WAWA鱼曲折的大学四年回忆录
声明:本文内容纯属个人主观臆断,如与事实不符,请参考事实
前言:
早想写一下大学四年的总结了,但总是感觉无从下手,不知道从哪里开始写,通过这篇文章主要想做一个记录,并从现在的认知和视角出发反思下大学期间哪些地方做的不好,可以及时纠正。会从每个阶段的认知和想法去进行分析和探讨,并思考如果现在回到那个时候会怎么做。
背景:
出生在河南贫困小县城的农村(地狱开局,劝大家早日逃离河南)
大学前没接触过编程(大学前word、excel等办公工具都不会用)
性格
星座
巨蟹座
学生时代
ISFJ型:保守、悲观、自卑、胆怯、不敢尝试
现在
ENTJ型:乐于尝试、积极活跃、但依旧悲观
上学期间
大一:
当时认知:
互联网一片大好,卷绩点+打ACM,退可保研985,进可去大厂拿高薪
实际
上学期,绩点卷到了3.7多,转了个专业去了主区
下学期,rank4进了实验室,但省赛选拔都没过,省赛无缘
现在看来
1、转专业多此一举,升学来讲,北区竞争小,更容易拿到保研名额,而且每年的前几名不少要转专业到主区的;就业来讲,北区进大厂的人数要多于主区,而且有专门的就业部门,会很早建群共享就业信息,同时管理相对松散,暑期容易出去实习。但主区的软工专业暑期是不放实习的(因为小学期要请培训班的老师来教学,郑州的培训班什么水平,懂的都懂,不在叙述)。
2、过于理想化,绩点和ACM很难兼顾,盲目认为自己可以取得不错的成绩,实际上,没天赋的,大学开始打ACM和高中打过NOI的有天壤之别,差距过大。同时ACM初级和中级别(区域铜及以下)的选手,无论保研还是就业性价比都太低。
现在来看,大一不转专业并all in绩点可能会更好一点,保研是性价比最高的一件事,如果拿到保研名额,进可就业,退可读研,岂不美哉。all in绩点的同时利用剩余时间打ACM也是不错的选择,因为算法题会一直伴随左右,所以大一整体规划其实还是不错的,就是绩点+ACM。
大二:
当时认知: 前期依旧是绩点+ACM竞赛,后边认为绩点竞争过于激烈,需要投入过多精力(因为本人翘课较多,因此平时分很差,所以要卷绩点的话,可能要花费较多精力挽回),同时认为即使保研也拿不到高rank,去不了较好的学校,因此选择完全放弃绩点,专心打ACM,毕业直接就业。
实际
大二上:还没有决定放弃卷绩点,一边卷绩点一边刷题打ACM,绩点依旧在保研范围的中等段位,同时ACM省赛选拔赛出线,去打了省赛,但打的很糟糕,只拿了一个铜牌;直到上学期数据结构考了70多分,导火索出现,绩点rank直接跌落在保研线上一点,因为近一年刷了非常多算法题,加上学了很多高级数据结构,自认为自己数据结构很好了,结果考题全是概念,无任何实操,拿了低分,让我非常厌恶,觉得卷绩点没有任何意义,直接放弃绩点。
大二下:课直接全翘掉了,专心刷题,同时拿到区域赛名额,但由于疫情,只能在少一名队友的情况下线上参赛,打的非常之烂,导致个人情绪非常差劲,意识到ACM可能并不适合自己,然后就陷入了很长一段时间的消极当中。
但大二做的比较好的事是开始写博客,记录知识点,事实证明写博客很有助于自己回顾知识,和反思。
现在看来
1、绩点是背概念背出来的,并不是技术或实操至上,更不需要去拓展知识边界,而是规则至上,应试至上,包括考题范围,历年试题等,完全借助于这些规则去刷高绩点,当时太愚蠢,依旧认为拓展知识边界就能拿高分,事实上压根就不会考,也没人能证明学的好。
2、在比赛上有个很大的问题是过于依赖算法课程和模板题,比赛打的太少,导致很多变种题依旧不会,本质还是缺乏实际锻炼
