从“学徒”到西方职场的“金科玉律”

【Claude Code · VibeCoding】13|实战演示:水果消消乐 VibeCoding 用「水果消消乐」走一遍 VibeCoding:提示、生成、试玩、改需求、再生成。 阅读详情
今天要讲的是完完全全关于西方职场的东西,各位朋友如果有兴趣的话请耐着性子看完我的几句废话再进入正文。

1, 照例,这篇文章中的观点是我学习同思考到的,领悟和理解出的。这些观点是绝对正确的,但并不代表我已经都做到了。写成文以同大家共勉。

2, 这篇文章我会用最简单,最直白的话来写,一来更容易让人理解,二来真理是不需要粉饰雕琢的。

言归正传。

这篇文章是要从一个电视剧集开始谈起的,剧集的名字叫做《The Apprentice》,中文译为《学徒》,也有港译为《飞黄腾达》。

简而言之,《The Apprentice》的第一季是美国CBS节目制作人在真实电视热潮快退了的时候推出的一档节目,节目的主持及评判由纽约房地产大亨Donald Trump担任。剧集播出以后风靡一时,街知巷闻,到现在为止已连续播出了6季。英国BBC也用同样的模式组织了剧集,现在正进行第4季的播放。

《学徒》为什么有这么大的魅力?

《学徒》的参与者约是十六名雄心勃勃、拥有高学位、已经小有成就的年轻人,这些人希望在Donald Trump的地产王国中得到一份年薪二十五万美元的工作,或在伦敦巨富Sir Alan Sugar旗下的公司中取得6位数年薪的职位。更重要的,是得到一个向取得巨大成功的人学习的机会,所以剧集名称才起为《学徒》。

参与者被分成两组,每个星期将进行一个特定的商业任务,两个组进行对抗,成功组将会受到丰厚的奖赏,而失败组其中的一个人将被淘汰,也就是听见那句人人耳熟能详的话,“You are fired” .

剧集中的每个任务各不相同,包罗万象。从上街卖柠檬水到装修房屋,从为餐厅推出招牌菜到为世界知名公司做市场调研。每个参加者在整个游戏过程中既要表现出高超的个人能力,又要能够在复杂的人际关系中应付裕如。

竞赛的内容真实地反映出了商场好似战场的本质,更加折射出了西方商场的基本行事方式与价值观,是不可多得的娱乐与学习资料。美国与英国的《学徒》剧集是笔者最喜爱的电视节目,从头至尾,每一集都有存档。

为什么我要先说到这个剧集,因为我认为每一位将要进入职场,或者是正在职场中打拼的朋友都需要认真地看一下这部剧集,其中的很多经验,教训,道理都能让我们很有启发,学习到一些东西并少走弯路。

再说说自己在职场中虽打拼了不长的时间,但是领悟出的一些道理罢。

《西方职场的“金科玉律”》

1) 老板就是老板,老板心中至高无上的是公司的利益和自己的利益。所以你的所作所为最好不要与这两项相冲突,否则吃亏的只能是自己。

2) 不要怪罪你的老板对你严厉并横加指责。因为一,没有性格没有棱角的人是做不成大事的;二,作为一个公司的拥有者,以训斥员工的方法和手段来整顿公司纪律,严明组织风气的做法是必然的,说实话,你自己要是老板,可能做得还不如他呢。

3)当你在有经验,有能力的人身边,是否能学到东西,是否会有所提高,那是你自己的事,别人是不会管这许多的。更不要妄想别人会苦口婆心地教导你,甚至像父母一样忍让你,这种事你还是忘了罢。套用在《学徒》中Sir Alan的一句话,“I will fire bleeding 5 of you if I have to, I don’t give a shit to be quite frank.”所以记住,不要把自己放在一个不得了的重要位置,因为在别人的心中,你的得失想法,是无足轻重的。

4) 人一定要有目标,在今天的话题里,就是工作上的方向。如果你成天只是“做一天和尚敲一天钟”地混日子,那么你还是自求多福罢,因为这种日子也不会长久了。

5) 在工作中一定要有责任感。你做一件事,这件事就是你的责任。如果你发现错误没有纠正,那是你的责任;如果你懒惰了没有检查细节,那更是你的责任;如果其他人同你一起做,他没有做好,那铁定是你的责任;如果老板做了错误的决定而你没有提醒他,那百分之一万是你的责任!所以你唯一的选择就是把这件事做好,排除一切阻碍,解决一切困难,为什么?因为,这是你的“责任”!

