详细实操分享,每天1小时复制粘贴,一个月收益6000

疫情反复,有的人一个月不工作一样过得很好,有的人却揭不开锅了!这种时候就体现出有副业收入的好处了。

今天这期内容大周就来给粉丝们分享一个简单的自媒体副业项目,门槛并不高,耐心看完本期内容,你一定会有所收获,记得点赞支持一下大周。

大家都知道在自媒体平台上发布视频,有播放量就会有收益,如果你不想真人出镜拍摄视频,可以这样做:

一、账号注册

1、在电脑端或手机端下载今日头条或其它自媒体平台

2、使用手机号注册登录,选择个人号

3、给账号进行实名认证

4、在创作者后台选择加入创作者计划,加入后才有创作收益

二、文案转语音

1、找一本自己常看书中比较经典或有趣的文案

2、使用手机把这一段落拍摄下来

3、使用v信中的长按图片识别文字功能,把文案复制下来稍作润色

4、打开“文字转语音”小程序

5、把文案内容复制进去,进行配音生成

6、把生成的语音文案下载下来

三、视频素材

1、在抖音中找一段自己喜欢的风景类视频素材

2、找到后复制视频链接

3、打开“抖抖去水印”小程序

4、把链接复制上去,去除水印

5、保存视频到手机

四、视频剪辑

1、打开剪映

2、导入风景视频素材,对音频进行版权效验

3、把文案音频导入剪映

4、使用自动识别字幕功能,识别字幕

5、导出高清视频

五、视频发布

1、打开头条

2、点击发布按钮,上传导出的视频

3、添加封面和标题,勾选原创发布视频即可

​现在的万次单价在30-80左右,剪辑过程中一定要有自己的剪辑思路和想法,学会了吗?赶紧行动起来吧!

如果还有什么不懂的,可以给大周扣“8”我会把自己的经验总结分享给粉丝们。

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,以下是一个简单的神经网络搭建的例子,详细实操。 我们将使用Python和PyTorch来搭建一个简单的全连接神经网络,用于对手写数字进行分类。 首先,我们需要导入必要的库: ``` python import torch import torch.nn as nn import torchvision.datasets as dsets import torchvision.transforms as transforms ``` 接下来,我们需要加载数据集。这里我们使用MNIST数据集: ``` python train_dataset = dsets.MNIST(root='./data', train=True, transform=transforms.ToTensor(), download=True) test_dataset = dsets.MNIST(root='./data', train=False, transform=transforms.ToTensor()) ``` 然后,我们定义一些超参数: ``` python input_size = 784 hidden_size = 500 num_classes = 10 num_epochs = 5 batch_size = 100 learning_rate = 0.001 ``` 接着,我们定义一个自定义的神经网络类: ``` python class Net(nn.Module): def __init__(self, input_size, hidden_size, num_classes): super(Net, self).__init__() self.fc1 = nn.Linear(input_size, hidden_size) self.relu = nn.ReLU() self.fc2 = nn.Linear(hidden_size, num_classes) def forward(self, x): out = self.fc1(x) out = self.relu(out) out = self.fc2(out) return out net = Net(input_size, hidden_size, num_classes) ``` 然后,我们定义损失函数和优化器: ``` python criterion = nn.CrossEntropyLoss() optimizer = torch.optim.Adam(net.parameters(), lr=learning_rate) ``` 接下来,我们开始训练: ``` python for epoch in range(num_epochs): for i, (images, labels) in enumerate(train_loader): images = images.reshape(-1, 28*28) outputs = net(images) loss = criterion(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step() if (i+1) % 100 == 0: print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, i+1, len(train_dataset)//batch_size, loss.item())) ``` 最后,我们在测试集上进行测试: ``` python with torch.no_grad(): correct = 0 total = 0 for images, labels in test_loader: images = images.reshape(-1, 28*28) outputs = net(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the network on the 10000 test images: {} %'.format(100 * correct / total)) ``` 这就是一个简单的神经网络搭建的例子。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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