信息流平台API上报功能

腾讯广点通广告投放-转化归因API回传接口对接踩坑指南 中教又折腾了一下,把两个回调地址写上去,投放广告,获取回来参数了,因为开始以为用get请求,只需要click_id就行了,所以只关注到点击id,在知道了点击id和url后,调用get请求后,响应:{"code":0,"message":"ok","data":"TrackingCgi Success."}以为终于成功了。以为一下就能搞定了,但是对接下来才发现,各个字段根本不知道什么意思,后面再找其他文档,官网上,还有找他们运营,折腾了足足一个多月才搞清楚他们的回传方式,实在是服了。 阅读详情

信息流平台API上报功能

业务场景

  1. 信息流业务增多,在多个信息流平台进行投放,为了进一步优化投放效果,需要对接各平台的API并按照其要求进行时间节点事件的回传,从而达到投放模型的进一步优化

模块设计

  1. 首先信息流上报注重一个实效性,最理想效果是一旦业务达到某个事件定义或者标准就进行触发上报。
  2. 确定业务上报交互方式,建议是通过Mq通信进行交互,不要将业务场景与上报进行耦合,业务场景达到每个事件标准时就可以进行消息发送通知上报,对应消费者进行消费从而上报。(当然如果系统不支持的话也可以直接进行http接口调用)
  3. 管理端模块设计
    3.1 一般需要信息流上报的业务场景都是针对有特定的某一种产品进行信息流投放,对于这块上报能达到运营同学可以自己管理是最佳的。
    针对业务场景我们可以定义产品配置化概念,建立如如下表
CREATE TABLE `information_flow_configuration` (
  `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主键',
  `product_id` int(11) NOT NULL COMMENT '产品id',
  `info_type` varchar(50) NOT NULL COMMENT '上报事件',
  `platform` varchar(50) NOT NULL COMMENT '上报平台',
  `extend` text COMMENT '拓展参数',
  `is_close` tinyint(1) NOT NULL DEFAULT '1' COMMENT '上报开关状态;1开启,0关闭',
  `create_at` datetime DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',
  `update_at` datetime DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '修改时间',
  PRIMARY KEY (`id`),
) ENGINE=InnoDB  DEFAULT CHARSET=utf8 COMMENT='信息流产品上报配置表'
;

针对于产品进行信息流上报的配置,并且可以控制是否上报
4. 上报模块设计
4.1 策略模式定义好我们对接各大信息流平台的业务场景接口,不同的平台对应实现不同的实现类,并按照platformType进行区分平台类型即可,不用特定的if else代码冗余

public interface InformationApplicationService {

    /**
     * 业务类型
     * @return
     */
    String platformType();

    /**
     * 上报实现
     */
    Response requestPlatform(InformationRequest request);
}

3.2 业务过程交互时,需要在消息发送时,需要带上需要上报的平台类型参数,一边消费者这里进行找到产品上报配置,以及区分找到所对应的实现类进行上报。

说明

  1. 如果是简单实现一个上报的话是省略管理端的设计,可以直接进行上报就可以,就是消息参数需要带上各自需要上报的事件区分。
  2. 该方案其中的上报参数可以根据业务场景自己定义
  3. 如果没有Mq场景可直接将Mq换成http接口调用
百度信息流是什么?哪些行业适合投放百度信息流? 目前使用手机的人越来越多,甚至有人说信息流得优势早就超过大搜了。足以可见信息流的发展很快,已经渗透到了用户的日常生活中。面对这块市场红利大的蛋糕,很多新媒体都是信息流广告,百度作为国内最大的搜索引擎,当然也不会落下。 什么是百度信息流? 基于百度信息流(首页、贴吧、浏览器等)穿插展现在信息流中的原生广告,主要以单图、大图、三图、视频等样式展现在原生资讯内容之中。其最大优点就是“在内容里面融入广告”... 阅读详情

相关推荐

Bilibili直播信息流:连接方法与数据解析

本文详细介绍了自行实现B站直播WebSocket连接的完整流程。解析了基于WebSocket的应用层协议结构,涵盖认证包构建、心跳机制维护及数据包解析步骤,为开发者定制直播数据监控提供了完整技术方案。

2504_91076356的博客 3333

百度信息流-线索API接入流程开发

业务需要获取向精准的用户流量,比如我们是卖保险的,就需要买保险相关标签的用户流量进来,卖车的就需要买车的用户流量进来。所以需要在一大流量平台进行引流,常用就是广告投放,百度信息流就是专做这块流量的,进而获取用户资源

weixin_44029834的博客 4006

中通开放平台快递物流查询API对接流程

中通开放平台提供标准化的API接口,旨在为客户和平台实现高效的数据交互。通过物流查询服务,用户可轻松获取快件的实时物流信息,优化自身业务流程。核心功能物流轨迹查询:通过物流单号获取快件的详细轨迹信息。中通开放平台的快递物流查询API为开发者提供了灵活高效的解决方案,而通过对接多快递公司平台(如快递100API)能进一步提升开发效率。希望本篇博客能为你的开发过程提供帮助,祝你顺利完成项目!