6)  做事难,但做人更难,而且难上加难的是“要做事,先做人,做事与做人要同时进行”。如果你用两年的时间完成一个项目,那么至少一年的时间是要花在让所有的人用正确的思考方式思考,正确的行为方式行为。而且你还得不断地给他们灌输这种想法,因为稍一松懈,便如“逆水行舟,不进则退”。

7)永远,我是说“永远”,不要认为一件事会一点都不出错,因为百分之一万的概率里,只要能出错的地方,它肯定会出错。

8)永远,我是说“永远”,不要轻易认为有经验的人说的话是错误的。因为有可能你在走了好大一圈弯路以后,才发现先行者告诉你的话是对的。这正应了中国的一句老话,“不听老人言,吃亏在眼前”。但问题是,99%的人是不会听“老人言”的,总是等吃过足够的亏以后,才学到了教训。然后继续将这句古训传给同样不听话的年轻人。

9)西方有句老话,“fail to prepare, prepare to fail”。千万不要相信什么“临场发挥”同“运气”,无论做任何事如果你没做好准备,那等待你的铁定是失败。那些号称自己“临场发挥”和“幸运”的人,早就在你没看到的时候不知道做了多少工作了。

10)记住,在该出头的时候一定要出头,该说话的时候一定不要沉默。在适合的时候表现自己,比你埋头苦干10年还要有用的多。

11) “一个坚韧的思想是从一个强健的身体开始的。”所以如果你体重超标的话,建议你还是赶紧做点什么罢。如果一个人连自己的身体都无法照顾无法控制,别人怎么能放心把任何事交给你做?

12)“人要内在美,也要外在美”,所以万万不要忽略了着装的重要性。就外在说,西方职场讲的是气质,风度,谈吐,着装,举手投足,这几样缺一不可。有没有本事别人看你第一眼的时候是不会知道的,但是千万别让“第一眼印象”给你自己打了折扣。

13) 最后说一句,不要轻信“天才”,这个世界上没有“天才”,即使有,自人类有历史以来,所谓的“天才”不少,你见过几位成就了大事业?所以想实现自己的理想,只有一条,“努力,努力,再努力”。那些成就了大事业的人,哪一个不是付出了比常人百倍的努力,而且绝大多数人现在还依然勤奋地工作着。作为成功人士尚且如此,你难道就不想想他们为什么能成功么?

上面的这些,就是我学到的西方职场的几条金科玉律。

再说两句废话罢。

其实无论是中国还是西方,职场就是职场,规则就是规则。在中国行得通的东西,可能放在国外也一样适用;在西方被接受的思考方式,不见得在中国就会四处碰壁。所谓其中的关键,就是看你如何在不改变其基础的情形下,以适应当地环境的方式表达出来。

打个比方讲,这“分久必合,合久必分”的道理,以及“己所不欲,勿施于人”观念,在东西方的哲学及伦理观念中都已存在了千年。纵使斗转星移,时光荏苒,沧海桑田,它们依然如同这生生不息的宇宙一般,存在过,存在着,并且将继续存在下去。

我一直都坚信,一些规律和基本原则是永恒不变的,它们为宇宙万物的生息繁衍规律所同化并水乳交融,构成了放之四海而皆准,不为时间推移空间变换所影响的准则。

就像一句古诗所说的,“人面不知何处去,桃花依旧笑春风”。看来人,究其一生,所需要思考和领悟的,也就是这些不变的真理罢。
模拟电路综合笔试题解析 本专栏预计更新60期,当前为第10期,文章约6000字,旨在帮助读者掌握模拟电路笔试的核心知识点与实战技巧。文章分为五个章节,涵盖基础理论、高频考点、大厂题目解析等内容。首先,文章详细解析了DC-DC与LDO的区别及选型依据,并通过真题分析帮助读者理解其应用场景。接着,文章深入探讨了运放电路设计、同步降压电路设计等高频考点,并结合实际案例提供解决方案。此外,文章还分享了特斯拉、华为、大疆等大厂的面试题及解析,帮助读者应对复杂电路设计挑战。最后,文章总结了模拟电路设计中的关键技巧与优化方法,为读者提供全面的笔 阅读详情

