受限波尔兹曼机（Restricted Boltzmann Machines）介绍
RBM在深度学习（deep learning）算法中有着非常重要的应用，本文介绍了RBM的基本概念，并介绍了几种有代表性的算法。作者西安交大张春霞，姬楠楠，王冠伟。山国武技亡文在线应用的热潮。理论方面,RBM的CD快速学习算法促进了研究者们对随机近似理论、基于能量的模型、未归一化的统计模型的研究⑧。应用方面,RBM目前已被成功地应用于不同的机器学习问题⑨-14,如分炎、回归、降维、高维时闾序列建模、图像特征提取、协同过滤等等。2006年, Hinton等人[15提出了一种深度信念网终( Deep Belief Nets,DBN),并给出了该模型的一个髙效学习算法。这个算法成为了其后至今深度学习算法的主要框架。在该算法中,个DBN模型被视为由若干个RBM堆叠在起,训练时可通过由低到高逐层训练这些RBM来实现:(1)底部RBM以原始输入数据训练;(2)将底部RBM抽取的特征作为顶部RBM的输入训练;(3)过程(1)和(2)可以重复来训练所需要的尽可能多的层数。由于RBM可以通过CD快速训练,这一框架绕过了直接从整体上训练DBN的高复杂度,从而将其化简为对多个RBM的训练冋题。 Hinton建议,经过这种方式训练后,叮以再通过传统的全局学习算法(如反向传播算法)对网络进行微调,从而使模型收敛到局部最优点。这种学习算法,本质上等同于先通过逐层RBM训练将模型的参数初始化为较优的值,再通过少量的传统学习算法进一步训练。这样一来,不仅解决了模型训练速度慢的问题,大量试验结果也表明,这种方式能够产生非常好的参数初始值,从而大大提升了模型的建模能力。自此,机器学习领域又产生了一个新的研究方向-深度学习( Deep learning)[1618],明确提出了面向人工智能的机器学习算法的设计目标。当前,以RBM为基本构成模块的DBN模型被认为是最有效的深度学习算法之一。鉴于RBM在深度学习领域中占据的核心位置以及其本身的良好性质,为了给RBM的初学者提供入门指导,同时为设计与之相关的新算法提供参考,本文将对RBM进行较为系统的介绍,详细阐述其基本模型、具有代表性的快速学习算法、参数设置、评估方法及其变形算法,最后对RBM在未来值得硏究的方向进行探讨。本文后续内容安排如下:第1节介绍受限波尔兹曼机RBM的基本模型,第2节详细阐述当前训练RBM的快速学习算法,第3节讨论RBM的参数设置,第4节给出评价RBM优劣的方法,第5节简单介绍几种具有代表性的RBM变形算法,第6是总结与展望,主要探讨RBM在未米值得研究的方向。1受限波尔兹曼机RBM的基本模型RBM也可以被视为一个无向图 undirected graph)模型,如图2所示。v为可见层,用于表示观测数据,h为隐层,可视为一些特征提取器( feature detectors),W为两层之间的连接权重。 Welling19指出,RBM中的隐单兀和可见单元可以为任意的指数族单元(即给定隐单元(可见单元,可见单元(隐单元)的分布可以为任意的指数族分布),如 softmax单元、高斯单元、泊松单元等等。这里,为了讨论方便起见,我们假设所有的可见单元和隐单元均为二值变量,即V,j,v∈{0,1},h;∈{0,1}如果一个RBM有m个可见单元和m个隐单元,用向量v和h分别表示可见单元和隐单元的状态。其中,v;表示第个可见单元的状态,h表示第个隐单元的状态。那么,对于一组给定的状国武技论义在线隐层h可见层v图2:RBM的图模型表示,层内单元之间无连接态(v,h,RBM作为一个系统所具备的能量定义为∑a"2-∑bh-∑∑上式中,O={Wn,a,b}是RBM的参数,它们均为实数。其中,W表示可见单元;与隐单元j之间的连接权重,;表小可见单元的煸置(bias),b;表小隐单元j的偏置。当参数确定时,基于该能量函数,我们可以得到(v,h)的联合概率分布,E(v, ho)P(v, h0Z(0)=∑e-E(v, h ez(6)(2其中z(0)为归一化因子(也称为配分函数, partition function)时于一个实际问题,我们最关心的是由RBM所定义的关于观测数据v的分布P(ve),即联合概率分布P(v,h)的边际分布,也称为似然函数( likelihood functionP(v8∑E(v, h 0)3)Z(0为了确定该分布,需要计算归一化因子z(),这需要2n+m次计算。