定位器设备绑定新增手机号字段

[toc]

新加一个功能对其他界面内部逻辑的影响

修改后

1.新增功能描述

  • 在绑定设备界面新增一个字段:手机号。
  • 当设备绑定成功后,将手机号连同设备串号一起发送指定接口一份。

2.新增属性影响范围

手机号作为设备的一个属性,应该本来就已经存在了,说新增是因为在第一次绑定时,没有将串号和手机号共同存储。那就需要考虑,这数据影响的范围。

  • 界面展示部分
  • 非界面展示部分

3.不同界面间数据同步问题。

1.网络存储方案

使用前:必须请求一次,乘以用到的界面 修改设备数据后:请求修改接口即可

2.本地存储方案

使用前:应用初始化时请求,进入页面直接使用 修改设备数据后:请求两次,一次修改设备数据接口;一次更新本地数据接口。

3.两种方案的比较

按请求的次数 网络:页面个数*1+1 本地:1+2

1.本地存储方案适用于数据会有变更希求,但数据量不会再时间纬度上增加的。

例子:用户的个人数据,且多个界面都会用到。 和用户相关的平台数据,简到定位器中设备数据

2.网络获取数据方案适用于随着时间变化,数据逐渐增多。
  • 文章、评论、商品、订单等
3.网络方案使用过程的优化
1. 过滤
船票类,航行晚数、游轮公司、单乘票还是套餐票、目的地
商品:已上架、未上架、销量

2.排序+分页
船票:价格、
商品:价格、销售量
社区评论类:热度、最新

3.总结解决的问题都是数据如何更好的呈现,方便用户选取
复制代码

延伸:如何浏览一份代码?

1.新增一个属性,这个属性和其他部分代码相关连

参考上面

2.程序中存在的一个bug

1.缺少依赖,找不到某文件
  • 导入的项目,资源没有进入完全
2.没有任何提示,和打印日志
  • 使用glide加载不出图片,找监听glide的方法,把信息打印出来。
3.逻辑上的错误

七牛图片上传 登录、注册、找密码流程 -1.界面数据来回的控制 -2.这部分如何设计

3.熟悉一个现有的功能,在维护。

可以先思考如何实现一个功能

1.对界面元素的反馈
- 删除、刷新、跳转、弹框、
2.对用户行为的预设和引导
- 跳转、界面提示、土司提示;
- 实际的业务流程
复制代码

转载于:https://juejin.im/post/5b5970ac5188251abf4165bf

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