泛谈技术的成长

上一篇记录了在杭州的成长,大部分说的都是和同事,朋友相处的情况,然后就觉得自己忽然成长了,牛逼了;其实和同事交流过程中,更多的只是给你意见、建议,然后都需要自个儿埋头苦干(不知大家是否都有如此感觉)。我想大多数程序猿(媛)都和我同感吧,如果没产生共鸣,烦请指导我一下呗。

  选择开发,真的是一门活到老学到老的学问,关注Android动态的都知道,在2017的I/O大会上,Google正式把Kotlin转正了,虽说和Java无缝对接,但是怎么也得学习下才能下手吧。今天刚看了一篇文章,是在小秘圈里看到的,叫《17位谷歌专家称号大牛如何看待Kotlin》,大家也可以去看翻译版,其中一位大牛就说了,快的话,上午看,下班之前就能写了,不还是需要看么,基于有Java基础的,又是学习学习。之前苹果出的swift,我也是三分钟热度,把文档里的代码都敲了一遍,好了,Kotlin好像和swift也差不多,什么变量、常量、类型能自动识别、不需要分号等等等等,小伙伴们,趁年轻,赶紧get起来。今天也凑巧和部门老大聊了Kotlin一下,其实对于你来说,语言只是工具而已,学习能力最重要,是吧。Android现在的趋势就是入门门槛会偏低了,但是技术要求并不低呀,比如你想搞一个牛逼的app,还不得加班加点,各种钻研吗。遥想我们之前为了做app里的推送,前任老大通了多少次宵,苹果的APNS实现,他也是做了多少努力的;现在好了,Android在国内也要推出类似APNS的机制,那可是工信部出面,也是我们开发者的福音了。所以,技术在更新迭代,关键还得看学习能力。

  关注Android的大部分都知道stromzhang这个人吧,我也是他的粉,他一直强调学习能力,讲他自己曾经是一位学渣,靠着后来的努力,你看,这次I/O大会他还收到Google的邀请,这就是能力在后期的体现,只能说现在是我偶像啦。记得刚到杭州公司的时候,第一周的前三天,不断的看项目代码,那时候是第一次进大公司,第一次看那么多的项目代码,忽然觉得,自己以前写的App都不是App,最引以为傲的竟然是毕业设计,也是醉了。好在实习公司的时候,研究过JNI,在第5天的时候派上用场了。让我参与项目,写一个功能,期间就是和JNI交互的,兴奋的我立马投入。当初JNI在我眼里就是c层写一个包名_类名_方法名,然后java层调用native方法么,结果还是too young了。和c同事对接,懵逼了,他没这么写过JNI接口,我也不知道怎么去看C代码了,好奇怪的。而且又因为公司网咯资源有限,那就白天写自己UI层的功能,晚上尽量早点回家,自己查资源,才发现,JNI还有动态和静态两种实现方式。原本以为几天能搞定的功能,硬是用了一周。那次的经历,就好比当头一棒,毕业刚半年,本以为一个小功能可以更好的展现自己,却延期了,延期啊延期,心有愧疚。

  也是机缘巧合吧,两个月之后,项目重组,需要重新编写一套基于native原生的app,又碰上师傅生病住院,就这样被赶鸭子上架,愣头青一个开始写最重要的功能,一个基于ListView的页面刷新,展现。上拉刷新,下拉加载,以前还没有现在这么多流行的库,基本都是自己上网抄,抄这个词用的妥不妥,我也在斟酌,我也是有付出的呀,不然怎么做出适合项目的功能呢。之前只会写功能简单的ListView,现在好了,以前都是小打小闹,现在开始要向商业化App看齐,不能随便写写,于是就翻看了郭霖的博客。我对ListView的深入理解,就是看了他的那几篇连载,知道了ListView的加载机制,跟着郭婶看了ListView的核心代码,懂得了ListView中的优化,瀑布流的实现。这个记忆一直伴随着我到现在,以至于帮部门招人的时候,前几个问题中必会有一个关于ListView加载机制,原理等等的问题,以此来判断候选人的能力,哈哈。

