美国大网站在中国失败的原因(转)

离散数学期末考试试卷(两套)-熟悉题型 3.设集合A={a,b,c,d}上有自反关系R={,,,,},对称关系S={,,,}。6.设集合A={1,2,3},B={u,v,w},C={a,b,c},f是集合A到集合B上的映射,g是集合B到集合C上的映射,f={, , },g={},则复合函数g。5. 设集合A={a,b,c,d,e},下列选项中哪一个集合不是A的划分( )。 阅读详情

当我们的高校教科书还在将eBay、Amazon、Yahoo、Google等作为成功案例宣讲时,当你去书店去买品种少的可怜的从美国翻译过来的互联网书籍时,里面也充斥着这些美国互联网网站如何人性化、如何技术先进等传奇成功经验.但我们在中国看到的现实是恰恰相反的,美国网站在中国的发展乏善可陈, 在中国基本上都是失败的典型,可以说其中国竞争对手的网站的发展是完全抛弃这些美国网站的经验做法才成功的,甚至要和这些美国网站“倒着做”才成功的.

虽然现在中国的报刊杂志开始质疑这些美国网站在中国发展的普遍的不成功,但究竟是因为什么背后的原因导致这些美国网站发展不成功,这些记者的分析也只是泛泛 的、隔靴搔痒的、不到位的.我因为一些互联网聚会和美国网站的推广人员有一些接触,加上自己的观察,觉得美国网站在中国失败的主要是做事观念上的,他们在 中国有好的策略、最聪明的人、最多的钱,最好的技术,但不改变做事的观念、方式,以后也还不能在中国产生哪怕是一个成功的网站.

一、宁可要白领小资的草,也不要普通大众的苗!VS既要白领小资的苗,也要普通大众的草!

这 是美国网站在中国发展的致命伤,这些美国网站的人,至今还没有人领悟到这点;因为操作这些美国网站的人,高层是港台人士,员工都是上海高级写字楼的白领, 他们知道的中国永远只有上海写字楼这块地方,所以他们的一切做法包括产品设计、网站风格、推广目标对象都是以上海写字楼高级白领及500强企业为参照对 象,永远不会考虑大众需求与中小企业.

他们的教养、志趣、眼界,导致他们的内心深处是排斥大众的,那些网吧的小孩、那些全中国成千上万的 小城镇的上网人群(注意这2个人群就已经占了中国互联网人群的一半以上),这些美国网站的人是深深的瞧不上的,包括这些人的兴趣所在“超级女生”等,美国 网站的高级白领们不仅不喜欢,而且从内心是深深厌恶的.

他们只知道gmail,不知道163邮箱,只用msn,决不用QQ,以宣示自己的高雅.从内心深处,他们觉得我们的网站宁可倒闭,也不要做一个没有品位的、迎合大众需求的网站.

要做中国主流的互联网网站,不迎合大众需求注定是失败的.

二、宁可被人忘 绝不被人恨 VS   宁肯被人恨,不可被人忘 

前者是美国网站的哲学,后者是以马云、周鸿一的哲学.

美国网站生怕有一点点的负面消息、而中国网站生怕没有负面消息,被成千上万的人“恨”是互联网推广的至高境界之一.

美国网站的人拿着比竞争对手中国网站员工高上10倍的工资,他们生怕丢了饭碗,宁可没有什么业绩,最好不要犯什么错误,冒什么风险.他们低调、保守,谨小慎微,每个人都客气礼貌,有教养,但永远没有打仗的心态,结果被那些鲜活的、一针见血的中国竞争对手网站打的落花流水.

看 马云欺负ebay的人,外人都看的难受:马云的淘宝还在离ebay中国还有很大距离时,动用易观国际宣布taobao超过ebay中国成为老大,ebay 中国的公关女总监弱弱的说:我们只重视用户体验云云.马云最近又针对ebay中国欺负说“我用望远镜也看不到对手”.Ebay的人怕犯错,以美国上市公司 不能随便说话为接口,怕说错话,活生生的被人欺负、挑衅到底.

