【原创】打磨 ——《软件随想录》的随想,以及墙裂推荐

2015-04_P292 软件随想录.pdf 2015-04_P292 软件随想录.pdf 1 立即下载


小叶材质的手串在台灯下散发着莹润如玉的光泽。虽然凑近了,还能看到许多细小的沟状纹理,但几个月的软布、手掌摩挲之下,已经初见光泽了。

打住,我又跑题了。我要谈的是软件的打磨,而不是手串。

像往常一样,“打磨”这个词是从书里抄来的,郑重地作为这篇的题目。


一、《五个世界》——软件的打磨


《软件随想录》是一个随笔集(由博客整理而来),《五个世界》是其中的一篇。

乔尔(书的作者,软件行业前辈)在2002年,将软件领域分为五个世界:盒装软件、内部软件、嵌入式软件、游戏、用过既抛的代码。这个分类到现在也基本适用。

盒装软件是精品软件,特点是受众广,要经过千千万万的用户检验。(这里的盒装,意为“精美、精品”,不是狭义的盒装。例如,网站也被认为是盒装软件的一种,因为它通过浏览器将服务传递给了千万个用户)。

内部软件只需要在一家公司的电脑上运行,使用范围小、人员比较确定和单一。这大大降低了其开发难度,因为它有许多运行环境的假定。再加上Bug容忍度高,不产生利润,持续改进的边际效用低等原因,其开发完善经常被认为是一种得不偿失的行为。管理者经常以“以经够好了”为原因阻止开发者继续完善,而为其安排其他的任务。这有时会让追求完美的那部分开发者觉得沮丧。(但我们需要正视这种现实)。

嵌入式软件和游戏被作者认为是非常特别的两个领域。前者更新升级难度非常大,对质量要求高,因为没有改正的机会。后者特点是赢家通吃,以及不能频繁地发布升级版。作者认为游戏开发“更像拍电影而不像开发软件”,用一个大卖游戏的收益弥补其他未能火爆的游戏的损失。

用过即抛的代码(没有将它称为软件),不言自明,它是为了某种临时目的,一次性使用的。

冗长地复述作者的“五个世界”划分,是为了引出“打磨”的概念。盒装、嵌入式、游戏三种软件,是最需要打磨的,也最有机会打磨。不打磨就要失败。内部软件通常因为边际效用低、投入预算小,没有机会被打磨(这或者是好事,或者是成为精品机会的丧失,谁知道呢);用过即抛的代码不需要打磨。

从业者务必要了解自己在哪个世界。

好的软件,一定是精心打磨出来的,不论它表面看起来有多么的简单。将“代码”变为“产品”,再将“产品”做成“艺术品”,都不容易(做成艺术品在哪个领域都不容易)。

如何打磨?就是持续提高软件各方面的质量,就是精心设计与实现后,持续地投入时间和精力优化它,逐渐将软件改进得更漂亮、更艺术、更好用、更强大。

但要注意,“消灭软件代码中的错误是一件边际报酬递减的事情”——随着软件中的错误越来越少,消灭一个错误所带来的收益也在变小。所以,即使位于值得打磨的软件世界,也要掌握好度。

打磨旧代码VS推倒重来。有时候一个项目的代码过于混乱,常常让人有重新开发的冲动。在《永远不要做的事情》里,作者郑重提醒读者谨慎对待重写全部代码的冲动,建议在没有充分的、压倒性的理由时,以保守的态度,继续打磨、改进原有的项目。旧代码有时候并不是不好,而是“读代码比写代码还要难”;旧代码有时候不能乱动,比如它里面可能有许多前人解决一些微妙bug的内容。旧代码重写或不重写,有时候甚至是一个战略性的问题,作者举了两个例子,网景和Borland,因为重写整个项目而耗时太长,将市场拱手让与他人。

书中还有大量工程实践中的宝贵经验,比如《揭开冰山之谜》,认真地讨论了Demo离正式产品有多远的问题。不再剧透,有兴趣看原文吧。


二、《帕默斯顿勋爵谈编程》《抽象必漏定律》——技能的打磨


在技能学习的路上,兴奋与沮丧随时交替的心情变化,实在是太刺激了。

“如今的编程学习曲线是呈指数形态的:日常编程知识的90%可以在一周内学会,但是剩下的10%的知识欠缺可能要花几年的时间才能弥补。这10%的知识决定了经验丰富的程序员的价值。一支开发团队需要很多经验不足但能产出大量代码的程序员,更需要几个经验丰富的程序员去处理真正困难的问题,否则团队无法完成任何项目。”

