福大软工 · 最终作业 - 软件工程实践总结(个人)

目录

一、请回望暑假时的第一次作业,你对于软件工程课程的想象

1.1 对比开篇博客你对课程目标和期待,“希望通过实践锻炼,增强计算机专业的能力和就业竞争力”,对比目前的所学所练所得,在哪些方面达到了你的期待和目标,哪些方面还存在哪些不足,为什么?

在开头先给出第一次作业链接及提出的期待:

  1. 提高自己的代码能力
  2. 弥补自己理论方面的空缺
  3. 脱离小菜鸟的level

貌似自己开学时提出的期待并不多,下面分点进行讲述。

满足的期待

  1. 提高自己的代码能力
    不得不说,这个学期的代码打得真的多。仔细想了想,我认为主要的提升是在代码的规范模块化开发方面,以及在团队项目中所学习的Android知识
  2. 弥补自己的理论方面的空缺
    虽然上文刚刚提到代码能力有很大的提升,但我认为这门课最大的提升还是理论方面的提升。
    理论是实践的基础,代码规范化和模块化开发都是由理论知识的充实为基础实现的。规范的代码和文档总是能让人体会到代码的优雅,很多项目(例如uml图,团队项目评测)我之前都没有接触过,虽然仅仅一两次的实践并不能说对这些理论知识有多么熟悉,但这些实践经历无疑拓宽了我的知识面,是从零到一的突破。

未达到期待和目标

  1. 脱离小菜鸟的level
    学得越多发现自己越菜
    一个学期下来感觉确实蛮累的,也确实学到了很多东西。每次解决一个知识盲区,但稍微深入探究就会发现更多的知识盲区;虽然说团队项目和个人项目都算是完成了,但自己却很清楚的知道还有无数可优化可改进的空间,可是由于自己的知识储备并不足以及时间不够充裕,没能够进一步的优化。
    只能希望自己能够一直坚持学习,坚持进步,早日脱离小菜鸟这一阶层了。

1.2 总结这门课程的实践总结和给你带来的提升。

1.2.1 统计一下,你在这门软件工程实践中,完成了多少行的代码;

在此贴出这学期的学习进度条:

第N周新增代码累计代码本周学习耗时累计学习耗时重要成长
123523566C++STL容器的使用
20235511学习Axure的基础操作
3672907415安卓开发基础
42381405621Java正则表达式
53014351233继续学习了Java正则表达式,学习Android组件
61471583842学习Android的Internet相关知识
766222451355学习了线性同余法和Count-Min sketch算法
8119434391974了解Android的app运行方式,学习Service和Android数据库,第一次参与了软件项目的对接
964540941894学习项目的微服务构架,再次学习Android相关知识

参照学习进度条, 这学期的代码行数应在4094行,可能会有细微的出入,但整体上应该是正确的。(中间有几周放假和没有代码进展的周数被我之前略去了,是不是有些不对。。。)

1.2.2 软工实践的各次作业分别花了多少时间?(做一个列表)

作业花费时间(分钟)博客链接
作业1:自我介绍30博客链接
作业2:个人项目980博客链接
作业3:结对项目1300博客链接
作业4:团队展示10博客链接
作业5:结对作业2700博客链接
作业6:团队选题报告430(估计)博客链接
作业7:团队课堂UML设计450博客链接
作业8:团队需求分析报告845博客链接
Alpha版本冲刺4510博客链接1博客链接2博客链接3博客链接4博客链接5博客链接6博客链接7博客链接8博客链接9博客链接10博客链接11
作业9:团队现场编程805博客链接
作业10:团队项目测评(福大助手)480(估计)博客链接
Beta版本冲刺1100博客链接1博客链接2博客链接3博客链接4博客链接5博客链接6博客链接7博客链接8博客链接9

1.2.3 哪一次作业让你印象最深刻?为什么?

