1. 程序員為什麼要學深度學習
費良宏：程序員為什麼要學深度學習？
深度學習本身是一個非常龐大的知識體系。本文更多想從程序員的視角出發，讓大家觀察一下深度學習對程序員意味著什麼，以及我們如何利用這樣一個高速發展的學科，來幫助程序員提升軟體開發的能力。
本文根據費良宏在2016QCon全球軟體開發大會（上海）上的演講整理而成。
前言
1973年，美國上映了一部熱門的科幻電影《WestWorld》，三年之後又有一個續集叫做《FutureWorld》。這部電影在80年代初被引進到中國叫《未來世界》。那部電影對我來講簡直可以說得上是震撼。影片中出現了很多機器人，表情豐富的面部下面都是集成電路板。這讓那時候的我覺得未來世界都是那麼遙遠、那麼神秘。
時間到了2016年，很多朋友可能都在追看HBO斥巨資拍攝的同一題材的系列劇《WestWorld》。如果前兩部電影還是局限在機器人、人工智慧這樣的話題，2016年的新劇則在劇情和人工智慧的思考方面有了很大的突破。不再渲染機器人是否會威脅到人類，而是在探討「Dreamsaremainlymemories」這一類更具哲理的問題。
「記憶究竟如何影響了智能」這個話題非常值得我們去思考，也給我們一個很好的啟示——今天，人工智慧領域究竟有了怎樣的發展和進步。
今天我們探討的話題不僅僅是簡單的人工智慧。如果大家對深度學習感興趣，我相信各位一定會在搜索引擎上搜索過類似相關的關鍵字。我在Google上以deeplearning作為關鍵字得到了2,630萬個搜索的結果。這個數字比一周之前足足多出了300多萬的結果。這個數字足以看得出來深度學習相關的內容發展的速度，人們對深度學習的關注也越來越高。
從另外的一個角度，我想讓大家看看深度學習在市場上究竟有多麼熱門。從2011年到現在一共有140多家專注人工智慧、深度學習相關的創業公司被收購。僅僅在2016年這種並購就發生了40多起。
其中最瘋狂的是就是Google，已經收購了 11 家人工智慧創業公司，其中最有名的就是擊敗了李世石九段的 DeepMind。排名之後的就要數 Apple、Intel以及Twitter。以Intel 公司為例，僅在今年就已經收購了 3 家創業公司，Itseez、Nervana 和 Movidius。這一系列大手筆的並購為了布局人工智慧以及深度學習的領域。
當我們去搜索深度學習話題的時候，經常會看到這樣的一些晦澀難懂的術語：Gradient descent（梯度下降演算法）、Backpropagation（反向傳播演算法）、Convolutional Neural Network（卷積神經網路）、受限玻耳茲曼機（Restricted Boltzmann Machine）等。
如打開任何一篇技術文章，你看到的通篇都是各種數學公式。大家看到如下左邊的圖，其實並不是一篇高水準的學術論文，而僅僅是維基網路關於玻耳茲曼機的介紹。維基網路是科普層面的內容，內容復雜程度就超過了大多數數學知識的能力。
在這樣的背景之下，我今天的的話題可以歸納成三點：第一，我們為什麼要學習深度學習；第二，深度學習最核心的關鍵概念就是神經網路，那麼究竟什麼是神經網路；第三，作為程序員，當我們想要成為深度學習開發者的時候，我們需要具備怎樣的工具箱，以及從哪裡著手進行開發。
為什麼要學習深度學習
首先，我們談談為什麼要學習深度學習。在這個市場當中，最不缺乏的就是各種概念以及各種時髦新技術的詞彙。深度學習有什麼不一樣的地方？我非常喜歡AndrewNg（吳恩達）曾經用過的一個比喻。
他把深度學習比喻成一個火箭。這個火箭有一個最重要的部分，就是它的引擎，目前來看在這個領域裡面，引擎的核心就是神經網路。大家都知道，火箭除了引擎之外還需要有燃料，那麼大數據其實就構成了整個火箭另外的重要組成部分——燃料。以往我們談到大數據的時候，更多是強調存儲和管理數據的能力，但是這些方法和工具更多是對於以往歷史數據的統計、匯總。
而對於今後未知的東西，這些傳統的方法並不能夠幫助我們可以從大數據中得出預測的結論。如果考慮到神經網路和大數據結合，我們才可能看清楚大數據真正的價值和意義。AndrewNg就曾經說過「我們相信（神經網路代表的深度學習）是讓我們獲得最接近於人工智慧的捷徑」。這就是我們要學習深度學習的一個最重要的原因。
其次，隨著我們進行數據處理以及運算能力的不斷提升，深度學習所代表的人工智慧技術和傳統意義上人工智慧技術比較起來，在性能上有了突飛猛進的發展。這主要得益於在過去幾十間計算機和相關產業不斷發展帶來的成果。在人工智慧的領域，性能是我們選擇深度學習另一個重要的原因。
這是一段Nvidia在今年公布的關於深度學習在無人駕駛領域應用的視頻。我們可以看到，將深度學習應用在自動駕駛方面，僅僅經歷了3千英里的訓練，就可以達到什麼樣的程度。在今年年初進行的實驗上，這個系統還不具備真正智能能力，經常會出現各種各樣的讓人提心吊膽的狀況，甚至在某些情況下還需要人工干預。
但經過了3千英里的訓練之後，我們看到在山路、公路、泥地等各種復雜的路況下面，無人駕駛已經有了一個非常驚人的表現。請大家注意，這個深度學習的模型只經過了短短幾個月、3千英里的訓練。
如果我們不斷完善這種模型的話，這種處理能力將會變得何等的強大。這個場景裡面最重要的技術無疑就是深度學習。我們可以得出一個結論：深度學習可以為我們提供強大的能力，如果程序員擁有了這個技術的話，無異於會讓每個程序員如虎添翼。
神經網路快速入門
如果我們對於學習深度學習沒有任何疑慮的話，接下來就一定會關心我需要掌握什麼樣的知識才能讓我進入到這個領域。這裡面最重要的關鍵技術就是「神經網路」。說起「神經網路」，容易混淆是這樣兩個完全不同的概念。
一個是生物學神經網路，第二個才是我們今天要談起的人工智慧神經網路。可能在座的各位有朋友在從事人工智慧方面的工作。當你向他請教神經網路的時候，他會拋出許多陌生的概念和術語讓你聽起來雲里霧里，而你只能望而卻步了。