三、持久战思路VS短平快思路

美国网站总是有一个长远的规 划,总是化很多钱进行各种各样的无用的纸上市场调查后,规划几年内如何做,做策略、做预算,做了还不能轻易调整.反正他们一开始有的是钱、有的是高级人 才,慢慢做规划、慢慢发展,但网站不比其他行业,人们津津乐道的跨国公司在中国发展做好10年亏损的策略在互联网行业是行不通的,发展不到10年ebay 及yahoo已经承认在中国的彻底失败.与其慢慢来,还不如一开始就放手一搏.

而竞争对手的中国网站永远急功近利,做网站的思路是“短平 快”的,马云做淘宝可以组织敢死队封闭办公,一切以快为目的,强调小步快跑,边犯错边调整.而美国网站一开始做很多完美的规划与预算,美国公司即使批一个 垃圾篓如果不在预算内要批一个月都不一定能够批下来,这种变任何东西要经美国总部批准的做事思路注定是要失败的.

四、手段是有所谓的、目的不是一切VS手段是无所谓的,目的是一切

据 说马云的管理方式就是江湖式,制定一个指标,如今年追求流量、明年追求注册量,无论这个团队采用什么方法、只要能打仗式的大家朝着目标奋斗,完成目标大家 就“大块吃肉”与“分赃”,所以团队什么流氓手段都敢使用:什么插件、捆绑、黄赌毒网站推广等.中国式的网站信奉“手段是无所谓的,目的就是一切”,唯一 的前提是不犯罪.

而美国网站考核指标多的很,规矩也多的很,要维持高端品牌“虚”的形象,要维护跨国公司的面子、还要有高尚的职业道德情操等等,在这些前提下才追求几十个很多不同的长期的短期的生意指标.

五、做用户的救世主VS 顺着用户需求做

可能美国网站在中国唯一值得借鉴的地方是他们比较重视用户体验,但这个用户体验往往做过了头,替网民想的太多,太人性化反而束缚了自己的发展.中国用户很多时候不需要你对他们太好,也不需要你替他们想的太多,他们自己会选择,而不是你们替他们选择.

知 道美国ICQ退出中国市场、发展失败的致命伤吗,美国人非常注意保护用户隐私,他们在中国推出的即时通讯产品,你用在一台电脑上用ICQ,另外一台电脑再 用时不能记忆保留先前的资料,这就这最大程度的保护了用户的隐私,即只能在自己家里一台电脑上使用最安全,结果根本就不合适中国网民使用,他们撤退出中国 时也没有搞清是为什么.马化腾作为ICQ在中国合作伙伴公司的技术对口接洽人,偷师学艺即时通讯技术、知道中国网民网吧(美国网站的员工永远不懂网吧是怎 么回事)习惯后,仅仅改进了这一点,即不考虑只有高级白领才会在乎的所谓隐私问题,就将ICQ赶出了中国.

六、叫好不叫座VS 叫座不叫好

美 国式的网站在中国推广永远是叫好不叫座的,他们做市场推广思路惊人的相同:就是请4A公司设计一套优美的平面广告,然后到地铁、候车亭投放,再设计一套符 合白领口味的小众的网络广告,化大价钱在3大门户网站投放,化很贵的价钱买google关键字(注意他们是不买baidu的,美国网站的人眼里只有 google及msn的).他们的广告人人叫好,但就是没有人上网站,即使有人上,投入产出成本也太高,基本上是投入1000元才让一个人上网,他们还找 自我借口说,虽然没有增长流量,但我们树立了品牌形象,总是拿品牌知名度或美誉度做挡箭牌.

竞争对手的中国网站永远先追求流量,信奉我只 要化一分钱推广就必须带来一个人的标准来推广网站上,不管这个人是谁,先让他来我的网站的再说.真的流量大就是务实的品牌推广,那些空洞的、无用的、虚的 品牌形象并不能当饭吃.推广的唯一目的就是带人进来,好不好是产品的事,所以推广都是“四两拨千斤”的.

