离开大厂之后的219天

2024年物联网嵌入式最全物联网开发120 - Micropython ESP32 C3连接INA219电压电流模块,物联网嵌入式开发面试题2024中高级 【代码】2024年物联网嵌入式最全物联网开发120 - Micropython ESP32 C3连接INA219电压电流模块,物联网嵌入式开发面试题2024中高级。 阅读详情

离开互联网大厂之后,他们得了空心病

继这两年「逃离互联网大厂」风潮之后,一批年轻人陷入了「大厂后遗症」——在离开之后,许多人才意识到,大厂经历给他们带来的,除了简历上的光鲜、专业上的成长,还有另一种潜移默化的「精神反噬」。

打开社交平台,你会看到人们在吐槽诸如此类的「大厂后遗症」:「适应不了小公司」、「不会过周末」、「患上工作斯德哥尔摩症 」、「意义缺失」、「社交焦虑」……

对于相当一部分人来说,离职仅仅意味着他们从一种焦虑中暂时解脱出来。在「坚固的大厂」烟消云散之后,新的寄托却难以建立。在新的生活中,如何从面目模糊、高速旋转的「螺丝钉」转回「一个具体的人」,是他们面临的更为迫切的问题。

失速

去年11月份,各大互联网公司的财报显示,互联网公司的收入增速正在放缓。

截至2021年前三季度,京东净利润同比下滑 93.6%,阿里净利润同比下降 33.8%。第三季度,百度净亏损166亿元,爱奇艺净亏17亿,亏损额比去年同期扩大41%。

另外,百度、腾讯、阿里巴巴,互联网行业的三巨头,广告收入增速集体回到了个位数。爱奇艺广告收入比去年同期下降 9.8%;新浪微博广告主数量连年下降……

有一种观点认为,互联网公司增速放缓应当是常现象,「不是现在不行,而是之前实在太快了。」

更多人则倾向于认为这是一种红利期过去、开始走向衰落的征兆,外界则把这种现象称为大厂的「集体失速」。

@张勇敢 大厂工作2年,离职半年

大厂有一股「准时」的消毒水味,每天早晨、中午、晚上的固定时刻,大楼里的保洁阿姨会准时喷洒。

很长一段时间,我适应了这股「准时」的气味。和它一同而来的是一种精确到分秒的紧迫感,一迈入办公大楼,气味钻进鼻腔、冲上脑门儿,人就会不自觉地,连呼吸也变得更急促。

每天,我总是提前10 分钟到达工位,对照着密密麻麻的表格列出一天要做的所有事项。办公室里的许多人都心照不宣地使用大容量的水杯,但他们并不是为了多喝水,而是——尽可能的,减少去茶水间、去厕所、去一切「闲地方」的时间。

到今天,我已经离开了大厂了 219 天。从现在的视角回看,那时候的我像「一只在齿轮上奔跑的仓鼠」,已经被训练出了一些条件反射。

离职之后,我对新生活的「节奏」无法适应。

我退掉了接近300 个微信工作群,删掉了 2 位之前不喜欢的同事。微信上不会再有永远也弹不完的红点、不用再随时担心有人发工作消息但我没看到。

但不适感也随之而来,像骤中彩票的穷人一样,时间被夺回来了,我却不知道该怎么支配。

起初,我每隔20 分钟看一次微信消息,没有人找我。隔了一小时、两小时,还是没有。

就算是把手机切换到横屏模式,打开一局游戏,我还是习惯性地会在英雄死掉的那十几秒,再切换回微信瞄一眼——尽管大多数时候都是一片空白。

有一整天,没有人给我发消息,没有人艾特我,我的名字从大大小小的排期表、项目表、群聊里消失了。「我」轻松了,「我」也不被需要了。

如果没有工作,我的闲暇时间用来干什么呢?