對於人工智慧神經網路這個概念，大多數的程序員都會覺得距離自己有很大的距離。因為很難有人願意花時間跟你分享神經網路的本質究竟是什麼。而你從書本上讀的到的理論和概念，也很讓你找到一個清晰、簡單的結論。
今天就我們來看一看，從程序員角度出發神經網路究竟是什麼。我第一次知道神經網路這個概念是通過一部電影——1991年上映的《終結者2》。男主角施瓦辛格有一句台詞：
「MyCPUisaneural-netprocessor;alearningcomputer.」（我的處理器是一個神經處理單元，它是一台可以學習的計算機)。從歷史來看人類對自身智力的探索，遠遠早於對於神經網路的研究。
1852年，義大利學者因為一個偶然的失誤，將人類的頭顱掉到硝酸鹽溶液中，從而獲得第一次通過肉眼關注神經網路的機會。這個意外加速了對人類智力奧秘的探索，開啟了人工智慧、神經元這樣概念的發展。
生物神經網路這個概念的發展，和今天我們談的神經網路有什麼關系嗎？我們今天談到的神經網路，除了在部分名詞上借鑒了生物學神經網路之外，跟生物學神經網路已經沒有任何關系，它已經完全是數學和計算機領域的概念，這也是人工智慧發展成熟的標志。這點大家要區分開，不要把生物神經網路跟我們今天談到的人工智慧有任何的混淆。
90年代中期，由Vapnik等人提出了支持向量機演算法（Support Vector Machines，支持向量機）。很快這個演算法就在很多方面體現出了對比神經網路的巨大優勢，例如：無需調參、高效率、全局最優解等。基於這些理由，SVM演算法迅速打敗了神經網路演算法成為那個時期的主流。而神經網路的研究則再次陷入了冰河期。
在被人摒棄的十年裡面，有幾個學者仍然在堅持研究。其中很重要的一個人就是加拿大多倫多大學的Geoffery Hinton教授。2006年，他的在著名的《Science》雜志上發表了論文，首次提出了「深度信念網路」的概念。
與傳統的訓練方式不同，「深度信念網路」有一個「預訓練」（pre-training）的過程，這可以方便的讓神經網路中的權值找到一個接近最優解的值，之後再使用「微調」(fine-tuning)技術來對整個網路進行優化訓練。這兩個技術的運用大幅度減少了訓練多層神經網路的時間。在他的論文裡面，他給多層神經網路相關的學習方法賦予了一個新名詞— 「深度學習」。
很快，深度學習在語音識別領域嶄露頭角。接著在2012年，深度學習技術又在圖像識別領域大展拳腳。Hinton與他的學生在ImageNet競賽中，用多層的卷積神經網路成功地對包含一千個類別的一百萬張圖片進行了訓練，取得了分類錯誤率15%的好成績，這個成績比第二名高了將近11個百分點。
這個結果充分證明了多層神經網路識別效果的優越性。從那時起，深度學習就開啟了新的一段黃金時期。我們看到今天深度學習和神經網路的火熱發展，就是從那個時候開始引爆的。
利用神經網路構建分類器，這個神經網路的結構是怎樣的？
其實這個結構非常簡單，我們看到這個圖就是簡單神經網路的示意圖。神經網路本質上就是一種「有向圖」。圖上的每個節點借用了生物學的術語就有了一個新的名詞 – 「神經元」。連接神經元的具有指向性的連線（有向弧）則被看作是「神經」。這這個圖上神經元並不是最重要的，最重要的是連接神經元的神經。每個神經部分有指向性，每一個神經元會指向下一層的節點。
節點是分層的，每個節點指向上一層節點。同層節點沒有連接，並且不能越過上一層節點。每個弧上有一個值，我們通常稱之為」權重「。通過權重就可以有一個公式計算出它們所指的節點的值。這個權重值是多少？我們是通過訓練得出結果。它們的初始賦值往往通過隨機數開始，然後訓練得到的最逼近真實值的結果作為模型，並可以被反復使用。這個結果就是我們說的訓練過的分類器。
節點分成輸入節點和輸出節點，中間稱為隱層。簡單來說，我們有數據輸入項，中間不同的多個層次的神經網路層次，就是我們說的隱層。之所以在這樣稱呼，因為對我們來講這些層次是不可見的。輸出結果也被稱作輸出節點，輸出節點是有限的數量，輸入節點也是有限數量，隱層是我們可以設計的模型部分，這就是最簡單的神經網路概念。
如果簡單做一個簡單的類比，我想用四層神經網路做一個解釋。左邊是輸入節點，我們看到有若干輸入項，這可能代表不同蘋果的RGB值、味道或者其它輸入進來的數據項。中間隱層就是我們設計出來的神經網路，這個網路現在有不同的層次，層次之間權重是我們不斷訓練獲得一個結果。
最後輸出的結果，保存在輸出節點裡面，每一次像一個流向一樣，神經是有一個指向的，通過不同層進行不同的計算。在隱層當中，每一個節點輸入的結果計算之後作為下一層的輸入項，最終結果會保存在輸出節點上，輸出值最接近我們的分類，得到某一個值，就被分成某一類。這就是使用神經網路的簡單概述。
除了從左到右的形式表達的結構圖，還有一種常見的表達形式是從下到上來表示一個神經網路。這時候，輸入層在圖的最下方，輸出層則在圖的最上方。從左到右的表達形式以AndrewNg和LeCun的文獻使用較多。而在Caffe框架里則使用的則是從下到上的表達。
簡單來說，神經網路並不神秘，它就是有像圖，利用圖的處理能力幫助我們對特徵的提取和學習的過程。2006年Hinton的那篇著名的論文中，將深度學習總結成三個最重要的要素：計算、數據、模型。有了這三點，就可以實現一個深度學習的系統。
程序員需要的工具箱
對於程序員來說，掌握理論知識是為了更好的編程實踐。那就讓我們看看，對於程序員來說，著手深度學習的實踐需要准備什麼樣的工具。
硬體
從硬體來講，我們可能需要的計算能力，首先想到的就是CPU。除了通常的CPU架構以外，還出現了附加有乘法器的CPU，用以提升計算能力。此外在不同領域會有DSP的應用場景，比如手寫體識別、語音識別、等使用的專用的信號處理器。還有一類就是GPU，這是一個目前深度學習應用比較熱門的領域。最後一類就是FPGA（可編程邏輯門陣列）。