  项目里的刷新功能还包含了一个独有的三步走机制,和iOS的同事一起讨论,一起前行的。当时大家都遇到棘手的问题,Android端,我在切换文件夹的的时候,把ListView的数据刷乱了,甚至还出现重复操作的情况。这是多么严重的问题,领导强力施加压力,真的是加班加点。还好师傅及时病愈归来 ,我跟着他一步一步查看,知道了线程的高级用法。当时的高级就是懂得了线程池的使用,函数的回调。看到这里,大家是不是觉得可笑了,你学了这么久的程序,竟然来线程池都才在毕业这么久才认识,还叫他高级,我也不怕你们笑话,当初看《疯狂Java讲义》的时候见过,也打过Demo玩过,但是真正项目实践还是在这里才学会。还有回调功能,初学Android,还不是setOnClickListener就算把点击事件实现了,那要是自己实现呢,比如现在MVP里的那种事件回调让你去刷新页面,呵呵哒,不会。这就是我,于是又拿出书本,利用网络资源,回头才恍然大悟,什么,这个回调在学Java的初步课程的时候老师不就讲过了吗,哎,还是上课不认真呀,不然怎么可能后知后觉。段首说的重复,就是因为线程没控制好,在切换文件夹的时候没有做好冲突,其实加一个ID区分,进行判断数据源的获取就可以了,师傅找出来的,我是没能力,那时候就崇拜他了,这就是经验给我的震撼吧。后来新员工答辩的时候,自己定下的目标就是一年以内达到他的三分之一,那一年是成长的一年。有个小细节就是,他每天到公司都会看书,上班时间之前都是心无旁骛的看书,午休期间也会抽几分钟看书,然后不断实践,我也是深受启发的。他就告诉我,写程序没有捷径可走,只有不断学习,不断实践;学习Android,就要多看源码,人家开源的东西,你不珍惜,你学习,那还学习什么呢。这些箴言,我会铭记永远,也会同大伙一起分享,无论你是否是一名程序员,学习都是相同的。

  最后再讲一个最近的经历吧。大家都知道Android是有几率在后台被杀死的,但是前台进程杀死的情况,不知道大家遇到过没,我遇到过,一台特殊的MATE7,偏偏这台手机又是在部门大boss自己用的,怎么办,硬着头皮上。为了定位他手机上前台进程杀死的问题,我主管经常帮我顶着压力,给我无限的时间去钻研,和他一起询问终端的开发,和他一起顶着烈日到办公室现场取日志,他还帮我不断的调整资源,我也真的是,那段时间都想放弃了。但是,做一名失败者算什么,有成功的机会你不把握,还去想着失败的事情啊。又是每天鼓励自己,那段时间把博客园里的内存分析文章翻了个遍,把内存分析工具都学习了一遍,并且针对日志分析,针对报告分析,两眼死死盯着数据不放松。收获是什么,收获就是感觉自己分析的能力见长,通过工具看内存,通过adb命令看内存分配,内存升降,通过Leakcanary看内存泄漏,通过traceview分析,等等等等。不过最后定位到C层去了,原生层是没找出原因来。这其实对我来说,是一次不成功的案例,没有真正解决问题,只是给c层的同事一些方向。但是对我自己的能力来说,是有进步的,直到内存分析的更多知识,这又成为我后来帮项目组招人的一个必备问题,如果候选人懂得学会分析,那基本上就已经是成功一半了。

  感觉要讲的还有很多,但每次都是不知不觉就写了很大的篇幅,废话太多,又不想删除,肯定是给我写下一篇的机会了。现在晚上空闲的时间增多了,写作的时间就会相应地增加。脑子里还有很多想写的,比如怎么看的书,现在我还缺少很多东西,我后悔大学没有选修设计模式,现在都靠自己学习;想看Java看的更多,不仅仅掌握能写App这么简单;想学英语,Stormzhang今天还发了篇文章,说一定要学好英语;Android也没掌握很透彻,还有很多要学习,比如AIDL之类的。写程序真的是一件活到老,学到老的事情,我无悔选择这份职业,时刻保持竞争。你看,还能让我时刻有写作的想法,记录下来,万一以后对自己有非凡的用处呢。下次见吧,朋友们。

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

打赏作者

程序员小跃

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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