因此,即使通过训练可以得到模型的参数W,α和b,我们仍旧无法有效地计算由这些参数所确定的分布。但是,由RBM的特殊结构(即层间有连接,层内无连接)可知:当给定可见单元的状态时,各隐单元的激活状态之间是条件独立的。此时,第j个隐单元的激活概率为P(h=1v,O)=o(+∑W其中,O(x)1+exp(-a)为 sigmoid激活函数由于RBM的结构是对称的,当给定隐单元的状态时,各可见单元的激活状态之间也是条件独立的,即第i个可见单元的激活概率为11)=o(a+∑Wh1国武技论义在线2基于对比散度的RBM快速学习算法学习RBM的任务是求出参数θ的值,以拟合给定的训练数据。参数0可以通过最大化RBM在训练集(偎设包含T个样本)上的对数似然函数学习得到,即A=arg max C(0)=arg max>log(6为了获得最优参数θ^,我们可以使用随札梯度上升法( stochastic gradient ascent)求C(6)=∑1lgP(vθ)的最大值。其中,关键步骤是计算logP(v()关于各个模型参数的偏导数由于c(O)=∑ log p(vo)=∑og∑Pv"),het=1∑1pBw,b∑pE(,hO)-lg∑∑oxp-E(,h)令0表示6中的某个参数,则对数似然函数关于的梯度为OC、、8(og>expl-E(v(t),h)-10e∑∑∑ep-E(v,hO)exp[-e(vo,ho) d(E(vo),h0))(Σ h exp[-E(v,hO>∑8+E(-E(v,h)06∑0(-E(v(0,hl(-E(v,h6)S06P(hv(t),0)P(v, h0)其中,()P表示求关于分布P的数学期望。P(hv),)表示在可见单元限定为已知的训练样本v()时,隐层的概率分布,故式()中的前一项比较容易计算。P(v,h0)表示可见单元与隐单元的联合分布,由于归一化因子z(θ)的存在,该分布很难获取,导致我们无法直接计算式(8)中的第二项,只能通过一些采样方法(如Gibs釆样)获取其近似值。值得指出的是,在最大化似然函数的过程中,为了加快计算速度,上述偏导数在每一迭代步中的计算一般只基于部分而非所有的训练样本进行,关丁这部分内容我们将在后面讨论RBM的参数设置时详细阐述。下面,假设只有一个训练样本,我们分别用“data”和“modl”来简记P(hv(),6)和P(v,h)这两个概率分布,则对数似然函数关于连接权重W、可见层单元的偏置a和隐层单山国科技论文在线元的偏置b;的偏导数分别为alog P(v8ihi idata -(ihi,modelalog P(v 0)datai ) modela log P(v 8=(hi)data(hi model2.1RBM中的 Gibbs采样Gibs采样( Gibbs sanpling)[20是一种基于马尔可夫链蒙特卡罗( Markov chain monteCarlo,MCMC)策略的采样方法。对于一个K维随机向量X=(X1,X2,……,Xk),假设我们无法求得关于X的联合分布P(X),但我们知道给定X的其他分量时,其第k个分量Xk的条件分布,即P(Xk|Xk),Xk-(X1,X2,…,Kk-1,Xk+1,…,Xk)。那么,我们可以从X的一个任意状态(比如{c1(0),x2(0),…,xk(O))开始,利用上述条件分布,迭代地对其分量依次采样,随着采样次数的增加,随机变量[r1(m),x2(m),…,xk(n)]的概率分布将以n的几何级数的速度收敛于X的联合概率分布P(X)。换句话说,我们可以在未知联合概率分布P(X)的条件下对其进行样。基于RBM模型的对称结构,以及其中神经元状态的条件独立性,我们可以使用 Gibbs采样方法得到服从RBM定义的分布的随机样本。在RBM中进行k步吉布斯采样的具体算法为:用一个训练样本(或可见层的任何随机化状态)初始化可见层的状态v,交替进行如下采样:ho w P(h vo), V1 P(v ho),h1 n P(hv1),P(vhP(v hk)在采样步数k足够大的情况下,我们可以得到服从RBM所定义的分布的样本。此外,使用Gib样我们也可以得到式(8)中第二项的一个近似。22基于对比散度的快速学习算法尽管利用吉布斯采样我们可以得到对数似然函数关于未知参数梯度的近似,但通常情况下需要使用较大的采样步数,这使得RBM的训练效率仍旧不高,尤其是当观测数据的特征维数较高时。