发生在眼前的故事:不做好最坏的打算,往往事情就会去到最坏的地步(四)

续《发生在眼前的故事:不做好最坏的打算,往往事情就会去到最坏的地步(三)

以下事情发生在9月23日的8:30~9:00AM

早上醒来吃过早餐,和项目经理A通了电话,先是询问项目组的服务人员到达业主现场?回答是已经在现场监控,再询问系统现在的运作情况,得到的回答是截至到目前为止,运行正常。我告诉A今天已经安排同事dy过去协助他们定位和解决问题,并且问了昨天有没有将故障问题结合第一天的使用情况写成报告发送出来?回答是还没有来得及,考虑到项目组同事昨晚肯定顶了不少压力,早上又一大早赶业主8点准时上班,我告诉A今天整理并且发出来是有必要的,还是要抓紧,否则今天如果出现问题怎么办?

(有点象老电影中,国民党军队斜戴帽子的老大对着电话喊话:“给我顶住”)

 

没过5分钟,接到dy打过来的电话,询问我今天还需不需要过去项目组的现场?!

我有点生气,压着怒火没有正面回答他的问题,用反问的方式回答:“你觉得我们应不应该过去?”

他的回答是:“我已经将需要处理的方式和方法告诉了项目经理A,并且昨天晚上已经发送了邮件给A、抄送给你了,我早上已经和A确认,他已经打开了访问日志,因此我觉得可以不用去现场!”

我的回答是:“没有问题啊,可以如果今天再出现疑似死机的现象,你能够比昨天在公司做的分析更多吗?你能够保证再出现这些现象的时候,你能够做出定位判断并且解决问题吗?”

dy没法回答我的问题,我接着说:“你不去现场,根本体会不到团队在一线承受的压力,一个简单的故障导致可能是一批人无法使用,接电话都足够让你接到手软。如果可以牺牲你一个人可以换来一个团队不用承受压力,我宁愿这样做!”

我又啰嗦了前面讲过的一些譬如:“你能断定今天中午大家去吃饭才有可能出故障吗?”等等的废话!。。。

最终,他回答说:“行,我去现场了解。”

(TMD我感觉自己真的就是居委会的大妈:“仔,今天你穿了衣服够吗?仔,今天你吃饱了吗?”)

 

刚放下电话,就接到项目经理A给我打了电话,知会我系统刚才又出现“死机”现象,他已经先通知了业主方的接口负责人,并且已经紧急修复了情况,目前业主情况稳定,要求我们后续查明原因后上报。我询问了故障是不是我们项目组的服务监控人员发现的,还是业主方用户的报障?回答是我们自己发现,所以业主在得知情况的电话中,也对我们的监控工作表示了肯定。

我说OK,出现了一次,可能还会再出现,现在一定要更加加密监控的间隔。我通知相关的同事,到现场见!

回过头来,给dy去了电话:“现世报很快,刚才已经死机一次了,可惜你已经没有赶上,我知道你现在在路上,做好准备,思考可能存在的情况,不能再有什么侥幸心理了,事实就发生在我们眼前,并且狠狠地刮了我们一个巴掌,今天一定有一场恶战!”

 

(MD我真是一个乌鸦嘴,不过无数的经历告诉我确实是这样的,只是我也没有想到这么快报应!)

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 1
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