ScrumBut鉴别器:诺基亚测试(Nokia Test)最新版

敏捷人士可以用诺基亚测试评估团队的行为,并与当前的最佳Scrum实践对比,以便考虑采用能提升生产率的改变。

玩法:

团队中每人拿一张纸,对10个问题进行评估,每个问题0到10分。对每个问题的每个验收测试的得分进行加总。10个问题的总分从0到100。取每位团队成员给出的平均分。

问题1:迭代

当团队对迭代进行承诺时,需要知道迭代的长度,以便按更好的节奏交付价值。

验收测试(不加总):

  • 迭代长度4~6周,得2分

  • 迭代长度4周之内,得4分

  • 过去三个迭代,迭代长度稳定在1个月,得5分

  • 过去三个迭代,迭代长度稳定在4周,得6分

  • 过去三个迭代,迭代长度稳定在3周,得8分

  • 过去三个迭代,迭代长度稳定在2周之内,得10分

问题2:迭代中的测试

团队对测试共同负责,因此我们的迭代产品质量高,可以随时部署。

验收测试(加总):

  • 团队在迭代中创建一些单元测试,得1分

  • 团队在迭代中为每个故事创建单元测试,得1分

  • 团队在迭代评审前测试每个故事,得2分

  • 团队在编码后立刻测试每个故事,得2分

  • 团队自动化每个新故事的功能测试,得2分

  • 构建系统包,部署到stage或生产环境,并至少每24小时执行所有的自动化功能测试,得2分

问题3:迭代故事

只有当列表项符合DoRm,团队才承诺,以便最快产生业务价值。

验收测试(加总):

  • 迭代需求有文档,得1分

  • 需求呈现为独立的、排好优先级的故事,得1分

  • 故事以AIS格式,得2分。

  • 故事有外部可测试的验收标准,得2分。

  • 团队有书面的、真实执行的故事DoR,得2分

  • 团队有书面的、真实执行的故事DoD,得2分

问题4:产品负责人

单一产品负责人帮助团队理解和排序价值,因此获得长期收益。

验收测试(加总):

  • 单一PO对工作进行排序,得2分

  • PO只在Scrum会议时打扰团队,得2分

  • PO参加所有计划、梳理和评审会,及大部分站会,得2分

  • 在迭代计划会前,PO创建好产品列表,并有团队对故事进行估算,得1分

  • PO知晓团队速率,并以此为基础维护发布路线图,得1分

  • PO鼓励团队减少技术债,得2分

问题5:产品列表

列表按价值排序,因此我们能专注在能以最小成本产生最大商业价值的工作上。

验收测试(加总):

  • 团队工作于多个排好序的列表,得1分

  • 团队工作于单个排好序的列表,得2分

  • PO定期与团队讨论发布燃尽图,并基于历史速率调整列表优先级,得1分

  • 三个月之后才做的故事以较大的颗粒度呈现,得1分

  • 团队了解每个故事的投资回报率,得1分

  • PO根据净现值排列故事,得2分

  • PO优先安排低成本的原型以便尽快验证价值,得2分

问题6:估算

团队估算远离统计偏差,干系人可以相信发布预测,并以此获利。

验收测试(加总):

  • 团队在承诺之前先估算,得1分

  • PO,SM和非开发人员不参与估算,得1分

  • 团队在估算前避免锚定偏差,得1分

  • 团队或团队代表做估算,得1分

  • 团队估算,得2分

  • 团队用参考故事做估算,得2分

  • 实际速率与估算速率偏差小于20%,得2分

问题7:迭代燃尽图

团队知道离列表完成的趋势,因此团队成员可以聚力于高优先级的在制品。

验收测试(加总):

  • 燃尽图呈现在团队看到的地方,得1分

  • 团队每天回顾调整任务和燃尽图,得1分

  • 团队以小时或点数做估算,或者保证每个任务大小差不多,得2分

  • 只有整个任务完成,才体现在燃尽图上,得2分

  • 不拆分任务,整个故事完成,才体现在故事燃尽图上,得2分

  • 团队成员都知道历史速率,得1分

  • 团队的承诺不超过速率,得1分

问题8:回顾会

团队回顾进展,以便能持续提高生产率。

验收测试(加总):

  • 团队至少每两个月举行回顾会,得2分

  • 团队每个迭代后举行回顾会,得2分

  • 回顾会仅限于团队和SM,选择性邀请PO和其他人,甚至排除SM,得2分

  • 用报事贴或其他工具保证团队成员都参与,并跟进改善项,得2分

  • 团队把最高改善项放在下个迭代的列表并且有验收标准,得2分

问题9:ScrumMaster

SM强化流程,移除障碍,创造透明度,使团队能专注工作。

验收测试(加总):

