致“大学毕业”

    不知不觉地在联想工作已近7个月,大学生活在今天也到了尽头,完成了毕业答辩,答辩并没有我想象中的那么难,三俩问题速战速决,但今晚的班级散伙饭没能参加,倍感可惜,却还是有成就感,毕竟出了社会就要把工作摆在第一位,赶回公司参加下午的评审会议,这已经是我在联想做的第二个项目,回头望望还在学校打电玩的同学们,感触颇深,本是一个很好的专业,各种软件单位都缺的职位,而且入门门槛很低,却被无知的老师把学生打击得一文不值,自己没做过规范的软件测试,更不了解国内软件测试行业现状,老是拿国外软件测试行业的经验大吹,我在这里超级严重鄙视个别极端不负责任,只会吹牛逼的老师,真是误人子弟啊!!!全班同学一辈子的前途就败在你们这些无知老师手下。细算下来全班62个同学,真正从事本专业的同学包括我仅6个,其中2个还是我拉出来一起参加企业内训后,才从事此行业,其他的转开发居多。我希望能有更多的同学从事此行业,看着他们纠结的样子,这次回学校动员身边的同学从事软件测试,把中国软件测试行业的真正现状告诉他们,鼓励他们去投简历,同时也留意各公司的招聘信息,想从现在开始就培养今后自己的测试团队,将联想这种跨国公司的测试流程传授给他们,毕竟我们公司还是很重视质量管理的,各项管理做得都还算规范,虽然不能与欧美企业相比,但开发与测试的比例与国际接轨,也达到了1:1。
    短短的7个月不到的时间,从Skylight智能本项目普通的执行测试用例人员,到更新产品版本的总负责人,带领新实习生,再到现在搭建新项目Idealpad U1测试框架,写测试用例,这所有的一切都是新的,而这个项目更是新的,这是一款全球都没有的东西——业界首款“双模笔记本电脑”Idealpad U1。从小就爱玩别人没有的东西,很喜欢做这个,对这边的各种项目都充满了好奇,以前玩身边人没有的东西,现在都开始玩全球人民没有的东西了,就连奥巴马、阿联酋酋长这种有权有钱的人都玩不到的东西,真是越玩越高科技啊!比起Apple ipad,这款产品有着更多它没有的东西,更多软件功能外,还有更多硬件扩展功能,将pad插入底座就构成了X86构架运行着Windows7系统的笔记本,也就是买一台Idealpad U1,也就等于拥有了两台电脑,一台和ipad一样的平板电脑,有独立的CPU、内存、并运行着我们自己定制的Android系统,而将这块只有笔记本液晶屏厚度的平板插入底座,这个底座拥有另一套独立的硬件,Intel超低电压版的双核CPU、4G内存和128G的固态硬盘,便成了运行着Windows7的上网本,而所有的需求都是个探索,每天都会变动,更好的实现方案,开发们没日没夜的开着各种会议,测试这边也跟着做各种变动。有时因为一点小变动,一大片都要修改,不过测试还好,修修测试框架就好,而开发却要改动代码,牵一发而动全身,常常一个模块变动要牵涉到好几个人的好几个模块一起变动。
    组长把最史无前例也是最难的Hybrid混合模式的模块交到我和另一位高人上,短短7个月不到能做到这个份上,自然倍感自豪,下午开会时大组长说这个模块是她最不想弄的,繁琐很伤脑子。其实,刚拿到这个项目,看了开发需求,我就感到了这个项目的挑战性,用隔壁百度公司,CEO去年形容百度网站被黑事件的一个成语说就是“史无前例”。此项目可以学的东西实在太多,从Android系统到Windows7系统,从ARM构架到X86构架,从应用软件到操作系统的测试,全都覆盖了,Hybird模块不仅要懂软件懂操作系统还要懂一些硬件。Hybird完成ARM构架与X86构架的硬件之间的切换,以及Android平台与Windows平台之间的数据传输。当Hybird 客户端的测试就涉及了众多Windows操作系统的东西,关注不同用户不同权限下的测试,系统本地服务的测试,可执行程序文件测试,安装测试,卸载测试,恢复测试,TCP/IP测试,不同浏览器不同版本的测试、设备管理器测试,磁盘管理测试,压力测试,还有进程异常中断测试等等,比起其他应用程序要复杂得多,做完这个项目再去做其他项目简直小case了,能学到的东西实在是太多了。今天下午组长还面试了一个文思创新外包到这里的员工,本科毕业后已经换了好几家公司,每家做的世界都不长,现在文思创新做手机测试,也有一年多了,对于这家公司我也去干过短期项目,NOKIA手机测试,确实没什么发展前景,做2年了还得出来找我们这种的,完全没写测试用例的份,天天也只有执行用例的活,如今跑到这里学写测试用例来了,所以这是一个非常好非常难得的机会,这里你不但能和一大群高级研究员和来自各大公司过来的员工一起工作,一起交流,共同进步,更能学到别人用几年都没机会接触的搭建测试框架和编写测试用例。
    从来没写过这种东西,作为从学校成功过渡到社会的小小记录吧。O(∩_∩)O

 

                                                               2010-6-10  22:00

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。
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