3、没有更好的控制情绪,在比赛打的很烂后,没有及时收住,而是一段时间内陷入非常消极的情绪中,并想放弃比赛,大二暑假基本没有训练,而是在学乱七八糟的东西
大二整体还好,但也是走下坡路的开始。如果让我现在回去,我可能还会放弃绩点,因为我是比较倔的人,我会日夜兼程的打各种ACM比赛,真的不想打铁了,不想给自己留下遗憾。
大三:
当时认知: 要准备准备找实习了,学的越多越好,先学下前端,在去学Java,计网和数据库
实际
大三上:大二下打完昆明后,就没怎么训练了,但依旧打了区域赛,因为疫情,线上赛队伍激增,难度激增,差了20min罚时遗憾拿铁牌,离奖牌最近的一次,非常遗憾。同时这个时候学了前端,Java后端,mysql,但都学的很浅且并没有确定技术路线,就是在瞎学。由于自己自卑的性格,也不敢投简历,觉得自己压根找不到工作,又看到互联网行情很差,整个人又一次陷入完全消极的心理当中,觉得毕业能去比亚迪拿个7、8k的薪资就不错了(因为当时23年,比亚迪是保底,深圳7500一个月),由于一直消极,其实学的很少,大多数时间在躺尸了。
大三下:过完年意识到不能再消极了,要赶紧学技术找实习了,此时定了自己的技术栈,做C++开发,实际上我这届的C++开发,工作极其难找。然后花了1500买了一个webserver的教程(事实证明极其不划算,这个项目没什么用,还不如背背八股文),找实习刚开始不敢投简历,3,4月份正值大厂招实习时也没敢投,5月份投简历时,只剩下小公司了,然后约了面试回答也结结巴巴,好在一家公司问的问题我都会,然后过了面试,拿到了offer,开始了第一段实习。
现在看来
大三是大学规划最差的一年
1、技术栈学的乱七八糟,从前端,Java后端,数据库,C++,服务器,到后来的音视频开发实习,大模型SDK,学的乱七八糟,但没任何一个技术栈深入进去的
2、性格问题极其严重,过于胆怯自卑,不敢尝试,有ACM实验室这么好的信息资源聚集地,却不敢开口问就业,不敢找学长私聊,找实习时更是不敢投简历,面试时更是不自信,回答结结巴巴,自我认知非常不到位,一直以为自己找不到工作。现在看真的有被自己气到,有什么不敢尝试的,有什么消极的,多大点事。。。
大三是很关键的一年,最好在大三上定位好自己的技术栈方向,然后深耕其中,比如我是做C++的,我会回去把Linux内核的源码好好扒出来看一看,而不是学什么前端和Java,方向不知道的话,一定要开口多问,学长们其实都是很友好的,很乐意分享自己的观点,在找实习前,一定要把自己基础打好,最好简历上有一定的亮点,这样后边进好公司的概率就会大大增加。
实习后:
第一段实习 — 深圳市麦谷科技 C++音视频开发
性格依旧内向,但好在同事们都非常好,在这家公司实习除了学习了很多音视频相关的知识以外,把整个公司的架构摸清楚了,商业模式也弄懂了一点,对正常的工作流程也有了一些认知。
离职时把图表整理出来了。
第二段实习 — 科大讯飞 C++大模型SDK开发
这段实习给我带来了非常多的收获,在这里再次感谢我在讯飞的老大锋哥,收获在离职后也总结出来了
第三段实习 — 小米 C++浏览器内核开发
校招拿到offer,提前去实习,这倒没什么好说的,只能说遇到了一个很好的团队。
总结
回头看,发现已经走过那么长的路了,尽管大多数时刻都未能得偿所愿,但都做了当下认为最正确的选择,虽有遗憾不甘,但始终如一,不断朝自己目标靠近。
大学四年的收获,转换成五句话就是:
1、做一个长期主义者,沉下心去,保持专注
2、热爱技术,深入技术,有技术追求
3、丢掉胆怯和自卑,内心坚定,勇于尝试,抓住机会,不留遗憾
4、多问,多交流,多做,多思考
5、保持活跃,尽可能的展示自己,贡献自己的力量
相关文章:

