从一张回传的截图说起


对的,就是上面这张客户传回来的截图,在随手贴入产品研发中心QQ群时,让上午本该平静的QQ群又炸开了锅。


先说说这张图:



原本这样的图片已经虐我无数遍了,但今天我还是被中间那蓝的绿的黄的红的背景色吸引过去。当然不管是从专业的UI设计配色角度,还是从IT运维业务管理角度来说,这四种颜色冒然组合在一起确实不太合适。

 

后来,我带着疑惑的心情与客户做了下沟通。这个客户的想法很简单,就是要“用绿这七种明显的配色从下至上标识出不同网络层次的设备”。

 

这是常见的产品思维与用户思维的差异。若说颜色,彩虹将“绿”七种颜色合在一起,成就了大自然一道可遇不可求的奇景。

 

再来说说聊天记录的内容,里面有研发经理、产品经理、需求设计师、研发工程师、测试工程师、配置管理员、技术支持人员等等,很明显不同角色的人员关注点都不一样,有的从颜色配色看效果、有的分析拓扑问题本身、有的关注产品功能。

 

其中多数人看的是颜色,也许是受了当下“颜值第一”的影响,其实在这里并不是最重要的因素。这里的颜色是可以配置的,只是这个客户选中了这些颜色去呈现了一些内容而已,而我们产品刚好在这一点上无条件了满足了客户的这个使用需要,这就是勤智运维产品厉害之处,就像聊天记录里说的“客户喜欢这样的,我们能够满足,客户肯定就高兴了”。 

 

“我们所提供的是不是客户想要的?”这个问题在很多场景下仍然无解,例子中的这个客户需求很简单,但从聊天记录来看大家都觉得不应该是这样的结果。

 

这种例子在我们工作场景中很常见,这里面有三种思维方式:

 一种是以用户、客户、老板为代表的用户思维,觉得这事儿特别简单;另一种是以产品经理为代表的产品思维,觉得这事要做得好好规划一下,不是表面那么简单;最后是以研发为代表的工程思维,从实现原理上来告诉你为什么不是这么简单。

 

对同一个事情的认知,因为知识结构和认知环境不同而有所不同,这种思维的差异天然存在,我们不能消灭它,只能利用它。


都说到这里了,我还是要Show一下上面那个红黄绿蓝的颜色是如何出来的~~~
请点击观看:

