《移动的帝国》阅读笔记

一、技术的先进

日本移动网络有多先进,先来看一组数据

排名

国家

3G普及率

1

日本

97%

2

韩国

82%

3

澳大利亚

71%

4

瑞典

68%

5

加拿大

58%

6

美国

56%

全球3G平均普及率

17%

这是12年的数据,中国当时3G普及率是15%


在日本,人们很少使用短信,大多使用邮件进行文字沟通。

日本从10年开始运营4G网络,比国内快了4年。

但是日本3G、4G的普及,并不是快速的网络对消费者有很强的吸引力,而是3G资费相比2G有大幅下调。

已经过了几年,4G的杀手级应用仍然没有出现。很多时候,4G用户使用的功能,3G条件下也能很好满足。

技术的进步只有给人们的生活带来实际的好处才是有意义的。

极快的网速给人类带来的好处是什么呢,这点技术先进的日本也为我们提供不了太多的参考,大家还站在一条起跑线上。


二、转折的启示

书中将Iphone引入日本,比喻成江户时期美国海军打开日本闭关大门的黑船事件。

日本最大运营商NTT DoCoMo 1999年推出数据上网服务i-mode,是世界上最成功的数据上网方式

中国移动2000年底推出类似的移动梦网,高通2001推出的BREW业务,都养活了无数的CP\SP

但是这一切,在Iphone/Android智能机冲击下,迅速的灰飞烟灭

App Store并不是革命性的,i-mode是始创者,在软件层面给手机注入了开放的因子。但是智能机硬件的提升,将体验层级提升了一个档次。Apple、Google的技术实力、号召力,也让这些旧平台全无提升、抵抗的时间。

一个层面达到极限,从另一个层面突破,产生化学反应,可以让系统达到倍增的高度。


三、游戏业的启示

日本是全球规模数一数二的游戏市场,在手游上也是这样

与国内不同,页游在日本手机上也曾经很流行,GREE\DeNA等大牌公司就据此起家

但是面对手机app游戏的冲击,这些公司也在经历痛苦的转型

据此看来,碎片化、移动化并不是手游势头超过页游的主要原因。同样以休闲娱乐轻游戏为目标,app游戏相对于现在web游戏的体验更好,似乎更为重要

随着html5技术的进步,在轻游戏领域,app vs web的竞争仍将继续

手游轻游戏让游戏逐渐渗透到主流领域,游戏作为一种参与度极强的娱乐方式,也逐渐和其他行业结合,产生更多的可能。例如与广告业的结合(书中mini cooper的寻车游戏例子),作为副产品与影视、书籍的结合等。


四、其他

在移动广告、移动电子商务、移动健康医疗方面,日本也有不少值得我们借鉴的地方,书中都有介绍

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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