這四種方法各有其優缺點，每種產品會有很大的差異。相比較而言CPU雖然運算能力弱一些，但是擅長管理和調度，比如讀取數據，管理文件，人機交互等，工具也豐富。DSP相比而言管理能力較弱，但是強化了特定的運算能力。
這兩者都是靠高主頻來解決運算量的問題，適合有大量遞歸操作以及不便拆分的演算法。GPU的管理能力更弱一些，但是運算能力更強。但由於計算單元數量多，更適合整塊數據進行流處理的演算法。
FPGA在管理與運算處理方面都很強，但是開發周期長，復雜演算法開發難度較大。就實時性來說，FPGA是最高的。單從目前的發展來看，對於普通程序員來說，現實中普遍採用的計算資源就還是是CPU以及GPU的模式，其中GPU是最熱門的領域。
這是我前天為這次分享而准備的一個AWS 上p2的實例。僅僅通過幾條命令就完成了實例的更新、驅動的安裝和環境的設置，總共的資源創建、設置時間大概在10分鍾以內。而之前，我安裝調試前面提到的那台計算機，足足花了我兩天時間。
另外，從成本上還可以做一個對比。p2.8xLarge 實例每小時的費用是7.2美元。而我自己那台計算機總共的花費了是¥16,904元。這個成本足夠讓我使用350多個小時的p2.8xLarge。在一年裡使用AWS深度學習站就可以抵消掉我所有的付出。隨著技術的不斷的升級換代，我可以不斷的升級我的實例，從而可以用有限的成本獲得更大、更多的處理資源。這其實也是雲計算的價值所在。
雲計算和深度學習究竟有什麼關系？今年的8月8號，在IDG網站上發表了一篇文章談到了這個話題。文章中做了這樣一個預言：如果深度學習的並行能力不斷提高，雲計算所提供的處理能力也不斷發展，兩者結合可能會產生新一代的深度學習，將帶來更大影響和沖擊。這是需要大家考慮和重視的一個方向！
軟體
深度學習除了硬體的基礎環境之外。程序員會更關心與開發相關的軟體資源。這里我羅列了一些曾經使用過的軟體框架和工具。
Scikit-learn是最為流行的一個python機器學習庫。它具有如下吸引人的特點：簡單、高效且異常豐富的數據挖掘/數據分析演算法實現； 基於NumPy、SciPy以及matplotlib，從數據探索性分析，數據可視化到演算法實現，整個過程一體化實現；開源，有非常豐富的學習文檔。
Caffe專注在卷及神經網路以及圖像處理。不過Caffe已經很久沒有更新過了。這個框架的一個主要的開發者賈揚清也在今年跳槽去了Google。也許曾經的霸主地位要讓位給他人了。
Theano 是一個非常靈活的Python 機器學習的庫。在研究領域非常流行，使用上非常方便易於定義復雜的模型。Tensorflow 的API 非常類似於Theano。我在今年北京的QCon 大會上也分享過關於Theano 的話題。
Jupyter notebook 是一個很強大的基於ipython的python代碼編輯器，部署在網頁上，可以非常方便的進行互動式的處理，很適合進行演算法研究合數據處理。
Torch 是一個非常出色的機器學習的庫。它是由一個比較小眾的lua語言實現的。但是因為LuaJIT 的使用，程序的效率非常出色。Facebook在人工智慧領域主打Torch，甚至現在推出了自己的升級版框架Torchnet。
深度學習的框架非常之多，是不是有一種亂花漸欲迷人眼的感覺？我今天向各位程序員重點介紹的是將是TensorFlow。這是2015年穀歌推出的開源的面向機器學習的開發框架，這也是Google第二代的深度學習的框架。很多公司都使用了TensorFlow開發了很多有意思的應用，效果很好。
用TensorFlow可以做什麼？答案是它可以應用於回歸模型、神經網路以深度學習這幾個領域。在深度學習方面它集成了分布式表示、卷積神經網路(CNN)、遞歸神經網路(RNN) 以及長短期記憶人工神經網路（Long-Short Term Memory, LSTM）。
關於Tensorflow 首先要理解的概念就是Tensor。在辭典中對於這個詞的定義是張量，是一個可用來表示在一些向量、標量和其他張量之間的線性關系的多線性函數。實際上這個表述很難理解，用我自己的語言解釋Tensor 就是「N維數組」而已。
使用 TensorFlow, 作為程序員必須明白 TensorFlow這樣幾個基礎概念：它使用圖 (Graph) 來表示計算任務；在被稱之為 會話 (Session) 的上下文 (context) 中執行圖；使用 Tensor 表示數據；通過 變數 (Variable) 維護狀態；使用 feed 和 fetch 可以為任意的操作(arbitrary operation) 賦值或者從其中獲取數據。
一句話總結就是，TensorFlow 就是有狀態圖的數據流圖計算環境，每個節點就是在做數據操作，然後提供依賴性和指向性，提供完整數據流。
TensorFlow安裝非常簡單，但官網提供下載的安裝包所支持的CUDA 的版本是7.5。考慮到CUDA 8 的讓人心動的新特以及不久就要正式發布的現狀。或許你想會考慮立即體驗CUDA 8，那麼就只能通過編譯Tensorflow源代碼而獲得。目前TensorFlow已經支持了Python2.7、3.3+。
此外，對於使用Python 語言的程序員還需要安裝所需要的一些庫，例如：numpy、protobuf等等。對於卷積處理而言，cuDNN是公認的性能最好的開發庫，請一定要安裝上。常規的Tensorsorflow的安裝很簡單，一條命令足矣：
$ pip3 install —upgrade https://storage.233.wiki/tensorflow/linux/cpu/tensorflow-0.11.0rc0-cp35-cp35m-linux_x86_64.whl
