一家全球化初创公司背后的 30+ SaaS 服务和成本

【独立开发】出海产品如何顺利集成Paddle在线支付? 💡 承接上文,上文简要介绍了面向企业开发者的出海产品官网建设中,集成 Stripe 平台订阅支付的优势及对接流程。相比之下因此,独立开发者的出海产品,在其官网建设集成在线支付时,应当更加慎重地选择安全且灵活的在线支付集成商🚀。我们服务的独立开发者客户们,目前主要使用更加灵活且有效的海外在线支付集成平台——)✨。 阅读详情

Bytebase(https://www.bytebase.com/zh)做的是一款面向全球的开源数据库开发者工具,主要用户是开发者和 DBA,尤其是帮助 DevOps 团队来解决应用开发过程中涉及数据库操作的问题 (比如 schema 变更,数据变更查询,备份恢复等)。整个团队目前接近 20 人,分布在 4 个城市。因为我们本身就是开发工具的,所以从一开始,我们对于内部的工具选型就比较在意,随着公司的发展,也经历了一些迭代。下文就罗列一下目前公司正在使用的 30 多款 SaaS 服务,覆盖研发,市场,日常运营等方方面面。结尾也会附上我们目前的服务月开支,作为参考。

研发

  • GitHub - 代码托管

  • Linear - 项目管理

  • Neat - GitHub / Linear 消息通知

  • Sourcegraph - 代码搜索

  • Gitpod - 云端研发环境

  • Excalidraw - 原型图/草图

  • Figma - 设计

  • Better Uptime - 监控告警,服务状况

  • Auth0 - 登录

  • Render - 服务部署

  • Vercel - 服务部署

  • AWS - 服务部署

  • Cloudflare - 域名托管

  • Segment - 数据整合

  • Metabase - 仪表板

  • Paddle - 收款

  • Retool - 内部工具研发

  • Algolia - 文档搜索

市场

  • Intercom - 客户关系

  • Mailchimp - 邮件营销

  • Orbit - 社区分析

  • Ahrefs - SEO 分析

  • Searchramen - SEO 分析

  • Google Analytics - 流量分析

  • Plausible - 流量分析

  • Hotjar - 用户行为分析

日常运营

  • Google Workspace - 企业邮箱

  • 飞书 - IM,文档,OA

  • Slack - IM

  • Grammarly - 英语写作助手

  • OSlash - 短链接

  • Causal - 财务分析

  • Pulley - 股权管理

研发

GitHub

Bytebase 是一个开源项目,代码放在 GitHub 上,结合 GitHub Action 串联起整迭代发布流程。而且不仅是代码项目,我们的官网也是放在 GitHub 上的,每当有新内容提交到主干上后,会自动触发流程,部署网站。

Linear

GitHub 虽然本身自带 Issue 以及相关的项目管理功能,但整体产品能力还比较欠缺。所以这块我们是使用 Linear 来做项目管理。Linear 作为一款专业的项目管理工具,使用体验要好不少,美中不足的地方就是 Linear 虽然有一些和 GitHub 的集成,但还无法和 GitHub Issue 做同步,对于管理开源项目来说有点不方便。

Neat

Neat 不算一个 SaaS 服务,它是一个 Mac 本地应用提供了 GitHub 和 Linear 的消息通知功能。

Sourcegraph

GitHub 虽然自带了搜索,但做的比较一般。所以我们是用 Sourecegraph 来搜代码。

Gitpod

用户可以通过我们仓库主页,直接在 Gitpod 上启动一套完整的 Bytebase 研发环境。

Excalidraw

Excalidraw 是一个手绘风的在线画板,我们用它来画原型图,架构图,功能解释图。

Figma

管理我们的设计素材。

Better Uptime

实时监控我们的网站,如果挂了的话,会发告警。还提供一个服务状况 dashboard,我们的在 status.bytebase.com。

Auth0

用户需要在我们的 Hub 上注册账号,购买证书来激活 Bytebase 团队版/企业版功能。我们用 Auth0 来实现让用户通过 GitHub 账号注册的功能。

Render

我们的 demo.bytebase.com, hub.bytebase.com 以及数据库都是托管在 Render 上的。Render 是新一代的 Heroku,提供了 Web Service 和 PostgreSQL 数据库,要快速搭一个 Web 应用还是很方便的。

