软件需求十步走阅读笔记二

读完整本书之后再回头看整本书的内容,当我们遇到一个项目时需要从以下几个方面来考虑。

需求分析应从以下几个方面进行分析:系统关联分析、可行性分析、用户接口分析、功能分析、非功能分析、数据分析、优先级分析。

还有系统的关联分析

又叫基础需求分析。首先需要给出开发系统的概念定义,根据这些基础需求需要整理出:系统间接接口需求、系统间交互需求、技术需求、标准需求、参考需求、文档需求。

界面需求分析

用户界面需求或者叫用户接口分析。包括登录页面需求、主页面需求、查询页面需求、生产页面需求、应用页面需求和辅助页面需求。

功能需求分析

由功能需求、数据需求、访问控制需求三部分组成

功能需求

转入功能需求、查询功能需求、存储功能需求、统计功能需求、转出功能需求

数据实体需求

活实体需求、交易需求、配置需求、日志需求和存储需求

访问控制需求

用户注册需求、用户认证需求、用户授权需求、特定授权需求、可配置授权需求。

数据字典需求分析

又叫信息需求分析,对业务单证、参考资料上的字段、字段取值、字段规则、字段间关系、字段与单证、数据的寿命、数据转入转出等的定义,是站在业务角度对业务所需的业务数据的一种细化描述。

基本的包括:数据类型需求、数据结构需求、标示符需求、计算公式需求、数据寿命需求、数据归档需求。

非功能需求分析

包括性能需求、适应性需求两部分构成。

性能需求

包括响应时间需求、吞吐量需求、动态容量需求、静态容量需求、可用性需求和易用性需求。

适应性需求

可伸缩性需求、可扩展性需求、多样性需求、多语言性需求、安装型需求

非功能型需求包括质量属性需求和约束需求。

同时呢,需求获取是对业务事项的综合分析,而需求分析的一个主要工作是对软件系统做归类分析。需求分析是在需求规划、需求获取的基础上展开的。功能需求分析是需求分析的核心工作面向对像的功能需要求分析是一种功能的概念设计和初步的逻辑设计,概念设计得出这个系统的组成部分的名称及作用,逻辑初设是将系统器件看成一个灰盒,能看清内部元件构成,只是不知道元件材质是什么。在这里作者多次提到了白盒和黑盒,不同的阶段将系统比作不同的盒子,很形象的表现出了在不同阶段我们能看到的系统的程度。

  多以我们要多方考虑,尽可能的去发现更加深层次的东西。

转载于:https://www.cnblogs.com/ever1961211/p/8298417.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