这10%就是技能的打磨。

“计算机编程领域可以细分为许多个小领域,每个领域都需要巨大的知识储备才能称得上精通。”

“很少有人能精通超过两个领域的编程知识,因为不下几年的苦功去学习,是很难在某个编程领域登堂入室的。”

所以,当一个万金油(伪全栈工程师之类的),还是领域专家,自己决定吧。

“编程领域之间的巨大差异导致人们经常对于哪个领域更好而发生无谓的争执”,另外,“只熟悉一个编程领域的人就像井底之蛙,每当听见别人抱怨另一个领域的艰难,就越发觉得待在自己的领域里无比轻松愉快。其实根本没有这回事,你只是太熟悉自己的领域,早就习惯了其中的艰难。这些编程领域经过多年的发展,已经过于庞大和复杂,无法进行比较了。就像帕默斯顿勋爵说的‘施勒斯维格.霍斯坦因问题太复杂了,整个欧洲只有三个人懂。其中一个是普林斯.阿尔伯特,死了。另一个是一名德国的教授,疯了。我曾经是第三个懂得这个问题的人,但现在全忘了。’”

为什么这么难?“抽象必漏定律”可以部分回答这个问题。

计算机行业有许多抽象,抽象为我们隐藏了复杂性,让我们可以在抽象之上愉快地玩耍。比如TCP协议,它抽象出了一种可靠的消息传递方式,而屏蔽了下层IP协议的不可靠。但作者说了,“当你养的宠物蛇咬断了网线,导致所有IP包无法通过,那么TCP再厉害,消息也绝对发不出去。或者你得罪了网管,他为了报复你,把你的数据链接放在一个过载的网络集线器上,那么你发出的IP包有很多都无法通过。虽然TCP能够工作,但一切都将变得异常缓慢。”

这就是“抽象必漏定律”,作者以他独特的幽默命名的一个概念,含义为:“所有重要的抽象,都具有某种程度的不严密性”。简言之,一切抽象总有例外。

以前我经常感到,在工作中觉得困难的一个重要原因就是程序相关的细节太多。但为什么有这么多细节,我没有过多的思考。我所欠缺考虑的这第二个问题,这条定律替我解决了。

抽象难免会失效。有时候轻,有时候重。这种情况下,我们就需要揭开这种抽象,探究平时掩盖在抽象后面的细节。我觉得这就好比一个只会开自动挡的司机——他可能连玻璃水都没有加过——却突然要打开引擎盖或猫在车下修车时面临的困境。

“我们可以用抽象节省工作的时间,但无法节省学习的时间”。这就是为什么我们会Java编程还不够,还要了解Java虚拟机,会用函数库还不够,还要去读源码。这一个个“还要、还要”,就构成那困难的10%。

“随着我们拥有的编程工具越来越先进,抽象层次越来越高,成为一名熟练的程序员也变得越来越难了。”呃,这真是一个坏消息。


好消息是,我们都早早自发感受到了这个坏消息,并且在现在被作者明确了。那么,大胆前进吧。

三、《给计算机系学生的建议》《学校只教Java的危险性》——人的打磨


国外的作者很少谈人生谈理想啊,(这一点绝对是因为我读的国外译著大部分是技术类的,想必国外的网上也会像国内一样有许多鸡汤帖子),所以读到这部分内容时感觉比较新奇。

作者谈了为什么我们在学校时要学习一些困难的课程,很有共鸣。

我印象非常深刻的是在学校时上的一门《程序设计语言理论》,一门要命的理论课程(内容有λ演算等等)。这门课程引发的痛苦,现在还记忆犹新。当时不理解为什么要学习如此复杂的课程,毕竟大部分人即将从事的工作,工程性更强,而不是研究性和理论性。

作者的回答是:提高你的抗击打能力。作者谈论这个问题时,着眼点比较具体。在《学校只教Java的危险性》里,作者说:“函数式编程……指针、递归……是重要的。除了那些直接就能想到的重要性,指针和递归的真正价值在于那种你在学习它们的过程中所得到的思维深度,以及你因为害怕在这些课程中被淘汰所产生的心理抗压能力,它们都是在建造大型系统的过程中必不可少的。指针和递归要求一定水平的推理能力、抽象思考能力,以及最重要的,在若干不同的抽象层次上同时审视同一个问题的能力。”

