当客户说 “这里有点问题,我想要这样的...”,后面的事你造吗

刚开始参与项目时,听到客户说“这里有点问题,我想要这样的…”一般是没什么特别的反应,只是耐心地听完,然后就愉快地增加功能啦,或者调教八哥啦。
  现在回过头来看看,貌似不是这样子。特别是当同事听到这样做时,往往胆战心惊,就好像一个老司机坐在副驾驶上看着一个新手上路,总是无比紧张,恨不得把方向盘抢过来的那种感觉。
  但实际上,你不能抢方向盘,也不能一直说,往左点,往右点这种废话,因为项目不只一个,是很多个。
  现在,当客户说“我想要”的时候,后面的角色交流正常或不正常有15步要走,且只是算最基本的角色,即客户,
项目经理,程序猿,还不包括设计,前端,审核等角色。看来“我想要”三个字不可轻说啊,责任重大。我们用时序图看看。

也许因人而异,会有各种各样的沟通方式和关注点,为了统一好行为,节省时间,达到高度一致,我们规范了程序员与项目经理之间的工作沟通的3要素即,what(是什么),who(谁),when(什么时候),搞明白谁要求你什么时候完成什么事。如果不清楚表示接受信息不完整,一定要问清楚。之后要自己确认是否在时间范围内完成,如果不能也要沟通清楚。
还有一种情况,有时项目经理给任务时并不知道你要多少时间,这里你要表现专业素质最重要的一种,即估算时间,然后将此时间告诉项目经理并达成一致再往下工作。
客户,项目经理,程序员三方时序图

注:这里的“我”表示程序员

这里写图片描述

What:制定什么事?目的是什么?——有必要吗?
When:日期,什么时候指定,完成的时间是否适当?
Who:由谁负责制定?由谁负责执行?有没有更合适的人?熟练程度低的人能做吗?向谁反馈,谁需要知悉?
  看完这个时序图,作为程序员应该再也不敢随随便便说“没问题”了吧。也侧面证明了无论客户多少小的问题,实际上都不是个容易的事,事实上从来没有遇到过容易的事。所谓的容易只是客户觉得容易而已。既然如此,那么作为程序员的你有足够的理由认真对待任何一个小功能或者小bug。否则你帮客户达成“我想要”时就会因为轻判而不知道这个坑的大小。

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