leo谈程序员的职业素养(上)

 

本文地址: http://blog.csdn.net/jobchanceleo/archive/2007/12/10/1928141.aspx

 
原文刊登于《程序员》杂志07年第11期第24页)
 
说起职业素养,可能大家脑子里马上反应出的是西服领带公文包的精干白领形象,其实作为程序员来说,有更多内在的职业素养?一个具有职业素养的程序员应该是什么样的呢?本期调查分享两个研发小组的故事,让大家在统计数据的基础上进一步了解——什么是程序员需要的职业素养?
 
案例一:对客户坚称“一点也不复杂”的团队A
 
DDD 公司是个在发展壮大中的贸易公司,由于业务发展员工从刚开始的10人半年内增加到150多人,管理上出现了沟通效率低、对员工工作难以监控的现象。公司想近期上OA系统,以加强公司的工作效率、支持快速增长的业务。DDD公司找到了OA专业开发公司OOO公司,经过几次与OOO的销售沟通后,双方确定了合作意向。而在OOO内部,有两年开发经验的开发工程师苏成自告奋勇希望承担该项目的开发管理工作,公司考虑到苏成不错的开发能力、希望提高自己的期望,安排他成为这个项目的项目经理带领三个开发人员,建立了项目组A,开始了这个DDD的OA项目。
 
项目不大,公司没有特别安排需求开发工程师。按规定作为项目经理应该在与客户确认需求后进行开发。但初为项目经理的苏成信心爆棚,认为自己开发能力强,当项目经理也一定成。
ü          对外,苏成采用了就想当然地按照合同后附的简单需求说明草率进行开发。
ü          对内,苏成认为项目经理拥有绝对权力。“今天不努力工作,明天努力找工作。”成了他的口头禅,每次用威胁的口气说出时,苏成都会有种满足感。同时,任何关于开发的不同意见都听不进去,在第一期快结束时,苏成已与项目成员发生了N次争吵,大家纷纷要求调离项目组,团队面临全面崩溃。
 
在二个月未与客户沟通的状态下,苏成项目组向DDD提供了OA系统一期产品,按合同规定包括了:员工管理一项功能和其他四个子项(公司纪律规定、部门工作分类表、职务分配表、工作内容调查周报表)。
 
看完基本功能演示之后,苏成随即向客户提出希望尽快部署和收款的要求。
DDD 公司的HR经理Helen几乎要尖叫起来!于是,发生了下面的对话。
 
(H:Helen,Z:苏成)
 
H :“这个员工管理怎么没跟考勤部分联系想来呢?而且按你说的在这个系统里增加一个新用户需要五步!太复杂了吧。”
Z :“一点儿也不复杂,一点儿也不复杂。我现在给你再演示一下。”
一边说Z一边动起手来。系统是按他自己的理解开发的。运用起来自然十分娴熟,演示增加人员的步骤5秒钟都没用,当然,H也和刚才的演示一样,没怎么看清楚。
H :“还是太复杂了,能改成一步吗?”
Z :“一点儿也不复杂,要不要再给你演示一次。”
H :“算了,先不谈这个。我们希望在这部分里加个统计功能,之前也和你们销售讨论过这个问题,我们希望能统计出公司员工交周报的情况和部门比例。”
Z :“这个有困难,做不了。其实公司人也不多,建议这部分还是手工统计吧。”
H 强压怒火:“按这个思路都可以手工统计,根本不用您来开发,但公司是因为要发展才要上软件的。”
……
实际情况是,因为开发时即没要求留下文档,加之团队其它几个成员均已准备离开项目组,任何在此模块中的小小变化都会面临所有代码重新开发的局面,更不要新增什么功能了。苏成非常清楚,客户是不会再花一个项目的钱,只开发一个新功能的。所以,苏成压根儿都没提因为需求变更,要加钱做这个功能的事儿。
 
最终结果可想而知,苏成辛苦开发几个月没有得到相应回报,客户不满意、项目组成员不满意、研发部总监更是对他的能力产生了怀疑,在几经努力拿到DDD公司在第二期项目开发合同之后,更换了项目经理。
 
Leo点评 :程序员如何以明确需求为基础与客户沟通?
 
如果有专门掌握需求编写技术和经验的需求工程师作为客户和程序员之间的桥梁是最理想的状态,但是,以国内目前的国情下,每个项目组都配有需求工程师的并不多。因此,无论是从现实出发,还是从程序员自身提高的角度出发,正确地帮客户表达需求、正确地理解需求就成了程序员的基本素质之一。否则,到最后多是像本文中提到的苏成,搞得人、财两空。此次调查中66.67%的被访者认为“能帮助客户正确提出需求”是程序员自身的修炼之一,此种修炼肯定能在中国当今的环境下,提高程序员自身的能力和素养,可见在程序员内部已就此达成了相当的共识。认为“能使客户需求更完善”是程序员自重重要修炼之一的占到此次调查的55.13%。说明超过一半的程序员认识到,帮助客户完善需求会节省双方的时间和精力。
 
那么如何才能提高自己的需求分析能力呢?以下分享几个有关需求的几个小技巧:
 
1、   尽量提高自己的表达和沟通能力。
良好的表达和沟通能力能在客户不能清楚表达需求时,融入到客户组织内部,了解客户的工作流程,与客户共同更好地、更准确地定义和分析需求;此次调查中60.90%的被访者认为沟通能力(能与客户和同事良好相处沟通)是程序员应具备的基本能力,只有28。85%的参加调查者认为“表达能力(能准确表达自己的看法以及清楚准确地撰写文档)”是程序员必备的基本能力之一。沟通固然很重要,但我们更应该进一步认识到准确表达自己的观点和意见也是成功沟通的基础之一。如果只“沟”而不“通”仍然是对方面资源的浪费。
 
2、   应用多种方式了解需求。
常用的方法有:问题分析法和建模分析法(结构化分析法、面向对象分析法)以及几种方法的结合。比如在问题分析法中应用面向对象的思想,与客户的员工谈话,访谈首先要面向工作流程,面向任务,面向角色,也就是用面向对象的思想帮助客户理清思路。
 
3、   不臆测需求
如果有专门的需求工程师,对需求这块而针对程序员的要求有一点要特别强调,就是编码过程中当需求不明确时,必须与项目经理或需求工程师及时沟通,程序员不能自作主张地猜测客户的需求。
 
4、   不过度承诺。
很多销售为了拿到项目,向客户大包大揽,甚至完全不顾公司的现有开发能力向客户承诺很多功能。在定义需求阶段,一定要向客户说明“什么是我们能做的,什么是我们应该做的,什么是我们不能做的”。客户付了钱就应该得到相应的产品,很多时候过度承诺导致了新功能无法实现的同时,原有功能也受到影响。过度承诺而无法完成相应功能,开发人员会因此产生严重的挫折感,谁都不开发让自己最终会“心中有愧”的产品,。此次调查中59.62%(近六成)的被访者,正确地认识到对客户提出的不合理需求拒绝得当也是程序员内在修炼的一个重要方面,这是非常难得的。
 
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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