6.5 社交人际

社交媒体与社会网络分析,深度解读社交网络营销 这种不那么针锋相对的社交方式,一方面可以缓解紧张和尴尬,在面对面的交往中,你说的每一句话、做的每一件事,不经意间流露的表情,都会直接的对对方产生影响,而在网络交往中,沟通之前,你可以做足准备,沟通之后,还有足够的余地回旋。但是事有两面,社交网络带来便捷的同时,却也让现实生活变的小了很多,周边的人线下交流的机会越来越少,没啥必须的事儿几乎都很少见面,从这个角度来说,无疑是变小了,没有了过去那种感觉,这多少都是点缺憾!这就像是一只掰玉米的老猴子,手上能拿到的只有那么多,掰掉一个新的,就要扔掉一个原来在手里的。 阅读详情

6.5 社交人际

社交场合中有很多时刻需要说一些恰到好处的话,但又常常不知道怎么开口。在婚宴上要发言,想说得有温度又不落俗套。有件事一直没跟长辈说,不知道怎么措辞才不引发冲突。朋友陷入低谷,不知道说什么既真诚又有用。

这类场合对语言的要求其实很高,既要把意思说清楚,又要顾及对方的感受和关系的分量。大模型可以帮我们把想要表达的内容整理清楚,找到合适的表达方式。本节将覆盖5类社交人际场景。

6.5.1 婚礼或生日宴上祝酒词起草

好朋友结婚,让你在婚宴上说几句。你们认识八年,有很多共同的经历可以说,但真正坐下来写的时候,要么写得像模板,要么话太多不知道怎么收,要么一紧张脑子里只剩下新婚快乐四个字。把你们的关系、相处的细节和想表达的祝福告诉大模型,让它帮你起草一段真实而又有温度的祝酒词。

提示词如下:

我需要在好朋友的婚宴上说几句祝酒词。我们认识八年,从大学室友到现在,她是那种特别靠谱的人,总是在朋友需要的时候出现。她的先生性格稳重,我见过几次,感觉对她很好。我想说的是:感谢这段友谊、祝福她们新婚幸福,语气要真诚温暖但不要太煽情,在饭桌上说的,时间大概一分钟,不超过150字。

输出如下:

认识她八年,我见过她在很多时刻——高兴的时候、艰难的时候,每一次她都是那个把别人顾得很好的人。

今天轮到我们来好好祝福她。

某某,谢谢你这些年对我们这群朋友的照顾,现在终于有一个人来好好照顾你了。希望你们往后的日子,平平顺顺,彼此都是对方最放松的地方。

来,大家一起干杯,祝新人新婚幸福。

6.5.2 长辈不好开口的事情用文字怎么表达

你在一家会计事务所做了三年,最近越来越确定自己想转行做产品设计,薪资前期可能会有下降。父母当年供你读书不容易,你能有一份稳定的工作是他们最大的心愿,他们一听到换工作就紧张,更别说换行业。这件事你已经拖了两个月没说,但决心越来越明确。把你的情况顾虑告诉大模型,让它帮你想清楚怎么用文字把这件事说出来,既说清楚又不伤感情。

提示词如下:

我想告诉父母我打算从会计转行做产品设计,薪资短期内可能会降低,但我已经自学了半年,也在准备作品集。父母比较传统,最担心的是稳定和收入。我不想让他们觉得我是一时冲动,也不想让他们过于担心。请帮我写一段微信消息,把我的决定和准备情况说清楚,让他们知道我是认真想过的,语气诚恳,不要太官方。

输出如下:

爸妈,有件事想认真跟你们说一下。

这半年我一直在想自己的工作方向。会计这条路我做了三年,但越做越感觉不是我真正想做的事。我想转型去做产品设计——就是负责软件和App的功能逻辑和用户体验设计这个方向。

我知道你们会担心稳定的问题,所以我没有冲动行事。从去年底开始我就在自学,学了差不多半年了,最近也在做作品集,准备投一些初级岗位试试。转行初期薪资确实可能会低一些,但这个方向本身的发展空间我研究过,是认真做过功课的。