2002年, Hinton7提出了RBM的一个快速学习算法,即对比散度( Contrastive DivergenceCD)。与吉布斯采样不同, Hinton指出当使用训练数据初始化vo时,我们仅需要使用k(通常k=1)步吉布斯采样使可以得到足够好的近似。在CD算法一开始,可见单元的状态被设置成个训练样本,并利用式(4)计算所有隐层单元的二值状态。在所有隐层单元的状态确定之后,根据式(5)来确定第个可见单元v;取值为1的概率,进而产生可见层的一个重构 reconstruction)国武技论义在线这样,在使用随杋悌度上升法最大化对数似然函数在训练数据上的值时,各参数的更新准则为△Wx=(vh;)ata-(vhrecondata这里,是学习率( (learning rate),{}reon表示一步重构后模型定义的分布在RBM中,可见单元数一般等于训练数据的特征维数,而隐单元数需要事先给定。为了与前文记号致,假设可见单元数和隐单元数分别为和m。令W表示可见层与隐层间的连接权重矩阵(m×m阶),a(n维列向量)和b(m维列向量分别表示可见层与隐层的偏置向量。RBM的基于CID的快速学习算法主要步骤可描述如下输入:一个训练样本xo;隐层单元个数灬m;学习率e;最大训练周期T●输出:连接权重矩阵W、可见层的偏置向量a、隐层的偏置向量b.·训练阶段初始化:令可见层单元的初始状态v1=x0;W、a和b为随机的较小数值。For t=1.2TFor j=1,2,…,m(对所有隐单元)计算P(h1=11),即P(h1;=1v1)=0(b+∑,从条件分布P(h1v)中抽取h∈{0,1}EndFor上ori=1,2,……,m(对所有可见单元计算P1h1,即P(v2=1h1)=0(a+∑,Wh1);从条件分布P(v2h1)中抽取v2∈{0,1}EndOForj=1.2,…,m(对所有隐单元)计算P(h2=1v2),即P(h2y=1lv2)=a(b;+∑;2:W7);Endfor按下式更新各个参数W←W+∈(P(h1.=1v1)lv2)V2);a←-a+((v1-v2);+c(P(h1=1v1)-P(h=1)v2)山国科技论文在线Endfor算法1.RBⅥ的基于CD的快速学习算法主要步骤在上述算法中,记号P(hk.=1|vk)(k=1,2)是m维列向量,其第个元素为P(h;=1vk)尽管上述基于CD的学习算法是针对RBM的可见单元和隐层单元均为二值变量的情形提出的,但很容易推广到可见层单元为高斯变量、可见层和隐层单元均为高斯变量等其他情形,关于这方面的研究具体可参见[2125此外,还有一些研究者在CD算法的基础上,对其作了进一步改进。例如, Tieleman②26提出了持续对比散度( Persistent contrastive divergence,PCD)算法,该算法与CD的区别在于首先,PCD不再使用训练数据初始化CD算法中的 Gibbs采样的马氏链;其次,PCD算法中的学习率较小且不断衰减。根据随机近似理论,尽管每次更新参数后模型都发生了改变(每次对于W,a和b的更新,RBM定义的分布都会发生改变),但由于学习率较小且不断衰减,则可认为那条马氏链产生的负样本是由当前RBM定义的分布的一个近似分布米样而来Tieleman和 Hinton[27进一步改进了PCD算法,他们通过引入一组辅助参数以加快PCD中的马氏链的混合率,提出了快速持续对比散度( Fast Persistent Contrastive Divergence,FPCD)算法。关于RBM的学习算法,除了上述提到的基于CD的一些方法之外,还有最大化拟似然函数( maximum pseudo- likelihood)、比率匹配方法 (ratio matching)等,有兴趣的读者可参阅[28]查找关于RBM学习算法比较详细的阐述。3RBM的参数设置RBM的训练通常是基于CD的方法(即算法1)进行的,但如何设置其中的些参数(如隐单元个数、学习率、参数的初始值等),是需要有一定经验的。近来,已有部分研究结果②29,30表明:对于特定的数据集和RBM结构,如果参数设置不合适,RBM将很难对真正的数据分布正确建模。因此,对实际使用者(尤其是初学者)米说,了解RBM中参数设置的一般规则是非常重要的。