如果想評估一下或者簡單學習一下，還可以通過Docker進行安裝，安裝的命令如下：
$ docker run -it -p 8888:8888 gcr.io/tensorflow/tensorflow
TensorFlow有很多優點。首先，目前為止，深度學習的開發框架裡面TensorFlow的文檔做的最好，對程序員學習而言是非常好的一點。第二，TensorFlow有豐富的參考實例，作為參考學習起來非常容易。
第三，開發者社區活躍，在任何一個深度學習的社區里，都有大量關於TensorFlow的討論。第四，谷歌的支持力度非常大，從2015年到現在升級速度非常快，這是其他開源框架遠遠達不到的結果。
參考TensorFlow的白皮書，我們會看到未來TensorFlow還將會有巨大的發展潛力。讓我特別感興趣是這兩個方向。第一，支持跨多台機器的 parallelisation。盡管在0.8版本中推出了並行化的能力，但是目前還不完善。隨著未來不斷發展，依託雲計算的處理能力的提升這個特性將是非常讓人振奮的。
第二，支持更多的開發語言，對於開發者來說這是一個絕大的利好，通過使用自己擅長的語言使用TensorFlow應用。這些開發語言將會擴展到Java、Lua以及R 等。
在這里我想給大家展示一個應用Tensorflow 的例子。這個例子的代碼託管在這個網址上 https://github.com/anishathalye/neural-style。白俄羅斯的現代印象派藝術家Leonid Afremov善於用濃墨重彩來表現都市和風景題材，尤其是其雨景系列作品。他習慣用大色塊的鋪陳來營造光影效果，對反光物體和環境色的把握非常精準。
於是我就找到了一張上海東方明珠電視塔的一張攝影作品，我希望通過Tensorflow 去學習一下Leonid Afremov 的繪畫風格，並將這張東方明珠的照片處理成那種光影色彩豐富的作品風格。利用Tensorflow 以及上面提到的那個項目的代碼，在一個AWS 的p2類型的實例上進行了一個一千次的迭代，於是就得到了下圖這樣的處理結果。
這個處理的代碼只有350行里，模型使用了一個成名於2014年ImageNet比賽中的明星 VGG。這個模型非常好，特點就是「go depper」。
TensorFlow 做出這樣的作品，並不僅僅作為娛樂供大家一笑，還可以做更多有意思的事情。將剛才的處理能力推廣到視頻當中，就可以看到下圖這樣的效果，用梵高著名的作品」星月夜「的風格就加工成了這樣新的視頻風格。
可以想像一下，如果這種處理能力在更多領域得以應用，它會產生什麼樣的神奇結果？前景是美好的，讓我們有無限遐想。事實上我們目前所從事的很多領域的應用開發都可以通過使用神經網路和深度學習來加以改變。對於深度學習而言，掌握它並不是難事。每一個程序員都可以很容易的掌握這種技術，利用所具備的資源，讓我們很快成為深度學習的程序開發人員。
結束語
未來究竟是什麼樣，我們沒有辦法預言。有位作家Ray Kurzweil在2005年寫了《奇點臨近》一書。在這本書裡面他明確告訴我們，那個時代很快到來。作為那個時代曙光前的人群，我們是不是有能力加速這個過程，利用我們學習的能力實現這個夢想呢？
中國人工智慧的發展
人工智慧的時代無疑已經到來，這個時代需要的當然就是掌握了人工智慧並將其解決具體問題的工程師。坦率的說，市場上這一類的工程師還屬於鳳毛麟角。職場上的薪酬待遇可以看得出來這樣的工程師的搶手的程度。人工智慧這門學科發展到今天，就學術自身而言已經具備了大規模產業化的能力。
所以說，對於工程師而言當務之急就是盡快的掌握應用人工智慧的應用技術。當下在互聯網上關於人工智慧的學習資料可以說已經是「汗牛充棟」，那些具備了快速學習能力的工程師一定會在人工智慧的大潮當中脫穎而出。
中國發展人工智慧產業的環境已經具備。無論從創業環境、人員的素質乃至市場的機遇而言完全具備了產生產業變革的一切條件。與美國相比較，在人工智慧的許多領域中國團隊的表現也可以說是不逞多讓。就人工智慧的技術層面而言，中國的工程師與全球最好的技術團隊正處於同一個起跑線上。
時不我待，中國的工程師是有機會在這個領域大展身手的。不過值得注意的是，要切忌兩點：一是好高騖遠，盲目與國外攀比。畢竟積累有長短，術業有專攻，我們要立足於已有的積累，尋求逐步的突破。二是一擁而上，盲目追求市場的風口。人工智慧的工程化需要大量的基礎性的積累，並非一蹴而就簡單復制就可以成功。
中國的科研技術人員在人工智慧領域的成就有目共睹。在王詠剛的一篇文章裡面，他統計了從2013年到2015年SCI收錄的「深度學習」論文，中國在2014年和2015年超已經超過了美國居於領跑者的位置。
另外一讓我感到驚訝的事情，Google的JeffDean在2016年發表過一篇名為《TensorFlow:Asystemforlarge-scalemachinelearning》的論文。文章的22個作者裡面，明顯是中國名字的作者占已經到了1/5。如果要列舉中國人/華人在人工智慧領域里的大牛，吳恩達、孫劍、楊強、黃廣斌、馬毅、張大鵬……很容易就可以說出一大串。
對於中國來說目前的當務之急是人工智慧技術的產業化，唯有如此我們才可以講科研／智力領域的優勢轉化為整體的、全面的優勢。在這一點上，中國是全球最大的消費市場以及製造業強國，我們完全有機會藉助市場的優勢成為這個領域的領先者。
矽谷創新企業
矽谷雖然去過許多回，但一直無緣在那裡長期工作。在人工智慧領域的市場我們聽到的更多是圍繞Google、Apple、Intel、Amazon這樣的一些大型科技公司的一舉一動。但是在美國市場上還有一大批小型的創業企業在人工智慧這個領域有驚艷的表現。僅以矽谷區域的公司為例：
Captricity，提供了手寫數據的信息提取；
