我的软工实践总结

  这么久的软工实践就在2015年12月18日下午正式结束了,在18号之前呢,我们组的各个组员都有尽自己所能去完成项目,虽然最后结果我们还有一些小功能没有实现,但是最主要的,我们所期望达到的目标已经实现了。在我们组的实践过程中,虽然有些组员可能自学能力不是很强,他(她)呢总是觉得自己好像没有帮上什么忙,反而给其他人增添麻烦,其实我觉得没有必要因此感到愧疚,一件事,只要你尽力了,认真去对待,你就已经合格了,再说了我们是一个团队,队员之间是要互相帮忙的,就跟踢足球一样,队员总有强弱之分,但是只要做好自己该做的任务,那就能为团队贡献一份力量。

  一开学初,听栋哥对我们实践的要求,我觉得很酷炫,这让我感受到了一个大学课程该有的样子,其实在实践的这么长一段时间中,我也想全身心投入,可谁知还有很多其他的实践课要上,有时就得分精力到其他方面,当再转入软工时状态就不够好。通过软工实践我学习到了很多,比如了解到服务器到底是个什么样的东西,如何去配置它并将我们的项目部署到上面,还学会了如何从编译器的提示中寻找解决方法。为了让我们的项目能够跑起来,也学习使用了各种各样的软件。刚开始软件工程实践的时候,我是想要能够完成一个较为完善的项目,经过了好几周的努力,终于在16周完成了,其实我对于我们的项目是挺满意的,我们所预想的最困难的几个功能都被我们实现了,虽然界面简陋了一点,但这都不是问题!

  由于我们的组员以前都没有真正做过项目,所以耗时很多,我们要学习如何使用软件、框架,以及如何搭建服务器,倘若要完善所有的功能,我想应该要花费三个月的时间。就软工实践的12周时间而言,我们组已经完成了90%的功能,剩下的功能估计只要几天就可以出来了。

  至于下一届的实践呢,我想可以分两个学期来学习吧,第一个学期先让同学们自己进行编程写一些小软件,同时发布小量的博客;这样同学们可以先学习使用不同的编译软件,这样到以后就不会对该使用哪款编译器而发愁了,同时还可以提高每个同学的代码能力,找bug能力。第二学期呢就可以开始项目的工作了,由于有了上一学期作为基础,这学期同学们做项目的时候就不会像我们这届一样,因为大部分同学都没接触过做项目,所以接到任务时有点不知所措,能更快地进入工作状态。

  对于未来呢,我希望我可以在工作中不断地学习其他人的优秀之处,加强个人能力,同时很重要的是最好能够别熬夜还有钱拿(阴险脸.....嘿嘿嘿)其实呢以前我以为只要一个劲的学习也许就能变得很厉害,但是经过了三年大学生活,我发现并不是这样的,世上很多事看似无关,其实它们所蕴含的道理都是相同的。就拿踢球来说吧,以前我觉得踢球是在浪费时间(还好我没有放弃踢球)现在我发现其实踢球中的道理和做项目、敲代码也是一样,当你遇到强敌的时候你不能慌,你要冷静对待,看他的走位和脚法,学习并且相出对策,这就和你遇到困难的时候一样,遇到问题千万别慌,越慌越是容易雪上加霜,你要冷静的思考,查找各种各样的资料去解决困难。

转载于:https://www.cnblogs.com/fzuyzy/p/5061739.html

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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