InfoQ: “Sprint”一词对过渡敏捷不利?

“Sprint”一词对过渡敏捷不利?


作者 Amr Elssamadisy译者 麦天志 发布于 2008年10月16日 下午7时39分



社区
Agile
主题
敏捷实施,
企业级敏捷
标签
Scrum

于Agile Journal九月刊登的文章中,Joe Kreb,AOL策划总监, 认为“Sprint”一词对向敏捷开发过渡有负面影响。他认为软件项目像马拉松多于全速冲刺(“Sprint”一词字典上的意思):


我们假定软件项目需要多于四星期的时间。所以他们不能看作如运动那样一系列的“冲刺”,但应该看成长跑的“时间盒”(time-boxes)或者里程碑。

所以,当团队尝试以全速进行开发,每个迭代都“冲刺”,马虎、筋疲力竭、失误就会渐渐产生:


就有如运动员不断冲刺也会有容易出错一样,敏捷团队可能为了维持高速度而出错。最后执行时表现很有限,而 团队也不能以可维持的速度下开发。到了那时,团队亦已经筋疲力竭,技术债台高筑(technical debt,意思指维持不良代码所需要更多的时间精神,而且因为没有改善而累积)以及士气低落。即使团队开始时很好,几个迭代之后就有落后。虽然我们希望团 队自我管理而且可以满足期望,团队教练会保护团队免受外面骚扰。

所以Joe认为我们应该留意团队工作的质量和士气,留意有没有这种消耗过早发生:


所以当我们观察组织敏捷程度时,我们留意的不仅仅是团队在早期的开发速度(velocity),更必需留意之后的迭代去肯定团队燃尽的是未完成的系统功能,而不是开发团队的精神。要留意团队是否找到自己的稳定状态,管理人员需要留意开发速度以外的度量(metrics)。质量和士气跟速度同样重要。质量可 以简单理解为跟踪未解决的缺陷,士气就是在回顾(Retrospective)时收集回来的团队平均满意程度。较长的项目特别会受到早期迭代中稳定速度的 好处。虽然这“冲刺”是很有鼓励性的双关语,但其好处只能持久一段很短的时间,可能半路中途就出问题,像很多马拉松选手一样。

Joe最后提出这个建议:


一 方面,冲刺可能给团队和其他行政人员带来错误讯息,这需要很少的解释,因为人人都知道冲刺是很短的,可以理解成为“快”,但也会理解成“加班”或者“过份进取的安排”。解释增量迭代可能不会给人像冲刺那样的理解,但如果期望长远的敏捷,可能马拉松的比喻会较易找到团队稳定的状态。如果有很好的理由去“冲 刺”,或者考虑多花些时间在迭代中回气。

这是个有趣的论点;我们知道“全速冲刺”和“可维持速度”(eXtreme programming提倡的sustainable pace)互相矛盾。而且也是原文作者经验中新团队使用Scrum(以及敏捷)时尝试开发的太快所遇到的问题,这是其中一个原因嘛?

查看英文原文Is a "Sprint" Detrimental to an Agile Transition?


译者附注:


在译者印象中,这方面的误会很少发生,这很可能是在中文社区当中从来没有过份强调“冲刺”字面上的意思,即使英文社区也没有同样问题发生过。


不过类似的问题却发生在Scrum常用的“猪”和“鸡”的比喻上出现。提出问题的主要指出有些人认为用“猪”来形容人是很冒犯性的事情。不过很多时候一些导师都指出,其实提出足够的解释是没有问题的。问题不在于用什么字眼,而是如何带出其讯息。


本文转自
http://www.infoq.com/cn/news/2008/10/sprint-bad

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