- 综合排序
- 最热优先
- 最新优先
- 来自专栏韩曙亮的移动开发专栏
【软件过程改进 学习笔记】过程思维 ( 软件危机 | 软件过程 | 过程改进 | 过程思维 | 过程描述 | ISO 9000 | 6σ | PCM | CMMI )
5.公司能力 与 能力改进 ( 1 ) 公司能力 提出 ( 2 ) 能力改进作用 6.软件过程发展 7.以质量为中心的软件工程 8.软件过程 定义 及 作用 二. 过程规范 副作用 5. 过程认知的 误区 四. 过程改进的必要性 五. 过程思维 1. 过程思维简介 ( 1 ) 过程思维 简介 ( 2 ) 过程思维 观点 2. 过程改进的必要性 过程改进的必须要性 : 给出了以下 六个 必须要持续改进过程的 理由 ; 1.性能降低 : 过程经过一段时间后, 其性能就会趋于降低 ; 2.需求提高 : 客户的需求会越来越高 ; 3 度量 和 改进 ; 3.James Harrinton : 要学会用过程来思考事物 ; ---- 2. - 质量管理必须坚持进行质量改进 质量改进 : 1.持续改进观点 : 质量管理 必须坚持进行 质量改进 ; 2.主动改进 : 质量改进工作 应该 致力于 经常寻求改进机会, 不能 等待问题暴露后再去抓机遇
1.2K00编辑于 2023-03-28 - 来自专栏腾讯云TVP
DevOps时代的软件过程改进探讨
建立可观测的指标，是过程改进非常重要的一个步骤！ 2、DevOps时代的软件过程改进 DevOps理念在推广初期，受到不少人士的质疑甚至反对，比如有人担心运维工程师会丢掉自己的工作；后来的结果大家都看到了，非但运维工程师没有消失或减少，有些组织反而多了一种专职 理念方面，需要在组织层面持续加强对过程改进的认可度，越是紧密的协作，越是需要更灵活的过程度量方法，过程改进工作的价值也就越容易得到体现。 常见的认识误区是，采用了DevOps就是引入了一个标准范式，无需过程改进；相反，DevOps对每一个过程的要求相对更高，能持续对瓶颈或薄弱过程进行改进，会让DevOps的价值更大。 至于后来 Jenkins 2.x 的出炉，以及 Pipeline 特性的持续增强，甚至到目前 Jenkins X 的发布和流行，让开发者们真正感受到了“一切皆可编程”的真理！
14.3K110发布于 2019-05-11 - 来自专栏全栈程序员必看
轻量级过程改进之综述「建议收藏」
“软件过程改进方法和规范”。 而是一个从不及格到60分的过程。假设我们哪一天可以站在60分的角度去看问题了，那可能我们就会採用其它的模型来帮助我们做更高层次的过程改进。 二．改进域 轻量级过程改进不是一个完整模型。 研发团队主要角色和职责总结例如以下： 过程改进小组：依据团队的现状分析、计划和裁剪过程改进模型，并负责在团队中推广、实施详细的过程改进措施。过程改进小组类似CMMI中的SPEG。 过程改进是一项重要和长远的工作。一定要依据机构的实际情况（如发展战略、研发实力等）来梳理过程域和改进方案，并要充分考虑过程改进的成本和效益。 轻量级过程改进的宗旨是针对没有专设过程改进部门的中小型研发团队，通过比較低的代价有效地改进过程能力。目标是能达到适合团队发展的过程能力。过程改进的推行者应当具备一定的软件project和项目管理知识。
40310编辑于 2022-07-08 - 来自专栏程序员吾真本
持续过程改进最高指导原则 v0.6
种瓜得瓜，种豆得豆，所以与其纠结实际结果，不如关注导致结果的原因——即过程； 常改进过程，多宽容同事：因为每个同事在主观上都想把工作搞好；但环境必然会变化，信息必然不全面，过程必然会过时，失误必然会发生 ；所以与其“防范失误发生”，不如“阻止失误蔓延”；与其追究主观原因，不如关注客观原因；客观原因主要由知识和工具的缺乏所导致； 日常工作本身就是做持续过程改进，就是发现和补充客观原因——所缺乏的知识和工具 ； 每个愿意改进的人都要找一位教练来一对一地学会如何做持续过程改进； 本着“公开、平等和易学”的原则，持续和小批量地分享失误的复盘报告。 “过程”与“流程”不同，“过程”指能产生成效（如流程、实践、框架等结果）的那些原因。）
25820发布于 2018-08-20 - 来自专栏Greenplum
EXPLAIN(ANALYZE)需要 BUFFERS 来改进 Postgres 查询优化过程