沉迷玩乐是令我心慌的,无所事事是让我不安的。

我用最快的速度入职下一份工作。在新的工作里,我像一个没见过世面的应届生,花了一段时间去适应和理解这里的不同:

居然可以花两、三个小时,整个部门的人去开一个几乎「没用」的会议,我只需要坐着,大部分时间可以不听,很小一部分与我有关的工作安排,是可以在钉钉上只花 1 分钟就讲清楚的;居然可以有一些人,在工作没有完成的情况下,成群结队端着一杯咖啡到处晃悠。他们理直气壮地认为,这是工作中「非常必要」的闲暇。

在下班之前,我还偷偷环顾四周,在心里揣测:有多少人在奋战工作?有多少人和我一样准备开溜?领导还在工位上吗?我要什么时间离开才不会在下班出办公室的路上「偶遇」她?

事实证明这种「计算」多余且搞笑,一位已经在这里工作了两年多的前辈在晚上 6点 29 分从工位上站了起来,他问我:「你怎么还不走?该下班了。」

阉割

从 2019 年到现在,互联网大厂的「裁员潮」几乎没停过。

2019 年 2 月,滴滴宣布裁撤 15 %,涉及员工超 2000 人;下个月,腾讯进行新一轮组织架构调整,裁撤 10%的中层干部;

2020 年,受疫情影响,旅游经济全面崩塌,携程CEO 孙洁发布内部信称,从本月开始,自己和董事局主席梁建章将 0 薪,公司高管层也提出自愿降薪,最低半薪,直至行业恢复。

2021年,新浪科技报道,百度游戏部门 300 余人几乎全部被裁;汽车之家被曝光全范围裁员,比例在一到两成之间;爱奇艺也被曝进行了历史上最大规模的裁员,比例在 20%到 40%之间……

对此,互联网大厂们普遍认为这是「物竞天择,适者生存」的正常现象:

字节跳动的大力教育在优化裁员之后,管理团队发布了这样的公告:「今天的离别是为了更好的未来。」

汽车之家则回应:「属于正常业务结构及年底考核人员优化。」

@张勇敢 大厂工作2年,离职半年

大厂教会了我一种「阉割」的思维。

简单来说,就是一切「新」事情的尝试,都需要建立在被验证过的成功之上。

比如,做影视类的短视频,就要先去找到这个领域内最头部的大号,把它的已发布的所有作品的选题、结构、画面、流量表现等全部扒出来,对此进行分析、总结和模仿。

而如果一旦有自家或别家失败的经验在先,就会被直接否决。在这里,一个选题被毙掉最常见的理由是「之前做过,但是流量不好。」

这一方面指向高效和不会出错,另一方面也指向自我阉割。

时间久了,我学会了自己首先阉割自己:那些奇奇怪怪的想法是「不着调的」,那些已经被验证过「扑街」的选题也是没必要报上去的。

因为它们统统无用。

这种思维潜移默化地渗透在我的生活中:我认为在屋子里摆放鲜花是麻烦且无用的,宁可买一株仙人掌,因为它几乎不需要照料;我对线下社交有一点说不清的排斥,如果可以打字解决问题,为什么非要见面。

看剧的时候,我时常倍速,甚至会跳到最后,想要看到一个结局;看书的时候,我有时候会直接去看摘录或者解说,希望能有人帮我做好「知识药丸」,而我只要吞下,就能直接快速地,学到点什么。

新工作的第一项任务——写一篇稿子,我也使用了大厂教会我的方法。

我摘出新公司公众号近半年的每一篇文章,单独复制粘贴到石墨文档里作为学习的「范文」,研究了它们的选题、段落解构和文章风格,并特意标注出了每一篇文章的字数、阅读量、点赞、在看。

