为自己尝试写点东西吧,程序员们!

5 篇文章 0 订阅

2012年秋季,正是大伙急于找实习工作的时候。尝试出去找过很多实习单位,但是基本上都是不靠谱,然后就是我自己能力的不足。所以找工作之路也是异常艰辛和曲折。

     学了那么久的Java,做过那么多的小练习,但是说实话,感觉没有一个作品或者成功是相对完整的,无论是在UI界面,功能完善上都是如此。原因大多是心态上比较敷衍,人比较懒惰,没有把东西当作真正的作品。那个时候看过很多大神写的博客系统,自己也玩过wordpress,所以一直想给自己写一个博客系统,这一次决心做的像样些,要来的专业些。那个时候也是没有犹豫,便动手起来。

    从前端UI的设计,到数据库后台的设计,差不多花了我将近半个月的时间,做出来一个看起来外观还行的博客系统,但是那个时候连后台也没有。只有基本的博文展示功能,太过于简洁,只不过前台看起来还行。所以那个时候我自己花钱买域名,买服务器,把它给放到网上,然后跟很多小伙伴分享了下自己的作品,也是收到了不少鼓励,然后还有很多有用的建议。也是这次动手认真的作品所带来的鼓励,在那段找工作艰难的时期,我一个人决定离开武汉,我要主动出击!果不其然,由于这件小作品,给我在后来很多次的面试中带来了更多的机会和肯定。

   经过一年多的工作,一年多依然是学习了更多的知识,而回头看看曾经做过的小博客系统,里面凌乱的代码,和粗糙的细节处理等等让我又是动了重构它的心情。是的,我觉得让他更完整写,要做的更像样子些,我不仅要写的自己用的时候感觉像个系统,我还要让别人用的时候感觉爽,程序员做的产品不应该就是这样么,我们应该把自己当作真正的“工程师"看待,从码农到工程师是非常艰巨的一步,是一种巨的跨越!

  仔细整理了一些,发现缺乏的功能太多,连个后台都没有!文章显示的排版也是很随意,每次写的文章需要预先排版后才放入数据库,是的,这就是我当时认为还可以的作品!!列举里下功能项,数据库不得不重新设计,需要新增很多表,为了避免自己在设计上的短板,我决定加入Bootstrap这个东西,看起来应该会更好些。服务器端依然用Java代码,但是这次换了我更加偏爱的框架SpringMvc+Mybatis,开始的一周基本上原先的东西基本上全部作废了,重构基本上变成了重写0.0。 

 我在代码里面添加了更多的注释,排版上也尽量让自己看起来舒服,我发现我有些小小的强迫症的倾向,现在工作当中对代码的要求也是越是如此。本来预先设计的数据表,在真正写功能的时候忽然发现很多地方并没有满足需求,所以也是会反复的增加或者修改字段,包括字段的长度或者类型等等。这也是让我更加意识到数据库的预先设计上是一件很麻烦的事情,需要考虑的足够周到。

   当博客的界面第一次出来后,我发现不是很满意,无论是布局的高宽,色调的搭配我是反反复复改了好多遍,最后还是改的非常简洁的黑白,当时考虑到技术博客的目的,所以并未想要做出怎样炫酷的效果。自己更倾向那种持久耐看,简洁风的东西。这一次没有产品经理,也没有设计师的督促,每一个像素,每一个div都是自己要求自己做到相对满意。当然,可能有PM,和设计师可能会产生更好的效果。

  利用上班业余的时间去做额外的东西,有时候的确是相当累的一件事情,但是当你看到你的作品从你脑袋里面的想象慢慢被编织成一行行代码,最后运行到你眼前的时候,一种无形的力量推动着你一步步往前走。我知道一个博客系统没有什么特别的技术,对于很多人来说应该很简单,但是当你一个人想去把一件事情做好的时候,事实上再简单的事情也变得不简单,总会有些你意想不到的东西,总有些你没有能考虑到的事情出现,你需要一步一步慢慢的去完成它,收获的不仅仅是一份作品,更是一种心态。

 园子里面也经常有朋友分享他们的作品,相信他们与我一样收获很多,如果你热爱创造,热爱编程,那么就去用代码去实现你脑袋里面的想法吧,无论别人做过没有做过,都应该去尝试,享受编程真正带来的乐趣!最后分享下作品的地址,当然还有很多地方不够完善,以后慢慢去改善,就像创造了生命,然后慢慢培养成长一样!各位五一快乐!

ZBLOG:http://imziv.com/

作者:Ziv小威
出处:http://www.cnblogs.com/zivxiaowei/
关于作者:专注于Java技术的程序员一枚,此外对JS开发保持着较高的兴趣。爱好音乐,阅读,FM等等。
本文版权归作者和博客园共有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出原文连接。
如有问题,可以邮件:wewoor@foxmail.com
微博:Ziv小威

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 2
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