因为通用的文末配置被删?灵活的按渠道文末配置了解一下!

通常我们在每次扩散文章的时候,都会在主体内容的最后顺便宣传一下自己的公众号、Git仓库、独立博客或者做一些版权声明等内容。如果我们将这些内容直接编辑到文章中的时候,经常会碰到这样的困扰:由于存在外链、二维码等原因,会被有这些限制要求的平台删除、设为私有,或者不被推荐,很难得到曝光。所以,你就不得不在每次扩散的时候做一些调整再发出来防止文章被平台处理的问题。那么如何高效优雅的解决上面的问题呢?

实际上,OpenWrite从一开始就提供了贴心的“文章底部”配置功能。下面就来跟小编一起来看看,如何配置这个功能来满足你的需求吧!

渠道的文末默认配置

渠道的文末默认配置功能位于:”渠道管理“功能中,用户只需要在渠道列表中,点击某个渠道的”配置“,就可以看到如下的详细配置:

其中除了包含渠道相关的发布配置之后,还包含了一个:文章配置。这里的”文章底部“输入框,用户可以使用Markdown格式来编写想在当前渠道下方显示的内容。这些内容会随着用户在扩散文章发布到这个渠道的时候,自动的在文末加入。

这样通过用户在不同渠道,根据渠道规范,配置不同的文末通用内容。就能安心的做扩散,不用担心因为统一的文末宣传触发个别平台的发文规范而导致文章发布被删、被私有等问题了!

扩散时的文末微调配置

除了默认的渠道配置之外,OpenWrtie在扩散的时候,也提供了针对单次扩散的文末微调。该配置功能在扩散到具体渠道的时候,可以看到,具体如下图所示:

默认情况下,这里的内容会显示为当前渠道配置的默认内容。如果这篇文章需要做一些特殊配置,那么你也可以基于这个内容做一些微调,甚至重新单独写一个,就能以这个内容扩散出去。

-- End --

今天的功能小解析就到这里,这个功能你平时都有用吗?有不满意的地方或优化建议,欢迎留言提出~

欢迎关注我的公众号:程序猿DD,获得独家整理的学习资源和日常干货推送。

如果您对我的专题内容感兴趣,也可以关注我的博客:didispace.com

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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