《大道至简》 读书笔记

最近发现一本有意思的项目开发书籍,晚上睡不着的时候读,特别提神。
为了不金玉与内,特摘录其中一些片段,供大家玩味,书名叫做《大道至简》,作者是谁,大家网上查一下就知道了:)

以下为引用,虽然不是每句都对,但可以带给我们思考: (觉得不过瘾可以参照附件,不过请下班后再看哦)

1.一接到任务就开始Coding的程序员,通常就是加班最多的程序员。
记住:积极工作和勤于思考都要占时间。

2.做管理起码需要能承担责任,这是最基本的素质。

3.你的项目经理职位又没有让给别人做,你拿的经理级工资又没有分给别人,那项目失败了,你为什么要把责任推到别人头上呢?

4.经验丰富的工程师能尽可能接近地预估工期,但没有办法保障(预估的)工期是绝对合理的。那么进一步的推论是,由于没有绝对

合理的工期,所以项目的完成时间可能总是
被进度变更所修正,所以项目也就总是不能“成功”。项目工期的问题不能解决,就不能保证项目成功。只有经验更加丰富,才能

更尽可能地逼近“合理的工期”。因此在此之前,项目
经理面临的就是失败。这个失败可能不是项目经理本身能力所决定,或者也不是团队成员的工作所决定,而是在一开始,那份给客
户的项目协议就签错了。

5.软件工程中有专门的学科来研究项目的工期问题。学者们试图寻找公式来计算项目的复杂度,从而计算出所需的工时和人月。然

而在实践中,这被认为是不可行的

6.如果员工在工作中出了纰漏:
a、没有制度,你没有办法和依据来惩戒员工,因此是管理者的过
b、有了制度而没有惩戒他,是执行者和监督者的过
c、一而再、再而三地犯错,又一而再、再而三地被惩戒,那就是教而不改,就真正是员工的品性和素质的问题了

7.在任何错误被归咎于员工之前,管理者应该先想想是不是自己的问题。是的。你可能很快发现问题出在了管理者。因为管理者没


确定组织机构模式,或者没有为组织中的成员进行角色定位和分工。如果这样,出现“既不能令,又不受命”的人就是必然的事了

8.一个至少由三个人构成团队:项目经理,开发经理和开发人员。其中,在开发经理和开发人员之间,既存在主从关系,也存在协


关系。而项目经理,则在团队中处于领导者、组织者和团队保障者的地位。如果非得要精简到两个角色的团队模式,那么这种情况
下,通常是开发经理兼任项目经理,因此这位开发经理一定要能清楚地区分这种双层角色的身份:在任何时候,明确自己是在进行
“团队内协作”、还是“团队管理(和组织)”、还是在与“团队外交流”。如果这个开发经理总是混淆自己的角色,那么,我建议

,换人吧。

9.团队真的需要管理吗?
这经常是“经营”开发团队的管理者最容易给错答案的问题。这些管理者兢兢业业,试图细化每一个管理环节,将自己的意愿贯彻
到⋯⋯EN,CPU里去。
实际上,开发团队并不需管理。或者说,在你还没有弄清楚状况之前,不要去管它。

10.禀性难移,要改变一个人都难,何况是改变一个团队的既定习惯。
如果有一群开发人员象蚂蚁一样辛勒地工作着,那么,先不要打扰他们。你应该跟随他们,看看他们是如何做的。发现规律,分析
这个规律的价值,最后再尝试改变它们(的一些负面价值的规律)。

11.尽管弹性分工非常有效,然而真正做弹性分工却并非易事。
更好的选择是明确分工,而不是弹性分工。你应该明白,重要角色的更替通常是极具风险的,例如项目经理或
者开发经理;频繁的开发人员的调度也会直接影响到工程的质量和进度。

12.维护旧项目比做新项目更难,许多人深有同感。然而这些“有同感”的人又何曾想过,自己在做“新项目”的时候,要为“项目

维护”这种还不存在的角色,留下一个沟道、对话的渠道呢?
我把项目的History作为跟这种“不存在的角色”沟通的一种方式。History的丰富和准确为项目的后继开发、维护提供了可能。

13.UML的确是解决沟通问题的最佳手段之一。然而如果项目一开始就不能用它,那么强求的结果必然是痛苦的。——要让UML在一个

没有经过相关培训的团队及其各个角色之间用起来,几乎是不可能的事。即使用得起来,也存在经验问题。千万不要指望仅仅一个

项目,就能让你的组员深刻的理解UML的思想。使用与不使用UML,其根本的问题在于沟通方式的选择。只要是行之有效的、能在各

个项目角色间通用的,就是好的沟通方式。

14.流于形式的沟通,可能是使得你的项目被不断推翻和不断延迟的最直接原因。

15.相对于瀑布模型,V模型有改变了什么吗?是的。源于实际的需要,它把测试(和评审)阶段抽取出来,于是就成了V模型。

16.用RUP用不好的人,总会说自己终归还有一堆文档模板可以抄

17. 如果懂得了所谓的模型原本都演化自那个简单的瀑布,那么文档是按XP写还是按RUP写,也就可以应时、应需,因地置宜,择善

而从了。

18. RUP中,真正精髓的东西,既不是那个R(Rational),那是人家的招牌;也不是那个U(Unified),那是人家的广告。而是那个P

(Process),那才是实实在在的东西。

19.无论是你的团队成员,还是你的老板,对重复的错误以及可预料的错误都是不会宽容的。——在一个团队中,失去了组员的信任

比失去老板的信任更为可怕。所以回顾每一个项目,或者项目中的每一个阶段,以及与每一个团队成员交流的细节,是你的日常工

作。

20. RUP其实就象一个杂物箱一样“包容”了全部的已知理论。

21. 总之一件事,没有人会跳出来说:我们原本就错了。然而事实上可能真的出在源头:我们把目标定错了。
我们看到,在项目的平衡三角(时间、资源和功能)中讨论的是目标问题,但并不讨论质量问题。也就是说,经典教材中总是关注:

如何更快的完成项目,并减少资源占用,以及实现更多的功能。然而,即使平衡了这种关系,项目的结果仍可能产生一个天生的残

障。
因为目标可能在平衡中确立,但质量却要在过程中控制。即使在时间、资源和功能三者中取得了平衡,即使客户、项目组和公司同

样满意于这个平衡“目标”,它仍然有可能是“不能实施”的。
如果原定的目标(的整体)本身就过大,那么无论如何平衡这三者之间的关系,其结果仍旧是保障不了质量。

22.大多数情况下,管理人员有责任去审核、评估其它成员的工作成果。这个时候可以讨论“细节决定成败”这样的问题,因为这决

定了产品的最终质量,而质量是工程的目标之一。
而在另一些情况下,例如管理人员做事件的决策的时候,就必须要学会忽略枝节问题。

23. 从惯于“实做”的程序员一路走来的工程人员,很难分清自己什么时候是在“工作”,而什么时候又是在“决策”。
因此我只好用最笨的方法提示管理者:别管它是细节还是枝节,只要你感到你的脚趾已经沾上了泥淖,就快点回头。
用脚趾去感觉,有时比用头脑去思维来得有效。

转载自[url]http://blog.csdn.net/superch0054/archive/2010/12/01/6049014.aspx[/url]
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