周报2019.7.19

先简单回顾一下这一周的情况, 一句话讲: 啥也不是.

这周的前两天基本实在修改我上周写的两个脚本之中度过的, 修改的原因?

  1. 先说第一个脚本, 完全是因为不够细心, 很多小错误犯得我都感觉没脸见人了, 比如一些应该判空的地方却没有.

  2. 再说第二个脚本, 是因为对业务不够熟悉, 在写的时候拿到需求想当然的就开始写了, 结果到最后却不是要的结果.

有问题当然要改了

  1. 说以后写代码一定要细心, 有些假大空了, 其实只要讲脚本的结果进行验证, 看看是不是正确的, 包括一些边界条件的值, 这种情况还是可以避免的, 一定要养成这个习惯.

  2. 对业务不熟悉的问题, 当然是要熟悉业务了, 先从使用公司软件, 从用户的角度熟悉开始.

这周的后边两天, 是要讲之前在项目B中写的代码迁移到项目A中, 这个迁移的过程十分坎坷, 刚开始的时候, 我一听, 好简单啊, 不就是复制粘贴么? 但是当我开始着手后才发现,并不是我想象中的样子.

我在一开始迁移的时候, 是一个功能一个功能来迁移, 迁移完一个测试一个, 确保没有问题在迁移下一个. 但很快我就发现新的问题了, 这样迁移效率十分低下, 在这个过程中我还要把逻辑理一遍, 项目A中的代码是公司我老大写的, 我迁移了一天时间, 才不过迁移了一小部分.

第二天, 我放弃了之前的做法, 真正采用复制粘贴的方法进行迁移, 然后把相关的代码全部换成项目B中的代码, 到今天晚上, 我把代码迁移完了, 但是还没有进行测试, 至少在IDE中没有标错误. 这样迁移的问题我十分清楚, 逻辑我都没有理清, 也没有进行相应的测试, 出问题是一定的. 但是我没有想到有什么好的方法可以保证质量的前提下高效的将代码进行迁移.

现在我慌得一逼, 不知道周一去了, 老大见了我迁移的代码是什么反应, 不满意是肯定的, 因为我自己都十分的不满意, 我也知道是我能力的问题, 我得快速提升能力, 为老大排忧解难, 毕竟我是老大一手带起来的, 怎么说不能给老大丢人不是.

转载于:https://www.cnblogs.com/hujingnb/p/11216204.html

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