软件工程实践暑假作业

这个作业属于哪个课程2024软件工程实践W班
这个作业要求在哪里软件工程实践暑假作业
这个作业的目标提前注册CSDN;加入班级社区 详细阅读作业要求;提前学习markdown语法;阅读《构建之法》;撰写博客;核对作业评分标准
其他文献参考CSDN,构建之法

目录

1. 准备工作

1.1 创建CodeArts仓库

2. 回首过去

2.1 为什么选择软件工程这个专业?

2.2 对软件工程的期待和想象

2.3 投入专业学习的计划和准备

3. 立足当下

4. 展望未来

4.1 阅读《构建之法》,并阅读构建之法社区中前人提出的问题,选择5个及以上的问题写下自己的思考。要求在自己的思考中贴上原问题的链接。

5. 思维导图和学习路线

5.1 思维导图


1. 准备工作

1.1 创建CodeArts仓库

根据教程或提示创建完仓库后,添加SSH密钥或HTTPS密码。


2. 回首过去

2.1 为什么选择软件工程这个专业?

发展空间大:软件工程师在工作中有很多不同的方向和领域可以选择,可以根据自己的兴趣和能力选择不同的发展方向,例如前端开发、后端开发、移动应用开发等。

可以为社会做出贡献:通过软件工程专业的学习和工作,可以参与制作各种有益于社会发展和人类生活的软件,例如医疗健康、教育科技、环境保护等。

具有挑战性和创造性:软件工程是一个需要不断学习、改进和创新的行业,可以满足对挑战和创造的追求。

2.2 对软件工程的期待和想象

我期待软件工程能够不断创新,提供更加智能化、高效、安全的解决方案。我想象软件工程能够在人工智能、大数据分析、物联网等领域发挥更大作用,为人们的生活提供更多便利和可能性。同时,我希望软件工程能够在保障数据隐私和网络安全方面有更多突破,为用户提供更可靠的服务。

2.3 投入专业学习的计划和准备

我计划在大学期间不断学习和提升编程技能,参与各类编程竞赛和项目实践。此外,我还准备利用假期时间积极寻找实习机会,希望通过实践来验证和巩固自己的知识。


3. 立足当下

个人简历
学号222200430
姓名蔡志诚
爱好阅读,音乐,运动,编程
专业水平
掌握的编程语言java,c,c++,c#
掌握的技术框架Springboot,Vue
数据库MySQL,Sinodb
应用软件devc++,vscode,idea
代码量1w
项目经历
学籍系统管理器c++实现的简易版本高校学籍管理系统
陪诊师管理系统使用Sinodb数据库和Java,利用DBeaver和IDEA开发了一个简易的陪诊师管理系统。

4. 展望未来

4.1 阅读《构建之法》,并阅读构建之法社区中前人提出的问题,选择5个及以上的问题写下自己的思考。要求在自己的思考中贴上原问题的链接。

  1. 程序员是否有必要为满足小部分人的需求去做软件,或者为软件添加某些功能?

作为程序员,通常会根据需求和客户的要求来开发软件或者为软件添加功能。即使是满足小部分人的需求,也可能对他们来说是非常重要的。而且,通过满足多个小部分人的需求,也有可能创造出更具有广泛影响力的软件产品。因此,程序员有必要为满足小部分人的需求去开发软件或者为软件添加功能。

  1. 认为软件系统十分复杂是不是因为软件工程还没有充分发展?

一些人认为软件系统非常复杂的原因是因为软件工程领域还没有达到充分发展。软件工程是一个不断发展的领域,尽管已经取得了很大进步,但在处理复杂系统时仍然面临挑战。随着技术的不断进步和经验的积累,人们有望找到更好的方法来管理和开发复杂的软件系统。因此,可以说软件系统十分复杂的原因之一是软件工程还没有完全发展到足够成熟的阶段。随着时间的推移,我们有望看到软件工程领域取得更大的进步,从而能更好地处理和理解复杂的软件系统。

  1. 软件开发是年轻人的饭碗,吃的是青春饭?那年纪大的程序员经验丰富但是快速学习能力拼不过年轻程序员的时候该怎么办呢?

虽然软件开发行业中年轻人由于学习新技术较快常被看作优势,但年长程序员的经验和专业知识也是无可替代的。面对技术更新和学习速度的挑战,年长程序员可以通过持续学习、技能更新和参加培训来保持竞争力。同时,他们可以将重点放在自己经验丰富的领域,利用在项目管理、系统架构设计和技术指导方面的优势。此外,年长程序员可以通过担任技术领导角色,分享经验并引导年轻团队成员,发挥在行业中的重要作用。经验和战略思维通常弥补了技术学习的速度差距。

  1. 关于“足够好”的软件,定义是否缺少维度?

“足够好”的软件定义可能缺少维度,因为它可能没有明确界定“足够好”的标准和衡量方法。这可能导致不同人对于软件的好坏有不同的理解,也缺乏客观性和可比性。因此,为了更准确地定义软件是否足夋好,可能需要考虑特定的指标和标准,例如性能、用户体验、功能完整性等维度。

  1. AI辅助编程,是一个银弹么?

AI辅助编程并不是银弹,它是一种工具技术,可以帮助程序员提高编程效率和质量。虽然AI可以帮助自动生成代码、检测错误、优化性能等,但它并不能完全替代程序员的工作。程序员仍然需要对代码进行审查、思考架构和逻辑,并且理解业务需求。因此,AI辅助编程可以提高效率,但需要慎重使用并结合人工智能技术和人类的智慧。


5. 思维导图和学习路线

5.1 思维导图

 5.2学习路线

  • 12
    点赞
  • 16
    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
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