七、被动的君子宣传 vs 主动强行拉动

美国式市场行为总是局限于宣传知名度为主(如户外广告),难以拉动市场.务实的竞争对手的中国网站绝不做仅仅为了树立所谓形象的品牌广告,只做拉动式的炒作式活动宣传,既产生了直接效益,也扩大了知名度,还要强迫人看.

中国品牌先生龚文祥曾经观察淘宝的广告与易趣的互联网广告,说记得他们都采用产品资料库的展示排列框式广告banner,同样的广告费,前者的广告效果是后者的10倍以上:

因为ebay易趣的拿出的产品都是ipod,zippo,这些针对高雅人士的产品大众既不懂英文不会看,而且有多少人买的起这些洋玩意?

而淘宝的广告都是性感内衣呀、印度神水等吸引眼球的东西,而且在黄赌毒网站强行弹出,不看不行.

美国网站的人也许不是不知道这些,当他们的所受的“海龟”教养过不了自己的心理关:我宁可做投入一个亿带来1千万人浏览的高雅时尚潮流的广告,也决不做投入1千万带来一亿人浏览的“土的掉渣”低俗的广告.

所以一个美国网站的广告效果是中国网站10分之一的网站,只能以失败为伍.

八、邮件、msn的沟通方式VS 电话、面对面的沟通方式

美国网站的人90%的沟通时间与方式是邮件与沟通,而且沾沾自喜于全部用英文沟通,一个电话可以解决的事情,需要10个邮件传来传去才能解决,所以很多时候邮件与msn往往是最无效的沟通方式.

周鸿一接管yahoo中国时就是这2种沟通文化冲突的很厉害,所有原yahoo的员工对客户和合作伙伴永远采用邮件沟通方式,永远不去和客户见面喝酒,觉得那很低俗,自从辞退了那些只知道邮件沟通的员工后,业务就有了起色.

美国网站据说如果有20、30中国本土员工开会,但只要有一个老外在,就全体讲英语,虚荣和不务实到极点,他们永远不知道他们做的是中国人的生意,必须采用中国的语言与沟通方式.

九、冷清美观第一VS 热闹丰富为王

看一眼一个网站,如果你先不知道他的美国背景也知道是美国人做的网站:清爽、简洁、冷清、高高在上的美丽,好的东西永远藏在网站里面,相信“酒香不怕巷子深”,觉得这样才符合一个跨国公司网站的品位.20%小众小资很喜欢,但80%的大众一来看这么网页冷冰冰的就走了.

而他们竞争对手的中国网站总是热热闹闹的banner飘来飘去,把好的东西在首页展示推挤很多给人看,而设计的漂漂亮亮不是考虑的重点.

直到现在原来做yahoo中国的人还瞧不起hao123:那个白痴做的网站丑的惨不忍睹,一大堆链接堆集在一起.

可就是几年前同样做网址导航yahoo,在中国投入了10个亿,一大堆MBA、海龟、港台精英,被广东初中毕业的一个人建设维护的、推广费用为0的网址导航网站hao123彻底打败,几年前流量与用户数、广告效果均远远落后于hao123.com.

十、招一样背景的管理的人 VS 招不一样的创业精神的人

美 国网站招聘时过分强调共同的沟通方式、默契的潜规则:那些忙忙碌碌的员工、那些小心翼翼的员工、那些面面俱到的员工、那些英语邮件标点符号永远不错的员 工、那些ppt做的无懈可击的彬彬有礼的员工,永远优先的招那些港台人士、海龟员工.他们都是一个模子出来的人,外面的人进入不了他们这个圈子,所以网站 的风格、产品看法、推广等大家就是无须争论的高雅一致,也就理所当然的失败.他们招人的过多从管理角度来看、喜欢四平八稳.