相关推荐

显著性算法 + 伪彩变换

利用opencv得到显著图和伪彩图

正在挣扎中的人 2298

娱乐资本论发布AI短剧剧本对比文章

钛媒体10月24日刊载的文章,让豆包、Kimi、DeepSeek、GPT、Qwen和Claude分别生成餐饮商战短剧,再比较它们的台词与叙事风格。如果只是找一个起点,且你要写的恰好是这类餐饮商战短剧,可以把它列为优先试用对象。因此,这个数字应理解为同一类创作任务下的30份输出,不能当成30种题材的测试,更不能据此认定模型已经通过连续剧的人物一致性、伏笔回收和跨集推进考验。原文确实披露了提示词:两分钟竖屏AI真人剧,餐饮商战题材,强冲突开场,分镜交代场景、动作、台词和表情,语言口语化,结尾留钩子。

古_月的专栏 226

从Simulink仿真到DSP28335真机部署:PID闭环控制快速移植指南

本文详细介绍了如何将Simulink中的PID闭环控制算法快速移植到DSP28335嵌入式平台。通过模型与代码映射、浮点与定点数选择、定时器中断配置、物理输出实现以及调试技巧五个关键步骤,帮助工程师高效完成从仿真到真机部署的全过程,特别适合需要实现精确控制的嵌入式开发者。

weixin_42521843的博客 363

【Unity知识速递】第7期 Unity 6.6 深度解析:WebGPU 正式版与 WebAssembly64,Web 游戏的内存革命

如何启用 Wasm64?需要注意的是,Wasm64 需要浏览器支持 Memory64 提案,目前主流浏览器的最新版本都已支持。一句话总结: Unity 6.6 用 WebGPU 转正、Wasm64 16GB 内存和渐进式加载三连击,将 Web 游戏的体验天花板又往上推了一大截——Web 平台不再是"妥协版",正在成为真正的一等公民。Unity 6.6 新增了 WebAssembly64(Wasm64) 构建选项,这可能是本次更新中对 Web 游戏开发者影响最大的一项升级。

crystal_WJT的博客 428

当兵心理测试软件,当兵心理测试题及答案

心理测试是一种比较先进的测试方法,它是指通过一系列手段,将人的某些心理特征数量化,来衡量个体心理因素水平和个体心理差异差异的一种科学测量方法。小编为你整理了当兵心理测试题及答案,希望对你有所参考帮助。征兵心理测试题(1代表是2代表否)1、我的胃口很好。12、我早上起来的时候,多半觉得睡眠充足,头脑清醒13、我喜欢看报纸上的犯罪新闻。14、有时我常感到困难重重,无法克服。25、我时常遇见一些所谓的专...

weixin_42128393的博客 1万+

2017年全国大学生电子设计竞赛综合测评题目解析——Multisim仿真

1.题目 给定两个单电源的双运放芯片READ2302G芯片(当时记得增益带宽积好像是6M),一片HD74LS74数字芯片双D触发器,需要详细电路图、手写报告,5个波形输出,测频,测幅,8:00公布题目,15:00停止答题,中间可以吃饭(也可以不吃继续做),15:00清场,休息一段时间后开始进场测试,打分。 2.要求 (1)一片运放搭建方波振荡电路,频率 20 KHz,误差 0.1 KHz,幅度 3...

DengFengLai123的博客 2万+

设计模式(unity游戏研发版)

当你使用图形用户界面类时通常会遇到一个问题。比如,你创建了自定义按钮类并允许客户端在按钮中注入自定义代码,这样当用户按下按钮时就会触发这些代码。观察者模式允许任何实现了订阅者接口的对象订阅发布者对象的事件通知。你可在按钮中添加订阅机制,允许客户端通过自定义订阅类注入自定义代码。在Unity中,这就像UnityEvent在Inspector中绑定多个回调。

m0_63330263的博客 102

六、数据资产平台功能架构

该架构图展示了一个功能完善的数据资产平台,它涵盖了数据资产管理的各个方面,从数据采集、模型设计、编目到使用和分析。通过该平台,企业可以更好地管理数据资产,提高数据利用效率,并为业务决策提供有力支持。

moton2017的博客 1627

Claude Fable 5.2 登顶:65 分、单发做游戏,和一份 $26.54 一单的账单

Anthropic 发布 Claude Fable 5.2:AA 智能指数 65 分登顶历史第一,但性能 #71、成本 #73、冗余度 #72——最强能力、最贵成本、最慢速度的矛盾体。同底层 Mythos 5.2 无护栏反而更强。文章拆解:65 分构成、官方实战验收、基准提升真伪、一条提示词一晚做出街机游戏的完整流水线(自写机器人跑完 12 关自检)、$26.54 账单与 98% 缓存折扣下的真实成本重估。