VIVLab，針對語音識別開發了虛擬助手服務；
TERADEEP，利用FPGA提供了高效的卷積神經網路的方案；
還有提供無人駕駛解決方案的NetraDyne。
這個名單還可以很長，還有許許多多正在利用人工智慧技術試圖去創造歷史的團隊正在打造他們的夢想。這些團隊以及他們正在專注的領域是值得我們去學習和體會的。
2. 2023闆峰啗騫村害婕旇插叏鏂囷細鍙鏈夎ょ煡鐨勭獊鐮達紝鎵嶄細鏈夌湡姝ｇ殑鎴愰暱
2023騫撮浄鍐涘勾搴︽紨璁詫細鎺㈢儲璁ょ煡紿佺牬鐨勬櫤鎱т箣鏃
8鏈14鏃ワ紝縐戞妧宸ㄥご闆峰啗鍦ㄥ寳浜鍥藉朵細璁涓蹇冧互鈥滄垚闀庫濅負涓婚橈紝灞曞紑浜嗕竴鍦烘繁鍒葷殑婕旇層備粬浠ヨ嚜宸辯殑姝︽眽澶у︾粡鍘嗕負寮曪紝璁茶堪浜嗗備綍鍦ㄤ袱騫村唴瀹屾垚鍥涘勾璇劇▼錛屾垚鍔熷厠鏈嶉夎鵑毦棰樸佺嫭絝嬪︿範鍜岃懼爞浜掑姩鐨勬寫鎴樸傚湪閭ｆ墊棩瀛愰噷錛屼粬鏀惰幏浜嗗疂璐電殑緇忛獙錛
闆峰啗濮嬬粓鍧氭寔緇堣韓瀛︿範鐨勭悊蹇碉紝浠栧皢鐩鏍囧畾涓烘垚涓轟竴鍚嶅崜瓚婄殑紼嬪簭鍛橈紝閫氳繃瀹炶返鎻愬崌緙栫▼鎶鑳姐傜紪紼嬬殑閬撹礬涓婏紝浠栫粡鍘嗚繃鍑屾櫒鐨勫疄楠屽ゃ佸埢鑻︾殑緙栫▼璁緇冿紝鐢氳嚦灝濊瘯涓綰у︽姤鍙戣〃璁烘枃錛屼笌寮犲痙鍚戞暀鎺堢殑浜ゆ祦浣誇粬鍒濇″皾鍒頒簡瀛︽湳鎴愭灉鐨勭敎澶淬
鍒涗笟鍒濇湡錛岄浄鍐涜よ瘑鍒板洟闃熺殑鍔涢噺錛屼笌鐜嬪叏鍥界瓑浼欎即鍏卞悓鍒涚珛鍔犲瘑杞浠訛紝榪欐電粡鍘嗚╀粬棰嗘偀鍒伴瓌鍔涘拰姊︽兂鐨勫姏閲忋傜劧鑰岋紝鍒涗笟璺涓婄殑鏇叉姌錛屽侭ITLOK欏圭洰鍜屼笁鑹插叕鍙哥殑璧瘋惤錛岃╀粬鎰忚瘑鍒板噯澶囩殑閲嶈佹с傚皬綾崇殑鎴愮珛鍜岄珮絝鍖栫殑鎺㈢儲錛屽敖綆″厖婊¤壈杈涳紝浣嗕篃淇冧嬌浠栦笉鏂鎴愰暱錛岃よ瘑鍒頒釜浜鴻兘鍔涚殑灞闄愭у拰鍥㈤槦鍗忎綔鐨勫繀瑕佹с
鍦ㄥ皬綾13鐨勭爺鍙戣繃紼嬩腑錛岄潰瀵瑰洶闅懼拰鎸戞垬錛岄浄鍐涘洟闃熷潥鎸佸搧璐ㄤ笌鍒涙柊錛屾渶緇堢劇害寰曞崱騫舵彁鍗囧洟闃熻ょ煡銆備駭鍝佹垚鍔熶笂甯傚悗錛屼粬浠寮哄寲浜嗕綋楠屼紭鍏堢殑鐞嗗康錛岃〃鏄庤ょ煡紿佺牬瀵規垚闀跨殑鍐沖畾鎬т綔鐢ㄣ傞浄鍐涚殑鍒嗕韓榧撳姳鎴戜滑浠ュ疄璺靛拰鍧氭寔紿佺牬璁ょ煡錛岃剼韙忓疄鍦伴潰瀵規垚闀誇腑鐨勫洶闅俱
婕旇茬殑緇撳熬錛岄浄鍐涘瘎璇澶у訛細鈥滄効浣犱滑鐨勬ⅵ鎯蟲垚鐪燂紝姣忎竴嬈℃寫鎴橀兘鏄涓嬈℃垚闀跨殑鏈轟細銆傗濅粬鐨勬晠浜嬪憡璇夋垜浠錛屽彧鏈夐氳繃璁ょ煡鐨勭獊鐮達紝鎵嶈兘鐪熸ｅ疄鐜頒釜浜虹殑椋炶穬涓庢垚闀褲傚叧娉ㄦ垜浠鐨勫姩鎬侊紝鍔犲叆鎴戜滑鐨勬妧鑳芥彁鍗囩兢錛屽叡鍚屽紑鍚鏅烘収涓庢ⅵ鎯崇殑鏃呯▼銆
3. 2022程序員年終總結與展望
做為一名程序員至少熟練掌握兩到三種開發工具的使用，這是程序員的立身之本，其中C/C++和JAVA是重點推薦的開發工具。下面我給大家帶來2022程序員 年終 總結 與展望，更多程序員年終總結可點擊「 程序員總結 」查看。
2022程序員年終總結與展望1
一年的時間，每當自己在總結它的時候，感覺是那麼的短暫—彈指一揮間、而也就是在這一揮間，承載著太多太多，有收獲與成就，有失敗與不足、回頭看看20__年的足跡，伴隨著自己一年的是學習與堅持。
20__年伊始是通過分銷資源計劃系統(DRP)拉開序幕、此次項目是一個相對比較完整的Java Web項目，從最基礎的業務介紹，到需求分析，資料庫分析與設計，頁面設計，代碼編寫…直到整個項目的完成，通過這個項目學到了很多新的知識，同時對很多已經學過的知識進行很好的摩擦和補充、因為在其中還穿插著其他的內容，所以用了有半年左右的時間、具體總結可以參見博客：DRP項目總結、
從4月初到5月末，准備並進行軟體設計師的考試、這是我第二次參加軟體設計師考試、通過兩次考試的對比可以明顯的發現產生在自己身上的一些改變和進步、具體可見無經歷，不成熟—軟體設計師考試後總結
但是最終的考試結果是沒有通過，和第一次一樣，差兩分、雖然成績的結果沒有通過，但是通過這次軟體設計師的復習考試，很給力的給自己補充了計算機基礎方面的知識，同時也解了自己很多的疑惑，真正的學到了很多的知識、回顧自己整個的復習過程，收獲是很大的，不僅僅是計算機基礎，更是一種面對失敗的心態收獲、而這種心態將會在自己未來的路上會起很大的作用、
後半年進入SSH項目的實踐和學習。
SSH為struts+spring+hibernate的一個集成框架，是目前較流行的一種輕量級Web應用程序開源框架。
Struts就是一個MVC的架構，在控制器，視圖和模型方面都有其特定的組件，在SSH框架中，更多的是利用了Controller這個組件。
Spring實現了反轉控制(Inversion ofControl)和面向方面編程(Achievement-OrientedProgramming)。Spring框架的能實現應用的分層架構，在應用中要使用的對象可以被一個簡單的_ML文件連在一起，這個_ML文件含有到像事務管理器、對象工廠、包含業務邏輯的服務對象、和數據存取對象這些對象的引用。
Hibernate是一種ORM映射工具，它不僅提供了從Java類到數據表之間的映射，也提供了數據查詢和恢復機制。相對於使用JDBC和SQL來手工操作資料庫，使用Hibernate，可以大大減少操作資料庫的工作量。
通過對SSH框架的學習，認識到框架給我們開發所帶來的便利，更重要的是在框架形成的過程中所包含的原理和思想、收獲都在一篇篇的博客中。
2022程序員年終總結與展望2
我是一名程序員，在過去的一年裡，軟體研發部團結協作，以及在公司這充滿奮斗的環境下，我以嚴肅認真的工作態度和百折不饒的精神，努力的完成了公司的各項工作，在軟體研發、團隊協作和個人成長上也取得了一定的成績。在公司一年的工作已經結束，特向 公司總結 過去一年的工作如下：
一、軟體研發