我想先跟你们说一声,不是要你们马上认可,只是想让你们知道我在认真想自己的路。等作品集做好了可以给你们看看,到时候再详细聊。

6.5.3 朋友陷入低谷时说什么比较合适

朋友上周刚被裁员,发来消息说感觉很茫然,不知道下一步怎么办。你想回复,但觉得“我相信你很快会找到更好的”这种话说出来你自己都觉得空洞,“你已经很努力了”感觉也是敷衍。你想说点真正有用的,但不知道从哪里切入。把朋友的情况和你们的关系告诉大模型,让它帮你想几句说起来自然、听起来真实有用的话。

提示词如下:

我的朋友上周被公司裁员,是公司整体结构调整,不是个人表现问题。他发消息给我说很迷茫,不知道接下来怎么办。我们认识五年,关系比较好。我想回复一段话,要能让他感觉到被理解,不是泛泛的鼓励,同时也能提供一点具体的支持,不超过100字,口语化一点。

输出如下:

这种感觉真的很难受,尤其是知道自己没做错什么,但还是发生了这件事。不用急着想清楚下一步,先给自己几天喘口气也没关系。

我这段时间比较有空,如果你想聊聊,或者需要帮你看简历、打听行情什么的,随时说。

6.5.4 与人发生误会后的书面解释

上周你忘了把一份重要文件抄送给同组的同事小刘,导致她在一个项目决定上信息滞后,她误以为你故意绕开她。现在工作中有些尴尬的气氛,你想用书面的方式解释清楚,但又担心写出来像是在辩解,或者解释了半天反而显得此地无银三百两。把误会的来龙去脉告诉大模型,让它帮你整理出一段解释清楚又不显辩解的文字。

提示词如下:

我需要向同事解释一个误会。上周我在处理一个项目文件时,忘了把修改版本抄送给她,导致她在项目讨论时信息不同步,她以为我是故意没通知她。我们平时合作关系还好,我想发一条微信说清楚这件事,重点是:这是我的疏忽不是故意的,表达歉意,同时不显得像是过度解释。不超过100字,语气自然。

输出如下:

小刘,上周那个文件的事我一直想跟你说。当时发完忘了抄送你,是我自己的失误,跟你说声抱歉。你信息不同步是因为我没做到位,不是其他原因。这次记住了,以后有相关文件我会注意抄送的。

6.5.5 初次见面打破冷场话题选择

下周一要入职新公司,你知道前几天会有很多需要和陌生人相处的时刻,可能会一起吃午饭、等电梯、在茶水间碰到。虽然你不是特别外向的人,但最怕就是两个人站在那里不知道说什么,或者说出来的话显得特别刻意。把见面的场合和对方大致情况告诉大模型,让它帮你准备几个自然不尴尬的话题方向,开口时有话可说。

提示词如下:

我下周入职一家互联网公司,想在入职第一周跟新同事建立初步的关系,主要是午饭、茶水间这类非正式场合。我不是特别擅长主动聊天,希望准备几个自然的话题方向,不要太像在审问对方,也不要太私人。给我4-5个具体的话题方向,每个方向给一句可以直接用的开场例句。

输出如下:

话题方向一:聊工作上手的感受(让对方分享经验,自己很快能接上)

例句:“你来这边多久了?刚开始有没有什么需要特别适应的地方?”

话题方向二:聊周边吃饭的地方(实用,大家都有话说)

例句:“这附近你有没有推荐的地方?我还没摸清楚哪里好吃。”

话题方向三:聊用什么工具或工作方式(技术岗同事特别容易聊)

例句:“你们平时项目管理用什么工具?我之前用过飞书,想知道这边的习惯。”

话题方向四:聊通勤(很多人愿意分享,也容易引出生活信息)

例句:“你住这边附近吗?我住得有点远,今天来摸了一下路线。”

话题方向五:聊公司里的人和氛围(开放式,对方可以说多也可以说少)

例句:“你们组氛围怎么样?我还没见过太多人,还在摸排中。”

