此的留恋。当听到电话那头女孩的哭泣时,心如刀割,才发现几年的沉淀,她对我如此重要,伤人伤己,我想,这辈子我将不可避免的为这段感情背负十字架了。

  喜欢听许巍的歌,悲伤中透着一丝欣喜,低沉中蕴涵希望,希望这段有生以来最痛苦的时光能是我生命曲线的拐点,前面的路还是迷茫,希望自己能如逐日的后羿,为了那点光明能一路执着的走下去。

 

nnDetection复现Luna16 附模型 淘论文发现nnDetection框架对肺结节的检测效果挺好,便跑了跑复现了下, 作者诚不欺人,确实挺好, 并附上我依据文档训练的模型。 阅读详情

相关推荐

反无人机作战体系全解析:从低慢小探测到分层拦截

随着小型无人机在军事和民用领域的广泛使用,低慢小目标探测与拦截成为低空安全的核心挑战。传统防空体系面对成本低廉、飞行高度低、雷达特征小的无人机集群时,暴露出探测难、识别难、处置成本失衡等问题。为应对威胁,反无人机体系采用分层闭环设计,融合雷达、光电、声学与无线电侦测实现多源感知,通过电子战软杀伤与导弹、高炮、激光等硬杀伤手段协同配合,并借助自动化指控系统缩短“传感器到射手”的响应时延。该体系既可支撑战场要地防护,也能为民用低空安防提供参考。围绕分层反制逻辑,梳理探测、软硬杀伤、指控布防及实战短板,提供理解反

weixin_42533120的博客 333

2024版最新网络空间安全专业就业前景(非常详细)零基础入门到精通,收藏这篇就够了

面对日益严峻的网络安全形势,国家相继颁布**《网络安全法》《数据安全法》《个人信息保护法》《关键信息基础设施安全保护条例》**等法律法规,出台了《网络安全审查办法》《云计算服务安全评估办法》等政策文件,建立了关键信息基础设施安全保护、网络安全审查、网络安全服务认证等一系列重要制度,制定发布了300多项网络安全领域国家标准。学院依托学校在信息与电子学科领域的优势,紧密结合国家网络安全战略需求,形成了以密码学为主导、面向网络空间的网络安全学科体系,拥有**“网络与信息安全”**据阳光高考网专业知识库数据显示,

Python_paipai的博客 3647

机器视觉检测到底怎么做,经验分享

笔者做机器视觉检测已经有五六年了,也算是对机器视觉的检测技术有了一定的掌握。总的来说,基于机器视觉的检测技术主要包含三个部分:视觉采集模块、后台分析模块和动作决策模块。这几个分类,跟教科书上的有较大差异,很多同学觉得我在杜撰。笔者也不作反驳,因为这是笔者这些年工作经验的总结,自然区别于教科书。下面我们分开来讲这几个模块,同时会把笔者之前的论文做个推荐总结。 所有文章均可在博主的主页中找到,若无法找到,可以用搜索工具。博主的主页: https://blog.youkuaiyun.com/Aoulun 第..

Aoulun的博客 8677

职场:一个26岁IT工程师写在辞职后(转)

  终于决定离开这个城市了,和领导说决定辞职的时候,大家都很平和,彼此说着一些言不由衷的话,因为一周前接到来自另一个城市的offer后,我就和他沟通过,在一家咖啡厅和他整整聊了四个小时,该说的都说了。同事们忙碌的身影晃动成一片幻...

281

立创开源:基于STM32F407的大疆M30T无人机PSDK机载开发板硬件设计与飞行控制实现

本文详细介绍了基于STM32F407微控制器为大疆M30T无人机设计PSDK机载开发板的完整流程。从关键的E-Port接口电路设计、电源保护,到STM32最小系统搭建,再到通过PSDK实现与无人机的通信及基础飞行控制,提供了从硬件到软件的全栈实战指南,助力开发者快速入门无人机负载开发。

weixin_35649491的博客 401

高德地图+Three.js实战:手把手教你打造数字农场3D可视化大屏(附完整源码)

本文详细介绍了如何利用高德地图JS API与Three.js技术栈,构建一个功能强大的数字农场3D可视化大屏。文章从技术选型、架构设计出发,深入讲解了坐标对齐、图层管理、性能优化等核心工程实践,并提供了完整的模块化代码示例,旨在为智慧农业及类似场景的3D地理可视化项目提供一套可复用的解决方案。

k8s6orchestrator的博客 890

IT运维、网络工程师失业后可以尝试的22个副业方向

比如不久前跟我一起聊天的一个粉丝,**他自己之前是大四实习的时候做的运维,发现运维7*24小时待命受不了,就准备转网安,**学了差不多2个月,然后开始挖漏洞,光是补天的漏洞奖励也有个四五千,他说自己每个月的房租和饭钱就够了。需考取CISP等认证提升资质。现在入局网安是“求生”,一成不变则是被“淘汰”,命运掌握在自己手中,与其焦虑被淘汰,不如先人一步享受数字化网络安全技术带来的红利!很多人都在提运维网工失业后就只能去跑滴滴送外卖了,但我想分享的是,对于运维人员来说,即便失业以后仍然有很多副业可以尝试。

Spontaneous_0的博客 1079

某物data魔改与变种算法还原(含加解密Py纯算)

某物data加解密、设备指纹魔改、变异、自定义加密分析与纯算还原

吴秋霖的博客 1281

IT人士在离职后可以做的14件事情

据国外媒体报道,IT人士在离职时可以做14件事情,其中包括“给你的前任老板写封感谢信“,这样不仅不会对任何人造成伤害,还可能得到老板的热情推荐。以下向大家列出这14件事情:1 、参与开源项目开源项目能为IT人士提供最有趣的和有影响力的产品开发场所,更... 转载于:https://www.cnblogs.com/SilenceTom/archive/2008/10/26/1519435...