zhuyh17362264093的博客 3890

腾讯广告--api转化归因

腾讯广告--api转化归因-小程序

CanopyPlus的博客 5164

用Grok Task实现X平台信息流定时精准抓取

信息流聚合是现代知识工作者的核心能力,其本质是将非结构化社交平台数据转化为可预测、可调度、可验证的结构化快照。技术原理上,它依赖平台原生搜索索引与自然语言驱动的API封装能力,跳过传统RSS、IFTTT或爬虫在时效性、字段权限和反爬维护上的固有瓶颈。Grok Task凭借对X内部热度数据库的直连访问,支持基于点赞数、浏览量等硬指标的量化筛选,并通过七步提示语工程实现类SQL级的数据查询精度。该方案已广泛应用于AI工具追踪、热点选题挖掘与个人知识管理闭环,尤其适合无需代码、追求开箱即用的信息自动化场景。

weixin_33708633的博客 297

电商平台分账功能如何实现?

随着互联网的快速发展,电商平台成了互联网时代下的宠儿,发展得如火如荼,不断冲击着传统企业和传统商业模式。越来越多传统企业通过自建电商平台实现业务上的转型升级,同时也有许多新手创业者嗅到其中商机,纷纷加入电商行列,想要在电商的红海中尝到甜头。事实上,搭建一个电子商务系统是非常容易的,真正棘手的问题是交易完成后的资金分账。今天我们来聊一聊电商平台分账功能如何实现。 电商平台的场景类型很广泛,包含B2B、B2C、O2O等等,不管是零售还是批发分销等其它形式,想要业务能跑得起来,首先要促成整个交易闭环...

cjwi774的博客 3793

数据产品-广告投放数据打通

目录 一、广告数据平台数据打通说明 1.背景说明 2.打通流程 3.打通平台 4.产研合作 二、广告数据平台打通实现说明 1.广告平台实现描述 2.广告平台打通说明 三、广告数据平台打通总结 一、广告数据平台数据打通说明 1.背景说明 新业务的崛起,核心是对增量市场的争夺和存量市场的精细化运营。渠道的广告投放和人群的品宣传播为增量获客最为直接且有效的方式,而渠道也是烧钱的大头 为让我们的广告投放更具策略化,我们需要洞察到在每个广告平台上,所创建的每一个广告的数据情况,当然不当当..

古月_MonBir 1万+

KMP跨平台实战:鸿蒙版Bilibili信息流工程落地与避坑

跨平台开发的难点从来不是 UI 渲染,而是如何在多端复用业务逻辑。Kotlin Multiplatform(KMP)提供了一条区别于 Flutter 自绘渲染的路径:UI 仍由各端原生框架承接,网络、缓存、分页游标等业务内核则沉淀在共享层。KMP 通过 expect/actual 机制抹平不同系统的底层差异,在鸿蒙(HarmonyOS)场景中可编译为本地 har 包,供 ArkTS 工程直接调用。这种做法尤其适合已有 Android/iOS Kotlin 代码、又要低成本覆盖鸿蒙的中重度应用。以 Bilib

weixin_32576389的博客 88

java对接腾讯广点通API接口(上报行为数据)

import java.io.BufferedReader;import java.io.IOException;import java.io.InputStreamReader;import java.io.OutputStreamWriter;import java.io.PrintWriter;import java.net.URL;import java.net.URLConnection...

qq_39719302的博客 7262

微信h5 支付,已经获得weixin://wap/pay?prepayid,但是无法调起微信客户端支付

结果几个接口,最终获得到到一直包含调起微信客户端的支付链接 但是直接打开这个页面,却不能调起微信客户端支付,原因是,在打开新页面的时候,需要设置a.rel = "noreferrer"; <body> <a href="javascript:void(0)" onclick="openNewWindowNoreferrer(this)">点击支付</a&...

