Final Report

课程学习自我总结

这是第一次整个团队完整地开发一个应用。因为我这次主要负责是前端部分的工作。我们小组采用了前后端分离的开发模式,前端和后端通过RESTFUL API进行交互。
我们的前端采用的是Vue.js的框架,而后端采用的是JAVA Spring的框架,然后因为前后端语言开发环境不一样,然后我因为考虑到后端采用的是JAVA,没有node和npm环境,所以我没有选择利用vue-cli的方式进行开发,后来因为和后端开发者交流后,后端觉得前端部分的代码如果作为后端的resource的来说,不太合适。于是我们选择了由前端这边实现前端的静态资源服务器,然后所有的静态资源请求都通过这个服务器处理,而后端只需要处理其他的请求,真正实现前后端分离。
这次虽然是前后端分离,但是前端和后端在API的讨论上做得工作还是蛮多的。充分的沟通是前端与后端能够分离工作的前提,所以团队合作需要有效的沟通和合作。最后这次很感谢后端的@south270在这次项目中的出色表现。
这次是初学Vue,所以在写前端的时候可能会遇到很多的问题,很多问题都能够阅读文档或者再谷歌上搜索问题能够得出答案。所以要善用文档和API。虽然这次没有用到Flux架构,但是在写前端的时候还是能够体会到store的用处。真正写的时候才能够体会到架构设计的意义。

PSP 2.1 统计表

PSP 2.1Personal Software Process StagesTime (%)
Planning计划7
Estimate估计这个任务需要多少时间7
Development开发80
Analysis需求分析 (包括学习新技术)10
Design Spec生成设计文档10
Design Review设计复审 (和同事审核设计文档)8
Coding Standard代码规范 (为目前的开发制定合适的规范)8
Design具体设计10
Coding具体编码20
Code Review代码复审10
Test测试(自我测试,修改代码,提交修改)14
Reporting报告13
Test Report测试报告6
Size Measurement计算工作量3
Postmortem & Process Improvement Plan事后总结, 并提出过程改进计划4

Github

Dashboard

这里写图片描述

Code

这里写图片描述

自认为最得意/或有价值/或有苦劳的工作清单

1.搭建好前端的登录框架和管理框架
2.把前端按照页面组织起来
3.能够通过RESTFUL API的设计和沟通和后端协作得很好

个人的技术类、项目管理类博客清单

1.微信小程序开发技术学习
https://blog.youkuaiyun.com/katharinlin/article/details/79921398
2.Vue.js学习过程(一)
https://blog.youkuaiyun.com/katharinlin/article/details/80870048
3.Vue.js学习过程(二)
https://blog.youkuaiyun.com/KatharinLin/article/details/80870486

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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