[Revolution]2009-3-3

2.大象

Page22,RUP将软件生产分为了四个阶段和九个核心工作。

>>先启,精化,构建,产品化。4+9都是软件工程的另一种表达。就像Page23,软件过程是比UML更重要更本质的东西。

 

Page23,因此建议读者在学习UML之前,应当。。。起到了什么作用。

>>他已成仙~有点像当时看《要塞》时作者的口吻。

 

Page24,轻量级的敏捷方法和重量级的统一过程都是非常优秀的软件方法,只是他们各有各的使用范围。

>>选择适合自己的,才可能时最好的。

 

Page28,当你试图为现实世界建模的时候,首先要决定的是抽象角度,即建立这个模型的目的是什么。

Page28,这个限定条件一下子使得问题变得清爽很多。

Page28,首要目标不是要弄清楚业务时如何一步一步完成的,而要弄清楚有多少业务的参与者?每个参与者的目标是什么?参与者的目标就是你的抽象角度。

>>参与者的目标就是你的抽象角度。

 

Page28,模是什么?我们必须要搞清楚谁发出了什么动作,作用于什么事物,产生了怎样的后果。。。为了找出场景当中贡献于场景目标的那些事物,以及这些事物是如何贡献于这个场景的。

>>还是哪句话,关注点不同,就决定了我们整个系统的发展。就像之前所说的View很重要。

>>想起小时候看中神通王重阳,高手练九阴真经就是九阴降魔爪,梅超风练就成了九阴白骨爪。

 

Page31,关于抽象层次的描述。

>>还是表达了我们选择的角度,决定我们对于某事的了解程度。

 

Page32,在软件开发过程中,,,以提升软件的质量。

>>换个角度说,抽象的能力决定了leader的能力。

 

Page33,视角时针对每一个视图来说的,不同的视角展示了同样信息的不同认知角度以便于理解。

Page34,两个问题,一哪些视图?二哪些视角?

>>感觉这就是本章的重点了,选择的角度!他举得那个照相机的例子很贴切。

 

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