去他的程序员逻辑

以前我当产品经理的时候,经常因为“逻辑”跟工程师吵得一塌糊涂。


  那个时候的工程师们都喜欢树型结构。虽然今天已经销声匿迹了,但他们仍然喜欢把“逻辑”挂在嘴边。他们会在产品上花很多心血,很多功能都舍不得扔掉,却不知道用户能接受的其实只是最简单的点。

  我讲个例子。有一天,太太跟我说家里电脑太暗了,我一看是因为出差前我调成了最暗,回来后忘记设置了。遇到这种情况你的第一反应会是什么?我首先想到的是找设置,于是点到控面板,打开有很多分类,在硬件里没找到,再去显示器设置里面找还是不行。最后谁知道在哪?在个性化里面!我找了三天才找到,那两天忍着眼要瞎的感觉,屏幕非常暗,文字基本看不清。

  当时我就想:微软看着我那么暗地用电脑,为什么不提示我一次呢?一个屏幕亮度设置需要这么复杂吗?

  我想说,简单是世界上最了不起的能力了。这个世界经济体系很复杂,马克思写了一千多页《资本论》,里面用了一个最简单的词——“剩余价值”囊括了所有; 市场变化很复杂,包括各种各样的机构,最后亚当斯密用了一句话说明——“看不见的手”;相对论很复杂,最后就是一个公式,虽然我们都不知道什么意思。这些无一例外地都使用了一种极简的表达,你会发现在这个世界上真正能走下去的东西都是“大道至简”,而不是靠复杂取胜。

  到今天,过去那种繁复的计算机思维仍在隐秘地发挥作用,虽未被人们觉察,但它已经成为“让产品变轻”的最大绊脚石。

  问题究竟出在哪儿?

  大家都知道,一些 IT 行业巨头如微软和谷歌都是工程师文化。工程师文化的本质特点是什么?就是特别喜欢强调逻辑性。

  我记得,以前学校开设类似图书管理和信息分类的专业课,大部分的内容都是关于“逻辑分类”。例如大家要学习 windows 的分类方式,一定要在开始菜单放程序,我的电脑里放文件,桌面上放快捷方式,全部分好类后,里面还有各种各样的分类。


  但是,本质上用户的脑海里没有任何逻辑,用户脑海里有什么?只有用还是不用,常用还是不常用。所以你看苹果的整个逻辑就是这样,没有回收站,没有很深的目录。从来不会说这一排应该是打电话的,不该放音乐。换作一般工程师肯定抓狂,这不合逻辑啊,怎么能这样呢?程序、文档、视频不是应该归类吗?后来发现苹果的第一页既有日历,也有短信,还有摄像。用工程师的观点看,整个都是杂乱无章,毫无美感。


  当然,如果你受过专业训练,没问题,可以按照逻辑分类,但老百姓没这个概念,他只知道他要用什么,把常用的放在第一页,不常用的就拖过去。需要去分类吗?根本不需要!所以,“逻辑分类”是我们脑海里一个根深蒂固的东西。


  后来为了跟身边的同事说明这个问题,我还一直给他们讲百度首页的例子。百度是一个搜索网站,但是搜索栏上面放的是什么?新闻、网页、贴吧、音乐、图片等等。你想进贴吧的时候根本不必使用搜索功能,你只需在搜索框里输入想要看的贴吧内容,一点贴吧就直接进去了。


  如果按照“工程师逻辑”,网页旁边怎么可能是贴吧呢?应该是垂直搜索才对。如果垂直再分类的话,又是什么衣食住行,琴棋书画,生老病死,基本上就是这些“逻辑分类”。我推测百度是把用户最需要的放出来,用户上来想找什么,就把谁放上去,没有“逻辑分类”。


  关键在于:最早接触计算机的这一群人都是我们这种所谓学过程序的人,“逻辑分类”的思维根深蒂固,大家从接触这一行开始就觉得,一定要显得有逻辑,但事实上它并不重要。


  我们要知道,互联网的整个逻辑在今天已经变了!