最让我印象深刻的是团队选题报告

那算是我们团队第一次开会认真的讨论团队的项目,我还记得那时候在宿舍楼下奶茶店待到接近十二点(但之后发现十二点在软工实践作业过程中不算迟)。明明不是最累的作业,也没有什么特别新的知识,但那次开会第一次给了我“oh,这是一个团队项目,大家要一起努力”的感觉,嗯,可以说是第一次体会到团队的存在给了我最深的印象。

1.2.4 累计花了多少个小时在软工实践上?平均每周花多少个小时?同时贴出开篇博客“你打算平均每周拿出多少个小时用在这门课上”的回答

累计花费:10640分钟=174.3...(小时)
平均每周:截止beta答辩总结(第16周),花费=174.3/16=10.25(小时)
开篇博客计划

1479140-20190118003854493-1778125749.png

只有想不到,没有做不到。一门10学时的课竟然只有2学分。

1.2.5 学习和使用的新软件;

  • 第一次结对设计学习使用了Axure
  • UML设计使用了StarUMLProcessOn
  • 团队项目使用了Android Studio

1.2.6 学习和使用的新工具;

  • 个人项目学习使用了性能探查器单元测试工具

1.2.7 学习和掌握的新语言、新平台;

  • 学习使用了Android开发

1.2.8 学习和掌握的新方法;

  • 个人项目:学习了代码性能分析单元测试,学习git使用
  • 结对项目:学习了原型设计
  • 团队项目:学习了前后端对接uml图
  • 贯穿整个软工实践:博客撰写

1.2.9 其他方面的提升。

  • 成为了团队开发的一份子,提升了自己的合作能力沟通能力

二、写下属于自己的人月神话——个人或结对或团队项目实践中的经验总结+实例/例证结合的分析

经验总结

在项目开发过程中,难免遇到之前接触过的知识,对于没接触的知识应该系统、认真的学习,单纯为了一时的解决困难往往导致之后翻倍难度的代码重构或是debug。

实例分析

在软工实践的团队合作中,我们主要遇到两种未知的知识:Android开发团队协作编码
起初团队成员划分任务后都只是为了贪图效率,只针对自己负责的部分进行学习,跳过了git等团队协作的利器进行单独编码。在alpha冲刺中期的时候弊端开始体现了:众人之间代码规范程度差,在各自部分完成后仍然耗费大量的时间却bug不断;加上因为对Android没有系统的认识,在对接时bug调试大家只能大眼瞪小眼,临时从头学习Android的大致框架。

三、对下一届实践的建议,或者对于开学初的你,对于大一的你,对于开学初的我,对于同期的TA们,对于后来的学弟学妹:

3.1 你有什么想建议、告知和期许想要告诉他们呢?

建议:

  1. 这门课很有趣,一定要选(貌似学弟学妹们的软工实践是必修了)
  2. 认真对待这门课,真的有很多收获
  3. 写博客真的很耗时间
  4. 有空就多学学项目相关技术,熬夜学习/赶进度还是很痛苦的
  5. 感觉自己很累的时候就要多反思,是不是方法不对还是因为自己之前太划水

3.2 特别地,特别地,下一届要不要中途换队员(强制的、彻底的从一队换到另一队)?假设依旧是一个90+人数的大班

从个人体验来说,不要不要不要

我觉得强制的换人是对大家都很不友好的做法。每个团队之间都是大家相互选择磨合的,且一个学期的开发周期也不长,在中途的时候,大家都已经过了最初的磨合期,开始熟悉自己团队的项目和合作方式,突然换人可能会打断大家的进度,让之前的努力某种意义上白费。或许对于能力特别强的团队或个人并不介意这种行为,但对大多数团队来说这都不会是一个好消息;同时,我不清楚强制性换人对软工来说意义何在,大家在原先团队能够一起用心的做出一个项目,我觉得已经很赞了。

3.3 身在一个格外大的班级,竞争强劲,你认为一个组的人数应当在多少比较合适?

