Android开发五年,从月薪13K到年薪60W,我只用了三个月

在这样的环境下,我获得了字节跳动等多家大厂的offer,薪资都是60W+,下面说一下,凭什么我可以在内卷和寒冬之下获得这些offer。

平平无奇的我

个人背景很平
凡,农村出身,普通二本毕业,快五年的Android开发经验。

此前,我的工作一直是不温不火的状态,不是最底层的,也不是突出的:普普通通的一个小厂,普普通通的工资(13K+),生活节俭,也能住着差不多的房子,开着差不多的车子,平平淡淡。

我个人并不是那种有着雄心壮志的人,只想安安稳稳过自己的小日子。但是……天不遂人愿。

一波三折——说一下我的面试经历

前面也说了互联网寒冬,我的上家公司就没有撑过这个寒冬:资金链出问题了,公司没了,我也只能出来自己找工作了。

我的年纪已经不小了,29岁,在进这家公司以前,我是一个半路出家搞Java开发的程序员,后面入了Android。

这几年,我一直待在这家小公司,对外面的新技术了解也不是很多。

但是,迫于生活压力,我投了简历,这次投的主要是大厂(想着自己做了这么多年,应该也有一搏之力了)。其中,面试腾讯的时候,面试官问了我开发多少年,我说五年,对方就问了我性能优化会不会,我说自己接触过,但是因为自己不是经常用到,所以不太了解。

面试官还是很不错的,后面就没有问这个方面了,就问了一些线程相关的基础知识。(有一部分我答上来了,还有一部分没有答上来,磕磕绊绊总算过去了)

面试官:看你简历,以前做过直播相关项目,那我问一下音视频相关的方面吧。于时后面就问了常见的音视频格式,ffmpeg,opengl等(很多我都不记得了,答不上来)。

比较幸运的是,面试官看我答不上来,就换了问法从我的项目中找点,问我android怎么往ndk通信与调用的(我答了binder,不对,后来问了别人,应该是jni)

面试结束过后,让我回去等通知,但是不用想我也知道自己八成是挂了。

通过这些面试,我发现自己开发了这么多年,在技术上也没有什么长进,只能说是基本上满足工作要求,回家后也没有时间学习新东西,技术水平也就一直停留在那里。加上我现在年纪大了,学东西也赶不上年轻人……总的来说,在人才市场上毫无竞争力。

后面我朋友帮我内推了美团,对方说我可以,口头上给了offer,我当时很高兴,毕竟美团也是大厂,想着,自己何其有幸,瞎猫碰上死耗子了,于是就没有继续投简历了,安心待在家里等通知。

但自面试后,对面一直都没有回复过我。我心里也隐约觉得事情可能不太好办。

果然,大概三个星期后,我朋友告诉我,这里不成,上面过不去,年纪和能力不符合要求。

我心里虽说早有准备,但还是对朋友有些生气,不过更多的是对自己能力不足的懊恼。

这里也给找工作的朋友另外一个启示:不要把鸡蛋放在一个笼子里。口头offer不可靠,还是应该广撒网才能多捕鱼。

不甘心

很不甘心,就是这样的情绪充斥着我的心,于是我就开始到处找学习的资料,闭关恶补。

整整三个月,我都在啃资料,啃完了又让朋友帮忙内推了阿里还有字节跳动(这次换 了另一个兄弟,前面那哥们儿不靠谱)。

最后,两家的offer都顺利到手了!!!(经过对比,我最后去了字节跳动那边,感觉待遇要好些吧。)

下面这些题目是我根据自己还有其他几个兄弟的面试经历整理出来的腾讯、美团、百度、阿里、华为、360、字节跳动等一线互联网公司面试被问到的题目。

相信大家熟悉了本文中列出的知识点会大大增加通过前两轮技术面试的几率。

这里涉及到的面试题较多,我根据这些面试题所涉及到的常问范围总结了并做出了一份学习进阶路线图​​​​​​​及面试题答案免费分享给大家,后面有免费领取方式!
问范围总结了并做出了一份学习进阶路线图​​​​​​​及面试题答案免费分享给大家,后面有免费领取方式!**

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论 3
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