变,才是王道

迭代回顾会议上,很多人都提到了xxx需求的变化导致了大量的代码返工,抱怨需求变化,抱怨系统架构
没有预先识别这个风险,抱怨其他模块没有屏蔽这个变化...


我当时的想法是,为什么没有人提出自己写的代码有什么可以提升之处,只是抱怨其他人能提高个人的
代码能力吗,能解决最终的问题吗?写代码时能不能尽量的少做假设和依赖?需求,变是很正常的,不
变反而奇怪了。不过,当时我并没有坦然的说出这个想法,依然在会上少发言,鄙视一下自己。


稍微做过几年开发的人都知道,需求总是常常变化的。这次的变化找到了几个很合理的理由(确实是这
样的),抱怨一番,表示是其他人造成了我的工作量,心里上也许会好受一点。但如果每次都这样,下
一次的变化依然可以找到其他的理由。


个人认为,写代码的关键是如果抽象出变化与不变部分,对可能变化的地方用什么样的方法解决。各种
各样的模式书籍,其实就是想归纳某一类问题用某种方法可以适应变化(改动甚少,或者不改动)。如
果都是一成不变的,还需要啥模式,架构啊。


不过在我司,吵吵闹闹,讨论几天,再加班几个晚上,把事情闹大,领导知道了,通报表彰,影响力也
有了,PBC也好写了,推动XXX事情解决了。这已经是常态了。


一直很怀疑,领导也应该知道这些现状,看起来是浪费的事情,为什么会认为是有功的呢?俺不是领导
,无从推测领导的心思。


变,才是王道,不仅仅是软件开发。
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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