晚上无聊,那就来『玩点什么』

几个月前,在结束了 Growth 3.0 的辛苦开发之后。便开始思考 Growth 的一些潜在问题,却也发现自己暂时解决不了这些问题——不是技术上的问题,便像是产品上的问题。但想找一个新的坑来填,于是就有了『玩点什么』。

来源

说起来,这是一个非常有趣的 Idea,我只是习惯性地找了张白纸在思考。就只是无聊,应该去玩点什么,然后就有了个『玩点什么』。


玩点什么首页


在我做了一期又一期的物联网周报、玩了一个又一个的智能硬件产品 Arduino、ESP8266、Raspberry Pi、Amazon Alexa 等等,我发现国内缺少一个合适的硬件 DIY 网站,或者这些网站的内容有点落后。从内容上来说,又偏重于硬件,很少有从底层到顶层的完整系统。而在今天来说,对于一个智能硬件、家居、 物联网,我们都需要有从上到下的系统性设计。国内的技术博客又相对比较少,不像国外的那么活跃,整个环境从大体上来说,就有些不足。

从某种意义上来说,『玩点什么』 是 http://www.instructables.com/ 的 C2C 版本。而 Instructables 则是侧重于各方面的 DIY,硬件、软件只是其中的一部分。也因此,在很多教程中,我们很能看到语法高亮、这一类的特性。

功能

由于,当前的焦点主要在于提供优质的内容(PS:下一步,才是鼓励更多的人参与写作),并提供更好的用户体验。如下图所示:


玩点什么设计


我们开发了一些相对比较实用的功能:

  • PDF 下载(图左侧)

  • 文档收藏 (图左侧)

  • 步骤详细(图右侧)

我们相信,这些可以帮助硬件爱好者更好的实践。当然,如果你想帮助写出更有用的功能,就点击上面的评分选项。

内容


玩点什么内容


就当前而言,『玩点什么』网站 的主要内容是以翻译国外的内容为主,到目前为止的 90 篇文章里,大概有 80 篇是翻译的。包含了各式各样的内容,如:

  • 使用 Mongoose 连接 ESP32 与 AWS IoT (一):ESP8266 上设置 AWS IoT

  • Windows 10 + Cortana + Arduino 打造智能家居

  • 在 Raspberry Pi 上使用 AVS Device SDK 制作 Alexa 智能音箱

  • Raspberry Pi + Pebble + Android 构建属于你自己的智能家居系统

  • NodeMCU 与 Micropython 打造门铃记录器

  • 物联网协议 MQTT 打造智能家居指南:Homematic + Node-RED + Node-RED-Dashboard

  • Particle Photon 打造物联网可穿戴设备,展示心跳和温度数据

Blabla,我们尽量挑选出一些不重复的内容,以及一些热点的 DIY 内容。

对于我而言,翻译的节奏就是每天翻译一篇。这毕竟是一个又细又长的活,罗马不是一天盖成的。

流量

令人惊喜的是,在过去的一些日子里。我们已然从 Google 上获取了一点点的流量,尽管很少,但是也显示出了一些潜力。


点击量


剩下的就只能希望,大家能在未来几年里,可以继续访问 Google。就总的来说,流量上只能算是一般:


流量


毕竟才刚刚开始。可遗憾的是,做一内容网站,经常要面向爬虫的问题。

APP

是的,在之前的一篇文章里,我们提到了『玩点什么』 APP 的功能。

可由于一系列的原因,功能太简单被 Apple 拒绝、没有软件版权被应用宝拒绝等等,APP 将处于继续开发的功能。

当然了,Android 用户可以从: https://www.pgyer.com/wandianshenme 下载试用版。

当前除了,浏览『玩点什么』的文章,还带了两个简单的工具:BLE 搜索、常用 Cheatsheet 查阅。

Enjoy it!

网站地址:https://www.wandianshenme.com/

APP 的 GitHub 地址:https://github.com/phodal/play-app


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