WAWA鱼曲折的大学四年回忆录
声明:本文内容纯属个人主观臆断,如与事实不符,请参考事实 前言: 早想写一下大学四年的总结了,但总是感觉无从下手,不知道从哪里开始写,通过这篇文章主要想做一个记录,并从现在的认…...

Go 依赖注入设计模式
💝💝💝欢迎莅临我的博客,很高兴能够在这里和您见面!希望您在这里可以感受到一份轻松愉快的氛围,不仅可以获得有趣的内容和知识,也可以畅所欲言、分享您的想法和见解。 推荐:「stormsha的主页」…...

使用React复刻ThreeJS官网示例——keyframes动画
最近在看three.js相关的东西,想着学习一下threejs给的examples。源码是用html结合js写的,恰好最近也在学习react,就用react框架学习一下。 本文参考的是threeJs给的第一个示例 three.js examples (threejs.org) 一、下载threeJS源码 通常我们…...

嵌入式linux面试1
1. linux 1.1. Window系统和Linux系统的区别 linux区分大小写windows在dos(磁盘操作系统)界面命令下不区分大小写; 1.2. 文件格式区分 windows用扩展名区分文件;如.exe代表执行文件,.txt代表文本文件,.…...

智能交通(3)——Learning Phase Competition for Traffic Signal Control
论文分享 https://dl.acm.org/doi/pdf/10.1145/3357384.3357900https://dl.acm.org/doi/pdf/10.1145/3357384.3357900 论文代码 https://github.com/gjzheng93/frap-pubhttps://github.com/gjzheng93/frap-pub 摘要 越来越多可用的城市数据和先进的学习技术使人们能够提…...

【扩散模型】LCM LoRA:一个通用的Stable Diffusion加速模块
潜在一致性模型:[2310.04378] Latent Consistency Models: Synthesizing High-Resolution Images with Few-Step Inference (arxiv.org) 原文:Paper page - Latent Consistency Models: Synthesizing High-Resolution Images with Few-Step Inference (…...

【PYG】pytorch中size和shape有什么不同
一般使用tensor.shape打印维度信息,因为简单直接 在 PyTorch 中,size 和 shape 都用于获取张量的维度信息,但它们之间有细微的区别。下面是它们的定义和用法: size: size 是一个方法(size())和…...

备份服务器出错怎么办?
在企业的日常运营中,备份服务器扮演着至关重要的角色,它确保了数据的安全和业务的连续性。然而,备份服务器也可能遇到各种问题,如备份失败、数据损坏或备份系统故障等。这些问题可能导致数据丢失或业务中断,给企业带来…...

数据库(表)
要求如下: 一:数据库 1,登录数据库 mysql -uroot -p123123 2,创建数据库zoo create database zoo; Query OK, 1 row affected (0.01 sec) 3,修改字符集 mysql> use zoo;---先进入数据库zoo Database changed …...

Feign-未完成
Feign Java中如何实现接口调用?即如何发起http请求 前三种方式比较麻烦,在发起请求前,需要将Java对象进行序列化转为json格式的数据,才能发送,然后进行响应时,还需要把json数据进行反序列化成java对象。 …...

# [0705] Task06 DDPG 算法、PPO 算法、SAC 算法【理论 only】
easy-rl PDF版本 笔记整理 P5、P10 - P12 joyrl 比对 补充 P11 - P13 OpenAI 文档整理 ⭐ https://spinningup.openai.com/en/latest/index.html 最新版PDF下载 地址:https://github.com/datawhalechina/easy-rl/releases 国内地址(推荐国内读者使用): 链…...

Open3D 点云CPD算法配准(粗配准)
目录 一、概述 二、代码实现 2.1关键函数 2.2完整代码 三、实现效果 3.1原始点云 3.2配准后点云 一、概述 在Open3D中,CPD(Coherent Point Drift,一致性点漂移)算法是一种经典的点云配准方法,适用于无序点云的非…...

04-ArcGIS For JavaScript的可视域分析功能
文章目录 综述代码实现代码解析结果 综述 在数字孪生或者实景三维的项目中,视频融合和可视域分析,一直都是热点问题。Cesium中,支持对阴影的后处理操作,通过重新编写GLSL代码就能实现视域和视频融合的功能。ArcGIS之前支持的可视…...

Nestjs基础
一、创建项目 1、创建 安装 Nest CLI(只需要安装一次) npm i -g nestjs/cli 进入要创建项目的目录,使用 Nest CLI 创建项目 nest new 项目名 运行项目 npm run start 开发环境下运行,自动刷新服务 npm run start:dev 2、…...

DDL:针对于数据库、数据表、数据字段的操作
数据库的操作 # 查询所有数据 SHOW DATABASE; #创建数据库 CREATE DATABASE 2404javaee; #删除数据库 DROP DATABASE 2404javaee; 数据表的操作 #创建表 CREATE TABLE s_student( name VARCHAR(64), s_sex VARCHAR(32), age INT(3), salary FLOAT(8,2), c_course VARC…...

昇思学习打卡-5-基于Mindspore实现BERT对话情绪识别
本章节学习一个基本实践–基于Mindspore实现BERT对话情绪识别 自然语言处理任务的应用很广泛,如预训练语言模型例如问答、自然语言推理、命名实体识别与文本分类、搜索引擎优化、机器翻译、语音识别与合成、情感分析、聊天机器人与虚拟助手、文本摘要与生成、信息抽…...

Java中 普通for循环, 增强for循环( foreach) List中增删改查的注意事项
文章目录 俩种循环遍历增加删除1 根据index删除2 根据对象删除 修改 俩种循环 Java中 普通for循环, 增强for循环( foreach) 俩种List的遍历方式有何异同,性能差异? 普通for循环(使用索引遍历): for (int…...
昇思25天学习打卡营第19天|LSTM+CRF序列标注
概述 序列标注指给定输入序列,给序列中每个Token进行标注标签的过程。序列标注问题通常用于从文本中进行信息抽取,包括分词(Word Segmentation)、词性标注(Position Tagging)、命名实体识别(Named Entity Recognition, NER)等。 条件随机场(…...