Vercel

我们的官网 bytebase.com 是单独放在 Vercel 的,原因是 Render 暂时还没有香港区,导致国内访问速度较慢。

AWS

我们自己搭建了 gitlab.bytebase.com 用于内部测试和 VCS 的集成,也用于 Demo 展示。没有使用 Render 有 2 个原因,1 是 GitLab 当初搭的比较早,数据迁移有点麻烦。2 是 GitLab 要求的配置略高,我们目前用的 t3a.large (2C8G) 对应到 Render 上有一个不小的成本增加。

Cloudflare

Bytebase 相关域名都托管在了 Cloudflare 上,之前域名购买是在 name.com 上的,之后我们也打算统一到 Cloudflare 上来管理。

Segment

我们无论是产品还是网站会收集一些匿名的产品数据,这些数据都统一发送到 Segment,再由 Segment 统一对接下游,其中的一个下游就是 Render 上的 PostgreSQL 数据库。

Metabase

Metabase 用于内部展示产品数据的仪表盘,而数据就是来自通过 segment 收集过来,保存在 Render 上的 PostgreSQL 数据库。

Paddle

我们的收款渠道,当初没有选用 Stripe,主要是考虑到 Paddle 作为一个 Merchant of Record (MoR) 可以减少我们在税务上要处理的问题,相应的它的佣金也比 Stripe 要贵一些。

Retool

我们用 Retool 搭建了注册用户展示列表,以及让内部同学可以一键处理用户退款的功能。

Algolia

用于 docs.bytebase.com 的内容搜索。

市场

Intercom

官网右下角的小气泡,有些用户会通过它来联系我们。

Mailchimp

管理我们的 newsletter 订阅。也会发一些事务性邮件,比如当用户试用期临近结束时,告知用户。

Orbit

观察用户在 GitHub 仓库上的互动。

Ahrefs

用于 SEO 关键字调研。

Searchramen

从功能上 Ahrefs 也能覆盖,但 Searchramen 提供了更简单的界面,可以快速查看目前关键字的排位和点击情况。

Google Analytics

用户来源以及页面访问分析。

Plausible

从功能上 GA 也能覆盖,但 Plausible 提供了更友好的界面,可以开始查看用户来源和页面访问。

Hotjar

回放用户在官网上的浏览行为,通过它可以发现官网流程设计上的断点。

日常运营

Google Workspace

帮助每一名员工配 @bytebase.com 的邮箱。因为我们使用了不少国外 SaaS 服务,而基本每一个 SaaS 服务都会支持通过 Google 账号登录。另外有些文档预期需要反复修改时,我们也会使用 Google Docs,因为它有一个好用的 Suggest 模式。

飞书

内部的 IM,文档,会议,OA 这些都放在飞书上。

Slack

用于和国外客户交流。也想过在 Slack 上建社区,但不同的 Slack 空间都要求注册,用户体验不好,而且整个 Slack 的调性也更偏专业沟通。后续我们有考虑在 Discord 上面建立社区。

Grammarly

因为工作中涉及大量英文写作,所以购买了 Grammarly Business 版来辅助。

OSlash

从 Google 的 go/ 到新贵 Stripe 的 o/,短链接服务算是硅谷公司的标配,但国内知道的不多。像 Bytebase 用了那么多的 SaaS 服务,内部也有许多的文档,各种网页链接大家很难记住,通过 OSlash 就能转换成好记的链接。我们内部还建了一个短链接黄页的飞书文档,自然也是用 o/link 指向的。这个功能建议飞书的产品经理跟进一下 ^_^。

Causal

用于做财务模型分析,只要填上财务数字,稍微拖拽几下就能做出直观的报表模型,比 Excel 门槛低很多。

Pulley

用于管理公司股权,虽然我们不是一家美国公司,它的许多功能都用不上,但至少能帮助看清公司的 Cap table,也能完成员工的期权发放,查询,变更等操作,员工也能方便地看到自己的期权信息。