在写的过程中,我尝试向新公司靠近,如何把握节奏,如何遣词造句;尽管我认为许多「范文」中「吊书袋」部分过于拗口,但依旧学着这种风格。

我的潜意识隐约认为,要适应规则、追求效率,就要适当的「优化」或者说「阉割」掉一部分自我。

没想到新的主编说「你不用特意写成我们的风格」、「你可以尝试一些新的」。

没有明确到1、2、3点要求、没有清晰的「禁忌」或者「可供参考」,我陷入迷茫,花费了一段时间,试图重建出另一种可循的方法论。

现在,被阉割的空间腾出了空,被阉割掉的那部分自我却不知道去了哪里。

搏斗

学者沈奕斐在谈论「当代爱情为什么这么难」时指出,大量研究发现当下的爱情模式是「新旧脚本的混杂」,简单来说,就是人们既追求「现代爱情」,希望获得爱情的自主性,与此同时,又又对旧式爱情的不费吹灰之力和稳定性恋恋不舍。

而把同样的逻辑套在「离开互联网大厂的人」身上,或许可以得出他们的另一种矛盾:「他们既渴望掌控工作的自主性,获得自由、追求精神意义,又对高效运转、目标明确的大厂恋恋不舍。」

@张勇敢 大厂工作2年,离职半年

很久之后,我意识到在大厂工作就像参与一场进击的游戏。

每个参与其中的人都被告知,要做头部,只有头部是赢家,才可能不会被抛弃。可是,举办这个游戏的人,或许并不在意最终是谁走到了头部、谁成为了赢家、谁又被抛弃。因为无论如何,这场游戏的最后,一定会有人成为走到「头部」。

而大多数人,是完成这场游戏的分母,他们最终没有成为赢家,或者走到了一半就选择离开。

我也是其中一员,被工作包围,想要成为那个赢家,又或者仅仅是不想被抛弃。像温水煮青蛙一样,渐渐地,忘了质疑「游戏规则合不合理」、忘了思考「游戏之外还有生活」……

我陷入了一场自我搏斗。

小人A是这场游戏的积极分子,它擅长用一些数字提醒我:月薪、绩效、职级、同龄人……

在所谓职场PUA之前,这个小人就事先对自己进行了一场自我PUA:陷入「被夸恐惧症」,在工作上取得了一点小成就,也会在内心自我怀疑「真的吗」「我配吗」「不够,还不够」……如果遇到了失败或者团队的失败,我首先会检讨自己「是我的原因」「我还可以更好」……

另一个小人B则在这场游戏中质问我:

「你正在做的工作真的有意义吗?」

「你还有时间花在朋友、亲人、爱好上面吗?」

「重复、疲惫、循环,这就是你想要的生活吗?」

最后的结果常常是两败俱伤。

我被 B 说服,对大厂的工作感到失望,并为此不断消耗情绪,与此同时却依赖着A,并且时间越长越难以割舍。

某种程度上,大厂为我所在的集体设定了清晰的目标,它明确指引着方向,我只要跟着它,往前跑就好了;它还为我制造一种「努力」「奋斗」「意义」的幻觉,并通过一堆数字让我产生「自我认同」。

自我搏斗并没有因为离职完全停止。从大厂离职后的某个周末,我躺在床上,浏览着各种资讯,偶尔玩一会儿游戏,困了就入睡。

小人A说:起来,你可以学点东西,或者运动运动;小人B说:起来,你需要出门,见见朋友,或者仅仅是晒晒太阳。

我陷入挣扎,最后身体不自觉地被床牢牢吸住。直到黄昏来临,即便把窗帘拉开,屋内也变得黯淡无比,我开始为这一天什么也没做而懊悔,同时为第二天又要奔向工作而感到沮丧。

出路

互联网人工作并不幸福,这几乎是一个共识。

在如今的社交网络上,996、大小周、剥削、系统、薪资倒挂、非升即走等词语被高频提起。脉脉数据研究院《告别氪金时代:人才吸引力报告 2021 》显示,互联网人的工作生活平衡、整体工作幸福感、职业成就感都低于平均值。

但,离开高薪的互联网大厂,年轻人要去哪里?

