好的开发人员在项目经理眼中应该具备哪些素质

​这篇文章想写很长时间了,一直没下笔,今天终于空了一下,打算整理一下。

最初的时候源自于去年的那个“项目经理经验总结”http://iamzhongyong.iteye.com/blog/1977551 

工作几年来,在项目中做过纯开发,也做过项目经理,于是有了这些总结。有些点自己做的也不是很好,权当拿来自我反省吧。

 

1、积极,主动性

这个其实比较重要,如果说技术实力不强,有些东西没用过,这些其实都不是问题,只要主动的去学习,主动的去发现问题,跟进问题,其实很多技术类的问题都不是问题了。这个放在第一位的素质,我觉得挺重要的。

 

2、有风险提前抛出来

做项目肯定有风险,没有风险项目也就没有挑战了。如果仅仅靠项目经理去把控,一来项目经理没有那么多精力,二来每个人的视野有限制,这两个原因导致可能考虑不全,而这个时候,就需要每个开发同学能够主动的发现风险,并提出规避方案,如果没有规避方案,那提出来也行。

 

3、新的想法打算用在项目中的,自己提前搞demo验证过

有些同学,包括我自己,都会尝试一些新东西,例如新框架,新的工具等。但是有个前提,不要在项目开始或者进行中的时候才考虑用新东西试一下,项目一般都是有时间限制要求的。之前有同事说想在项目中用XX框架,这时候一般会考虑之前有没有搞过,如果搞过,那就放心去用好了,如果没搞过,在项目来临的时候,最好不要用。项目一般有预研阶段,这个时候,如果有新的想法,可以尝试做一些例子。为啥要这样呢?因为新东西有学习成本,这个倒是其次,有些新东西有坑在里面,因为这个世界没有银弹的方案。

 

4、主动承担没人负责的模块

有些模块的划分,可能没法划分到具体的人,因为可能是两个模块衔接的,这时候,如果时间允许,建议开发同学主动的承担一些没人负责的模块。例如两个模块的衔接、整体页面的安全方案考虑、单元测试的集成、持续集成等。

 

5、自己负责的部分完成之后帮助其他同事

这个和上一个重复了?没有。刚才的那个是没人负责的,这个是其他同事的,项目内部人员的技术素质可能是参差不齐的,有些东西可能熟悉的人几个小时就能搞定,有的可能需要一天时间,这个时候,如果你熟悉一个模块,而另外一个同事不熟悉,你就可以帮助一下了。

 

6、代码注释充分

由于我参与的大多是业务项目,有个特点就是复杂。这时候,就需要有充分的注释,当然是非常必要的环节才加。至于一看就能懂的,那就没有必要添加了。

 

7、代码自测充分,高质量的完成自己负责的模块

这个必须提一下,开发同学代码编写好了之后,需要提交给测试同学进行测试,有时候测试还分几轮。这时候,bug的情况体现了代码的质量,而质量的保证,除了经验和代码review之外,还需要自己完成一些自测的事情。尤其是主流程必须有,还有就是自己觉得一些边界的条件下。有人说着不是浪费时间吗?时间上这个是节省时间,自测充分之后,后续bug就少,返工就少,讨论问题就少,省了很多时间的。

 

8、畅通的沟通氛围

这个不是在说团队吗?不是了,就是说个人,项目中有各个角色,沟通必不可少,为啥说要自己创造一个好的沟通氛围呢?因为你需要找别人讨论问题,别人也需要找你讨论问题,如果沟通态度和语气啥的有问题,就会给彼此构建一个屏障,而这个屏障会导致大家沟通不是很顺畅,最终可能就导致一个问题大家理解的不一致。

 

9、必要时候协助项目经理

项目经理有时候也忙不过来,如果自己时间精力允许,那就帮一下项目经理。

 

10、责任心

这个放在最后,其实并不是说排名在最后,这个我认为也是很重要的,试想一个没有责任性的人写出来的代码,别人能信得过吗。

 

总体就上线这些了,项目管理是一个持续久远的话题,后续还会继续,算是自己一个阶段性的认知吧。​

 

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