从毕业到工作感觉就是一瞬间

作者分享了从学校步入社会后,在一家企业的生产部门工作的心路历程。面对没有技术含量的工作,他通过自我学习和思考,逐渐认识到技术应当依托于具体行业的重要性,并明确了未来职业发展的方向。

   从7月初走出校门就立即走进企业开始了一个人独立工作,生活的过程。作为一个一心想做一个技术研发人来说,对新技术的追逐始终是不变的足音。

   进公司就被老板安排进了生产部,说去那呆一段时间,除了什么也没说,就说跟着生产部的老大,可能是由于一直是技术人员,性格总是带着倔强,刚开始心里确实有点不舒服,也许也是年轻的心也充斥着叛逆,在晚上自己看各种资料熬到深夜,白天在生产部时由于精力不佳也是象牙塔里呆久了在刚开始时用各种生产工具不熟悉,开始时所有事都有点不对付。在公司的工作时间不多,公司也没人加班,说起来每天也很轻松,工作7小时左右。其实这段时间感受挺多的,熟悉了各种工具的使用,将各种机械器械,电子系统组装起来确实不容易,也明白了什么是生产工艺(工艺就是花时间慢慢的磨出来的),还有就是也锻炼了身体,全钢架构的外壳确实不轻,也更加明白规范不仅在研发之期很重要,在生产时也异常重要,不然混乱就无法避免,幸好由于行业的特殊性,我们是小规模生产才能调整各种不规范的问题。

不过没有技术含量的工作开始让自己内心变得内心慌乱,看着网上各种帖子,程序员的未来在哪,说真的,感觉对于大多数研发工程师只想安静地工作,有尊严的生活,看着各种到了一定年龄后的前辈的感叹也让自己迷茫不止。

从无锡回到成都工作的一个原因也是上面的考虑,虽然在这边现在的待遇确实有点差距,可是时间还是比较充裕的,可以有更多的时间去学,去思考,而不是早晚加班为了获取高的工资。不断的思索,想想技术还是要依托一个具体的行业,慢慢的积累行业的专业知识,这样随着年龄的增长应该也不会轻易被淘汰,纯粹的电子软件技术变化真的很快,现在的自己应该属于年轻的一代,可是感觉完全跟不上节奏,也许是不清楚需求,才如此容易迷失。

现在差不多进了一个行业,从此身上也打上了行业的烙印,而我们对理论性要求很强,数学英语要求就很强,难怪老板曾说,你要坚持得下去,电子软件系统确实是工具,而且是要掌握的工具,从数据的采集,传输,要实现系统的稳定性,而处理就是理论的实现了,这也最难的也是需要自己不断积累的过程。

现在自己书桌上摆满了各种书籍,国外的数学书籍是我最重视的一部分,面临飞速变化的技术领域,尽量注重万变不离其中的本质,这也是大学期间花了一年多时间向曾经的老师学到的最有用的。

未来不长也不断,踏实做事,安静生活!


训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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