johnsong2009的博客 241

智能硬件产品 App 全球发布 第 1 章:全球 App 发布战略设计

本章阐述智能硬件 App 全球发布战略,涵盖市场分析、竞争格局、用户画像及资源配置。通过制定可执行的全球化推广路径,整合地区法规合规、渠道分发策略与营销活动设计,助力团队快速进入主流商店并确立品牌影响力。同时构建可量化的 KPI 监控体系,指导项目进度追踪与效果复盘,确保产品迭代持续优化,降低运营总成本。

moton2017的博客 156

【2026华为OD新规机考】最新套题持续更新【完全原创题解 | 详细考点分类 | 不断更新题目 | 六种主流语言Py+Java+Cpp+C+Js+Go】

可上练习华子OD、大厂真题绿色聊天软件戳od1441了解算法冲刺训练(备注【优快云】否则不通过)

weixin_48157259的博客 508

10分钟完成第一个Python小游戏

第一个项目不用找复杂的,‌直接选「猜数字小游戏」对应的教程‌就好——几乎所有入门教程都会讲这个项目,资料最多、遇到问题随便搜就能找到解决方法,不会卡壳,30分钟肯定能做完,非常容易建立信心。‌教程链接‌:直接搜标题👉 ‌《Python零基础入门项目:30分钟写完猜数字游戏》‌(优先选黑马程序员、鱼C-小甲鱼这两个UP主的版本,播放量都是百万级,口碑稳定)‌教程地址‌:打开菜鸟教程官网→找到「Python 实例」板块,直接在线写代码运行。全程不跳步,30分钟就能做完,做完能直接运行玩,成就感拉满。

mF44Job8l的博客 42

41、矩形和圆柱形开槽微带贴片天线设计及性能分析

本文提出了一种适用于ISM频段(2.4 - 2.48 GHz)的微带圆形贴片天线,专为生物医学植入和可穿戴设备设计。通过在贴片上蚀刻矩形槽并去除圆柱形槽,实现了小型化与性能优化。采用Rogers 3010基板材料,结合缺陷接地结构(DGS)技术,有效改善了带宽、回波损耗和极化纯度。仿真结果显示,天线在弯曲状态下仍保持良好性能,回波损耗达-13 dB,VSWR为1.6,方向性提升至5.38 dB。与以往设计相比,本次设计在回波损耗和谐振频率稳定性方面表现优异,具备良好的生物相容性和应用潜力。未来将从开槽结构、

github5actions的博客 259

Unity 数据存储指南:本地存储、个性化设置、缓存与 Resources/StreamingAssets 的区别

在 Unity 开发中,“数据存到哪里”、“缓存能不能清”、“打包后资源有什么区别” 是新手最容易混淆、老手也经常踩坑的问题。Unity 本地存储机制(包括 Unity 放在 C 盘的内容);Unity 个性化设置(编辑器首选项 Editor Preferences);Unity 缓存的打开、关闭与清理;打包后 Resources 与 StreamingAssets 的区别;其他可自定义存储的内容汇总。为方便理解,本文配有一个可直接运行的演示工程,所有代码见文末"配套工程说明"。

zhchyun 216

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

Claude Code做Unity项目移植(三): 使用SKILL进行自动化Git提交

本文介绍基于ClaudeCodeSkill的Unity自动化Git提交助手——unity-git-commit,通过四大模块实现提交前的智能检查与安全修复:1)校验Git仓库状态;2)验证Unity项目文件(如排除Library/Temp,确保.meta文件完整);3)依据可配置的C#命名规范自动识别并安全修复命名问题(避免序列化、反射等高危场景误改);4)生成精准提交注释,但强制人工确认。全程仅本地commit,不自动推送或破坏性操作,保障安全。核心思想为“机械化工作交AI,关键决策留人工”,显著提升提交

Aman1984的博客 644

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")

用 AI 在 Unity 里做一款 RTS:最难的不是生成代码,而是证明它真的能玩

git@github.com:zoucdr/unity-skilled-mcp.git

邹杭特的博客 240

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

HarmonyOS 游戏与图形渲染入门:Canvas、渲染管线与掉帧排查

本文详解鸿蒙图形渲染选型与优化,指出多数“游戏感”需求仅需Canvas+requestAnimationFrame即可实现。通过deltaTime保证跨设备流畅性,优先使用animateTo声明式动画,避免逐帧绘制开销。强调性能优化应从主线程长任务、过度绘制、对象分配入手,结合Profiler排查掉帧。XComponent适用于高负载场景,但需权衡开发成本。最后提醒引擎迁移三要点:性能模型差异、打包流程匹配、版本兼容。核心结论:先用简单方案验证,再决定是否上引擎。