  • SM深刻理解敏捷和Scrum,得2分

  • SM不领迭代任务,得1分

  • SM强化团队共创的规则,得1分

  • SM及早发现和为团队排除障碍,得2分

  • SM维护一个排好序的障碍列表,得1分

  • SM使团队的进度对外透明,得2分

  • SM与团队、其他团队、经理、干系人、PO沟通良好,得1分

问题10:团队

团队有效合作交付软件,以便把软件今早交给用户并快速调整。

验收测试(加总):

  • 团队不算SM和PO 3到7人,得2分

  • 团队成员认领任务,得2分

  • 每个任务至少有两个人能独立完成,得2分

  • 团队共同向迭代目标和列表承诺,得1分

  • 团队共同克服障碍,得1分

  • 团队在每个迭代减少技术债,得2分

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 鉴别器(Discriminator)是深度学习中的一个重要组件,用于判别输入数据的真实性。在GAN(Generative Adversarial Networks)中,鉴别器被用来判别生成器生成的数据是否为真实数据,从而指导生成器的训练。在PyTorch中,可以使用以下代码实现一个简单的鉴别器: ```python import torch.nn as nn class Discriminator(nn.Module): def __init__(self): super(Discriminator, self).__init__() self.model = nn.Sequential( nn.Linear(input_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, output_dim), nn.Sigmoid() ) def forward(self, x): x = self.model(x) return x ``` 其中,`input_dim`表示输入数据的维度,`hidden_dim`表示隐层的维度,`output_dim`表示输出数据的维度。在`forward`方法中,我们对输入数据进行前向传播,并返回鉴别器的输出结果。在训练过程中,我们将真实数据和生成器生成的数据输入到鉴别器中,计算损失并进行反向传播更新模型参数。 ### 回答2: 在PyTorch中,鉴别器(discriminator)是一种重要的神经网络模型,通常用于生成对抗网络(GAN)中。GAN是一种机器学习模型,由生成器(generator)和鉴别器两个子模型组成。 鉴别器的任务是判断给定的输入数据是真实数据还是由生成器生成的合成数据。它的设计和训练旨在最大限度地提高对真实数据的识别能力,并尽量将生成器生成的数据判定为合成数据。 在PyTorch中,鉴别器通常由多个卷积层和全连接层组成。通过卷积操作,鉴别器可以对输入数据进行多次特征提取,使其具备较强的表征能力。全连接层则用于将提取到的特征映射到最终的输出结果,通常通过sigmoid函数将该结果限制在0到1之间,以表示输入数据是真实数据的概率。 在训练过程中,鉴别器的目标是最小化真实数据和合成数据之间的差异,通过梯度下降法逐渐优化其权重和参数。而生成器的目标则是尽可能欺骗鉴别器,使其无法准确判断输入数据的真伪。 通过生成器和鉴别器之间的对抗训练,GAN能够逐渐学习到生成真实数据的能力,从而生成逼真的合成数据。这使得GAN在许多领域(如图像生成、文本生成等)中有着广泛的应用。在PyTorch中,我们可以使用已有的库和工具,如torch.nn模块和torch.optim模块来构建和训练鉴别器模型,从而实现各种各样的生成任务。 ### 回答3: discriminator 鉴别器是机器学习中的一个重要概念,用于判断输入数据的真实性或者类别。在深度学习中,尤其是生成对抗网络(GANs)中,鉴别器被用于判断生成器生成的样本是真实的还是伪造的。 在PyTorch中,我们可以很方便地实现一个discriminator 鉴别器。首先,我们需要定义一个神经网络模型来充当鉴别器。这个模型可以是一个多层感知机(MLP)或者卷积神经网络(CNN),具体选择取决于应用场景。 接下来,我们需要定义鉴别器的前向传播函数。前向传播函数的目标是将输入数据传递到模型中,并输出一个标量值,用于表示输入数据的真实性或者类别。在GANs中,鉴别器的输出可以是一个介于0到1之间的概率值,表示输入数据属于真实样本的概率。通常,我们会使用Sigmoid函数将输出值映射到0到1的范围内。 然后,我们需要定义鉴别器的损失函数。在生成对抗网络中,鉴别器的目标是最小化真实样本的损失并最大化伪造样本的损失。一种常用的损失函数是二元交叉熵损失(Binary Cross Entropy Loss),它可以帮助我们衡量鉴别器的性能。 最后,我们需要使用优化算法对鉴别器进行训练。常见的优化算法有随机梯度下降(SGD)和Adam等。通过调整优化算法的超参数,我们可以使鉴别器逐渐提高对真实样本和伪造样本的鉴别能力。 总而言之,通过PyTorch提供的灵活性和强大的计算能力,我们可以轻松地实现一个discriminator 鉴别器,并用于各种应用中,如图像生成、文本生成等。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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