初写项目心得(持续更新)

注意点

  1. 前端后端都要做好参数验证。
  2. 前端的样式统一。
  3. 外部第三方接口一定得先调通再用。
  4. [强制,认真阅读]不管以后在哪个公司写代码。一定先要公司的代码风格,代码规范,最好有一个例子,以防写出代码出问题。
  5. 对于输入数据库的特殊字符进行特殊处理,以防以后搜索或者进行xss 和 sql 注入 出现问题。
    value= HtmlUtils.htmlEscape(value);
  6. 对于开发的格式 有request payload 和 form data 两种格式用不同的过滤器
    参考 https://blog.csdn.net/keygod1/article/details/50847555
  7. 根据墨菲定律来判断: “很有可能出现的问题,在将来一定会出现!( 太有道理了,预防和重视每次遇到的每次错误)
  8. 注释上的 @ return 是说明返回的所有情况 例如: @return 用户实体,此实体有可能是缺省值
  9. 下划线和驼峰的使用: 在数据库中使用下划线作为区分(因为mysql,oracle没有大小写之分),但是mapper 使用的是驼峰法,前端最好使用驼峰法,统一。 前端使用下划线也行,只是后台需要转化一下使用@JsonProperty注解标注,还要看公司的规范
  10. 对于优化而言需要对项目的图片和js 文件大小进行优化
  11. 对于后台优化,尽量把接口返回给前端的数据要小一些,不要传无关数据。
  12. 对于写的功能要深入理解,测试时将应该测试的点充分了解到。

项目周期所需要考虑

项目的第一个阶段

考虑项目风险

  1. 项目所有的人员协调问题、UI页面问题、业务工作流问题、业务测试问题、UI问题、部署问题、浏览器兼容问题(手机端 安卓之外还要考虑ios手机端)。
  2. 实在完不成项目,列一份清单,将项目流程走通,到时间节点不至于手忙脚乱。
  3. 每个项目该是谁负责就让谁负责,不要越权,有的人会看的很重,不管你是否是为了这个项目,就算你是甲方都不可以。???

测试-为了达到错误不重复出现

  1. 参数验证需要每一个输入字段前端后台都需要做, 特殊字符,和输入长度的校验。
  2. 对于弹出框需要进行多次正反校验,除了正校验之外,还要点击取消去看效果,记得resetFields() 去除校验的结果, 校验validate()
  3. 联想类比,多想想是否其他模块也有类似问题。
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