另一项数据则显示,在工作 1到 3 年的人群中,超过 4 成的人把「稳定的铁饭碗」视为理想工作。

@张勇敢 大厂工作2年,离职半年

很长一段时间,我对大厂的运行模式几乎持有全盘否定的标签式态度;另一位还在职的朋友更加咬牙切齿:「如果今天不离开,我就会死掉。」

但离职之后,过了半年、一年或者更长时间再去回望,我曾经的同事、领导、实习生,只要不在工作中,他们一个个都是非常鲜活具体的人,很难去用标签式的词去概括他们为「机器」、「工具」……

另一方面,我们在离开大厂之后,发现这些令人感到痛苦的「大厂问题」,以别的形式出现在了其它地方:

一位读研的同学,被导师「压榨」:她每周都给自己的导师免费打工,周末也要去帮忙,不然,自己的论文可能会被卡;一位朋友去了「扁平化管理、有个性」的小企业,在那里几乎没有KPI要求,很少有人加班,与此同时管理一片混乱;另一位朋友决定考公,第一年没有考上,决心再次备战。她并不确定自己是否喜欢或者适合去做一名公务员,但除此之外,似乎「也没有什么更想做的事情了」;还有一位朋友从大厂离职之后,受不了小公司重返大厂,一年之后再次离职……

这或许更令人沮丧和绝望。

因为即便离开大厂,也会发现,我们是嵌在大厂上的一颗螺丝钉,而大厂,是嵌在社会上的一颗高效螺丝钉。

甚至,它因为拥有更为成熟的流程体系和福利保障,比如晋升的相对公平、更多的加班工资,反而可能比某些地方好很多。

从这个角度看,大厂反而成了另一种乌托邦。

本文来自微信公众号 “塔门”

游戏大厂如何搞定Unity多机型UI适配 摘要 游戏大厂解决Unity UI多机型适配的核心策略包括:采用Canvas Scaler按屏幕尺寸缩放,合理设置锚点和安全区处理异形屏;建立美术设计规范,明确安全区和响应式布局原则;开发自动化测试工具模拟多种机型,实现适配流程标准化;通过程序化方案处理折叠屏、多语言等特殊场景,并持续优化性能。未来将探索AI自动布局和云端动态适配技术,提升多端复用效率。关键在于建立跨职能协作流程,实现适配方案的自动化、批量化处理,确保海量机型下的用户体验一致性。 阅读详情

相关推荐

PyCharm中Pyvips配置避坑指南:为什么pip安装后import还是报错?

本文详细解析了在PyCharm中配置Pyvips时,即使pip安装成功,import仍报错的根本原因。核心在于Pyvips依赖的libvips原生库未正确配置环境变量。文章提供了从下载libvips、配置Windows系统PATH到PyCharm项目级设置的完整避坑指南,并对比了三种配置策略,帮助开发者彻底解决DLL加载失败问题。

bush的博客 209

219页面经分享、字节百度京东秋招提前批实战经验总结

一个月收割字节、百度、京东offer! 想进大厂,要抓住提前批免笔试的机会! 219页面试总结分享,八股文整理

夏普通 1646

Angular 相关的知识点和项目汇总

Angular 知识点和项目汇总

weixin_45428910的博客 578

2025年Java面试:一线大厂高频面试题精选(附答案要点)!

行情结论:Java需求旺盛,但门槛大幅提高,架构设计+原理深挖是核心竞争力。能否进大厂:系统学习后完全可能,但需6个月以上高强度准备,重点突破分布式与高并发场景。学习资源推荐框架:Spring Boot 3.2官方文档、Dubbo源码。分布式:阿里云分布式实验课。题库:2025版《Java面试全解析》(含答案)。机会只偏爱有准备的头脑——现在开始逐模块突破,大厂Offer并不遥远。

程序员高级码农的博客 2588

边缘设备选型指南:从数据采集到AI推理,工业物联网硬件如何匹配你的需求?