微服务: 初识 Spring Cloud
什么是微服务? 微服务就像把一个大公司拆成很多小部门,每个部门各自负责一块业务。这样一来,每个部门都可以独立工作,即使一个部门出了问题,也不会影响整个公司运作。 什么是Spring Cloud? Spring Cloud 是一套工具包&#x…...

探索InitializingBean:Spring框架中的隐藏宝藏
🌈 个人主页:danci_ 🔥 系列专栏:《设计模式》《MYSQL》 💪🏻 制定明确可量化的目标,坚持默默的做事。 ✨欢迎加入探索MYSQL索引数据结构之旅✨ 👋 Spring框架的浩瀚海洋中&#x…...

JVM专题之垃圾收集算法
标记清除算法 第一步:标记 (找出内存中需要回收的对象,并且把它们标记出来) 第二步:清除 (清除掉被标记需要回收的对象,释放出对应的内存空间) 缺点: 标记清除之后会产生大量不连续的内存碎片,空间碎片太多可能会导致以后在程序运行过程中需 要分配较大对象时,无法找到…...

2024年6月后2周重要的大语言模型论文总结:LLM进展、微调、推理和对齐
本文总结了2024年6月后两周发表的一些最重要的大语言模型论文。这些论文涵盖了塑造下一代语言模型的各种主题,从模型优化和缩放到推理、基准测试和增强性能。 LLM进展与基准 1、 BigCodeBench: Benchmarking Code Generation with Diverse Function Calls and Com…...

大数据面试题之数仓(1)
目录 介绍下数据仓库 数仓的基本原理 数仓架构 数据仓库分层(层级划分),每层做什么?分层的好处? 数据分层是根据什么? 数仓分层的原则与思路 知道数仓建模常用模型吗?区别、优缺点? 星型模型和雪花模型的区别?应用场景?优劣对比 数仓建模有哪些方式…...
[机器学习]-4 Transformer介绍和ChatGPT本质
Transformer Transformer是由Vaswani等人在2017年提出的一种深度学习模型架构,最初用于自然语言处理(NLP)任务,特别是机器翻译。Transformer通过自注意机制和完全基于注意力的架构,核心思想是通过注意力来捕捉输入序列…...

基于深度学习的电力分配
基于深度学习的电力分配是一项利用深度学习算法优化电力系统中的电力资源分配、负荷预测、故障检测和系统管理的技术。该技术旨在提高电力系统的运行效率、稳定性和可靠性。以下是关于这一领域的系统介绍: 1. 任务和目标 电力分配的主要任务是优化电力系统中的电力…...

飞书 API 2-4:如何使用 API 将数据写入数据表
一、引入 上一篇创建好数据表之后,接下来就是写入数据和对数据的处理。 本文主要探讨数据的插入、更新和删除操作。所有的操作都是基于上一篇(飞书 API 2-4)创建的数据表进行操作。上面最终的数据表只有 2 个字段:序号和邮箱。序…...

系统设计题-日活月活统计
一、题目描述 根据访问日志统计接口的日活和月活。日志格式为 yyyy-mm-dd|clientIP|url|result 其中yyyy-mm-dd代表年月日,一个日志文件中时间跨度保证都在同一个月内,但不保证每行是按照日期顺序。 clientIP为合法的点分十进制ipv4地址(1.1.1.1和1.01.…...

在CentOS7云服务器下搭建MySQL网络服务详细教程
目录 0.说明 1.卸载不要的环境 1.1查看当前环境存在的服务mysql或者mariadb 1.2卸载不要的环境 1.2.1先关闭相关的服务 1.2.2查询曾经下载的安装包 1.2.3卸载安装包 1.2.4检查是否卸载干净 2.配置MySQLyum源 2.1获取mysql关外yum源 2.2 查看当前系统结合系统配置yum…...

【数据结构与算法】快速排序霍尔版
💓 博客主页:倔强的石头的CSDN主页 📝Gitee主页:倔强的石头的gitee主页 ⏩ 文章专栏:《数据结构与算法》 期待您的关注 ...

无人机5公里WiFi低延迟图传模组,抗干扰、长距离、低延迟,飞睿智能无线通信新标杆
在科技日新月异的今天,我们见证了无数通信技术的飞跃。从开始的电报、电话,到如今的4G、5G网络,再到WiFi的广泛应用,每一次技术的革新都极大地改变了人们的生活方式。飞睿智能5公里WiFi低延迟图传模组,它以其独特的优势…...