index i_t2_num_id on t2 using btree(num, id); vacuum t2; 这将是一个很大的加速： test=# explain (analyze, buffers 精简克隆 – 扩展 SQL 优化过程的最佳方式 如前所述，Postgres 查询优化并不是一个微不足道的工程领域。 仅在开始和完成 optimization 过程时返回 timing numbers。在流程中，重点关注计划结构和缓冲区编号。是的，SQL 优化的最终目标是尽可能低的 TIMING 值。 在一台计算机上，我们可以运行多个 Postgres 实例，共享一个初始数据目录，并使用 ZFS提供的 Copy-on-Write，以允许同时独立执行多个实验过程。 当您在优化过程中时，不要考虑时间数字 - 这可能感觉有悖常理，但这就是让您忘记环境差异的原因。这就是允许使用精简克隆的原因 – 看看 Database Lab Engine 和其他公司是怎么用它的。
32810编辑于 2025-09-11 - 来自专栏王小雷
MapReduce的过程(2)
MapReduce的编程思想(1) MapReduce的过程(2) 1. 4. shuffle shuffle代表map函数产生输出到reduce的消化输入的整个过程。 shuffle的Sort阶段 合并map的输出文件，并维持排序，做归并排序，排序过程循环进行。 5. 如，reduce处理了2/3的输入，则整个reduce进度为1/3+1/3+1/3*(2/3)=5/9，因为reduce开始处理输入时，copy和sort已经完成。 MapReduce的编程思想(1) MapReduce的过程(2)
1.4K50发布于 2018-01-05 利用分析洞察力来改进Sitecore内容编辑过程
本文旨在增强内容作者的体验; 利用富有洞察力的数据为编辑过程增添真正的价值。 内容作者的日常生活是忙碌的。从一页跳到另一页，进行修改或创建全新的领域。任务的优先顺序由谁来确定? 表现最佳的页面，改进的领域，甚至是破碎的页面都包含在与作者及其编辑平台隔离的单独报告中。 随着时间的推移，我们希望让作者可以选择需要编辑的页面是否具有高优先级。 通过在Experience Editor界面中引入指标，我们首先创建了改进页面的原因。我们为页面带来了背景; 它表现良好吗？它的表现是否优于其他页面？您将立即知道此页面是否是要编辑的页面。 它不仅仅是内容更新; 其内容创建，内容改进和内容删除。花时间明智地为您的业务创造价值。
15300编辑于 2025-04-05- 来自专栏IT可乐
对 Servlet 的改进--------Struts2 引入
③、一个项目只存在一个 web.xml 文件，如果一个项目是多人开发，那么整合代码开发过程中会有很多问题。不适合团队开发。 ServletFilter</filter-name> <url-pattern>*.do</url-pattern> </filter-mapping> </web-app> 2、 = null){ //得到 请求路径的 servlet 类名 String servletName = strs[2].substring(0, strs[2].indexOf(".")); 分析：这个改进主要是配置了一个过滤器，然后通过过滤器的 doFilter() 方法，我们可以通过请求路径获得请求URL，然后通过字符串的截取方法得到 Servlet 的名称。 如果想真正解决，请看下一篇博客：Struts2 详解
75450发布于 2018-01-04 - 来自专栏IT技术精选文摘
Java 9对Http2的改进
本文主要描述对新Http2的支持. HTTP/2 是最新版本的HTTP协议， 该版本解决了当前HTTP1.1版本中的缺陷. HTTP/2 关注于数据是如何在服务器和客户端之间形成帧并被传输的. HTTP/2通过多路复用来解决这个问题，即HTTP/2可在单个TCP连接上并行发送多个请求数据。 在HTTP/1.1中, 每个发送到服务器的请求头中都包含了一些额外的数据，这会增加带宽消耗。 这个问题在HTTP/2.0中也被解决了，它通过将请求头打包成一个压缩块作为一个整体单元来发送，一旦发送完毕，头部块将被解码，HTTP/2使用HPack做请求头的压缩. 这个在HTTP/2中是通过服务器推送技术来解决的，它允许服务器主动将响应推送到客户端而不是等待新的请求处理. HTTP/2.0使用二进制代替文本. HTTP/2中不再需要域名共享和资源连结. 所以，在 Java 9里,一个全新的更清晰更干净的API被添加以用来支持HTTP/2. 新的API处理HTTP连接主要分三个阶段. HttpClient处理连接的创建并发送请求.
