参加ThoughtWorks实训——学习经验技巧的小分享(一)

暑期参加了ThoughtWorks的培训,改掉了许多不好的编程习惯。下面是自己的一些心得体会。
1、软件项目中的命名。我个人觉得,软件项目中的命名情况比较复杂,简单的说,命名的原则是”见名知意”,但是你还得想许多招防止命名冲突。选个恰当的名字是需要花时间,但肯定会为代码实现提供很多方便。之前自己对命名没有花太多的心思,在做项目的时候,起的名字只有自己理解,别人根本就读不懂我的代码。类名重了,就必须想尽办法改,有时侯改的自己都很凌乱,甚至重头再来。
2、对于函数。应该只做一件事情,而且把这件事情做好。函数尽量要短小,尽力减少函数的参数,如果参数多于三个建议封装成类。同时要学会代码的复用。记得自己刚开始写函数时,基本上一个函数会实现很多功能,当时认为一个函数只做一件事情,很奇怪。总是在一个函数中,if嵌套if,有时候自己都理不清了。
3、代码质量。提高自己的代码质量,不要有多余的注释、空行、空格等。特别是团队合作时,你写的代码属于团队的,不是个人的。所以,整个项目组的成员应当使用相同的代码风格,让多个人编写的代码看起来像一个人书写的。同时个人也不要以自己的特征去命名。但是恰当的注释会让代码变得更可读、可维护性更高。
4、格式的一些要求
纵向格式
(1)、函数与函数之间留空行;
(2)、变量声明应该尽可能靠近其使用位置;
(3)、实体变量应该在内的顶部;
(4)、相关函数,如果某个函数调用另外一个,就应该把他们放在一起,而且调用者应该尽可能放在被调用者的上面,这样这个程序就会自然有序。
(5)、相关概念的代码放在一起。
横向格式
(1)、横向格式一行的长度,建议是上限是120个字符;
(2)、赋值运算符两端留空;
(3)、不在函数名和左括号间加空格。因为函数与其参数密切相关。
(4)、缩进。源文件是一种继承结构,而不是一种大纲结构,继承结构中的每一层级都圈出一个范围,也就是代码块,其中有声明语句和执行语句。要体现这种继承结构,就要对源代码进行缩进处理。
5、 单元测试
TDD,鼓舞了许多程序员编写单元测试。
6、迭进
(1)、运行所有测试。
遵循有关编写测试并持续运行测试的、明确的规则,系统就会更贴近低耦合、高内聚的目标。
(2)、重构。
在重构过程中,可以应用有关优秀软件设计的一切知识,提升内聚性,降低耦合度。
(3)、不可重复。

这是自己总结的一些编写代码时应该注意的小细节。养成良好的编程习惯很重要。以上都是自己在学习过程中的小总结。为了更全面更系统地学习如何编写高质量代码,推荐大家阅读《代码整洁之道》这本书,相信你们也会有很多收获。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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