个人决定8-9人是比较合适的,过少可能工作量过多,再多比较难避免个别人的划水现象。

3.4 个人/结对/团队作业应该控制在怎样的规模?

我个人不是很确定此处规模指的是三者比例还是三者所占的工作量。
就这学期体验而言,我觉得目前的分配都蛮合适的。个人想法如下:

  1. 三者中我觉得对个人能力提升最多的是个人项目(可能是我之前太菜了,STL都不会用),但团队项目确实需要现在这些时间才能够完成(也可能是因为大三上计算机课太多了,下学期听说课改了?)
  2. 在个人作业后我其实还是很期待结对作业的,但实际效果感觉不是很理想。我认为这学期所布置的结对项目两人间任务分配比较困难,没有特别体会到特别好的合作感,但是两次双人合作的体验我觉得还是必要的

3.5 这学期下来,你最感谢的人是谁?有什么话想要对TA说呢?

其实和合作过的同学都满感谢的,毕竟在软工实践都抬了我一手。硬要选一个的话应该是我的pm胡绪佩小同学吧。毕竟pm真的蛮累的,需要每次需要认真的分工(和充当催促干活的工头),特别是他还参与了前端开发。

对绪佩同学说的话:
你qq中特别爱发的那个草泥马走走走的表情总是让我脑补到它“嚼嚼嚼”的脸部特写画面。(我也不知道为什么会脑补出这个)

四、分析一下自己所处的团队。软件工程实践是大学里少有的认真的团队协作经验。《构建之法》上说团队的发展有几个阶段,你的团队都经历过么,最后到达了“创造”阶段了么?(参考《构建执法》第17章 人、绩效和职业道德)

我认为我所在团队经历了萌芽阶段磨合阶段,当前正处于规范阶段
看一下《构建之法》中关于规范阶段的定义

  1. 团队的工作流程和工作的方式得到大家的认可。成员之间互相更加了解,欣赏各自能力和经验,工作中相互支持。-- 没错就是我们团队
  2. 领导主要扮演促成者和鼓励者的角色,有能力的成员也分担了一定的领导职责,并自然的获得大家的尊重。 --我想在目前班上绝大多数团队都能做到,我们团队也不例外
  3. 随着项目的开展,一些成文的或不成文的规则逐步建立起来了。 -- 定时开会、详细会议记录,我们团队已经开始逐步建立规则了
  4. 作为一个整体,团队要做什么、不做什么,都更加明确。团队的信心更足,和其他团队打交道更有底气。 -- 每次答辩成绩都在前列,我们有自信

五、怎样证明你学会了软件工程?

在此主要侧重通过一系列工具,流程,团队合作,能够在预计的时间内发布 “足够好” 的软件这一点。
以下分为两点进行证明。

1. 我们团队对任务有明确的分工良好的团队合作,且在预期时间内发布

此处贴出节选自我们团队Beta 冲刺(5/7)这一博客的燃尽图Github签入记录进行证明:
燃尽图
1093650-20181217205016144-1489043794.png
1093650-20181217205048320-130182195.png
Github签入记录
1093650-20181217205131640-1619315260.png
显然,我们团队对任务有明确的分工良好的团队合作,且能够保证在预期时间内发布

2. 我们团队足够优秀,能够发布足够好的软件

此处贴出目前所有已有的评分条形统计图图进行证明,我们团队评分均为第一
1093650-20190108180002458-134541027.png
1093650-20190108180056996-1910863842.png
1093650-20190108180108115-1969078900.png
1093650-20190108180117929-969939168.png
1093650-20190108180127410-1955966645.png
1093650-20190108180136457-1582796568.png

以上叙述均可说明,我以及我的团队,已对软件工程实践这一门课交出一份优秀的答卷

转载于:https://www.cnblogs.com/Bylight/p/10227318.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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