每月花销

研发

服务

费用

GitHub

$0

Linear

$180

Neat

$0

Sourcegraph

$0

Gitpod

$0

Excalidraw

$60

Figma

$15

Better Uptime

$0

Auth0

$0

Render

$50

Vercel

$20

AWS

$100

Cloudflare

$0

Segment

$0

Metabase

$0

Paddle

$0

Retool

$0

Algolia

$0

总计

$425

市场

服务

费用

Intercom

$70

Mailchimp

$20

Orbit

$0

Ahrefs

$80

Searchramen

$30

Google Analytics

$0

Plausible

$8

总计

$208

日常运营

服务

费用

Google Workspace

$130

飞书

$0

Slack

$50

Grammarly

$200

OSlash

$50

Causal

$0

Pulley

$120

总计

$550

总共的月花销是 $1183 换算成 RMB 是 8000。

总结

梳理完之后我自己也惊了,我们用了 30+ 的 SaaS 服务,其中不少都是业界最优秀的工具,顶尖团队的智慧结晶,结果一个月就开支 8000 RMB。尤其是研发类服务,绝大多数都在薅免费羊毛,工程师要赚工程师的钱可真是难呀。

要说这些工具对于效率的提升,就用一些客观数据来展现吧:

  1. 研发团队 10 多人,每两周发布一个新版本,每一次版本有 100 ~ 150 次的新提交。

  1. 开发者市场团队 3 人,内容产出每周 3 ~  5 篇,中英文都有。另外还有技术文档的日常更新。

  1. 1 名兼职的行政人事,处理除了研发和市场外的其他所有公司后台事务 (当然我们也请了外部的财务和法律顾问)。

Bytebase 作为一家从 Day 1 就立足全球的公司,我们也自然站在全球视角上来挑选 SaaS 服务。事实上除了飞书之外, 我们所有的 SaaS 服务商都来自海外。但飞书作为那唯一的独苗,起到的作用又是最核心的,支撑着整个公司的办公协同和日常运营。也希望我们未来的列表里也能加上其他国内公司的 SaaS 服务,这也是 Bytebase 自己努力的方向,让将来无论是国内还是国外的研发团队,针对数据库开发这块,都用上 Bytebase。

我们在工具选型上也绕过一些弯路,也有一些随着公司发展,而形成的自然演进。之后有机会的话,再分享几个特定工具选型背后的思考。

Paddle账户开通全攻略:从注册到支付宝集成,一步步教你避坑 本文提供了一份详尽的Paddle账户开通与集成指南,涵盖从账户注册、身份验证、产品定价到全球税务配置的全流程。重点解析了如何成功集成支付宝(Alipay)以服务中国用户,并分享了API对接、Webhook处理及常见问题排查的实战经验,帮助开发者高效构建全球支付通道,规避常见陷阱。 阅读详情

相关推荐

Paddle账户与支付宝功能快速开通指南:全球化支付解决方案

本文为开发者提供了Paddle账户与支付宝功能集成的详细开通与配置指南。通过Paddle这一全球化支付与销售平台,开发者可一站式管理全球支付与税务合规,而集成支付宝则能无缝覆盖中国用户,实现“一个平台,覆盖全球主流支付方式”,有效提升支付转化率与收款效率。

qq_27496129的博客 1123

Paddle 支付集成

paddle checkout integration

大聪明的博客 2219

ck3m多轴运动控制器笔记1:电机的配置与注意事项

利用PMAC(CK3M)运动控制器来实现对电机的控制,对具体的配置流程和注意事项讲解

p975468132的博客 4644

【亲测免费】 Linear 项目使用教程

Linear 是一个用于现代产品开发的工具,旨在简化问题跟踪、项目管理和产品路线图的制定。Linear 提供了一套工具和 SDK,帮助团队高效地管理软件项目、冲刺、任务和错误跟踪。它特别适合高性能团队使用。 Linear 项目在 GitHub 上的仓库地址为:[https://github.com/linear/linear.git](https://github.com/linear/line...