但他们竞争对手的中国网站的招的人有决断力、冒险精神、也有老黄牛式的默默无闻的人等,虽然水平参差不齐,但创业精神、做事非常极端、具有攻击性,反而能够建设出能打败美国网站的中国网站.


除 了以上一些大的美国网站例子,很多小的一点的美国网站在中国发展也是如此,他们在中国每年投入几千万元,其每天上网人数不过1万人左右,而他们竞争对手中 国网站每年投入几十万就可以做到.美国网站的人一定要彻底改变自己做事的以上十大错误思路,那么他们在中国的发展将突飞猛进.

本文来自优快云博客,转载请标明出处:http://blog.youkuaiyun.com/zydj_2006/archive/2009/09/23/4585064.aspx

短视频mssdk中get_token协议逆向与加密流程深度解析 本文深度解析了短视频mssdk中get_token协议的逆向分析与加密流程。通过抓包、Frida Hook、静态分析等手段,详细拆解了协议数据的Protobuf结构、设备信息采集来源,并重点剖析了其核心加密链路:zlib压缩、自定义TEA算法与AES-CBC加密,最终实现完整的协议模拟。 阅读详情

相关推荐

FOC实战笔记:RC吸收电路的设计考量与参数调优

本文深入探讨了FOC驱动器中RC吸收电路的设计与调优。针对MOS管开关过程中的电压尖峰问题,详细阐述了RC电路的钳位与能量吸收原理,并提供了从参数计算、实验调试到布局布线的完整实战指南,旨在帮助工程师有效提升系统可靠性与稳定性。

weixin_29219539的博客 276

美国网站兵败中国的10大思路性执行错误

美国网站兵败中国的10大思路性执行错误2006.11.25      [收藏到我的网摘]但我们在中国看到的现实是恰恰相反的,美国网站在中国的发展乏善可陈,在中国基本上都是失败的典型,可以说其中国竞争对手的网站的发展是完全抛弃这些美国网站的经验做法才成功的,甚至要和这些美国网站“倒着做”才成功的但我们在中国看到的现实是恰恰相反的,美国网站在中国的发展乏善可陈,在中国基本上都是失败的典型,

antk119的专栏 781

单细胞基因可视化之热图的根本改造2

我们前面已经说过了单细胞marker/或者其他任意基因的热图的简单修饰(单细胞基因可视化之热图改造修饰1),仅仅是基于颜色和DoHeatmap函数的参数修饰。那么要对热图进行根本的改造,关键点在于提取表达矩阵,然后对分组进行注释,就可以使用heatmap或者ComplexHeatmap来做图了。 首先计算marker基因,然后选择自己需要展示的基因。 library(Seurat) library(stringr) library(dplyr) all.markers <- Find

qq_42090739的博客 6676

美国网站在中国失败的10大思路性执行错误

当我们的高校教科书还在将ebay、amazon、yahoo、google等作为成功案例宣讲时,当你去 书店去买品种少的可怜的从美国翻译过来的互联网书籍时,里面也充斥着这些美国互联网网站如何人性化、如何技术先进等传奇成功经验。但我们在中国看到的现实 是恰恰相反的,美国网站在中国的发

txgc1009的专栏 1770

c# U盘禁用---守护进程(插入,拔出,卸载等操作)

一、简介 传统的对U盘禁用,我们多采用修改注册表的方式,详情参考:https://blog.youkuaiyun.com/qq_25372599/article/details/79815407;本文将介绍一种其他的方式–后台守护程序。其原理非常简单:当守护程序检测到U盘的插入信号,我们自动卸载U盘,致使系统无法识别U盘,达到禁用U盘的效果。 二、程序设计 2.1 变量定义 strin...

星星之火燃亮码空 2848

QCC304x系列开发教程(实战篇)之5.2 QCC3040之提示音

earbud_init.c中,初始化table中UiPrompts_Init /*! \brief Table of initialisation functions */ static const init_table_entry_t appInitTable[] = { ......... {UiPrompts_Init, 0, NULL}, ......... } ui_prompts.c中是提示音音处理的主要逻辑和配置源文件 函数static void uiPro...