信息安全领域优质创作者|操作系统领域专家 425

王者荣耀主页效果图制作教程:游戏模板四步出图

本文介绍使用装样大师"游戏模板"功能制作王者荣耀等游戏主页效果图的完整流程,四步完成制作与保存。工具为手机端图片生成,不涉及账号登录与真实数据修改,适合内容创作素材与娱乐场景。

2601_96701324的博客 87

Windows远程桌面实现之二十:实现 moonlight 游戏串流协议之(一)

本文介绍在xdisp_virt中集成Moonlight游戏串流协议的实现过程。基于开源项目Sunshine逆向的GameStream协议,作者从零研究并自研实现Moonlight服务端网络通信部分,涵盖mDNS设备发现、nvhttp/nvhttps加密通信、nvrtsp协议交互及三类UDP数据通道(视频、音频、控制)。重点解决多客户端并发问题,采用串行处理机制确保连接一致性。通过自定义证书验证与密钥管理,完成配对与安全通信,最终实现低延迟、高性能的游戏串流体验,显著优于WebRTC浏览器方案。

fanxiushu的专栏 168

二进制木马免杀-游戏嵌套与图标替换

二进制木马免杀-游戏嵌套与图标替换

2503_94637398的博客 238

mark 黑塞《玻璃球游戏》

【最近在读黑塞的《玻璃球游戏》-“ai预言“ - 优快云 App】

2502_94306440的博客 192

《基于Spring Boot的迷游哈游戏综合服务平台的开发》

本文设计并实现了一款基于SpringBoot的“迷游哈”游戏综合服务平台,解决玩家攻略分享与二手交易分散、信息杂乱、交易无保障等问题。系统采用B/S架构,支持普通用户、服务人员、管理员三类角色,具备攻略投稿审核、商品交易闭环、余额充值提现、在线客服与投诉工单处理等核心功能,实现内容共建、资金流转、售后保障等多维度业务闭环。技术栈主流(Java+Vue3+MySQL),模块清晰,开发难度适中,覆盖后端开发、数据库设计等核心知识点,兼具实用性与教学价值,适合作为本科毕业设计选题。

381

Cocos Creator3.8.8 + Xcode27.2 编译运行失败

Cocos Creator3.8构建IOS工程后,使用最新的Xcode27.2版本进行真机调试,遇到C++标准库冲突,如is_floating_point、is_arithmetic和is_signed失败,以及webp对齐失败等问题。

HYNN12的博客 421

给 AI 一台贴图工厂:TexGen 程序化贴图引擎与 MCP 架构实践

但它很快就撞墙——一张贴图往往是多层叠加的:底色 + 噪波 + 砖缝 + 暗角 + 高光。所以 TexGen 的核心抽象是图层栈 + JSON 指令表codeTgSpec├── 几何: shape(8 种) + center / size / radius / rotation / cornerRadius├── 绘制: fill(7 种) + color / edgeColor / 渐变 + pattern + warp└── 合成: blend(11 种) + opacity / blur。

邹杭特的博客 375

(开源)游戏攻略分享系统实战指南 基于 Java + SpringBoot + uni-app + Vue + MySQL

这是一个基于 Java + SpringBoot + uni-app + Vue + MySQL 构建的完整游戏攻略分享系统,功能持续优化中...游戏攻略管理 游戏分类管理 旅游资讯管理 用户管理 管理员管理

小小码农身兼魔法师职位!除你武器~ 346

自由学习记录(230)

默认情况下,root 不跟着绑定走。官方原话:"root joints are not linked to the rig ... if you try to move the rig, the root will remain in the same place"(root joint 没有连在 rig 上,移动 rig 时 root 留在原地)。所以默认情况下你在 Cascadeur 里移动角色(包括质心 COM 带动的身体),不会产生 root 的位移,root motion 导出的就是不动。

red_redemption的博客 178
上一篇: LPCTSTR类型?
下一篇: 打开文件的方法&SHELLEXECUTEINFO 结构
tracekk
博客等级 码龄19年 2粉丝 1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