本文提供了一份全面的工业物联网边缘设备选型指南,系统性地阐述了如何根据数据采集、协议兼容性、边缘AI推理算力及环境适应性等核心需求匹配硬件。文章深入剖析了从CPU/GPU/NPU选择到MQTT、Sparkplug B等工业协议支持的实战考量,并强调了软件生态与全生命周期成本的重要性,旨在帮助项目负责人在复杂场景中做出明智决策。

weixin_29168813的博客 88

PYTHON 打印三角形大全

用PYTHON语言打印各种三角形

世上无难事,只要肯攀登 1万+

国内大厂都在使用哪些移动跨平台框架

自从移动应用开发兴起以来,不少公司和开发者就在不断的探索移动跨平台开发技术,以适应移动应用高速迭代的需求 。纵观当前的移动跨平台方案,总结一下无外乎三大类:一种是使用原生内置的浏览器加载HTML5的Hybrid技术,采用此方案的主要有Cordova、Ionic和微信小程序;另一种是使用JavaScript开发,然后使用原生组件进行渲染,采用此方案的主要有React Native、Weex和快应用;最后一种是使用自带的渲染引擎和自带的原生组件实现跨平台,采用这种方案的主要是Flutter。 抛开传统的Hybr

xiangzhihong8的专栏 2万+

ANSYS APDL 异类单元连接实战:MPC方法在壳-实体装配中的应用

本文详细介绍了在ANSYS APDL中使用MPC方法实现壳单元与实体单元高效连接的技术要点。通过分析工程仿真中的常见需求,阐述了MPC方法在解决异类单元连接问题上的优势,包括网格独立性、自由度耦合和载荷传递等特性,并提供了具体的APDL命令流操作示例和实用经验技巧。

weixin_33391446的博客 178

十道Python大厂经典面试题

十道Python大厂经典面试题 前言 几天前我那秃头室友笑得越来越猥琐了,不由得好奇他到底有什么好事临头。直到昨天他神神叨叨地告诉我,原来拿到了大厂的offer,笑得那叫一个得意。问他有啥过关秘诀,他还算有良心给我传了份大厂都会用到经典面试题,说这就是他的通关秘诀。 大伙也来瞅瞅看看咋样? 【程序1】 题目∶有1、2、3、4个数字,能组成多少个互不相同且无重复数字的三位数?都是多少? 1.程序分析∶可填在百位、十位、个位的数字都是1、2、3、4。组成所有的排列后再去 掉不满足条件的排列。 2.程序源代码∶

saiii1996的博客 1041

Aitoearn内容营销的最佳开源 AI 代理,创建 · 发布 · 互动 · 副业一站式平台,支持渠道:抖音、小红书(红点)、微信通道、快手、哔哩哔哩、微信公众号、抖音等等

Aitoearn内容营销的最佳开源 AI 代理,创建 · 发布 · 互动 · 副业一站式平台,支持渠道:抖音、小红书(红点)、微信通道、快手、哔哩哔哩、微信公众号、抖音等等

struggle2025的博客 1749

YOLOv11 损失函数解析

YOLOv11 在 YOLO 系列的持续演进中,通过 ​多模态损失协同优化、动态任务感知机制 和 ​超轻量化设计,实现了检测精度与推理效率的再突破。其损失函数设计融合了前沿的几何建模、分布学习与自监督技术,显著提升了复杂场景下的鲁棒性。

浩瀚之水的专栏 6702

2025年Java面试:一线大厂高频面试题精选(附答案要点)

