怎样才能把LOGO设计得很LOW?

谁能想到——因为LOGO长得太丑惨被暴打一星??在这里插入图片描述
钉钉心里面应该稍微平衡一点了吧在这里插入图片描述
但是!!这都不是最重要的
竟然有人特意为自己公司(虽然是虚拟公司)设计征集一些丑到哭的LOGO▼来,我们看下原LOGO在这里插入图片描述
噗嗤——这像极了图片上传的时候没网了所以是这样的吗??在这里插入图片描述
这是美国创意机构Fuzzco发起了一项特别的设计竞赛邀请大家为一家名为“Smorts”的虚拟公司设计一个最LOW的品牌LOGO并将作品上传到网站供观众投票(你牛你牛你最牛,踩着板凳上月球)
然后,打开网站的那一刻我惊呆了!!!在这里插入图片描述
在这里插入图片描述

这确定都是LOGO???
事实证明,这的确全都是
我挑了一些特别有代表性的放出来大家一起乐呵乐呵▼首先,我们第一位登场的
NBA最佳奔跑选手XXX在这里插入图片描述
啊哦,我放错图了应该是这张才对在这里插入图片描述
这是两兄弟的意思??
在这里插入图片描述
莫名的觉得,这个动作自带BGM像不像你打鸡血的样子!!努力努力,我要努力!!
在这里插入图片描述
那接下来登场的是我们新裤子乐队裤子掉了的选手XX
在这里插入图片描述
噗嗤——商场同款,买不了吃亏,买不了上当在这里插入图片描述
在加上对应的排版还莫名的有点好看
那好,看完以上两位选手你可能感觉非冠亚军莫属了吧!!
但其实!!惊喜往往总是来的让人措手不及
当当当当~~
在这里插入图片描述
这是目前投票占据榜首的LOGO这。。。唉,我,你让我咋评啊这是?
某名觉得一本正经的丑,都是有共性的在这里插入图片描述
那好,如果说这个投票占据榜首的LOGO让你已经开始怀疑人生感叹做设计的意义的时候突然来一个原始版的美老虎的诱惑在这里插入图片描述
这…恕我才疏学浅,告辞了!!

还有像这种偷工减料的
可能AI里面的文字排版没有显示完吧在这里插入图片描述
以及这种看着很复杂的亚子
实则拿钢笔随便拼一拼在这里插入图片描述
还有这种,中间打个X
把字母随意的穿插在这里面形成了独特的个性(实在编不回来了)
在这里插入图片描述
或者有一天你的青蛙王子
它可能骑的并不白马来娶你
而是
在这里插入图片描述
这怕是哪个白雪公主都不敢嫁吧
毕竟踩着单脚的飞火轮容易跑偏了

还有像这种,小学生可能没毕业的这种
在这里插入图片描述
小时候老师教我们画彩虹就是酱紫的~
也可能人家IE浏览器万万没想到自己有一天也会在最丑LOGO的比赛中遇到自己在这里插入图片描述
嗯,还有很多看不懂系列的
你们自己慢慢看吧~我实在写不下去了!!
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

看完,这些LOGO你不要怀疑,这真的是一个LOGO征集的比赛不信,你看人家的征集要求在这里插入图片描述
(报告!有人一本正经的卖丑??)
好奇奖品是什么不??
来~在这里插入图片描述
这些奖品也是让我很迷了

但是吧,你想丑的出奇制胜
可能还是需要一点审!丑!能!力!的

不过话说回来之所以有人故意做这场LOGO比丑大赛
这可能是想告诉各位甲方爸爸50块钱的LOGO和5000块的LOGO差别在哪里
而设计LOGO本身就不是一个很简单的事情
需要对客户品牌进行分析,元素提炼反复打磨才能出适合品牌的LOGO啊(嘘,这篇可以悄悄可以甩给你甲方爸爸看了)

今日话题:你会因为一个丑LOGO而嫌弃这个品牌吗?
欢迎留言评论~
“时间就象海绵里的水一样,只要你愿挤,总还是有的”

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 2
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