根据 Hinton{23]提供的建议以及我们进行数值试验所获部分经验,对RBM中的参数设置可参考以下规则。小批量数据及其容量对于连接权重、可见层和隐层偏置的更新,虽然可以基于一个训练样本进行(类似于在线学习的方式),但计算量将很大。将训练集事先分成包含几|或几百个样本的小批量数据(mini- batches)进行计算将更高效,这主要是可以利用图形处珥器GPU( graphicProcessing Unit)或 Matlab屮矩阵之间相乘运算的优势。同时,为了避免在小批量数据的样本容量发生改变时,学习率也必须做相应的修改,通常的做法是在参数的更新过程中,使用参数的平均梯度(即总梯度除以数据容量),即B(t+1(t+1)=0(+∑alog P(v(t)aB06t′=Bt+1这里,B表示小批量数据的容量,其值不应设得太大。B=1表示参数更新以在线学习的方式进行,而B一T则表示传统的批处理方式。一股而言,若训练集是包含来自不同类(具有同等概山国武技亡文在线率)的样本,理想的B应为总类数、使得每批数据屮都包含来自每个类的一个样本,以减小悌度估计的抽样误差。对于其他数据集.则可先随机化训练样本的次序,再将其分为容量为10的倍数的小批量数据。学习率学习率若过大,将导致重构误差急剧增加,权重也会变得异常大。设置学习率的一般做法是先做权重更新和权重的直方图,令权重更新量为权重的10-3倍左右。如果有一个单元的输入值很大,则权重更新应再小些,因为同·方向上较多小的波动很容易改变梯度的符号。相反地,对于偏置,其权重更新可以大一些。权重和偏置的初始值一般地、连接权重W可初始化为来自正态分布N(0,0.01)的随机数,隐单元的偏置b初始化为0。对于第讠个可见单元,其偏置az通常初始化为logP/(1-p),其中γ;表示训练样本中第讠个特征处于激活状态所占的比率。如果不这样做,在学习的早期阶段,RBM会利用隐单元使得第个特征以概率p处于激活状态。动量学习率学习率e的选择至关重要.ξ大收敛速度快,但过大可能引起算法不稳定;c小可避免不稳定情况的出现,但收敛速度较慢。为克服这一矛盾,一种具有代表性的思想是在参数更新式中增加动量项 momentum),使本次参数值修改的方向不完全由当前样本下的似然函数梯度方向决定,而采用上一次参数值修改方向与本次梯度方向的组合。在某些情况下,这可以避免算法过早地收敛到局部最优点。以连接权重参数W为例,其更新公式为W(+D)kw(t)aL(t)其中k为动量项学习率。开始时,k可设为0.5,在重构误差处于平稳增加状态时,k可取为0.9权衰减使用权衰减( weight- decay)策略的主要目的是避免学习过程出现过拟合( overfitting)现象,一般做法是在正常的梯度项后额外增加一项,以对较大的参数值作出惩罚。最简单的罚函数是2函数(M/2)>∑,W,即所有权重参数的平方和的1/2乘上一个正则化系数入入在RBM中又称为权损失( weight-cost)。重要的是,惩罚项关于权重参数的梯度必须乘上学习率,否则.学习率的改变将导致优化的目标函数也发生改变。在RBM中,若使用L2罚函数,贝权损失系数的取值可以取介于001与0.0001之间的任意值。值得指出的是,权衰减策略只需应用于连接权重参数W上,可见层和隐层偏置不需使用,因为它们不人可能导致过拟合。并且在某些情况下,偏置的值还必须较大才行隐单元个数如果我们关心的主要目标是避免过拟合而不是计算复杂度,则可以先估算一下用个好的模型描述一个数据所需的比特数,月其乘上训练集容量。基于所得的数,选择比其低个数量级的值作为隐元个数。如果训练数据是高度冗氽的(比如数据集容量非常大),则可以使用更少些的隐元。以上讨论的是RBM中的一些常用的参数设置,针对一个实际问题,应使用什么类型的可见单元和隐单元,在其中如何加入稀疏性使得隐单元只在少数情况下处于激活状态等问题的讨论,可参见文[23,31]山国科技论文在线4RBM的评估算法对于一个已经学习得到或正在学习中的RBM,应通过何种指标评价其优劣呢?显然,最简单的指标就是该RBM在训练数据上的似然度C()=∑1logP(v(()。但是,C(0)的计算涉及到归一化常数(),而这个值是无法通过数学方法直接解析得到的,但我们又不可能枚举RBM的所有状态。因此,只能采用近似方法对RBM进行评估。