友谊的现代定义:社交网络时代的人际关系 本文旨在探讨社交网络时代人际关系的演变,特别是友谊的现代定义。我们将首先介绍社交网络的兴起及其对人际关系的影响,接着深入探讨友谊的传统与现代定义之间的差异,并分析现代友谊的构成要素和动态特征。文章还将讨论社交网络中的人际关系模式,友谊质量与社交网络的关系,以及社交网络时代的人际关系维护策略和教育。最后,我们将展望社交网络时代人际关系的未来趋势,并提出相关研究的方向和社会影响。传统友谊强调面对面的深度交流,而现代友谊则更多地依赖于线上互动。这种差异不仅体现在交流方式上,还涉及信任、情感深度等方面。 阅读详情

相关推荐

数字时代的人际关系管理:社交网络分析的个人应用

在数字时代,人际关系管理变得愈发复杂和重要。社交网络分析作为一种强大的工具,能够帮助个人更好地理解和管理自己的社交网络。本文将深入探讨数字时代的人际关系管理,并详细阐述社交网络分析的个人应用,包括方法、工具和最佳实践,旨在为读者提供全面的指导,帮助他们在社交网络中取得成功。数字时代,也称为信息化时代,是指信息技术和互联网技术迅猛发展,数字化生活方式普及的时期。技术的快速发展和普及:计算机技术、互联网技术、移动通信技术等快速发展,为人们的生活和工作带来了巨大变革。互联网的全球互联。

AI天才研究院 1173

社交口才:处理好人际关系的七种谈话技巧

社交口才:处理好人际关系的七种谈话技巧 公众号:“王堃阳口才前线”始于2003年,学演说找王堃阳,专治各种不会说! 所谓的巧妙指的就是对周围情况的观察力,以及能够说出最善解人意或最贴切的话。要达到巧妙的境界,就必须对周围的人事十分敏感,并掌握说话的技巧,随时都能果断地陈述自己的意见,而且重点是不能引起他人的反感。这种技巧可以用来处理棘手的情况或人际关系。他需要运用智能和观察力,看别人在和你谈话之后,怎么样会觉得好过些。下面是小编为大家收集的关于学会处理好人际关系的七种谈话技巧,欢迎借鉴参考。 技巧一:

王堃阳口才前线 481

数字时代的人际关系咨询服务:社交网络时代的情感智慧指导

数字时代的人际关系咨询服务:社交网络时代的情感智慧指导 关键词:数字时代、人际关系、情感智慧、社交网络、咨询服务、算法、架构设计、项目实战 摘要:本文旨在探讨数字时代背景下人际关系咨询服务的兴起及其重要性,特别是在社

AI天才研究院 693

有哪些人际关系书籍值得推荐?看完这两本书你也能成为社交高手!

要想提高人际关系和社交能力,阅读确实不失为一个好办法。 但是问题是该看什么书呢? 有哪些人际关系书籍值得推荐? 笔者强烈推荐《情商必读12篇》和《沟通与说服必读12篇》这两本书。建议你能把这两本书都完完整整、一字不漏地看完,一定会对你的人际关系与社交能力大有助益。注意,这两本书都只从12Reads官网获得,避免广告,请自行百度书名。 并且,关于这两本书我个人建议的阅读顺序为1、《情商必读12篇》2、《沟通与说服必读12篇》。要提高人际关系和社交能力,你必须从根上抓起。很显然,这两本书都成功.

Anthony的专栏 2572

社交网络的拓扑学:人际关系的数学图谱

社交网络的拓扑学:人际关系的数学图谱 关键词:社交网络、拓扑学、人际关系、数学图谱、数据分析、算法 摘要:本文从社交网络的背景和重要性出发,探讨了社交网络拓扑学的基本概念、核心原理以及拓扑学算法和应用。通过对数学模型和公式的详细讲解,揭示了社交网络拓扑学在数据分析中的实际应用。同时,本文还介绍了社交网络系统架构设

AI天才研究院 1921

社交媒体工具开发:重塑人际交往的新方式

《社交媒体工具开发:重塑人际交往的新方式》文章关键词 社交媒体工具 人际交往 前端开发技术 后端开发技术 数据库技术 性能优化 安全防护 项目实战 未来发展

AI天才研究院 958

人际沟通与社交媒体(媒介沟通的优缺点)

本文是《沟通的艺术:看入人里,看出人外》第 15 版第二章的读书笔记,用思维导图的方式进行了总结归纳。 阅读此章能够了解: 1、媒介沟通与面对面沟通的区别和相同点 2、媒介沟通的优势 3、媒介沟通的影响因素 1. 媒介沟通与面对面沟通 1.1 二者的相似点 目标相同: 都是为了满足生理的、社交的、认同的和实际的需求。 过程相似: 线性模型和交流模型。 原则相似: 沟通可以是有目的的,...

