结合个人心得谈谈工作效率

前言

作为一个互联网软件工程师的从业者,自然要面对很多的需求和问题,那么如何更有效地做好这些事情,下面我就结合自身来分享下。
这里不是说让大家完全按照我说的去做,只是提供给大家一个思路。真正适合自己的还是需要个人去领会。

正文

本人不喜欢借助一些其他工具,当然有一些其他工具的辅助有时也是不错的。我的话就是用最质朴的记事本,来掌控自己的事情。
先来说下个人磁盘使用的习惯,C盘是系统盘,一般不会放其他东西除非有必要;D盘主要安装一些应用,比如百度网盘网易云音乐;E盘主要安装一些编程类的工具或插件,比如VisualStudio和Unity3d;F盘主要存一些代码和文档,以及一些图片视频资源等。
进入正题,我在电脑F盘有一个Person文件夹,该文件夹主要放个人整理的一些文档或通用的代码,然后这里面有一个事务文件夹。
transaction1
这个文件夹里存放了我所有的事务,打开这个文件夹,可以看到首先我按年份进行了一个划分。
transaction2如图,这里有2019年和2020年的,我们打开2020这个文件夹。
transaction3
可以看到,所有的文件都是以近期事务+年月命名,而且都是清一色的txt文件,可能程序员就是喜欢最原始最简单的东西吧(也许只有我是这样)~
transaction4
我们打开近期事务202007.txt这个文件,可以发现里面的内容也很简单,就是逐条记录了要做的事情以及进度。这里说一下,在一周内的工作中,每有一件要做的新事情我就加一条。一周后,会在上周的内容上面去增加这一周的工作内容。比如,2020.07.13 - 2020.07.18的内容会在2020.07.06 - 2020.07.11的上面。
transaction5
最后说一下任务的四种状态,我把每件事情分为四种状态:未开始、进行中、待调试、完成。未开始就是已经知道但是还没开始做的,进行中是正在做的,待调试并不是自己开发完没有测试的,而是没有实际放到设备上或是实际交给客户去验证的,至于完成的,就是一切都ok了的~

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

打赏作者

秦朝炼丹师

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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