diloujing4123的博客 247

ESP-SPARKBOT AI 智能机器人:v1.2 全流程复刻指南

本文介绍 ESP-SPARKBOT AI 智能机器人 v1.2 版本的全流程复刻,包含 PCB 、3D 打印、固件烧录、常见问题解决、参考资料等

举世誉之而不加劝,举世非之而不加沮,定乎内外之分,辩乎荣辱之境,斯已矣。 9251

Python爬虫实战:模拟登录知乎 – 通过加密参数和验证码实现自动登录

通过本篇博客的讲解,我们学习了如何通过 POST请求 和 验证码识别,模拟登录知乎并爬取用户信息、问题数据。随着爬虫技术的发展,面对更复杂的反爬虫机制,我们可以不断调整策略,以绕过这些防护,实现数据的自动化抓取。

2201_76125261的博客 731

电气工程师的职业年龄限制分析

之前打了几个58同城的电话,自己虚报年龄53岁,应聘plc电气工程师,发现三个公司直接拒绝,说是最大上限是40岁,有一个考虑可以面谈看看,有一个说只能在家配盘,不能出差,给到4000左右。说明电气plc编程也是有年龄限制的,50岁以后找工作真的不太好,但是45岁之后做还是可以的,不需要出差的这种,电气设备维修点检是可以的。但是如果做点简单的设备维护,电工接线类的工作还是可以的。也之前问过好几个工厂...

a843538946的专栏 1万+

【docker】--- 详解 WSL2 中的 Ubuntu 和 Docker Desktop 的区别和关系!

在编程的艺术世界里,代码和灵感需要寻找到最佳的交融点,才能打造出令人为之惊叹的作品。而在这座秋知叶i博客的殿堂里,我们将共同追寻这种完美结合,为未来的世界留下属于我们的独特印记。

秋知叶i 1314

一个26岁IT工程师写在辞职后! [转载]/

[转载]/终于决定离开这个城市了,和领导说决定辞职的时候,大家都很平和,彼此说着一些言不由衷的话,因为一周前接到来自另一个城市的offer后,我就和他沟通过,在一家咖啡厅和他整整聊了四个小时,该说的都说了。同事们忙碌的身影晃动成一片幻像,熟悉的声音最后汇成一片嘈杂的响动,跨入电梯那瞬间,才发觉这也许是自己最后一次跨入这个曾经载我上下无数次的电梯,没有很多人离职后的轻松,只是觉得有点茫然,一如我

fen_fen的专栏 855

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")

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。

一个26岁IT工程师写在辞职后(csdn转过来的,看了确实不错,我也这样迷茫,不过我是32岁,和他一个级别)

终于决定离开这个城市了,和领导说决定辞职的时候,大家都很平和,彼此说着一些言不由衷的话,因为一周前接到来自另一个城市的offer后,我就和他沟通过,在一家咖啡厅和他整整聊了四个小时,该说的都说了。同事们忙碌的身影晃动成一片幻像,熟悉的声音最后汇成一片嘈杂的响动,跨入电梯那瞬间,才发觉这也许是自己最后一次跨入这个曾经载我上下无数次的电梯,没有很多人离职后的轻松,只是觉得有点茫然,一如我当初第一次跨入

wanglkai的专栏 1578

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

[转贴]一个26岁IT男人写在辞职后

    终于决定离开这个城市了,和领导说决定辞职的时候,大家都很平和,彼此说着一些言不由衷的话,因为一周前接到来自另一个城市的offer后,我就和他沟通过,在一家咖啡厅和他整整聊了四个小时,该说的都说了。同事们忙碌的身影晃动成一片幻像,熟悉的声音最后汇成一片嘈杂的响动,跨入电梯那瞬间,才发觉这也许是自己最后一次跨入这个曾经载我上下无数次的电梯,没有很多人离职后的轻松,只是觉得有点茫然,一如我当初第

ToB公司的战略与经营 2290

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

一个26岁IT男人写在辞职后

  终于决定离开这个城市了,和领导说决定辞职的时候,大家都很平和,彼此说着一些言不由衷的话,因为一周前接到来自另一个城市的offer后,我就和他沟通过,在一家咖啡厅和他整整聊了四个小时,该说的都说了。同事们忙碌的身影晃动成一片幻像,熟悉的声音最后汇成一片嘈杂的响动,跨入电梯那瞬间,才发觉这也许是自己最后一次跨入这个曾经载我上下无数次的电梯,没有很多人离职后的轻松,只是觉得有点茫然,一如我当初第一次

zhangabc的专栏 1031

IntelliJ IDEA 2023.2安装配置与性能优化全攻略

开发环境搭建是每位Java开发者绕不开的基础课题,而IDE的选择与配置直接影响日常编码效率。IntelliJ IDEA作为主流Java IDE,基于JVM运行,其内存参数、缓存策略以及工具链配置(如JDK和Maven)的合理性,决定了项目加载速度和构建性能。合理配置Maven镜像可显著提升依赖下载效率,熟悉JDK版本切换则能避免编译兼容问题。在实际应用中,无论是创建Spring Boot项目、调试多模块工程,还是利用插件提升开发体验,一套规范化的IDEA配置能起到事半功倍的效果。本文以IDEA 2023.2

weixin_33976072的博客 324
上一篇: 工作五年的回顾和感悟
下一篇: 如何执行软件测试
jasonteststudy
博客等级 码龄16年 152粉丝 125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