作者的看法和我们以往的认识是一致的,因为重要所以再重复一遍:你以为学高数没有用吗?当然有。它不能用在菜市场中,但是能提高处理复杂问题的能力、锻炼耐心和探索能力。这些在编程实践中是万分宝贵的。

作者在书中也提到一些软技能的内容,比如建议练习好写作——大量的写,直到越写越好——但这部分内容少之又少。


四、后记


一些题外话。

《软件随想录》一共两卷,都不厚。卷2是我特别推崇的一位译者阮一峰翻译的,购买之前我就对书的质量非常的放心(不论是原书的选择,还是译的水平。这位译者有个人博客,推荐阅读)。卷1是一位年轻译者,我并不熟悉,网上也查不到资料,出于收套装的完美情结,与卷2一并购入。出乎我意料的是翻译质量相当地高,一翻看作者介绍,一个年轻的毕业没多久的学生。后生可畏。

这套书基本可以归为“道”一类,其对面是“术”一类的书(比如经常见到的关于语言、框架、工具、API的书)。可同归为“道”一类的书中,还有《黑客与画家》《人月神话》等经典,但它们又是如此地风格和内容迥异。《软件随想录》润物细无声,它的装逼属性可能差一些,但真的,有用。

软件随想录全集 立即下载

相关推荐

软件随想录扫描版

软件随想录_扫描版_5.79M

推荐搞IT的你读读《软件随想录》

《软件随想录(Joel on Software)》,这是我多年前看的一本书,也是对我影响很大大的一本书。这不是一本讲软件技术的书,但跟技术强相关,推荐给朋友们读一下。这本书严格来讲,不是作...

dotNET跨平台 543

软件随想录.pdf

软件随想录.pdf 个人收集电子书,仅用学习使用,不可用于商业用途,如有版权问题,请联系删除!

《软件随想录》读书笔记

本书的封面 第一部分 人员的管理 billgates的审查      对产品经理提出一系列越来越难的问题,直到产品经理答不出来为止。目的是测试产品经理有没有准备充分以及对目标有没有把握。 寻找优秀程序员的三种办法      社招(简历)不靠谱,员工推荐不太靠谱     走出去,参加开发者大会     找实习生。     创造自己的知名社区网站。 管理的三种方法

l-jobs的专栏 1092

frontend-design skills

frontend-design skills

STM32 上 FreeRTOS 的启动与任务调度详解

4. SysTick定时器:FreeRTOS启动调度器后,会接管STM32的SysTick定时器,用于生成系统节拍,因此不要在HAL库中重复配置SysTick(比如HAL_Init()中已配置,无需再手动调用SysTick_Config()),否则会导致系统节拍异常,任务延迟不准。2. 任务栈大小需按需配置,不是越大越好(浪费RAM),也不能太小(会导致栈溢出),比如简单的传感器读取任务,1024字(4096字节)足够,复杂任务(比如串口接收+数据解析)可调整为2048字。

qq_40170041的博客 868

美国软件和菜头——《软件随想录》读后感

一口气读完了《软件随想录》(More Joel on Software)。我的总体评价是,Joel非常像和菜头,无论是从褒义的角度,还是从贬义的角度。 和菜头是国内最好的blogger之一,他的嬉笑怒骂的文风,受到了无数人的喜爱,包括我在内。很多时候,和菜头都能以我们没法想象的文字,说出我们早就想说的话来。拥趸众多,也就是自然而然事情了。 Joel Spolsky大概是全世界都非常著名的b...

读书、思考、生活 320

优雅谈大模型:“System2”与“System 1”

研究人员探索了三种System 2方法——RaR、S2A 和 BSM,这些方法已经成功提炼到新的LLM,这个新的模型与System 1相比,产生了更好的结果,而且成本低于System 2。然而这种方法是有局限性,只能适用于特定的任务。

鲁班模锤 5180

软件随想录读书笔记

软件随想录读书笔记 1.        总体印象     《软件随想录》是第15届JOLT大奖图书,被誉为堪比《人月神话》的经典软件项目管理文集。正是受这个光环的影响,我去借了一套回来看。     看完之后,个人觉得这本书有点过誉了,它实际上就是一本软件方面的杂文集,这些文章反映了作者在软件领域的各种观点,由于时间比较早,有些观点已经过于陈旧了,当然还是有不少观点是非常有道理的,能够引起读者

wang_zipian的专栏 2049

基于ADS1299的8通道脑电采集系统硬件设计实战

生物电信号采集是医疗电子与可穿戴设备中的关键环节,微弱信号的高保真放大与数字化处理直接影响系统性能。高精度模数转换器与低噪声模拟前端设计成为工程实践的核心。ADS1299作为专用生物电测量芯片,集成多通道低噪声放大器与24位Δ-Σ ADC,广泛应用于脑电、心电等生理信号检测。本文基于ADS1299构建8通道脑电采集系统,详细阐述硬件架构、电源与参考设计、输入保护、PCB布局布线、固件SPI配置及数据读取,并结合实测数据分享噪声抑制与调试经验,为EEG采集设备开发提供完整参考。

weixin_29169505的博客 226

MGC3130 3D手势识别传感器原理图设计,已量产(交互传感器)