当然,勤智运维可视化拓扑的易用性功能远不止这些,后续要上线的拓扑链路折线也将继续创造惊喜。

数据集介绍:电力线目标检测数据集 一、基础信息 数据集名称:电力线目标检测数据集 图片数量: 训练集:2898张图片 验证集:263张图片 测试集:138张图片 总计:3299张图片 分类类别: 类别ID: 0(电力线) 标注格式: YOLO格式,包含对象标注信息,适用于目标检测任务。 数据格式:JPEG/PNG图片,来源于空中拍摄或监控视觉。 二、适用场景 电力设施监控与巡检: 数据集支持目标检测任务,帮助构建能够自动识别和定位电力线的AI模型,用于无人机或固定摄像头巡检,提升电力设施维护效率和安全性。 能源与公用事业管理: 集成至能源管理系统中,提供实时电力线检测功能,辅助进行风险 assessment 和预防性维护,优化能源分配。 计算机视觉算法研究: 支持目标检测技术在特定领域的应用研究,促进AI在能源和公用事业行业的创新与发展。 专业培训与教育: 数据集可用于电力行业培训课程,作为工程师和技术人员学习电力线检测与识别的重要资源。 三、数据集优势 标注精准可靠: 每张图片均经过专业标注,确保电力线对象的定位准确,适用于高精度模型训练。 数据多样性丰富: 包含多种环境下的电力线图片,如空中视角,覆盖不同场景条件,提升模型的泛化能力和鲁棒性。 任务适配性强: 标注格式兼容YOLO等主流深度学习框架,便于快速集成和模型开发,支持目标检测任务的直接应用。 实用价值突出: 专注于电力线检测,为智能电网、自动化巡检和能源设施监控提供关键数据支撑,具有较高的行业应用价值。
【弹簧阻尼器】基于卡尔曼滤波弹簧质量阻尼器系统噪声测量实时状态估计研究(Matlab代码实现)内容概要:本文围绕“基于卡尔曼滤波的弹簧质量阻尼器系统噪声测量与实时状态估计”展开研究,利用Matlab代码实现对系统状态的精确估计。重点在于应用卡尔曼滤波技术处理系统中存在的噪声干扰,提升对弹簧质量阻尼器系统动态行为的实时观测能力。文中详细阐述了系统建模、噪声特性分析及卡尔曼滤波算法的设计与实现过程,展示了滤波算法在抑制测量噪声、提高状态估计精度方面的有效性。同时,该研究属于更广泛的信号处理与状态估计技术应用范畴,适用于复杂动态系统的监控与控制。; 适合人群:具备一定控制系统理论基础和Matlab编程经验的高校研究生、科研人员及工程技术人员,尤其适合从事动态系统建模、状态估计与滤波算法研究的相关人员。; 使用场景及目标:①应用于机械、航空航天、自动化等领域中对振动系统状态的高精度实时估计;②为噪声环境下的传感器数据融合与状态预测提供算法支持;③作为卡尔曼滤波算法在实际物理系统中应用的教学与科研案例。; 阅读建议:建议读者结合Matlab代码实践,深入理解系统建模与滤波器设计的关键步骤,关注噪声建模与滤波参数调优对估计性能的影响,并可进一步拓展至扩展卡尔曼滤波(EKF)或无迹卡尔曼滤波(UKF)在非线性系统中的应用。
### KMeans与梯度回传机制的区别 KMeans是一种聚类算法,旨在将数据集划分为若干簇,在每个簇内对象之间的相似性较高而不同簇间对象差异较大。该方法基于距离度量来迭代调整质心位置直到收敛[^1]。 另一方面,梯度回传(通常指反向传播中的梯度下降)用于训练神经网络等参数化模型。通过计算损失函数相对于各权重的导数并沿负梯度方向更新这些权值以最小化预测误差。此过程依赖于链式法则来进行高效求解。 两种技术主要区别在于: - **目标不同**:前者专注于无监督场景下的模式发现;后者则服务于有标签数据上的监督学习任务。 - **优化策略各异**:KMeans采用期望最大化(EM)框架下局部最优解搜索;而梯度回传则是利用微积分原理指导全局最优点逼近路径规划。 ### 实现方式及其协同工作的可能性 尽管两者本质上属于不同类型的学习范式——即无监督 vs. 监督——但在某些特定应用场景中确实可以找到结合使用的案例。例如,在深度嵌入式聚类(deep embedded clustering, DEC)[^2] 中就体现了这种融合思路: #### Deep Embedded Clustering (DEC) 在这种混合架构里,首先使用自动编码器(autoencoder)预训练阶段获取输入样本低维表示形式作为特征提取手段。接着引入KMeans初始化聚类中心,并定义新的目标函数J(q||p),其中q代表软分配概率矩阵,p为辅助分布用来拉近真实类别间的差距。整个过程中涉及到了对自编码部分参数w经由BP算法完成端到端调优操作。 ```python import numpy as np from sklearn.cluster import KMeans import tensorflow.keras.backend as K def target_distribution(q): weight = q ** 2 / q.sum(axis=0) return (weight.T / weight.sum(axis=1)).T class DEC(object): def __init__(self, encoder_model, n_clusters): self.encoder = encoder_model self.n_clusters = n_clusters def compile(self, optimizer='adam', loss='kld'): self.model.compile(optimizer=optimizer, loss=loss) def fit(self, x_train, y=None, maxiter=2e4, batch_size=256, tol=1e-3, update_interval=140, save_dir='./results/dec'): kmeans = KMeans(n_clusters=self.n_clusters, n_init=20) y_pred_last = None index_array = np.arange(x_train.shape[0]) for ite in range(int(maxiter)): if ite % update_interval == 0: q = self.model.predict(x_train, verbose=0) p = target_distribution(q) # evaluate the clustering performance y_pred = q.argmax(1) delta_label = np.sum(y_pred != y_pred_last).astype(np.float32) / y_pred.shape[0] y_pred_last = y_pred if ite > 0 and delta_label < tol: print('delta_label ', delta_label, '< tol ', tol) print('Reached tolerance threshold. Stopping training.') break idx = index_array[(ite*batch_size)%x_train.shape[0]:((ite+1)*batch_size)%x_train.shape[0]] X_batch = x_train[idx] kl_loss = self.model.train_on_batch(X_batch, p[idx]) self.model.save_weights(save_dir + '/DEC_model_final.h5') ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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