软件工程实践寒假作业

这个作业属于哪个课程软件工程实践2022年春-F班
这个作业要求在哪里软件工程实践寒假作业
这个作业的目标熟悉markdown和gitcode的使用、完成个人博客,回望过去展望未来制定学习路线
其他参考文献CSDN


回首过去

当初你为什么选择软件工程这个专业?

当初一开始并没有在这个专业,大一时觉得自己未来应该做点有技术的工作会好一些就转来了。从小接触电脑游戏,在一堆工科专业中还是选了最符合自己兴趣的。

当初对软件工程这个专业的期待和想象是什么?

当初想象这个专业能学到一些很好玩很有用的东西,真正学到之后发现代码的世界真的很有趣,但是积累实现有趣东西的过程是比较枯燥的。

当初希望自己是如何投入这个专业的学习的?曾经做过什么准备,或者立下过什么FLAG吗?

当初并没有立下多大的flag,学习也只是按照平时学习的习惯去学,听说这个行业对数学的要求较高,在数学课程上会学的比较认真一些,未来唯一的希望是生活工作平衡。


立足当下

姓名陈驿晨
照片在这里插入图片描述
爱好游戏、运动、阅读、音乐
特长
成果和获奖经历三等奖学金
专业水平编程语言:C、C++、C#、JAVA、javascript、css、html、php
技术框架:Yii 2.0
开发软件:IDEA、visual studio、AndroidStudio
项目经历图书管理系统、yii实现的博客管理系统、校园随手拍

展望未来

阅读《构建之法》,并阅读构建之法社区中前人提出的问题,选择5个及以上的问题写下自己的思考?

问题一:项目/任务的大小应当由什么指标来决定?
软件项目的大小由项目的功能、优化、界面美观程度多方面决定。代码量的大小和项目的大小没有必然关系

问题二: 软件开发过程中是否有必要保证代码具有100%的正确性,如果有必要又应该如何实现呢?
分情况,军工,航天等对可靠性有极度需求的需要保证代码具有百分百正确性,民用项目大多不需要也做不到。如果需要保证百分百正确性,首先要经过较多次的测试,将可能的情况遍历测试多遍来保证正确性。

问题三:注释(包括所有源代码)应只用ASCII字符,不要用中文或其他特殊字符,它们会极大地影响程序的可移植性?
不一定,并不是所有的项目都会有那么强的可移植需求,过度的工程设计和非母语的阅读困难会让开发的效率变低。

问题四: 对于一名工程师而言,究竟应该是更”专“一点好,还是更”广“一点好呢?
专一点好,太广了可能在不熟悉的领域上写许多bug,可能debug的损失比再招一个专业人士都多。

问题五:关于多人合作中的代码如何同步?
使用git来版本同步,可以使用GitHub或gitcode来作为git仓库。

你未来的职业规划是什么?

未来打算从事java后端开发工作,在工作学习中不断提高自己的业务水平。

对于软件工程实践课程,你有什么理解和期望?

希望这门课程能锻炼自己的多人开发项目的能力,软件工程实践课程应该会运用到整个大学学到的大部分知识,对软件开发流程有更清晰的认识,从而找到未来自己工作的定位。


学习路线

思维导图
在这里插入图片描述
学习路线
在这里插入图片描述


gitcode仓库

仓库地址
在这里插入图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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