比如JVM调优、分布式事务、高并发架构设计等成为必考项。高并发与分布式:秒杀系统、分布式锁(Redis RedLock)、消息队列(RocketMQ/Kafka)是高频场景题。全栈能力倾向:要求了解前端(Vue/React)、运维(K8s、Nginx)、大数据(Flink/ES)等协同技术。一线大厂持续扩招:阿里、腾讯、字节等头部企业仍在大量招募Java后端开发,尤其偏向云原生、高并发、分布式系统方向。✅ 进大厂关键点:深入源码:如Spring循环依赖解决、HashMap红黑树转换,面试需手绘流程图。

sheep404的博客 1294

利用大模型和聚类算法找出 Excel 文件中重复或相似度高的数据,并使用 FastAPI 进行封装的详细方案

tokenizer将输入的文本列表texts转换为 PyTorch 张量,同时进行填充和截断操作,以确保所有输入具有相同的长度。对输入进行推理,得到模型的输出。对模型的最后一层隐藏状态求平均,得到每个文本的向量表示。.numpy()将 PyTorch 张量转换为 NumPy 数组。使用DBSCAN算法对文本向量进行聚类。eps是邻域半径,是形成核心点所需的最小样本数。fit方法对输入的向量进行聚类,并返回每个样本所属的簇标签。try:定义了一个 POST 请求的 API 路由,路径为。

AI的内部世界的博客 1069

第219天学习打卡(Redis知识点回顾 Set Hash)

Redis 知识点回顾 Redis八大类型数据结构 String:字符类型 Hash:散列类型 List:列表类型 Set:集合类型 SortedSet:有序集合类型,简称zset BitMap: 位图 HyperLogLog:统计 GEO:地理 命令不区分大小写,而key是区分大小写的 Set 最常用 set key value get key INCR key 递增数字 INCRBY key increment 增加指定的整数 DECR key 递减数值 DECR key decrement

doudoutj的博客 92

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。

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

上岸西电=央企、大厂疯抢?西安电子科技大学研究生太香了!

西安电子科技大学毕业生的平均年薪超过20万元,其中计算机科学与技术、电子信息工程等专业毕业生在市场上的需求尤为旺盛

qq_30953547的博客 2988

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

每日一练 | 华为认证真题练习Day219

A. OSPF采用Bellman-Ford算法,每个路由器都独立运行该算法。D. OSPF本身没有确定机制,所以OSPF依靠上层协议即TCP确认进行。B. OSPF每隔30分钟进行定期更新。C. OSPF每隔5s泛洪一个LSU。

hcie-0001 456

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")

哈希表学习笔记——第13-15天内容

周一直播 哈希表 定义:哈希表通过建立「键key」和「值value」之间的映射,实现高效的元素查找。python对应是dict() 注意:哈希表dict()是一个字典,键必须是唯一的,但值则不必。用来存放数组的元素值以及索引值d = {key1 : value1, key2 : value2, key3 : value3 } 注意:哈希表的value不一定是一个值,可能是一个数组,包含很多部分... 访问哈希表(字典)中的key/value,d.keys () / d.values()

charmingkai的博客 241

MySQL高可用之MHA_jqu219

其中master对外提供写服务,备选master(实际的slave,主机名slave1)提供读服务,slave也提供相关的读 服务,一旦master宕机,将会把备选master提升为新的master,slave指向新的master,manager作为管理服务 器。为了尽可能的减少主库硬件损坏宕机造成的数据丢失,因此在配置MHA的同时建议 配置成MySQL的半同步复制。二、配置mysql半同步复制。测试ssh无交互登录。

2401_84103616的博客 126

携程面试算法题,2024最新 计算机毕业设计项目推荐(源码,大厂内部资料

231.云计算环境下的协同办公系统的实现-任务管理子系统的设计与实现。232.云计算环境下的协同办公系统的实现-个人管理子系统的设计与实现。233.云计算环境下的协同办公系统的实现-人事管理子系统的设计与实现。234.云计算环境下的协同办公系统的实现-会议管理子系统的设计与实现。235.云计算环境下的协同办公系统的实现-文档管理子系统的设计与实现。337.基于Unity3D的幼儿教育系统设计与实现的设计与实现。341.基于手机APP技术的小微企业产品营销系统设计与实现。