心跳包的博客 2395

五年来十大投资最失败网站

2009年中国互联网大会进入第二天,由搜狐IT发起的第二届《中国互联网公司年度评选活动》在11月2日评选出了5年来十大投资最失败网站。 以下为评选结果: 1、PPG 点评:这可能是近两年来中国互联网最大的投资笑话。从互联网新贵到皮包公司,从行业标杆到CEO神秘“潜逃”,泡沫一夕间破灭,PPG绝对是一个互联网投资的标准失败案例。 投资者:凯鹏华盈、集富亚洲和三山资本 投资金额:8000万美

武汉产品经理 871

【Flink】FlinkCDC获取mysql数据时间类型差8小时时区解决方案

​ 1、背景: 在我们使用FlinkCDC采集mysql数据的时候,日期类型是我们很常见的类型,但是FlinkCDC读取出来会和数据库的日期时间不一致,情况如下 FlinkCDC获取的数据中create_time字段1694597238000转换为时间戳2023-09-13 17:27:18,而数据库中原始数据如下,并没有到下午5点,这就导致了FlinkCDC读出来的时间和数据库中实际的时间不一致的情况,与数据库对比可以发现,这里的时间戳与数据库时间刚好相差了 8 个小时,在实际生产中这种情况是不

一杯咖啡半杯糖的博客 3854

服务器上传图片不显示,网站后台上传图片失败或不显示的原因

这四年多以来,比尔云做过近百个网站,发现好多网站后台上传图片都会出现一些错误。也不管这个程序是ASP的还是PHP的。对于为什么网站后台上传图片失败,今天比尔云结合自己的经验给大家总结一下。大家以后在搞网站时遇到相应的问题就好解决了。第一件事,给客户做的婚庆网站上传图片失败今天早上客户说网站后台上传图片出现错误,我让他看下图片格式,或是其他的地方,看到底是啥原因造成的。过一会我便远程帮用户看下是怎么...

weixin_35626356的博客 8141

【WorkBuddy专栏32】从「分文件夹」到「组队打仗」——WorkBuddy v5.0项目模式深度拆解

【WorkBuddy专栏32】从「分文件夹」到「组队打仗」——WorkBuddy v5.0项目模式深度拆解

AI人人懂 302

【网络与爬虫 53】Scrapy-Prometheus实战指南:打造企业级爬虫监控体系的终极解决方案

本文深入探讨Scrapy-Prometheus集成技术,通过费曼学习法从监控痛点出发,详细讲解如何在Scrapy爬虫中集成Prometheus指标收集系统。涵盖从基础配置到企业级监控体系的完整实战指南,帮助开发者构建可观测性强、可维护性高的分布式爬虫监控平台,实现爬虫性能的精准监控和智能告警。

熵数实验室 1587

网站个人站长会失败的原因

网站个人站长会失败的原因 文章目录前言一、09年到现在,我做网赚的10条必败经验1.第一条2.第二条3.第三条4.第四条5.第五条6.第六条7.第七条8.第八条9.第九条10.第十条总结 前言 第一次就是购买所谓的保赚项目,淘宝客的,教你如何利用征婚网站和交友社区引流量,做到日赚1000,结果我严格按照教程做了,一分钱没赚,还赔上时间和电费,这个项目结尾有一句话,我认为非常的经典,这样说的“项目绝对可行,但能不能赚钱就看你是否有执行力”,申请几百个QQ,然后每一个编辑身份资料,然后分别挂在征婚网站和交友

2HZZ外国网址导航 544

数据服务:数据服务框架Magic-API 介绍及实践

接口快速开发框架 基于Java的接口快速开发框架,编写接口将通过magic-api提供的UI界面完成,自动映射为HTTP接口,无需定义Controller、Service、Dao、Mapper、XML、VO等Java对象即可完成常见的HTTP API接口开发 。在线页面快速开发平台 基于 vue 的在线页面快速开发平台,主要把所有的 vue 代码都改为在线配置,最终获得一个 json 格式的页面新一代爬虫平台 基于Java实现的新一代爬虫平台,以图形化方式定义爬虫流程,不写代码即可完成爬虫。今天给大家安利一