4.1重构误差所谓“重构误差”( reconstruction error),就是以训练数据作为初始状态,根据RBM的分布进行一次 Gibbs采样后所获样本与原数据的差异(一般用一范数或二范数来评估)Error=0初始化误差for all y(),t∈{1,2,…,T}do%对每个训练样本y(进行以下计算h N P(v()%对隐层采样ⅴ~P(h%对可见层采样Error=Eror+‖v-v)‖%累计当前误差end forreturn上mOP%返回总误差算法2.重构误差的计算.重构误差能够在一定程度上反映RBM对训练数据的似然度,不过并不完全可靠[23。但总的来说,重构误差的计算十分简单,因此在实践中非常有用。4.2退火式重要性采样退火式重要性采样”( Annealed Importance Sampling,AIS)图2是目前比较主流的RBM评估方法。它的想法非常直接,就是利用蒙特卡岁方法估计RBM对数据的似然度。只不过没有使用MCMC,而是通过一种叫做“重要性采样”( Importance Sampling)[20的算法进行逼近。这种算法的优点在于:当目标分布十分陡峭时,不直接对其进行采样,而是引入另一个简单的分布,在这个简单的分布上采样。然后,利用采样所获样本和两个分布之间的关系对原分布上的均值进行估算。“重要性抽样”的基本思想如下:假设我们要计算某个分布P4(x)的归一化常数ZA,那么,我们可以引入另一个状态空间相同,但更容易采样的分布PB(x),并且事先知道它的归化常数zB。这时,只要能计算出zA/zB的值,我们就可以算出原分布的归一化常数ZA。假
- 2020-12-04下载
- 积分：1
研发项目管理方法(RDPM)
项目管理，项目经理必修课，IT行业管理方法目录概述·曲·············1.2基本概念12.1什么是项目,10122华为研发项目有什么特点..1012.3产品、版本和项目的关系1.24什么是项日管理.021.2.5项目管理/项目群管理和项目组合管理的关系.131.3研发项目管理方法简介131.3.1总体介…131.3.2商业目标134项目组织模型1.3.5知识域4781.3.6工具.203.7模板201.3.8术语139项目文化14使用说明212商业目标2221概述2222研发项目绩效衡量标准…23商业目标的对齐.2423.1参与产品开发项目的商业目标的制定232和决策者在商业日标上的沟通.233和PDT核心组代表在商业目标上的沟通2234和外部客户在商业目标上的沟通2723.5和项目成员在商业目标上的沟通283项目生命周期模型...............11293.1概述…3.2项目指导流程.303.2.1RDR评审点3.22特殊评审点313.2.3RDR评审操作流程324RDR评审要素325RDR评审结论3.3项目管理流程仅供华为内部使用版权所有⊙华为技术有限公司3.3.1定义…332项目管理过程组..39333项目生命周期阶段.403331项目立项准备阶段3.3.2项目概念阶段3333项目计划阶段33.34项日执行(开发)阶段33.3.5项目执行(验证)阶段333.6项目执行(发布)阶段3.337项目关闭阶段57934项目使能流程…3.5生命周期模型在VRC版本研发项目中的应用..603.5.1RDR设置的说明….60352RDR评审操作流稈61353RDR评审要素说明.…613.54项目管理流程各阶段活动的说明4项目组织模型624.1概述4.2项目组织模型..6242.1定义及目的4.22项目指导职能.6342.3项目管理职能.…424项目执行职能.425项目中的关键角色和闭队…6542.5.1项目运作指导团队4.2.5.2项目经理4253项目组合负责人.7042.54项目赞助人…….704,2.5.5项目管理支撑人员4,2.56职能部门经理4.2.5.7执行小组42.58接收人…42.6其他利益干系人.7543项目组织模型在VRC版本研发项目中的应用./543.1研发项目组织界面.75432项目运作指导团队运作方式76433开发代表与版本经理的职责定位78434项目执行小组及其运作785知识域80仅供华为内部使用版权所有⊙华为技术有限公司5.1概述51.1引言52知识域的构成.80513知识域与项目生命周期的关系………81514知识域与过程组的关系…52整体管理52.1参与制定项目仟务书.5.22制定项目计划.523项目执行与监控524集成变史控制