你是优秀程序员吗?

原文地址:http://news.cnblogs.com/n/112562/

投递人 Astar发布于 2011-08-22 10:03评论(7)有1420人阅读 原文链接 [收藏] « »<!--end: news_info -->

  Are You a Good Programmer?

  如果有人要你推荐一名优秀的程序员,你会想到谁?你认为你自己是吗?你的评判标准是什么?

  思考了这个问题,我意识到程序员可以以各种方式做到优秀。所以我向你推出“四种类型的优秀程序员”并附上插图。

  哲学家

  哲学家喜欢编写定义良好、结构良好的漂亮代码。程序构思好后,哲学家会花大量时间在方案的优雅性、健壮性和灵活性上。一个星期不谈“最佳实践”,哲学家就会觉得浑身不爽。

  动力

  严密控制带来安全,哲学家的终极动力源于此。组织良好的,可预测的系统,清晰的设计原则是哲学家的理想境界。混乱是绝对不能容忍的。秩序产生美。

  超能力

  ● 能写出超级稳定的代码,稳定到你敢把命压上。

  ● 凭一人之力就能保持代码的清晰,不管其他团队成员的水平如何。

  ● 代码的伸缩性好

  劣根性

  ● 自认为总是正确的

  ● 连80列这种问题也要争论(译者注:老计算机的终端只能显示80列,为了让这些古老的终端阅读方便,写代码一般每行不超过80个字符,但随着显示器越来越大,这个原则变得可有可无)

  ● 关注测试覆盖率多于关注用户问题

  ● 没完没了

  忌讳

  ● 空格和Tab混着用

  ● 不遵守原子提交(译者注:原子提交的意思是,如果解决某个问题所修改的代码包含在多个文件中,那么这些文件需要一次性一起提交,这样可以保证任一时刻代码库的状态都是一致的)

  ● 给他们报名参加即兴表演

  发明家

  发明家的实验室源源不断地出产异想天开的好东西。没人求他们,他们就是自己想做。

  动力

  发明家的动力来自探索和发明全新的事物。强烈的好奇心促使他们把假设变成现实。

  超能力

  ● 经常发明有用(或者将来有用)的新技术

  ● 有感染力的狂热

  ● 让你赞叹:“哇靠,这样玩也行?”

  劣根性

  ● 非我发明症(译者注:是一种文化,指不信任、不使用非自己发明的技术)

  忌讳

  ● 用这句话来打击他们的创意:“这不是工业标准”

  征服者

  征服者没有难题。对他们来说,编程只是一场征服之旅,不断去克服各种挑战。征服者很争强好胜,但不一定是和别人争。

  动力

  题目越难,冲得越猛。

  超能力

  ● 能解决那些不可能解决的问题

  ● 比激光更敏锐的注意力,比马拉松选手更好的耐力。

  ● 算法活辞典

  劣根性

  ● 容易化简为繁,因为这样解决起来更爽。

  ● 永远很无聊

  忌讳

  ● 让他们去做一个CRUD网页应用(译者注:CRUD指Create、Read、Update、Delete,文件系统最基本的操作,这里引申为过分简单的应用)

  ● 强迫他们只能用命令式编程语言

  ● 给他们一本“数独”谜题集(译者注:数独是一种填字游戏)

  问题解决者

  问题解决者是目标驱动的,冷酷的实用主义者。每个有明确定义的问题都会被他解决,诡异地不择手段地解决。

  动力

  问题解决者的动力来自创造价值,所以他们关注结果多于关注过程。

  超能力

  ● 倾听

  ● 付诸行动

  ● 利用技术来解决现实问题,而不是乱上添乱。

  劣根性

  ● 容易激怒纯粹主义程序员

  ● 机会主义者

  忌讳

  ● 给他们繁忙的工作

  ● 分配给他们没头没脑的任务

  成为一个优秀的程序员

  当然,不可能每个程序员都能简单地对号入座。重点是,优秀的途径有很多种。作为一个程序员,这四种人才都需要大力培养。当你面对任何困境,都能找到合适的人来解决,这才是真正的优秀。

<!--end: news_body -->
6
0
来自: 译言

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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