根據公司的安排，項目的需要。在自身的努力、伍經理的幫組，團隊的合作下，克服重重技術困難，增長了工作 經驗 ，收獲豐盈：以前我在其他公司也做過一些開發，但是底層和架構與頁面樣式我都是沒有涉及到的。通過這一年在本公司的的這些項目程序中的鍛煉，我成長了，我學會了很多很多。
面向對象語言的收獲。對於當前編程的主流思想是對象，任何事物都可以用對象來表示。以前理解這些話很費解都是從表面上理解，沒有從深入的體會，通過這次__項目的深入，不管是數據還是外部一些條件我們都可以抽象成對象，都可以用對象來表示，具體可以用語言中的類方等。
具備獨立完成__ 知識方面的能力。以前沒有做過__ 的東西，加上這次深入的做，這次涉及到的領域也非常廣，常用的重要的都有涉及，並且還補充__ 實際操作中空白的部分。通過這一年的開發，在__ 方面我能勝任這方面的工作，能獨立完成這方面的工作。__ 方面存在一些不足。通過這次軟體的開發，也發現自己的不足，如基礎知識掌握不牢，缺乏編程整體思想。這些都是需要在工作中完善和改進的。
二、資料庫開發
資料庫是伴隨著項目以來用的最多最平凡的技術。以前對資料庫只是會一些簡單常用的操作，經過這一年項目的實戰，對資料庫的操作增加了一些豐富的經驗。為以後的工作和經驗的積累都奠定了堅實的基礎。同時在項目中還用到了__資料庫，這是我最大的收獲。
能熟練的運用資料庫技術進行開發。特別是對__ 資料庫的操作，經過這么長時間的積累，基本上能合理的設計和新建資料庫，同時在數據結構上也加強了對資料庫的理解。通過項目的實踐現在能熟練使用和編寫多種__ 語句。還掌握了一些關於資料庫優化__ 語句優化的 方法 ，能進行一些簡單的優化。數據是一門比較先進的技術，並不是你會寫一些__ 語句，能建幾個資料庫你就是資料庫工程師。要成為一個好的資料庫管理員是要經過長時間的工作積累。針對自己的不足，在以後的工作和學習中多接觸，多運用新的知識點。充實自己的經驗和知識儲備。
三、團隊協作
上面的成功與收獲，除了自身努力外，以及公司的支持。是這個團隊鑄造了我。我們這個團隊也是因為有了我們這些拼搏協作的隊員，使得它成為一個具有務實、拼搏、創新精神的團隊。我與軟體研發小組是一個整體，這里的團隊總結也就是我在這個團隊中的收獲。公司下發的任務，下發的工作，件件都是用心去做的。我們這個團隊中沒有一個人在工作的時候做了工作以外的事情，都是實實在在的做跟工作相關對公司有益的事情。相信在伍經理的帶領下現在是這樣，以後同樣也是這樣。公司給的每一個任務不管它多難，如果工作沒有完成我們會晚上加班，也要盡可能的完成當天的工作。如果工作實在忙，為了趕進度我們放棄周末休息時間也要盡可能的使項目提前。
現在我們開始項目的時候都會進行研討，一般都會進行一個效率和邏輯的分析與討論，保證程序正確的前提盡可能的提高程序的效率。我們小組內只要任何一個人出現技術或 其它 的問題，我們都會彼此都會盡可能的去幫助他。不會因為某一個人而拖住整個項目滯後。我們在項目中會及時溝通自己的收獲，特別是一些針對性的技術問題。這樣可以省了很多重復研究的時間，這是一筆很可觀的時間。在交流中只要我會的，我懂的，我不會去吝嗇。我會積極的去與你交流，我的團隊 名言 「人強團則強，人弱團則削」。
通過公司這快一年的鍛煉與學習我真的進步了很多，不管從技術上還是做事上，都不像以前那樣了。我在公司學到的懂得的使我飛速成長。
2022程序員年終總結與展望3
時光如水，歲月如梭。
快樂的時間總是短暫的，今年過得很快。
工作四年了，保持著每年寫一份總結的習慣。
我很希望總結有一個醒目的名字，比如從__ 到__ ，或者薪水從____ 到____ 這樣。可惜什麼都沒有，我的職位依然是軟體開發，薪水依然是那麼多。現在經濟蕭條，估計也沒什麼希望漲錢了。
對於懷有遠大抱負的同學，這份總結應該是份反面教材。
記得去年寫總結的時候心情很差，抱怨了很多當時的工作以及領導"花生"，那個時候的願望是找一份新工作。沒想到剛進入12月我就找到了。
不得不說這一次求職我是認真的把它當作一個工程去做，客觀得對自己進行了定位，而且非常重要的是明確我想要的工作到底是什麼樣的。我需要的是讓我每天的8小時能夠享受工作的快樂。
投 簡歷 面試 的過程非常折磨人，尤其是我的處境(每天很大壓力，完全是自我打磨的階段)。
我清楚地記得面試現在這份工作那天是某個周六，我的經理"娃娃"和技術主管t同意我周末面試。一共4個小時，那絕對是一個互相爭取的過程。他們對於工作的熱情打動了我，覺得和這樣的團隊合作一定可以有火花。
真是幸運，當我正視錯誤，用行動做出改變的時候，找到了一份我要的工作。 入職 三周已經和團隊磨合得很好了，用同事的話說就是覺得我已經加入很久了。
這里不得不說一句我們的團隊，一個老中青結合富有戰鬥力的集體，而且還不乏八卦調節生活。每個人都特別，合作也會有摩擦，但是整體運作非常協調，開發速度和效率都高。從他們身上我看到不同的工作態度，生活態度。這些對我的 職業規劃 都有著潛移默化的影響。領導「娃娃」也非常合適我目前階段對於領導的需求。如果說幾年前我初出茅廬需要的是一個有時間且肯耐心帶我的領導的話，現在的我需要的是一個可以給予我充分信任的上司。「娃娃」信任我，從剛進入公司就如此。在熟悉產品階段我提出的問題和建議他都認真的聽了，而且給我時間讓我按照自己的想法作出修改。後來我也喜歡把新想法跟他說，當我們帶著創意去和老闆談的時候他是我堅強的後盾。
這一年下來我在純技術上的提高並不多，我們所面向的客戶並不要求尖端的技術。經驗主要體現在理解需求上面，如果說前兩年我還需要領導把需求說得很明白，還會為"馬後炮"而耿耿於懷。那麼今年應該算是個分水嶺。現在的我不需要領導花很久時間來講需求，也不用每一步都需要認可再做接下來的工作。總的來說就是技術和業務之間的距離越來越近，而且還可以想到客戶將來會需要什麼(我曾經的領導應該很欣慰，他培養的人終於達到他說的big picture了)。