最近在落地一款互动艺术装置的控制模块,选了 Microchip 的 MGC3130 做核心 —— 这颗芯片算是 GestIC® 近场传感技术的 “熟面孔” 了,把 3D 手势识别、运动跟踪的信号处理都集成在一颗芯片里,0-10cm 的检测距离刚好适配桌面级互动场景,挥挥手就能控设备的体验,放在艺术装置里确实很出效果。今天扒一下实际跑通的原理图,聊聊每个模块的设计思路。

不脱发的程序猿 378

《软件随想录》——人员管理(二)如何让优秀的程序员为你工作

私人办公室,工作环境,程序员的社交生活,不搞政治

专注于ORACLE 803

Python 爬虫实战:Steam 游戏数据爬取与游戏市场分析

本文介绍了一个基于Python的Steam游戏数据分析项目。通过爬取Steam公开API和游戏详情页,获取游戏列表、价格、评价、标签等数据,结合SteamSpy统计销量和在线人数。项目使用requests、BeautifulSoup4进行数据采集,pandas处理数据,pyecharts和seaborn进行可视化。核心步骤包括:1)获取全量游戏列表并过滤;2)异步请求游戏详情处理限速;3)提取关键字段如价格、评分、标签;4)多维分析价格分布、标签热度等。技术栈涵盖API请求、HTML解析、数据存储与可视化,

u014481728的博客 310

软件随想录-

  这篇文章就是自己想到哪写到哪了,关于自己对于软件的一些思想片段。   关于SQL,sql是一个被低估的技术点,大部分程序员自嘲自己是crud程序员。其实我用过nodejs,php,java等,单纯来讲web项目,确实就是对数据库的操作。增删改查是个永恒的话题。尤其接手一个新项目的时候。我的习惯就是先看表结构,大概知道具体的业务是干什么的。然后如果是app或者网站,自己就用一下,然后...

weixin_30339969的博客 218

OpenClaw 报错 TypeError: Cannot read properties of undefined (reading ‘prototype‘):Node.js 版本不兼容

国产化环境中部署OpenClaw云边协同平台时,出现"TypeError: Cannot read properties of undefined (reading 'prototype')"报错。经分析发现根本原因是Node.js版本与依赖生态不兼容,新版本Node(如v21)移除了旧依赖使用的内部API。解决方案包括:1)使用nvm切换至兼容的Node 16/18 LTS版本;2)容器化部署固定Node版本;3)遵循官方推荐的引擎版本范围。该问题揭示现代工程中版本管理的重要性,

博客 2316

在 SAP ABAP 生态中偏爱面向对象,而不是过程式堆叠

本文探讨了ABAP开发中过程式与面向对象编程的共存现状及优化方向。文章指出,虽然过程式编程在ABAP中仍广泛存在,但随着业务复杂度提升,面向对象编程在可维护性、可测试性和重构便利性方面展现出明显优势。作者建议将过程式代码作为"适配层",仅负责输入输出转换,而将核心业务逻辑封装在类中。文章通过实际案例展示了这种架构如何提高交付效率,并提供了将Function Module转化为"薄包装"的具体实现方案,强调面向对象设计在SAP Gateway和RAP等现代架构中的重要性

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 140

《软件随想录》摘抄

第一章 人员管理 1.我的第一次BillG审查 比尔并不是真的想来评论你写的东西,他是是想确定你对现实那些目标是不是有把握。他的标准做法是不断的提问,越问越问越难,直到你答不上来,承认自己不知道为止。然后,他会冲着你吼“为什么没有准备好”那个他准备好的最难的问题,如果你答出来了,没人知道会怎么样,因为还没有人答出来过。 不懂编程的人管理软件公司,就好象不懂冲浪的人硬要去冲浪。 ...