1.8K70发布于 2018-01-30 - 来自专栏XINDOO的专栏
HTTP3：性能改进（第 2 部分）
在第二部分中，我们将重点探讨 QUIC 和 HTTP/3 为网页加载带来的性能改进，同时也会客观审视这些新特性在实践中的实际效果。 QUIC 默认每收到 2 个数据包就发送一次确认，而这个扩展允许每 10 个数据包才确认一次。这种改进在卫星网络和高带宽网络上带来了显著的性能提升，因为大幅降低了确认数据包的传输开销。 虽然节省一次往返确实是项改进，但优势并不显著。在快速网络环境下（RTT 低于 50 毫秒时），这种优势几乎难以察觉。然而，在慢速网络和远程连接场景中，这种改进效果会更为明显。 小知识：需要注意的是，QUIC 的三倍放大限制也适用于图 2c 中的常规非 0-RTT 握手过程。当服务器的 TLS 证书超过 4-6 KB 限制时，证书必须分成多个部分发送。 对于普通网页浏览来说，即使在网络切换过程中，最多也只需要重新请求少量未完成的资源。 由于网络切换过程中通常存在重叠期，视频应用可以在新旧网络上同时建立连接，在旧网络完全断开前完成同步。
75110编辑于 2025-10-27 - 来自专栏YOLO大作战
RT-DETR算法优化改进：Backbone改进 | HGBlock完美结合PPHGNetV2 RepConv
本文独家改进： PPHGNetV2助力RT-DETRHGBlock与PPHGNetV2 RepConv完美结合推荐指数：五星HGBlock_PPHGNetV2 | 亲测在多个数据集能够实现涨点1. Real-Time DEtection TRansformer) ，一种基于 DETR 架构的实时端到端检测器，其在速度和精度上取得了 SOTA 性能为什么会出现： YOLO 检测器有个较大的待改进点是需要 1.1 PPHGNetV2 RepConv介绍 源码：https://github.com/PaddlePaddle/PaddleDetection/blob/develop/ppdet/modeling /backbones/hgnet_v2.py2.HGBlock_PPHGNetV2引入到RT-DETR2.1新建ultralytics/nn/backbone/PaddleBackbone.py核心代码 = 2 else 1, shortcut=False if i == 0 else True, variant=variant
3.6K30编辑于 2023-11-14 - 来自专栏大数据学习笔记
Spring Cloud 2.x学习笔记：2、feign改进（Greenwich版本）
chengyuqiang/article/details/90712031 1、Feign简介 Feign 整合了ribbon，具有负载均衡的能力；Feign 采用的是基于接口的注解 2、 "/get",method = RequestMethod.GET) String hello(@RequestParam(value = "name") String name); } （2）
97440发布于 2019-07-02 《软件工程》第 16 章 - 软件项目管理与过程改进
= null) { System.out.println("当前代码内容:\n" + content); } } } 16.8 软件过程改进 16.8.1 优化级：持续过程改进 绘制的CMM 成熟度等级图： CMM 成熟度等级演进图 16.9 小结 本章全面介绍了软件项目管理与过程改进的核心知识，包括项目度量与估算方法、风险分析、进度计划、 人员组织、质量保证、配置管理以及过程改进模型。 在实际工作中，应根据项目特点选择合适的管理策略，并持续改进过程，以适应不断变化的需求和技术环境。 以上内容系统梳理了软件项目管理与过程改进的关键知识点。 上述内容完整覆盖了软件项目管理与过程改进的核心知识体系。代码示例采用 Java 实现，结合 流程图和 思维导图，便于读者理解和实践。