也許這也是我一年來少來csdn的緣故吧，不會有什麼特別沒有頭緒的問題需要上來發問。可以把所掌握的技術靈活的運用到實踐中去。
其實把需求抽象建模還是很麻煩的，很多時候在最初階段客戶自己都不知道自己要的是什麼樣的方案。對於需求很明確的客戶實在太少了。這個不斷修改的階段耗時耗力，關鍵是還不一定能爭取下來拿到單。我們單位有個很好的傳統，當爭取到新的客戶後。售前和銷售都會對我們開發人員作一次演講，分析客戶特點(一般客戶都比較有名沒啥說的)以及我們的解決方案中哪些部分是最打動客戶的，也就是"利潤"點。每一次這樣的會議都會伴隨著很久的討論餘波，開發者在討論的時候又會產生新的想法，我是100%享受這樣的流程。
實在要說技術點上面，第一個接手的工程是提速，大量數據快速插入資料庫(我找到的.net的bulk，vb6的string class+union all )，開始大面積接觸sql server __ ，寫很多存儲過程，.net寫一些winform的東西，不是特別高深。但是很好的對於結構的鍛煉vb6跟不同版本的cad及其衍生物結合(這個一直在做，不過越做越高深)，最後就是我每年都會寫的"細節與規范"，現在身邊立著幾個榜樣，我需要時時刻刻鞭策自己。
工作上還不那麼順暢的是"協調"。資料庫和代碼的協調，開發時間的協調，開發和安裝的協調，版本之間升級的協調。有些是不得已而為之，但有些是可以通過方法避免的。而且不同的人有不同的做事方法，這個上面值得我學習的還很多。
關於加班，今年是我加班時間最長的。會有連續幾星期都在10點左右下班的時候，不過還是很快樂。因為是自己想把東西做好做精。當然還有的時候是友情加班，陪兄弟們共患難。
我代表開發部參加了單位的活動組織小組。這個小組就是組織大家每個季度公款fb一次，還有年會。參加這個挺有意思的，多些機會認識不同部門的同事。另一方面也讓我開朗健談些，這些年越來越安靜了，不知道算不算好事。
還有一點今年深刻的體會就是雖然我是做技術的，大部分時間跟機器打交道。但是我還是作為一名員工在部門和公司中的。自己的個性或者對事物的看法也影響著身邊的同事。今年中國發生了好多事情，有憤怒，有自豪，有震驚，有悲哀。記得某大使說過我們需要中西方更多的溝通，從來沒有哪一年讓我覺得有如此重的責任感與使命感。
聖火傳遞的時候我把搜集來的資料群發，地震的時候募集捐款，奧運的時候穿著愛國t。今年給了我很多話題，自己也更有意識的把一些信息傳遞給身邊的同事。
最後說生活上：
滿意的事： 完成了又一個旅行夢想，
自豪的'事： 參與組織了愛國學生運動，這輩子沒操過那麼多的心。10天沒寫一行代碼，還請假(幸虧那陣子不忙)，
期待的事情： 年底回家，
低頭做事，抬頭做人。
2022程序員年終總結與展望4
我來公司已經近_個月了，在這_個月中，我隨著對公司的逐步了解，更加堅定了我進公司前面試時候「找個能夠長期發展的公司」的想法，我對公司的前景充滿希望;通過兩個月與同事的接觸，我對他們的技術水平很佩服，因而對物流軟體的前景也充滿信心。
在此期間，我認真積極的工作，並且在同事的積極主動而又誠懇的幫助下完成了領導給我分配的工作。
1、熟悉了物流軟體的業務流程，在將來的工作中我將更加明細的知道各個業務的具體功能和實現方法，更好的為公司服務。
2、完成了計費部分的需求分析，概要設計、資料庫設計
3、完成了機器登錄(主要功能：搜索整個區域網，用比較高效的方法能夠快速的獲取每台電腦的主機名、IP地址、網卡物理地址MAC，並且把他們應用的系統登錄w_login的校驗中去)、商品信息(主要功能：商品信息查看、一次錄入、二次錄入、修改、匹配、維護、歷史商品信息查看、商品信息匹配列設置)、靜態數據維護(主要功能：基礎數據查看、錄入、維護、設計全局函數，方便在數據窗口中把基礎數據作為下拉子數據窗口調用)、版本查詢的新增開發;跟羅宇宙翔一起完成了系統日誌(修改日誌窗口、修改保存日誌的全局函數，從而把以前的6個類似函數統一起來，並且把這個函數應用到部分窗口)。 使自己對物流業務、文檔書寫、ORACLE存儲過程、圖形化界面、動態菜單有了進一步的認識。雖然整個項目組的人都在努力工作，但是項目進度比預期的推遲了一段時間，現在時間緊迫，我會更加努力工作，希望能盡自己能力幫助物流組按時完成項目
1、盡早完成領導交給我的工作，完成之後主動向領導要工作
2、寫好說明便於閱讀維護、寫好工作日誌便於領導掌握我的工作進度
3、抽空看同事的設計檔和程序，一方面提高自己，另一方面向同事提供建議，從而增強整個系統的質量。請領導和同事考核我、關懷我、團結我、激勵我，共同為高效、高質量完成這個項目而努力。
2022程序員年終總結與展望5
時間一晃而過，轉眼間到公司已經半年多了。這是我人生中彌足珍貴的一段經歷。在這段時間里各級領導在工作上給予了我極大的幫助，在生活上給予了我極大的關心，讓我充分感受到了領導們「海納百川」的胸襟，感受到了大發人「不經歷風雨，怎能見彩虹」的豪氣。在對公司各級領導肅然起敬的同時，也為我有機會成為公司的一份子而自豪。 在這半年多的時間里，在領導和同事們的悉心關懷和指導下，通過自身的努力，各方面均取得了一定的進步，現將我的工作情況作如下匯報。
一、通過培訓學習和日常工作積累使我對____公司有了一定的新的認識。
在5月中旬我來到了____ 公司信息科技有限公司參加招聘，經過幾輪面試和筆試，終於能夠有幸加入了____ 公司這個大家庭，在我進入公司時我拿到的第一份資料就是公司介紹和新員工入職說明，當時只是覺得公司很正規，很強大。在和部門領導以及項目經理交流後，感覺公司很親切，很溫馨。對其它方面就不太知道了，特別是對視頻監控幾乎一無所知。通過三個月的親身體會，對智能交通和公司有了一定了解。公司的理念在平時的工作