qq_31683775的博客 4万+

黑客渗透测试后门隐藏技术揭秘

本文介绍了在授权渗透测试中隐藏后门文件(muma.exe)的多种技术手段。主要包括:通过WinRAR自解压脚本将后门与正常程序捆绑实现双开;利用系统自动运行目录和注册表实现开机自启;修改文件图标伪装成常用软件;将文件存放在冷门系统目录;设置系统+隐藏双重属性增强隐蔽性。此外还涉及对抗安全软件的加壳(UPX)、免杀(msfvenom编码)技术,以及进程注入、日志清除等运行隐藏方法。所有技术仅限合法授权测试使用,未经授权使用将面临法律责任。

m0_60781580的博客 1040

信息流模型原理和架构及案例

信息流模型以个性化匹配为核心理念,通过分层处理+端到端优化解决海量内容分发的复杂性。淘宝的GE重排、腾讯的内容理解流水线、微博的拉模式聚合代表主流架构方向;百度广告的意图标签定向、样式创新则展现业务落地价值。未来与大模型智能体、可信信息流技术的结合,将进一步推动动态化、跨域化、可解释化发展 🌟。

hao_wujing的专栏 1657

全国各省份影像下载地址(11级别)

cesium中使用urltemplate加载,leaflet中使用tile加载,具体加载有问题可以给我留言。

资深三维GIS开发 5151

如何跟踪信息流广告转化数据?

爱数据学习社welcome这是一篇从技术角度介绍工具的文字,有些干燥,但货是好货!众所周知,数据追踪转化是信息流运营中必不可少的一环,那么,今天就跟大家聊一聊,市面上这么多统计工具和信息流平台内置的数据统计功能 ,到底该如何去有效利用。首先,需要确定你的广告投放平台还有广告类型!1、如果投放的平台自己有着完善的数据追踪和推广监测功能,你肯定就没必要再去选择第三方或者自己开发的追踪功能了!例如:百度...

weixin_34050427的博客 1443

ASF-YOLO:一种基于注意尺度序列融合的细胞实例分割YOLO模型

随着样本制备技术和显微成像技术的快速发展,细胞图像的定量处理和分析在医学、细胞生物学等领域发挥着重要作用。基于卷积神经网络(CNN),可以通过神经网络训练学习不同细胞图像的特征信息,具有很强的泛化性能。两阶段的R-CNN系列[1,2,3]及其一阶段变体[4,5]是实例分割任务的经典CNN基础框架。在最近的研究中,You Only Look Once(YOLO)系列[6,7,8,9]已经成为实时实例分割中速度最快、最准确的模型之一。

m0_47867638的博客 9801

Playwright自动化测试实战:攻克日历时间控件三大策略与Java实现

在Web自动化测试领域,元素定位与交互模拟是核心技术基础,其原理在于通过程序精确识别并操作页面中的DOM元素,以模拟真实用户行为。这项技术的核心价值在于提升测试效率、确保交互逻辑的覆盖度与可靠性,广泛应用于电商、金融、OA等系统的功能验证。日历时间控件作为典型的复杂交互组件,常涉及动态弹出层、多级导航与状态同步,是自动化测试中的常见难点。本文聚焦于使用Playwright工具,针对此类控件深入剖析了三种核心解决策略:从最高效的直接赋值、到全面模拟用户交互的主流方法,再到利用组件特性的混合定位方案,并结合Ja

weixin_28835551的博客 311

如何通过Folo API实现AI信息流集成与自动化管理?

Folo作为AI驱动的RSS阅读器,提供了完整的API接口体系,帮助开发者将智能信息流管理能力集成到第三方应用中。通过Folo RESTful API,你可以实现内容同步、用户认证、数据检索等核心功能,构建个性化的信息处理工作流。本文将从认证机制、API架构设计到实战集成,全面解析Folo API的最佳实践。 ## 🚀 快速入门:5分钟搭建你的第一个Folo集成 ### 关键要点 - Fol

gitblog_00451的博客 1020

会员管理小程序实战开发04-用户登录及注册

上一节我们介绍了用户信息数据源的创建及网格布局的使用,本节的话我们讲解用户的登录及注册功能任何开发。 在我们前述章节里介绍的,不论是管理员表还是用户表,都涉及到一个问题就是openid,那这个openid如何获取呢?如果我直接把代码贴给你,就缺失了一个思考的过程。既然这个是微信提出的概念,那么必然就会有官方文档作为对应。程序开发的基本功就是要会看官方文档,很多初学的开发同学可能会对官方文档颇有诟病,觉得不够基础。怎么说呢,当你进入到开发岗之后,自学能力是必要的,还是要试着可以看懂官方文档才好。 登录接口解读

低代码布道师的博客 1568

《信息流广告入门》宁阿姨

信息流(feed)广告,是在内容流中穿插展现的广告,常出现在社交网络、资讯媒体和视频平台,以文字、图片、视频或它们相结合的方式展现。它主要出现在移动端。为了便于区分,我们将用户自发发布的内容叫作“内容”​,将给平台带来明确收益的商业推广叫作“广告”​。