525沟通管理52.6项目移交…1043价值管理10953.1价值分析11153.2价值定义..15533价值控制…11854范围管理12054.1分析范围542定义范围126543控制范围129544验收范围““++“““1315.5质量管理13355.1质量策划1355.52质量保证与控制.5.6目标成本管理146561目标成本分解149562目标成本设计15356.3目标成本实现与验证…1575.7时间管理57.1活动定义161572活动评估…163573活动排序16574进度计划制定16857.5进度控制17158财务管理17358.1费用什计与预算1745.8.2费用控制59风险管理…18359.1风险管理规划…185仅供华为内部使用版权所有⊙华为技术有限公司592识别风险…593分析风191594制定风险应对计划193595控制人险195510人力资源管理.1995.10.1规划人力瓷源2015.10.2组建项日闭队203510.3管理项目团队…2045.10.4释放人力资源2085.1米购管理.20951.1规划采购.2115112实施采购.…215511.3供应商合同管理2175.1.4供应商合同收尾206工具6.1概述…2262PPM多项日管理工具62.1项目计划和依赖关系管理622实现项目人力需求与部门人力供给的半衡22362.3丰富的报表功能提供人力使用情况分析∴…2562.4项目范围和特性依赖管理.22562.5项目风险和问题管理.22662.6支持项目管理流程.2276.27项目合同管理63 CP JIRA项目管理工具22963.1灵活定义各种项日流程.······229632利用强大的统计功能实现项目可视化229633开放的插件接∏能方便快速实现外部系统的集成64 Microsoft office Project项目管理上具……232641充分利用依赖关系建立计划642充分利用工具的丰富视图功能.643及时确认工作完成进展644充分利用工具的筛选功能.2337模板….23571概述2357.2项目任务书模板23573项目计划模板23674项目状态报告模板7.5项目总结报告模板237仅供华为内部使用版权所有c华为技术有限公司8术语2388.1概述8,2术语表2389项目文化..24191概述92项目成员…24393项目主管24594项目团队..2489.5项目文化……········:·········951成就客户952艰苦奋斗953自我批判954开放进取2579.5.5至诚守信…956团队合作261956.1对齐∴262956.2信心263956.3承诺2659564尊重267956.5参与····“·*··10附录…27110.1补充说明10.1.1RDPM的开发约束…27110.1.2RDPM项目生命周期模型阶段划分的特殊考虑27110.1.3对知识域框架图的理解10.1.4研发项日在IPD中的位置27310.1.5TOPn改进项目生命周期和RDPM项目生命周期的对照∴2730.2通用的研发项目RDR评审要素一览表…27410.3通用的研发项目各阶段活动一览表277104V/RC版本研发项目RDR评审要素一览表27910.5VRC版本研发项目各阶段活动一览表10.6RDPM在产品开发项目中的应用28510.6.1商业日标10.6.2项目生命局期模型…10.6.3项目组织模型10.6.4知识域28710.6.5项目文化10.7RDPM在 Charter开发项目中的应用仅供华为内部使用版权所有⊙华为技术有限公司10.7.1商业目标28910.7.2项目生命周期模型…10.73项目组织模型29010.7.4知识域29010.7.5项目文化….10.8主要参考书目29110.9页献者.29210.9.1主要撰稿人.…10.92主要评审人29410.9.3编辑29410.94排版9510.9.5校对29510.9.6项目团队成员29510.97顾问29710.9.8意见反馈人…297仅供华为内部使用版权所有⊙华为技术有限公司研发项目管坦方法(RDPM)1概述概述1.1引言企业中主要有两种类型的活动:一类是连续不断、厝而复始的活动,人们称之为“例行工作”,这些活动常常是按照既定的程序、规章制度,个断重复进行,例如,年度人力预算、每月人力核算、PBC考核、职能部门例会等。