gitblog_00087的博客 1866

STM32单片机语音提示盲人拐杖整点报时夜间警示超声波测距

STM32单片机语音提示盲人拐杖整点报时夜间警示超声波测距 关键词:语音提示盲人拐杖 整点报时 超声波测距拐杖

LS840233684的博客 2048

RK3576平台Buildroot嵌入式Linux镜像构建实战

嵌入式Linux镜像构建是连接硬件能力与软件功能的核心技术环节,其本质是基于目标SoC架构的交叉编译、内核定制与根文件系统集成过程。原理上依赖工具链适配、设备树绑定、分区镜像生成等关键步骤,技术价值在于实现轻量、确定、可复现的系统交付。典型应用场景涵盖ARM64开发板(如RK3576)、工业边缘网关及国产化信创终端。本文以TaishanPi-3为载体,深入解析Buildroot在RK3576平台上的配置裁剪、并行编译优化、genimage分区合成及update.img烧录准备,覆盖从环境选型(Ubuntu

weixin_36047538的博客 141

一家全球化创业公司背后的40+ SaaS服务和成本:2023版

对于 Bytebase 这样的创业公司来说,没有「购买还是构建」的纠结:使用 SaaS 服务是显而易见的选择。当某个特定任务没有合适的解决方案时,我们也会深感困扰。例如,我们仍然迫切想要找到一个可以一键在所有主流社交媒体上预约并发布博客的工具。技术行业正在 AI 风暴中,除去今年引入了一系列 AI 原生/增强型 SaaS 服务,我们甚至还自己开发了 SQL Chat,支持与数据库用自然语言交互。🪄 老实说,我们都已经习惯用念咒来构建 Zapier 工作流和与 Midjourney 共同作图了。

Bytebase的博客 444

电池管理系统(BMS)系列—状态估计之SOH

BMS系列文章,介绍了SOH估计

zxx52113140的博客 1849

30款提升组织效能 SaaS 工具,我们的宝藏工具箱大公开

熟悉 Juicedata 的小伙伴知道,从2017年成立到第一款产品发布、从寻找PMF(Product Market Fit) 到开源,我们一直保持着一个精简的团队配置,不少人都很好奇我们是如何做到的?今天邀请Juicedata的合伙人苏锐,为大家分享各阶段用到的趁手工具。 ...

JuiceFS的博客 2065

基于Q-learning的无人机三维路径规划(含完整C++代码)

基于Q-learning的无人机三维路径规划(含完整C++代码)

weixin_54186646的博客 1万+

基于STM32的心电图监测系统设计

本论文旨在设计一种基于 STM32 微控制器的心电图监测系统,通过对人体心电信号的采集、处理和分析,实现对心电图的实时监测与显示。系统采用高精度的心电信号采集模块,结合 STM32 强大的数据处理能力,能够有效去除噪声干扰,提取出准确的心电信号特征。同时,利用 LCD 显示屏实现心电波形的实时显示,并通过蓝牙模块实现数据的无线传输,方便医护人员远程监测。经测试,该系统具有较高的精度和稳定性,能够满足临床心电图监测的基本需求,为医学诊断提供可靠的数据支持。

道亦无名 1353

适用于大公司的hr saas系统top10分享,附带HR选型技巧!

对于大公司而言,HR SaaS已不再是单纯的管理工具,而是支撑人才战略、驱动业务增长的核心基础设施。从本次榜单可以看出,用友HR SaaS的“四料冠军”地位,源于其对大型企业需求的精准把握与技术实力的持续积淀。而其余厂商的优劣分化,也为选型提供了清晰的参考边界。最终,大公司的HR SaaS选型应回归“业务需求”本质:跨国企业优先关注全球化合规与生态集成,国央企重点锁定政策适配与组织管理,科技企业侧重创新能力与员工体验。

Aiadsgo的博客 979

现代软件开发技术 | 第1章:Spring基础

Spring是一个轻量级Java 开发框架,最早由Rod Johnson创建,目的是为了解决企业级应用开发的业务逻辑层和其他各层的耦合问题。

知识库搭建ing 455

从成本中心到战略引擎,用友HR SaaS“业人融合”成企业破局关键!