2401_83620959的博客 1294

【2024大模型应用案例集】典型示范应用全解析:附219页PDF文件下载

该《案例集》自4月份启动征集以来,得到行业积极关注响应,共计收到各领域有效案例数百个。经专家组的多轮评审,综合考虑案例所属领域、应用需求、创新能力、社会效益、应用前景等多方面因素,进行全面评估,最终评选出99个优秀应用案例。《案例集》围绕行业赋能、智能应用、生态服务三大板块,案例覆盖工业、金融、医疗、教育、文创等各行业,全面展现大模型在各个产业垂直场景的应用实践。文│2024世界人工智能大会**

2401_84495872的博客 1850

2023秋招大厂经典面试题及答案整理归纳(201-220)校招必看

情况一:两条单链表均无环最简单的一种情况,由于两条链表如果交叉,他们的尾节点必然相等(Y字归并), 所以只需要判断他们的尾节点是否相等即可。情况二:两条单链表均有环这种情况只需要拆开一条环路(注意需要保存被设置成null的节点),然后判断 另一个单链表是否仍然存在环路,如果有在,说明无交叉,反之,则有交叉的情况。情况三:两条单链表,一条有环路,一条无环路这种情况显然他们是不可能有交叉的附:如何判断一条单链表是否存在环路,以及找出环路的入口。

m0_58687318的博客 1433

[大厂为何猛攻 AI 办公] —— AI 应用简报 08.06-08.10

编码 Agent 王座从双雄走向三国,中国企业把下一场入口之争从 3000 万程序员切向 10 亿白领;与此同时,推理基建仍在生产门口排队。上期:[Codex 反超 Claude] —— AI 应用简报 08.03-08.07。

summerliyang的博客 214

2026具身智能迎交付元年:大厂卡位战升级,量产落地成决胜关键!

昨日,“人形机器人第一股”宇树科技发布公告,确定发行价为150.8元/股,发行市盈率达219.23倍,远超行业平均38.56倍的静态市盈率。过去三个月,海内外巨头也动作不断,6月马斯克宣布特斯拉汽车产线让位于机器人,7月雷军展示小米人形机器人作业成果,华为云与亿嘉和合作,腾讯推出全栈具身智能方案。华为云定位“硅基黑土地”,启动CloudRobo开发平台公测,并与亿嘉和合作,用认知决策能力赋能其机器人产品。2026年被视为交付元年,是具身智能从幻想到落地的转折,随着标准化体系完善,将进入规范化阶段。

IT界那些事儿 68

2024年Web前端最新一个忙秃头程序媛的 2024 年总结(1),面试官流程

小编综合了阿里的面试题做了一份前端面试题PDF文档,里面有面试题的详细解析开源分享:【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】**Q1:**2021年的目标还记得吗?2021年初的时候,想起之前立的 Flag 都记在过期的日历上,后来都不记得日历去哪了?所以 2021 年的第一件事,就是给自己做了一个小程序 – 成功有道!寓意就是记录自己的成功之路上的点点滴滴!所以我翻开自己的小程序,找到自己的 2021 年的目标。2021年目标:学习微信云开发,并制作小程序(成功有道)

2401_84447362的博客 631

百度砸120W年薪,只要这个专业,应届生也行!

昔日千亿市值的百度现在缩水仅剩三分之一。如果算上字节跳动,蚂蚁金服,在中国互联网公司市值排行榜上,百度已经是十名开外了。 阿里、腾讯市值等于16个百度,美团市值等于2.7个百度,拼多多京东市值等于2.2个百度等。曾经的巅峰巨头,现在成了市场调侃的衡量指标。 1. 营收远超预期,百度股价大...

九章算法的博客 1万+
上一篇: 外包圆不了年轻人的大厂梦
下一篇: 比年终奖更着急的,是互联网大厂的相亲需求
职言职语
博客等级 码龄6年 6732粉丝 11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