设计者应该知晓什么?

最近我收到一封来自Catherine (cat) Morley的信,她是Katz-i International Web & Graphic Design(http://www.katzidesign.com)的设计与开发主管。

 
她同时也是Creative Latitude的项目经理。Creative Latitude (http://www.creativelatitude.com) 是一个世界范围的社区,它致力于融合各种的富有创造性的纪律规范,包括促进集体合作、教育和商业道德的实践。Cat还是NO!SPEC crusade (http://www.no-spec.com)的项目经理。
 
她回复了我关于写作的blog上的帖子,不过我觉得我的回复应该放到关于咨询的blog上, 事实上,所有的设计师都是咨询师 她写道:
 
Cat: 不,我不是作家,但是我的确有你的那本《温伯格谈写作(Weinberg on Writing)》,而且过不了多久我将会用到它。我喜欢这本书,并已经建议了所有热衷于写作的设计朋友都去买一本
 
Jerry :正如你所知,我同样不是个作家。嗯,我算个作家,不过我首先是个(计算机系统的)设计师,我写的第一本书以及其它很多作品都是关于设计这个主题的。
 

Cat简短的解释 – 我正在为设计人员制作一套丛书,称作“与人合作(working with)”(作家、程序员、摄影师、营销员、印刷工等等)。目标市场 – 初次踏入设计业务的新人。动机 – 帮助刚刚接触设计业务的新人避免犯严重的错误,这些错误是那些经验丰富的设计师曾经犯下的。附加效益 – 客户(有希望)避免遭受犯同类错误带来的损失… 为了这些,我找到您… 我们正在遍访业界的解决此类商业问题的设计师。这里有两个小问题…

 
问题一:作为一名专业作家,在设计人员与你就一个项目进行接触前,您希望/要求他们明确哪些要点?
 

Jerry:我有作家与设计师的双重身份,因此我对设计师抱有很高的期望值。就在上个月,我曾经和一位名叫Brandon Swann的青年设计师一同工作,为我的新小说《The Aremac Project》设计封面(现在你可以在我的主页上看到他的作品)。我希望他能懂得如何倾听我的要求和想法,然后发挥他个人的主动性,为我的设计要求至少提交三种可能方案的草图来。我希望他能对图书封面的意图有个大致的了解——这些封面应该是干什么用的——然后将他个人的创作激情和作为客户的需求结合起来。我希望他能准备好在我和出版商之间进行周旋,就像我对设计的精益求精一样。

 
顺便提一句,Brandon要努力做到上述几件事,方可绘制出令人印象深刻的、精彩绝伦的封面来。
 
问题二:当与设计师一同工作时,在您眼中(他们身上)最重要的问题是什么?
 
第一个:自负。一个设计师需要相当程度的自我认同,但是在向客户提供服务的时候,应当有所收敛。很多人这一点做得并不好。( 这个问题 在我的那本《 成为技术领导者 》中进行了探讨,在我(和我夫人)的《系统设计原理概要》同样有所涉及。)
 
第二个:也许和第一个相关:做不到静心去倾听。(Charlie、Edie Seashore和我合著的那本关于反馈的书,《你刚才说什么?:给予与接受反馈的艺术》,讨论的正是这个问题。)
 

第三个:对当前的状况(他自己或客户的)不明了,而且也不去澄清它们。(我和Don Gause合著的两本书探讨了这个问题:《你的灯亮着吗?——发现问题的真正所在 》和《探索需求——设计前的质量》。)

 
当然了,很多设计者就是缺少沟通,无论是创作过程中,还是面对面的交流中。我关于写作与关于咨询的著作都涉及到了这个问题。
 
这并非全部,但已足够了。
 
访问一下Cat关于设计者的blog,你会不虚此行的。
 
有些事情想想可以,但不可强求。
 
Mike Morgan 写过一封略带调侃的信:“如果架构师必须像程序员那样工作”,其内容与今天的主题“设计师/咨询师如何与他们的客户合作”是相关的。作为一名设计师,必须懂得的一件事就是怎样保持清醒,并且抓住Mike Morgan这样的潜在客户。
 
在那封信中提到,客户不断地增加并变化本已含糊不清的需求,因此,架构师必须列出相关的特性,保证这些特性是架构师可以为用户解决的。如若不然,在不关他事的时候,他的自负会使他越陷越深。他连最基本的话都忘了——这就是提醒客户每次关于变化的交流都会花费开支。
 
同时,很明显地,架构师将无法看到或弄清楚很多情况,正是这些情况让那封直言不讳的信变得很尖锐。当然,他需要做的第一件事——如果他全心全意地为客户着想——是面对面地(与客户)交流,举行一个反馈会议,告诉用户在这种方式下,商业活动取得成功的开销与机遇。这位客户必须明白,某些事情想想是可以的,但是这和对它们惦念不忘是不同的——的确,无论惦记什么,该放下时就放下。
 
我建议每一位咨询师都做这样的练习,读一读这封内容虽是虚构,但所谈问题却是客观存在的信,并且在它谈及的每个问题旁标注上你会如何处理。在不久的将来,这将是一笔宝贵的财富。
 
 
 
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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