更关键的是,在各行各业转型攻坚期,核心人才成为企业生存发展的生命线,通过系统分析员工行为数据,提前识别离职风险,将有限资源精准投向高潜与关键岗位,已成为企业降本增效的重要路径。在薪酬管理领域,AI融合绩效、出勤、团队影响力等数据,可自动计算合理涨薪幅度,精准识别核心人才,实现科学激励。用友所倡导的业人融合,是一种以业务目标为导向、以人才效能为支撑的管理模式,将企业经营战略与人才发展体系深度耦合,通过数据穿透业务动作与人才行为,构建“业务驱动人才配置、人才驱动业务增长”的双轮循环。

Aiadsgo的博客 811

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

超过1000人公司的hr saas系统top10排名分享与选型攻略!

当企业员工规模突破 1000 人,HR 管理就从 “事务性工作” 升级为 “组织战略支撑”—— 跨区域分支机构的考勤同步、万人薪酬的精准核算、跨国业务的合规适配、核心人才的梯队建设,任何一个环节的脱节都可能引发连锁反应。数据显示,中国 HCM SaaS 市场规模 2025 年将达 57.3 亿元,年复合增长率超 20%,其中 1000 人以上大型企业的采购占比高达 63%。在这片蓝海市场中,哪些系统真正适配大型企业的复杂需求?这份排名与选型攻略,为企业数字化转型提供实战参考。

Aiadsgo的博客 1006

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

AI重构HR:从成本中心到增长引擎,用友HR SaaS凭 “业人融合” 领跑市场!

当理想汽车将人力资源部划归 CEO 直管的战略与产品群组,标志着 HR 职能从 “后台支持” 向 “前台驱动” 的转型完成了标志性一跃;而当 AI 智能体开始接管简历筛选、绩效核算、离职风险预警等核心工作,一场更深层次的 HR 行业革命已悄然打响。在企业集体勒紧裤腰带、向精细化管理要增长的 2025 年,HR SaaS 赛道迎来了逆势爆发。据第三方机构测算,今年国内 HR SaaS 市场规模将突破 500 亿元,年复合增长率维持 25% 以上。

Aiadsgo的博客 922

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

HR数智化转型:从 “成本部门“ 到增长引擎,用友HR SaaS凭 “业人融合“破局!

当理想汽车把人力资源部从CFO麾下直接升级为CEO直管的战略核心,这场组织架构调整背后,藏着一个正在爆发的行业信号:中国企业的 HR 管理,正在从 "管考勤、算工资" 的事务性部门,蜕变为驱动业务增长的核心引擎。在经济承压、企业勒紧裤腰带降本增效的当下,HR SaaS 赛道却逆势升温。据行业测算,2025 年中国 HR SaaS 市场规模将突破 500 亿元,年复合增长率保持在 25% 以上。

Aiadsgo的博客 1066

【观察】用友“SaaS+PaaS+生态”再提速,以“平台”模式赋能成长型企业

申耀的科技观察读懂科技,赢取未来!我们知道,成长型企业通常灵活多变、高效敏捷、嗅觉灵敏、目光超前,敢于逆风而行、勇于创新,一直是中国经济发展的重要推动力。数据显示,目前成长型企业贡献了我国...

申耀的科技观察 690

家庭佣工代理:全球化浪潮下的服务革命与行业重构

家庭佣工代理行业正处于“效率革命”与“价值重构”的交汇点。未来,能够平衡成本控制与服务质量、融合数字化技术与人文关怀的企业,将在这场全球服务升级浪潮中占据先机。对于从业者而言,从“体力劳动者”向“专业服务者”的转型,不仅是应对行业变革的必然选择,更是实现职业尊严与价值提升的关键路径。