另一类是具有特定目标的、临时性的、一次性的活动,人们称之为“项目”,每个项目都有自己的独特性,往往是不同团队采用不同过程,开发出不同产品或成果。例如,开发万门交换机、实施一次组织变革、实岘某个大T运营商的特定需求等。项目的绩效决定了华为PSST体系的整体效率。事实上,华为产品与解决方案体系(下面简称PSST体系)每年婁完成成千上万个各类项目,特别是和产品开发相关的工作基本上都是按项目来运作的,所以说,项目的绩效决定了华为PST体系的整体效率项目的绩效好坏取决于项目管理能力。有数据显示,PSST体系的人均效率只有业界最佳公司的几分之一,分析原因,发现这与PSST体系的项目管理能力不足有着很大关系。从业界最仹公司的实践绎验来看,以项目为中心、最优地利用组织资源是其提升组织运作效率的有效手段。项目管理能力是PSST体系的核心能力,需婁系统性地建设项目管理方法有助于项目管理能力的提升。日前,承担PSST体系研发项日管理工作的主要是开发代表、版木经理,整个PSST体系有1000多人,他们的项目管理能力直接关系到项目的绩效,所以,需要有一套项目管理方法,去帮助他们迅速提升项目管理能力,从而提高项日绩效。目前业界有一些标准的项目管理方法,如美国PMI( Project Management Institute) B PMBOK Project Management Body of Knowledge它们对于提升组织项目管理能力非常有用,但它们往往又较为通用化、理论化,与特定企业的业务流程、组织结构结合不够紧密,能将这些方法灵活应用在PSST体系的项日管理中对开发代表、版本经理是一个很大的挑战。业界最佳公司的通常做法,是结合企业自身项目运作环境和特点、项目管理最佳实践、以及业界的项目管理标准,开发一套适合本企业的项目管理方法或流程,如爱立信的企业项目管理方法 PROPS( The PrOject for Project Steering),IBM的全球项目管理方法 WWPMM( World wideProject Management Methods)。借鉴业界最佳公司的做法,PSST体系组织∫三十多位优秀的项目经理(包括PDI经理、开发代表、版本经理)和质量专家,消化和吸收业界的项目管理方法,结合IPD流程和研发组织特点,开发出這合华为PSST体系的研发项目管理方法RDPM(R& D Project Management methods)。仅供华为内部使用版权所有华为技术有限公司1概述研发项目管理方法(RDPM)1.2基本概念1.21什么是项目项目是为创造独特的产品、服务或其它成果(如某研究项目所产生的关键技术)而进行的临时性工作,包括一系列必须在特定时间完成的相互关联的活动。项目具有临时性(明确的开始时间和结束时间),独特性(一次性的、与过去不同的工作)。1.22华为研发项目有什么特点按项目创造的产品或成果来划分,华为研发项目包括(但不限于)以下类型的项目预研项目产品研发项目(IPD产品开发项目的子项目,下文有详细解释)技术研发项目平台研发项日Beta测试项目补丁版本研发项日●器件替代测试项目上述项目除∫具有项目共有的特征以外,华为研发项目还只有如下一些特点:需求经常是不亢整的、不清晰的,或者容易发生变化的项目进度经常非常紧,赶工现象普遍电信级产品技术复杂,质量要求很高对项目成员的经验和能力要求很高,项目人力成木比较高●项目规模大,项目成员数量多,沟通和协调难度大由此可见,华为研发项目往往非常复杂,要有效实施华为研发项目管理,必须采用系统的项目管理方法,才能保证项目的成功。在诸多类型的研发项目中,产品硏发项目是PSST体系中数量最多的项目,搞清楚了这类项目,也就抓住研发项目的本质。下面就产品研发项目和产品以及产品版本的关系做进一步的分析。1.23产品、版本和项目的关系产品是指满足外部客户需求的软硬件系统(如自研产品、外购产品,也包括资料等)产品对于外部客户而言是可感知的。(产品定义出自《华为公司产品和版本命名规则》)解决方案是一系列产品的集合,可以看做是一种特殊形态的产品。版本是产品在不同时间段的特性集合,包括产品的第一个交付、后续升级的交付。个产品可以有多个版本。版本是在产品生命厝期过程中依据特性对产品做的细分。(版木定义出自《华为公司产品和版本命名规则》)仅供华为内部使用版权所有华为技术有限公司
- 2020-06-06下载
- 积分：1
