挖个坑

前天的一篇文章「人生的第一辆车」没想到引起这么多人的共鸣,目前为止是我公众号留言最多的,而且大都深有感触,但是公众号最多只能精选50条留言,所以后面看到大家的回复没法放入精选了,还请大家见谅。没有所谓的鸡汤,我只想真实记录自己的经历,也许正是因为自己真实的故事,才会让大家这么认同吧,也希望我的故事能对大家有所鼓励!

之前做过一篇调查「以产品思维去做微信公众号」,今天抽时间对调查结果分析下,有点小惊讶,不过对我非常有用,对目标用户的了解以及一些内容的接受程度让我之后会更有针对性的分享你们喜欢的内容,这里粗略的说下结果以及之后的规划吧:

1. 读者中有75%是初级开发水平

之前我还纳闷,为什么自己觉得是干货的文章阅读量反而还比较低,这次调查我发现了,原来可能大部分人看不懂一些所谓的「干货」。俗话说如果你的产品抓住了70%的目标用户,那就是很牛逼的了,所以之后我在分享文章的时候会尽量多分享点初学者能看懂的技术文章,还请期待。

2. 竟然91%的读者喜欢我的这种比较随性的分享风格,让我很惊讶!

3. 有75%的同学表示喜欢我分享一下我自己以及身边人的故事,我会考虑的,比如「我跟我老婆的故事」之类的。

4. 「赞赏」和「点击广告」二选一的话,竟然这部分比例差不多,分别是42%和58%,这个结果也很惊讶,原以为大部分人都会选择「点击广告」,看来愿意赞赏的人远比我想象的多的多,所以之后准备都放着吧,大家各自选择不同的支持方式好了。

这个调查对我之后的公众号运营有很大帮助,这里我准备先挖个坑,我之后准备针对主要目标用户,也就是70%以上的初学者按系列推出一些文章,类似「屏蔽适配系列」、「性能优化系列」、「网络系列」等,但是你们知道写一篇技术博客远比写一篇文章要耗费精力的多,所以这类技术文章系列我会抽时间尽量更新,中间顺便穿插点其他的东西,但是先挖了坑,俗话说「有坑必填」,对我也算是一种督促作用吧。如果你们有别的想要学习的系列,都可以给我留言,我一定会参考的。

之前有人留言问有没有交流群之类的,说实话我自己之前有不少QQ群,但是不少人灌水,加上自己也没时间管理,就解散了部分,留下来的也基本没时间去看。所以这里顺便再调查下,你们真的需要交流群么?

还有人问我GG点击率有多少了?能赚多少钱?我这里告诉大家,最近只有可怜的3%点击率,每次点击大概5毛钱左右,每天也就五六十块钱收入而已,还是建立在我经常更新文章的前提下,真没有你们想象的能赚很多钱。不过我也理解,毕竟大家都有懒惰心理,不过这里还是要呼吁大家随手点击GG支持下我,只需要点击下就ok了,不需要关注、下载之后的动作,我说过我会尽量拉些赞助给你们送点福利,比如这次就兑现了,即使没有赞助,月底我也会自掏腰包给大家送出福利的!

本次福利:

昨天的文章底部公布了两位中奖用户到现在还没联系我呢,如果今晚10点之前还没有联系我,那就作废了哦,从读者们重新抽取。

上次说了抽奖模式改一下,之前的这篇文章「有大事件即将发生」得到大家的无私赞助,也是目前我赞助最多的,让我看到了满满的诚意。所以我从这篇文章赞助的人选中,综合了赞赏顺序、赞赏金额、评论留言等各种条件,以一种复杂的算法抽取三位用户,这种复杂的算法叫「我说的算」,哈哈,我就是这么任性,中奖者免费获取一本作者签名的「Android开发进阶--从小工到专家」书籍。

这三位幸运的同学分别是:「Eternal-DK」、「小蛤蟆智」、「张磊」,隐形福利加我个人微信「stormzhang」,然后发送给我收获地址,明晚10点之前没发送的就作废了。

一些赞助商的福利陆续都寄来了,之后会继续送给大家,另外本周末前分享主题以及报名方式应该会确定,到时候再公布出来,还请大家再给我点时间,耐心些!

0?wx_fmt=png

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