工作周报-2017年12月3日

前言

     一周的时间很快就过去了,这几天工作情况如何,跟大家叨叨叨叨。

正文

     任务

         一、 SAP下达工单到MES,车间计划员根据销售订单(相当大的需求量)进行二次排产

                 1、工单拆分(生成一张临时表)

                 2、绑定产线

                 3、调用BOP验证(物料+数量+工序+工序顺序+工序类型(前工序、正常工序))

        二、 修改测试出现的问题

                1、界面排版整洁美观

                2、表格增加行号,调整行高

      过程

             我负责功能是一个表格联动的效果,单击表格中的一行数据,弹出7张表的查询页面。最开始想用vue的路由指令跳转来实现,本着尽量不动文件目录的原则就放弃了这种念头,后来用tab标签页来实现的。

     收获&&感受

  •              管理

                      测试人员将问题提给开发人员,有很多共性问题,老大让我们改,第一个人改了一个问题,第二个人也会花时间修改同样的问题。其实我们可以平均分配一下,有人去改 第一个问题,有人去改第二个问题,改完之后共享一下,这样不就快了吗?或许老大想让我们每个人都去尝试不同的思路吧。

  •              技术(VUE.js)

                    <Row></Row>标签会根据屏幕大小改变布局,<br></br>标签始终保持在一行

                      v-on:click和@click是一样的效果,@是v-on:的缩写。

                    main.js中的引入是全局的引入,如果main.js中已经引入了,单个的vue文件中就不需要再重复引入了,单个vue中只能导出export  default {}

  •             其他

                     在公司里边同事之间相处必要的礼貌是客气是必要的,在各种场合要时时注意自己的礼节,保持一个谦虚向别人学习的态度。

总结

         这一周熟悉公司的环境,一点点的开始接触后续的需求,感觉是个很大的工程,加油!

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 13
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

打赏作者

奔跑的大白啊

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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