项目开发经验总结[2.26更新]

手上的项目从06.6开始做先行研究到08.1实施完毕,开发相关人员从3人到14人,是我目前编程生涯中最大项目了。这期间各种角色都体验过,现在要总结经验。
------------------
管理者部分:
倘若上司不懂技术而又爱插手开发,Leader的责任便更重大:要能合理拒绝不合理的功能需求,说服延时不适时宜的重构要求,拒绝不合适的人员安排。

比用户频繁更换需求更麻烦的是上司心血来潮。先讨论清楚要的是什么不要立即跟从。最好把开发放到下一个增量阶段的计划中;若说服失败,则安排少量人员简要地实现一个原型,交给上司提修改意见直到他确定了自己所想要的并改善带来的问题。切忌跟着冲动简单构思下就安排任务更改开发计划,否则就准备绕迷宫吧。

未研究的过技术最好不要应用。若有应用的需要,最少先安排两个人做相关研究,并一定要调查、搜集该技术相关的缺点,之后再做决定。特别是影响架构的选择。

团队里要有人偏追求技术。有新技术点的应用和公用方法、编码工具要鼓励及时分享和推广。他们能带动提升团队的素质和提高开发效率。

太多个模组同时开发不如集中力量开发效率高。

合作开发比独自开发更助于提高质量、提高工作积极性、降低烦躁等不良情绪的产生。

建模人员两个最好,有人商量相互弥补不足且保证建模风格统一。

结对编程是个好的开发模式,前提是两人水平相当,若是想带新人适合用小组模式。

开发周期长,人员流失不可避免,要保证知识的传承。开发文档若不能保证齐全,就要保证开发时每个功能点要保持最少两个人知道。不要等到交接才匆忙安排。

重视新人的培养,否则会青黄不接,没人能保证半年后开发主力能剩几个。给新人一个月时间熟悉项目适宜,懵懂上阵很容易添乱。提供和内部教材的学习资源要保存、更新。

团队之间产生争执是正常的,说明大家乐意分享自己的观点。无论哪种观点被采用,大家都要沿此方向去努力,而不应该对这种做法有抵触心理,这会令你无法进入状态影响发挥。这对自己、团队、项目达成都没有好处。当这方向走不下去的时候,再提出之前未被采纳的意见重新考虑,这才是合适的时机。

新人部分: 
新人进入团队首先要学会沟通。很多新人怕问,接了任务埋头看,到交期时才发现什么成果都没有。要知道造成整个项目进度Delay可是比没有能力完成任务更严重的后果。只有去沟通,别人才能知道你需要什么帮助,项目经理才能合理调整任务分配。

向别人请教问题时,先想好怎么描述,最好能直接告诉自己所需的技术点、要达成的目标、遇到的困难;先把重点讲清楚,之后再诉说相关信息和过程。一来大家都有工作,不会认真记每一点;二来相关的因素听多了影响判断。

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 10
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