转自:http://bbs.9ria.com/thread-261482-1-7.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于PyTorch的Embedding和LSTM的自动写诗实验LSTM (Long Short-Term Memory) 是一种特殊的循环神经网络(RNN)架构,用于处理具有长期依赖关系的序列数据。传统的RNN在处理长序列时往往会遇到梯度消失或梯度爆炸的问题,导致无法有效地捕捉长期依赖。LSTM通过引入门控机制(Gating Mechanism)和记忆单元(Memory Cell)来克服这些问题。 以下是LSTM的基本结构和主要组件: 记忆单元(Memory Cell):记忆单元是LSTM的核心,用于存储长期信息。它像一个传送带一样,在整个链上运行,只有一些小的线性交互。信息很容易地在其上保持不变。 输入门(Input Gate):输入门决定了哪些新的信息会被加入到记忆单元中。它由当前时刻的输入和上一时刻的隐藏状态共同决定。 遗忘门(Forget Gate):遗忘门决定了哪些信息会从记忆单元中被丢弃或遗忘。它也由当前时刻的输入和上一时刻的隐藏状态共同决定。 输出门(Output Gate):输出门决定了哪些信息会从记忆单元中输出到当前时刻的隐藏状态中。同样地,它也由当前时刻的输入和上一时刻的隐藏状态共同决定。 LSTM的计算过程可以大致描述为: 通过遗忘门决定从记忆单元中丢弃哪些信息。 通过输入门决定哪些新的信息会被加入到记忆单元中。 更新记忆单元的状态。 通过输出门决定哪些信息会从记忆单元中输出到当前时刻的隐藏状态中。 由于LSTM能够有效地处理长期依赖关系,它在许多序列建模任务中都取得了很好的效果,如语音识别、文本生成、机器翻译、时序预测等。
CSDN IT狂飙上传的代码均可运行,功能ok的情况下才上传的,直接替换数据即可使用,小白也能轻松上手 【资源说明】 基于MATLAB实现的这个代码主要是研究手写数字的识别效率,用卷积神经网络算法来实现,用的是官方手写字体数据,能够显现百分之九十以上的识别率+使用说明文档 1、代码压缩包内容 主函数:main.m; 调用函数:其他m文件;无需运行 运行结果效果图; 2、代码运行版本 Matlab 2020b;若运行有误,根据提示GPT修改;若不会,私信博主(问题描述要详细); 3、运行操作步骤 步骤一:将所有文件放到Matlab的当前文件夹中; 步骤二:双击打开main.m文件; 步骤三:点击运行,等程序运行完得到结果; 4、仿真咨询 如需其他服务,可后台私信博主; 4.1 期刊或参考文献复现 4.2 Matlab程序定制 4.3 科研合作 功率谱估计: 故障诊断分析: 雷达通信:雷达LFM、MIMO、成像、定位、干扰、检测、信号分析、脉冲压缩 滤波估计:SOC估计 目标定位:WSN定位、滤波跟踪、目标定位 生物电信号:肌电信号EMG、脑电信号EEG、心电信号ECG 通信系统:DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测识别融合、LEACH协议、信号检测、水声通信 5、欢迎下载,沟通交流,互相学习,共同进步!
基于LSTM+CNN的自然语言处理,基于单维LSTM、多维LSTM时序预测算法和多元线性回归算法的预测模型LSTM (Long Short-Term Memory) 是一种特殊的循环神经网络(RNN)架构,用于处理具有长期依赖关系的序列数据。传统的RNN在处理长序列时往往会遇到梯度消失或梯度爆炸的问题,导致无法有效地捕捉长期依赖。LSTM通过引入门控机制(Gating Mechanism)和记忆单元(Memory Cell)来克服这些问题。 以下是LSTM的基本结构和主要组件: 记忆单元(Memory Cell):记忆单元是LSTM的核心,用于存储长期信息。它像一个传送带一样,在整个链上运行,只有一些小的线性交互。信息很容易地在其上保持不变。 输入门(Input Gate):输入门决定了哪些新的信息会被加入到记忆单元中。它由当前时刻的输入和上一时刻的隐藏状态共同决定。 遗忘门(Forget Gate):遗忘门决定了哪些信息会从记忆单元中被丢弃或遗忘。它也由当前时刻的输入和上一时刻的隐藏状态共同决定。 输出门(Output Gate):输出门决定了哪些信息会从记忆单元中输出到当前时刻的隐藏状态中。同样地,它也由当前时刻的输入和上一时刻的隐藏状态共同决定。 LSTM的计算过程可以大致描述为: 通过遗忘门决定从记忆单元中丢弃哪些信息。 通过输入门决定哪些新的信息会被加入到记忆单元中。 更新记忆单元的状态。 通过输出门决定哪些信息会从记忆单元中输出到当前时刻的隐藏状态中。 由于LSTM能够有效地处理长期依赖关系,它在许多序列建模任务中都取得了很好的效果,如语音识别、文本生成、机器翻译、时序预测等。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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