Alexa排名增长了27%,Google收录暴升256%

早上查了一下Google的站内搜索,发现已经被Google收录了2020条,而在昨天的时候,索引只有1060条,最近Google对我的网站大加青睐,可见Google喜欢原创的内容并非传言。反观百度,从我的网站Log来看,baidu spider来的次数超过了Google,可是带来的流量却要远远低于Google,大约在Google的1/2左右吧。真是奇怪,难道只是因为我的服务器放在国外,难道只是因为我说那么两句不太好听的话?我也没说什么啊。

实际上我的文章并没有增加太多,但Google对我网站的收录却是快速上升,从最12月13号的789条,到今天的2020条,短短4天时间内,Google的记录暴升256%。我认为除了更新较快,SEO合理,文章原创,质量较高之外,我的网站在Google的权重正在提高。更改算法这个貌似有些不太可能,因为Google也不是那么轻易地改动搜索引擎的算法的。

观察了一下日志,发现一些好的现象,用户的跳出率正在降低,用户每次访问的页面正在增加,每访问停留时间也有显著的增加,表明用户的忠诚度的增加以及搜索引擎的搜索命中率有所提高。

晚上顺便看了一下Alexa,发现三月排名已经进入到1,766,722,较上次排名2242264,增长了27%。并且我的网站也加进了中国排名,排名在106,538,以前我的网站只有全球排名,没有中国排名,看来Alexa终于认得我是中国的网站了,呵呵。

20091217-2

Google搜索的收录结果

20091217-1

Alexa排名

20091217-4

用户访问每停留时间

20091217-3

蜘蛛爬行排行(第一名是百度,第二名是sogou,Google居然排在第四)

  

注意:本文为我的独立博客镜像博客,自发表不再更新,原文可能随时被更新,敬请访问原文。同时,请大家不要在此评论,如果有什么看法,请点击这里:http://iove.net/1705/

本文来自http://iove.net,欢迎转载,转载敬请保留相关链接,否则视为侵权,原文链接:http://iove.net/1705/

转载于:https://www.cnblogs.com/conis/archive/2009/12/17/1720427.html

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