hotown 244

FISCO BCOS 系列(一)—— 搭建第一个区块链网络&配置控制台指南

本文详细介绍了FISCO BCOS区块链网络的搭建与配置过程,包括环境准备、单机四节点网络搭建、控制台配置使用等核心内容。从系统要求、依赖安装开始,逐步指导如何通过脚本快速搭建区块链网络,配置控制台连接,并演示了账户管理、合约部署调用等基础操作。同时提供了多节点网络配置、常见问题解决方案以及生产环境安全建议,为开发者提供了从入门到进阶的完整指南。

分享AI、区块链技术及应用,未来已来 816

软件随想录 卷2

软件随想录 卷2 《软件随想录 卷2》是一部关于软件技术、人才、创业和企业管理的随想文集,作者Joel Spolsky以诙谐幽默的笔触将自己在软件行业的亲身感悟娓娓道来,观点新颖独特,内容简洁实用。全书分为36讲,每一讲都是一个独立的专题,分别介绍了作者在人员管理、程序员成长规划、软件设计细节、具体的项目管理、如何编程以及如何创办和经营软件公司等方面的独到见解。 《软件随想录 卷2》从

chengying332 1040

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

《软件随想录》读后感

本文也在51CTO的读书频道发布过。今天终于拜读完了《软件随想录》(其实直译就是Joel谈软件)。关注这本书其实是因为自己一直在关注这本书的译者,阮一峰的网络日志。虽然师太那边在这本书出版之后的第二天就弄到公司里了一本,不过不知为啥一直没看到,直到上周做操的时候才忽然发现。本来这种篇幅的书照我的习惯是一天搞定的,不过因为是在公司的琐碎时间读的,所以拖了一周。然后就是,按照师太...

weixin_33836223的博客 152

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

我的七个建议

我的七个建议作者: chenqiuge 分类:选题策划   阅读:1,323 次 添加评论作者:Joel Spolsky [编者按]由于Joel Spolsky的双重身份(昔日耶鲁大学计算机系学长,今日Fog Creek软件公司的CEO),所以听听他的建议,对于当今无数困扰于就业压力的中国高校计算机专业学子来说,是大有裨益的。你们会发现,大多数建议,都在强调“软实力”的

aNIITtoKYRJ的专栏 859

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

软件随想录

网上 有资源 但我还是 图书馆 看吧,过年 期间 看到 一半了  。我觉得 这是 从业人员必读  的 书之一 吧  。内容  还是 很有趣,主要 是 因为 翻译的 也不错,百度joel  这个人  ,就 可以轻松百度到。joel 谈软件 ,他是 以一位过来人的 视角  谈  软件  ,谈人生  ,谈 创业  ,谈生活  ,很有意思,不仅  智商高  同样  情商也高,甚至 可以学习  他的   表...

pythondafahao的博客 337

《软件随想录》的随想

这是一本很有趣的书,让我经常在公车上傻笑,不枉推荐人的强力推荐+免费送货上门。     学到一些东西,比如要装B应该找些比设计模式复杂的东西。他选择的是递归函数论。以前有句古话:五十步笑百步。在现代社会可以改成八十步笑五十步兼笑百步。他在书中一边抨击java、设计模式太简单,不能体现智力差别;一边说动态数理逻辑不够实用,不能用来实现真正有用的东西,所以他不读计算机科学的研究生。嗯。他觉得合适的点是

runyon的博客 454

以后需要抽时间读,并且写读书笔记的书

Code: The Hidden Language of Computer Hardware and Software (《编码的奥秘》)Computer System: A Programmer’s Perspective (《深入理解计算机系统》) / Windows via C/C++ (《Windows核心编程》 / 《程序员的自我修养》Code Complete 2(《代码大全》)/ T

李奥 - 追梦赤子心 598

"软件随想录" 读书笔记

人员管理: 三种方法: 军事化管理方法, 经济利益驱动法, 认同法. 军事化管理方法不行. 经济利益驱动法也不行. 认同法, 其中一条建议是一起干活的人一起吃饭. 但这种做法比较困难. 设计的作用 寸土必争, 不放过任何注意细节, 做微小的改进. 大构想的陷阱. 别给用户太多选择. 易用性是不够的. 管理大型项目 想挣钱就别怕脏. 做麻烦事. 编程建议 循证式日程规划: ...

weixin_34077371的博客 195
上一篇: 【转】Spring security3 sec:authorize url 无效的问题
下一篇: 雅虎怎么了 WHAT HAPPENDED TO YAHOO
CoderAndy
博客等级 码龄18年 5粉丝 12原创
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
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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