14410编辑于 2026-01-21- 来自专栏coding for love
第 2 章 软件过程
读完本章将会： 理解软件过程和软件过程模型概念 了解 3 个通用的软件过程模型以及他们的适用情形 了解需求工程、开发、测试和演化这几个基本的软件过程活动 理解为什么软件过程要有效地组织以应对软件需求和设计上的变化 理解软件过程改进的思想以及影响软件过程质量的因素 虽然有许多不同的软件过程，但都必须包含在第 1 章所介绍的 4 个最基本的软件工程活动中： 软件规格说明 软件开发 软件确认 软件演化 2.1 软件过程模型 软件过程模型是软件过程的简化表示。 本节介绍几个非常通用的过程模型（也叫过程范型） 2.1.1 瀑布模型 该模型包含了基本的过程活动并将它们表示为独立的过程阶段，如图，各阶段之间顺序流动，原则上，后续阶段不得在前一阶段结束前开始。 增量式交付 2.4 过程改进 过程改进意味着理解当前的过程，并对其进行改变以提高产品质量，并且/或者降低成本和开发时间。有如下两种很不一样的方法： 过程成熟度方法 敏捷方法 小结 ?
46610发布于 2020-06-23 - 来自专栏机器学习炼丹术
生成专题4 | StyleGAN2的其他改进
PLloss def calc_pl_lengths(styles, images): device = images.device num_pixels = images.shape[2] create_graph=True, retain_graph=True, only_inputs=True)[0] return (pl_grads ** 2) .sum(dim=2).mean(dim=1).sqrt() 这一步里面的self.pl_mean就对应公式中的滑动平均的a。 因此出现了下面的三种使用了skip connection的结果，并且StyleGAN2对三种结构的效果进行了实验评估： 左边的就是类似Unet的对应分辨率的skip connection，也叫是MSG-GAN
76730编辑于 2022-04-18 - 来自专栏AI智韵
YoloV9改进策略：Block改进|RFE模块，提高小物体的识别精度|即插即用|代码+修改过程
方法 在YOLOv5的基础上，YOLO-FaceV2进行了以下主要改进： 网络架构：保留了YOLOv5的主干结构CSPDarknet53，并在P5层用RFE模块替换Bottleneck模块。 因此，锚点框的尺度和比例设计非常重要，这可能极大地提高模型的准确性和收敛过程。 回归损失：回归损失用于衡量预测边界框和真实边界框之间的差异。 第三，为挖掘难样本，受自适应训练样本选择（ATSS）[33]的启发，我们设计了具有自适应阈值的滑动权重函数，使模型在训练过程中更加关注难样本。 本文的其余部分安排如下：第2节回顾了该领域的相关文献；第3节详细描述了模型结构，并分别介绍了主要改进，包括感受野增强模块、注意力模块、自适应样本加权函数、锚框设计、排斥损失和归一化高斯Wasserstein 此外，我们添加了一个残差连接，以防止训练过程中出现梯度爆炸和消失的问题。收集和加权层用于从不同分支收集信息并为每个分支的特征加权。加权操作用于平衡不同分支的表示。
90110编辑于 2024-10-31 - 来自专栏AI智韵
YoloV8改进：Block改进|使用ContextAggregation模块改善C2f模块|即插即用
近期，我们引入了ContextAggregation模块对YoloV8进行了改进，取得了显著的效果提升。 这一改进不仅保留了YoloV8原有的高效性，更在检测精度上取得了突破性的提升。 ContextAggregation模块的优点在于其强大的全局上下文聚合能力。 在多个公开数据集上的实验结果表明，改进后的YoloV8在检测精度上显著优于其他先进方法，同时保持了较高的检测速度。 为了解决这些问题，提出了一种新的上下文聚合网络（CATNet）来改进特征提取过程。 利用灵活的架构和特征重新加权策略，DenseFPN能够在训练过程中优化特征域上下文聚合的信息流。 C.