缘 源 园 1318

基于STM32L4XX、HAL库的BQ25792RQMR充电芯片驱动程序设计

BQ25792_OK) { // 读取 PART_Info 寄存器。// 设置充电电压为 4200mV (4.2V)HAL_GPIO_WritePin(hbq->ce_port, hbq->ce_pin, GPIO_PIN_SET);// 最大值计算: (19200 - 1024) / 16 = 1136, 寄存器是11位,最大值2047。// 方法2:通过寄存器位软件控制 (CHARGE_OPTION_0, bit EN_CHG)uint16_t reg_val = (ma + 32) / 64;

zhusl6688的博客 397

2026年数学建模国赛C题利器:层次分析法与主成分分析在统计建模中的应用

本文系统探讨了层次分析法(AHP)与主成分分析(PCA)在数学建模竞赛,特别是全国大学生数学建模竞赛C题中的联合应用策略。通过理论阐述、方法对比和案例实践,本文揭示了两种方法从“数据降维”到“决策评价”的完整分析链条,提出了“PCA+AHP”协同框架,并通过实际算例验证了该框架在解决复杂评价类问题中的有效性和优越性。研究表明,将PCA的客观降维能力与AHP的主观决策优势有机结合,能够显著提升统计建模的科学性、合理性和解释力,是应对日益复杂的竞赛题目的重要方法论工具。关键词:层次分析法;主成分分析;数学建模。

YOLO 41

基于快马AI平台打造智能信息流应用:从数据抓取到个性化推荐

整体采用前后端分离架构,前端用React实现响应式界面,后端用Node.js处理业务逻辑,MongoDB存储数据。我通过平台的AI辅助功能快速生成了几个主要数据源的爬虫脚本,包括新闻网站和社交媒体API的调用代码。它不仅简化了开发流程,还提供了强大的AI能力,让实现智能信息流应用变得触手可及。我自己实际操作下来,从零开始到项目上线只用了不到一周时间,这在以前是不敢想象的。这个平台内置了多种AI模型和开发环境,特别适合快速搭建这类需要数据处理和智能推荐功能的应用。下面分享一下我的开发过程和心得。

EmeraldEagle36的博客 758

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

什么是百度信息流广告?

百度信息流广告,就是穿插展现于百度信息流中的原生广告,充分整合百度首页(手机百度APP+百度首页WAP端)、百度贴吧(APP+WAP+PC)、百度浏览器(APP)三大资源,主要以单图、大图、三图、视频等样式展现在原生资讯内容之中,利用百度强大的定向技术,为广告主提供的一个优质的营销平台。使用户在浏览内容时不自觉地去接受广告信息,保留了固有的用户体验。 百度信息流有哪些优势呢? 百度信息流广告的优势在于,它结合了传统与新媒体的技术优势,符合用户使用和浏览的习惯,广告内容更易于被接受,它是以常规的内容形

王尘宇的专栏 1016

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

Java Web课程设计——《Neco》技术信息流分享智能社交平台

Neco:集成 DeepSeek AI 的智能社交平台。本应用是 Web 应用开发课程设计作品,采用经典的 Java + Servlet + JSP + MySQL 技术栈构建。项目以 Tomcat 为服务器,核心特性包括基于 WebSocket 的实时通讯系统、支持 Markdown 渲染的智能 AI 对话,以及功能完备的社交动态广场,致力于打造一个技术信息流分享与智能交互的协作空间。

Nekaxs的博客 1079

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")

从粗放到精细,如何用AI技术实现信息流广告投放的降本增效

中国的SaaS在经历2020年全球爆发的疫情之后,迎来了前所未有的高光时刻,或者说蛰伏数年终于迎来了爆发。 2021年5月20日,ZTouch,北京中量质子网络信息科技有限公司旗下的企业数智化服务平台,发布了广告数智投放平台Darwin(达尔文)。 据介绍,Darwin系统主要用于提升广告投放效果,为广告主及代理商提供了便捷的管理工具;同时,结合数据算法能力,通过RTA技术,帮助他们最大程度上降低投放成本、提高获客效率。 一、为什么要做Darwin? 随着消费场景加速向线上迁移,信息流广告市场规模近

AI科技大本营 2093

本地信息流作品展示工具部署与批量处理实践指南

信息流作为现代内容分发的核心形式,其背后的内容管理与展示技术是支撑用户体验的关键。从技术原理上看,信息流系统通常涉及前端渲染、数据接口和存储架构。在工程实践中,搭建一个本地化的信息流作品展示工具,能够为内容审核、UI测试和素材管理提供独立可控的环境,有效提升开发与运营效率。这类工具的核心价值在于实现快速预览、批量处理和模拟测试,尤其适用于需要处理大量短视频、图文等素材的场景。通过支持批量导入与API集成,可以显著优化工作流程,是内容创作者和开发者进行本地化测试与管理的实用解决方案。

weixin_30000735的博客 328
上一篇: 敏感数据统一国标(SM4)加解密Mybatis-Plus/Mybatis实现方案
CodeManYang
博客等级 码龄6年 3粉丝 7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