以及項目開發時體現的淋漓盡致，本人對公司的理念非常認同。公司發展不忘回報社會的壯舉，令人敬佩。公司以人為本、尊重人才的思想在實際工作中貫徹，這是____ 公司能發展壯大的重要原因。在十年左右的時間實現跨越發展的確很不容易，在智能交通行業深入發展是____ 公司的雄心壯志，也是凝聚人才的核心動力。現在公司在視頻監控以及安防行業起到了舉足輕重的地位，今後還將更加輝煌。
二、遵守各項 規章制度 ，認真工作，使自己素養不斷得到提高。
愛崗敬業 的職業道德素質是每一項工作順利開展並最終取得成功的保障。在這半年多的時間里，我能遵守公司的各項規章制度，兢兢業業做好本職業工作，半年來從未遲到早退，用滿腔熱情積極、認真地完成好每一項任務，認真履行 崗位職責 ，平時生活中團結同事、不斷提升自己的團隊合作精神。一本《細節決定成敗》讓我豪情萬丈，一種積極豁達的心態、一種良好的習慣、一份計劃並按時完成竟是如此重要，並最終決定一個的人成敗。這本書讓
我對自己的人生有了進一步的認識，渴望有所突破的我，將會在以後的工作和生活中時時提醒自己，以便自己以後的人生道路越走越精彩。
三、認真學習崗位職能，工作能力得到了一定的提高。
根據目前工作分工，我的主要工作任務是
(1)參與公司軟體項目的開發與測試;
(2)負責安徽省路警聯合指揮中心軟體系統的維護工作。通過完成上述工作，使我認識到一個稱職的開發人員應當具有良好的語言表達能力、扎實的技術能力、較強的邏輯處理能力、靈活的應變問題能力、有效的對外聯系能力。在參與項目開發的過程中，發現很多看似簡單的工作，其實裡面還有很多技巧。
四、不足和需改進方面。
雖然加入公司這個大家庭已經半年有餘，對開發技術掌握的還不是很深，對發現問題的處理還不是很全面，對分工的工作還沒有形成系統的計劃。隨著對公司和工作的進一步熟悉，我也希望能夠在今後的工作中更加迅速的提升自己的業務能力以及技術能力，我覺得多做一些工作更能體現自己的人生價值。「業精於勤而荒於嬉」，在以後的工作中我要不斷學習業務知識，通過多看、多問、多學、多練來不斷的提高自己的各項業務技能。學無止境，時代的發展瞬息萬變，各種學科知識日新月異。我將堅持不懈地努力學習各種知識，並用於指導實踐。在今後工作中，要努力做好開發人員的本職工作，把自己的工作創造性做好做扎實，為項目的開發以及公司的發展貢獻自己的力量。
五、 工作計劃 暫時做出以下幾點規劃：
1、要提高工作的主動性，做事乾脆果斷，不拖泥帶水;
2、工作要注重實效、注重結果，一切工作圍繞著目標的完成;
3、要提高大局觀，是否能讓其他人的工作更順暢作為衡量工作的標尺;
4、把握一切機會提高專業能力，加強平時知識總結工作;
5、精細化工作方式的思考和實踐。
6、虛心請教比我做的優秀的其他同事，向他們學習技術或經驗。其實作為一個新員工，所有的地方都是需要學習的，多聽、多看、多想、多做、多溝通，向每一個員工學習他們身上的優秀工作習慣，豐富的專業技能，配合著實際工作不斷的進步，不論在什麼環境下，我都相信這兩點：一是三人行必有我師，二是天道酬勤。 在參加工作的這短短的一個半月中，我深刻的體會到，把自己所有的精力都投入進去，技術工作都不可能做到完美程度，畢竟技術工作太繁雜，項目多而人手少，但多付出一些，工作就會優化一些，這就需要認認真真沉下心去做事情，就是公司所提倡的企業精神：職業做事，誠信待人
2022程序員年終總結與展望相關 文章 ：
★ 程序員2022個人工作總結安排10篇
★ 程序員個人年終工作總結10篇
★ 2022程序員年終總結個人
★ 2021程序員年終工作總結範文10篇
★ 2022程序員年終工作總結
★ 2022年企業軟體銷售工作總結5篇
★ 程序員試用期工作總結2022
★ 2022年程序員個人轉正申請書
★ 個人年終工作總結(個人通用)50篇
★ 年終總結模板大全【10篇】
4. 如何理解Linus Torvalds的「什麼才是優秀程序員」的話
Linux的創始人Torvalds在一次演講中有一段涉及「什麼才是優秀程序員」的話：
「爛程序員關心的是代碼。好程序員關心的是數據結構和它們之間的關系。」
這句話聽起來很直白，但未必所有人都能理解其內在的涵義。在國外知名的問答網站stackexchange上有人對這句話提出了自己的困惑：
■ 對這句話應該如何理解？
■ 如何學習和應用其中的道理？
能問出這樣的問題需要勇氣，提問的人自己也自嘲的說：我不理解這句話也許不是一個好的徵兆。但同一句經典言論，100個閱讀會得到100種不同的領悟，正像stackexchange網站上各式各樣不同的回答一樣。下面我們來看看最被認可的一種理解吧。
如果看一下Torvalds在此句話之前說的話，可能會對我們理解它有幫助：
git的設計其實非常的簡單，它的數據結構很穩定，並且有豐富的文檔描述。事實上，我非常的贊同應該圍繞我們的數據結構來設計代碼，而不是依據其它的，我認為這也是git之所以成功的原因之一[...]依我的觀點，好程序員和爛程序員之間的差別就在於他們認為是代碼更重要還是數據結構更重要。
他說的意思是，好的數據結構設計能使代碼更容易設計和維護，而再好的代碼也不能彌補糟糕的數據結構帶來的危害。
如果你不理解他舉的git的例子，我再解釋一下，很多的版本控制軟體都會有規律的修改它們的數據格式來支持增加的新特徵。當你升級軟體來獲得新功能時，你通常需要一些工具來轉換到相應的資料庫格式。
舉個例子，當分布式版本控制系統剛剛開始流行時，很多人不知道，為什麼相對那些集中式的版本控制軟體，分布式模式下的代碼合並會如此的干凈整潔。答案無它，分布式的數據結構更適合這樣的任務。我相信集中式的合並演算法也在快速的改進，但它需要很長的時間才能趕上，因為老的數據結構限制了他們使用的某些演算法，而新的數據結構破壞了很多現有的代碼。
相比較而言，git里的新特徵在不斷涌現，但它底層的數據結構幾乎沒有什麼變化。先考慮數據結構，你的代碼會自然的整潔起來。