74710编辑于 2024-10-22 - 来自专栏卯金刀GG
springmvc整合axis2 过程
项目需要使用springmvc发布一个对外的服务，原来使用spring+cxf的结合，使用axis2的客户端调用，没有任何问题，但是使用pb9的客户端调用，一直出现一个莫名奇妙的错误（PNBI），好几天没有解决 原来对axis2的框架比较熟悉，所以，把项目改成spring+axis2的服务。过程如下： 1、建立一个web project，导入spring的支持jar包。 2、导入axis2的支持jar包。 display-name> <servlet-name>AxisServlet</servlet-name> <servlet-class>org.apache.axis2. servlet> <servlet-name>AxisAdminServlet</servlet-name> <servlet-class>org.apache.axis2. messageReceiver mep="http://www.w3.org/2004/08/wsdl/in-out" class="org.apache.axis2.
1.2K30发布于 2019-07-26 - 来自专栏机器学习与python集中营
YOLO V2的10个改进技巧（上篇）
, Stronger”，主要有两个大方面的改进： 第一，作者使用了一系列的方法对原来的YOLO多目标检测框架进行了改进，在保持原有速度的优势之下，精度上得以提升。 二、YOLO V2相比于YOLO V1的改进点 ? 可以看出，YOLO V2相比于前一个版本YOLO V1，一共有10个点的改进措施，而且每一个措施都带来了性能上的提升，总的mAP从63.4%提升到了78.6%，基本上跟faster-RCNN和SSD在伯仲之间 既然论文的标题为 Better、Faster、Stronger，下面也将从这三个大的方面来看 三、YOLO V2的10大改进点剖析（Better） 3.1 Batch Normalization CNN在训练过程中网络每层输入的分布一直在改变, 会使训练过程难度加大，但可以通过normalize每层的输入解决这个问题。
2.8K40发布于 2019-05-30 - 来自专栏AI智韵
YoloV9改进策略：Block改进|改进HCF-Net|附结构图|多种改进方法（独家改进）
本文改进使用shufflechannel改进MDCR，打造全新的额MDCR_shuffle模块，实现大幅度涨点 论文：《HCF-Net：用于红外小目标检测的分层上下文融合网络》 红外小目标检测是一项重要的计算机视觉任务 维度感知选择性集成模块 在红外小目标检测的多级下采样过程中，高维特征可能会丢失关于小目标的信息，而低维特征可能无法提供足够的上下文信息。 损失设计 如图1所示，我们采用了深度监督策略来进一步解决下采样过程中小对象丢失的问题。 这有助于模型更好地处理小对象，并在下采样过程中减少信息丢失。通过结合二元交叉熵损失和交并比损失，我们能够同时优化模型的分类和定位能力，从而提高整体性能。 四、实验 A. 0.796 tu-22 230 98 0.912 1 0.995 0.804 改进方法
80910编辑于 2024-10-22
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号