GIS摆渡人 2063

美杂志盘点08年美国IT业十大失败事件

据国外媒体报道,美国知名IT杂志《ChannelWeb》网站周三撰文指出,在2008年即将结束之际,回顾今年美国IT产业的发展历程,其中既有成功经验,也有失败教训。为此《ChannelWeb》网站评出了2008年美国IT业最为失败的十大事件,以下为其简介:1、搜索引擎Cuil铩羽而归 今年7月28日,总部位于加州的互联网搜索创业公司Cuil开通了其搜索服务。该公司由数名曾在

phphot 1932

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

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")

美国互联网公司为什么只在中国失败了?

过去10年间,几乎所有美国互联网公司在中国都失败了。雅虎收购3721(一些人说3721是百度出现前占主导地位的关键词搜索引擎)进入中国市场,很快就把3721做砸,后来雅虎中国被阿里巴巴收购。 eBay收购最大C2C网站易趣网,花了几个亿做市场营销,成功把后者市场份额从90%以上变为不到10%,最后eBay把易趣卖给了Tom在线。 谷歌进入中国后,几年间把市场份额从30%做到10%,最终谷歌...

iteye_6274的博客 355

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

17家中国初创IT公司的失败史

看十个成功故事,不如看一个失败故事更让自己警醒。作为经历过过去12年中国互联网的老兵,我彻夜整理了有代表性的17个失败案例,为有志创业的人提供了从公司财务,定位,团队,市场,资本,政府监管,用户价值等各个方面的经验教训。也希望大家共同一起来探讨如何避免失败。 1. 亿唐网  不少人还记得2000年北京街头出现的大大小小的亿唐广告牌,"今天你是否亿唐"的那句仿效雅虎的广告词着实让

晴天的专栏 1605

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。

又一个本土化失败案例 ---中国让eBay了解本地化的重要性

2003年7月时,eBay买下了当时中国网络第一拍卖网站——易趣网。当时,这似乎是世界上最好的网络商机,只有eBay才有机会抓紧机会。   但iResearch(研究市场趋势的一家企业)的资料却显示,三年来,易趣网的市场份额下跌了超过50%,这主要是由于客户偏爱较本地化的其他拍卖商。   上周,eBay宣布关闭易趣网,并将与北京一家网络公司TOM在线一同启用一个新的中国网站。在这项合作计划

绿竹琴箫 1万+

时代周刊评10大失败科技产品

新浪科技讯 北京时间5月15日晚间消息,美国《时代》周刊网站今天评出了10年来IT业的10大败笔,微软Vista和谷歌YouTube等一批知名科技企业均上榜。 以下为榜单: 1、微软Vista 微软Vista 2007年1月30日全球发布,是该公司最新的一代的旗舰产品。微软推出Vista原本希望提高Windows产品的安全性,但从大多数测评结果来看, Vista的安全性并不强于先前版本,另外

武汉产品经理 1963

17家中国初创公司的失败史

1. 亿唐网 不少人还记得2000年北京街头出现的大大小小的亿唐广告牌,“今天你是否亿唐”的那句仿效雅虎的广告词着实让亿唐风光了好一阵子。亿唐想做一个针对中国年轻人的包罗万象的互联网门户。他们自己定义了中国年轻人为“明黄一代”。 失败的教训:缺少定位,融资过多 1999年,第一次互联网泡沫破灭的前夕,刚刚获得哈佛商学院MBA的唐海松创建了亿唐公司,其“梦幻团队”由5个哈佛MBA和两个芝加哥大

天书夜读 3799
上一篇: 优秀程序员45种习惯
下一篇: 简历相关
blacksapper
博客等级 码龄19年 20粉丝 81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