2603_95768160的博客 1018

中国SaaS冰火2025:AI重构下的生死局与破局者

摘要:2025年中国SaaS市场呈现"冰火两重天"格局,规模突破1200亿元但90%厂商仍亏损。成功企业如聚水潭(电商SaaS)通过规模效应和AI技术实现盈利上市,其AI功能渗透率达58%,续费率92%;金蝶则凭借"AI First"战略转型,使SaaS ARR增长35%。失败案例警示包括竹间智能的技术与市场脱节、聚水潭IPO前的财务争议等,揭示行业普遍存在的增长错位、现金流失控等陷阱。AI正深度重构SaaS产品形态,从自动化向原生AI进化,垂直领域增速达45%。

领码SPARK - 以无代码之星火,燎原数字之未来! 4065

精选的ehr人力资源系统口碑top10 出炉,用友HR SaaS持续领跑!

近日,综合 CCID、Gartner 等权威机构 2024-2025 年度市场报告及千余家企业实际应用反馈的 ehr人力资源系统口碑TOP10 榜单正式发布。榜单从市场占有率、产品成熟度、客户口碑及行业适配性四大维度综合评定,用友HR SaaS以绝对优势蝉联榜首,在多个核心细分市场实现 "断层领跑",其余九家厂商则凭借各自垂直领域优势跻身榜单,共同勾勒出中国人力资源数字化市场的竞争格局。

yongyoudayee的博客 797

外企人才战略持续迭代,用友HR SaaS以数智化破局!

当不确定性成为全球商业常态,第八届中国国际进口博览会以 834.9 亿美元意向成交额再创历史新高,向世界传递出中国市场的坚定确定性。这场东方之约既印证了中国市场在全球经济格局中的独特价值,也揭示了在华外企发展的新逻辑 —— 亮眼成绩单背后,是外企对中国市场的信心背书,更是其重构人才战略的关键契机。

Aiadsgo的博客 579

解锁“出海数字化”,根本在于”全球化思考、本地化运营“

关注云报洞察深一度中国人做事讲究“天时地利人和”,无论是出于构建国内国际双循环相互促进的新发展格局的需要,还是中国企业广泛深入参与国际竞争的愿望和能力不断增强,抑或是有像亚马逊云科技这样的“助攻手”的鼎力支持,中国企业上云出海的热情高涨,步伐坚定而有力,成果显而易见。六大趋势揭示从“数字化出海”到“出海数字化”的转变上个世纪80年代,中国曾经掀起了一股出国潮,电视剧《北京...

326

外企人才战略大迭代,看用友HR SaaS如何解锁数智破局之道?

除了政策红利与创新生态,中国市场与生俱来的多元包容特质,构成了吸引全球品牌的深层磁场。在这里,技术理性与人性温度交织,个体发展与组织进化共融,企业方能找到穿越周期的确定性。未来十年,在华外企的竞争核心将是人才战略的竞争。唯有真正理解并践行 “与人才共成长” 的理念,借助数智化工具打通合规与价值的双重通道,才能将中国市场的确定性转化为长期增长的持续性,在这片充满机遇的土地上实现基业长青。

Aiadsgo的博客 559

站在原地就是退步——除了死磕通道,云通讯服务商还该做些什么?

受访嘉宾:吴佳钊,杭州云片网络科技有限公司联合创始人、CTO 当前,全球通信云已经步入2.0时代,最大的变化在于通信形式的变革:传统短信+语音的通信形式将逐步向包括即时通讯IM+实时音视频RTC的互联网通信转变。尤其在5G时代,云通讯在传统运营商的通道之上结合了云计算诸如分布式、强算力、可扩展性等优点,伴随着人工智能的普及和云计算快速发展,云通信进入发展快车道。 目前我国云通讯行业内主流玩家大致分为传统通信厂商、云服务初创企业和互联网巨头三类,随着技术变革驱动流量爆发和云计算自身效率大提升,技术

优快云云计算 2062
上一篇: 将 MySQL 数据库恢复到某个时间点
下一篇: 研发日记 | 开源软件 Goreleaser X CGO 最佳实践是如何诞生的
Bytebase
博客等级 码龄5年 1350粉丝 258原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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