Lucky小黄人的博客 1万+

新共情时代:跨越隔阂的人际连接

在数字化快速发展的时代,人际关系面临着新的挑战。本文探讨了“新共情时代”的概念,分析了共情在人际连接中的重要性,探讨了共情与同情、情感智能的关系,以及如何在实践中培养和提高共情能力。同时,探讨了科技在促进共情方面的作用,以及如何应对数字时代下的共情挑战。文章旨在为读者提供理解和增强共情能力的方法,以实现更有效的人际连接。社交挑战与隔阂现象数字时代的社交变化在当今社会,人际关系的问题日益突出。随着社交媒体和即时通讯工具的普及,人们的社交活动似乎变得更加频繁,但与此同时,人们却感到更加孤独和疏离。

AI架构师小马 1019

人际沟通与社交媒体

1、媒介沟通与面对面沟通的相似点 1.1、目标相同 1.2、过程相似 1.3、原则相似 2、媒介沟通与面对面沟通的区别 2.1、更精简的信息 (精简度形容的是缺乏非语言线索的信息) 2.2、可变的他同步性 (同步是指沟通者都实时联系的一种情况) 2.3、永久的(有时是公共的)记录 3、媒介沟通的结果 3.1、网络抑制解除效应:沟通者在网上会更诚实坦率的表达自我,他们变得不那么谨慎,额较少进行自我监控 3.2、超人际沟通:超越面对面沟通中通常发生的情况,以更快的速率讨论个人话题及关系发

duzm200542901104的专栏 1375

如何利用Arcgis进行地统计学分析(三):空间插值方法选择与优化

本文深入探讨了在Arcgis中进行地统计学分析时,如何根据探索性数据分析(EDA)结果科学选择与优化空间插值方法。文章对比了IDW、RBF、克里金等主流方法的适用场景与核心参数,并通过实战案例详解了从数据诊断到模型调优的完整流程,强调结合半变异函数与趋势分析进行“对症下药”,以提升插值结果的精度与可靠性。

weixin_29281915的博客 120

Cadence Virtuoso IC617:从零构建传输门与反相器的Schematic设计实战

本文详细介绍了使用Cadence Virtuoso IC617进行传输门与反相器Schematic设计的完整流程,包括环境准备、原理图绘制、Symbol创建、仿真验证及实用技巧。通过分步指导和实战经验分享,帮助初学者快速掌握集成电路设计基础,提升EDA工具应用能力。

weixin_29194693的博客 596

社交是什么?

「社交」社交本身是一项能力,和高效沟通一样重要,是我们作为社会人必备的重要生存手段之一。只要你不是选择避世隐居,你在这个社会上,是逃不过社交这个事情。 德国哲学家叔本华曾说过:人的社交根本不是本能,也就是说,并不是为了爱社交,而是为了怕孤独。 互联网时代,社交软件多如牛毛。 那么社交如此重要,我们一定要了解什么是有效的社交,什么是无效的社交,从而避免无效社交。拒绝无效社交不代表不社交,只是有选择性的社交。让自己体验到充满活力感到舒适的社交才叫有效社交 ,反之,和完全不合拍 三观性格生活习惯相反的人社交才叫

fozhu19的博客 1073

SpringBoot文件上传实战:MultipartFile重复读取的3种方法(附避坑指南)

本文详细介绍了SpringBoot中处理MultipartFile重复读取的3种实用方法,包括字节数组缓存法、临时文件法和流重置法,并提供了避坑指南和性能优化技巧。特别适合需要多次读取上传文件内容的开发者,帮助解决InputStream流只能读取一次的问题。

weixin_28710999的博客 398

在人际交往中你悟出过什么道理?

在人际交往中你悟出过什么道理?

TEDDY的博客 881

数学建模灵敏性分析(一阶、二阶灵敏度)python代码+懒人专用版

对于勉强看懂了灵敏度分析的同学来说,本文给出一个方便移植、修改的python程序,可以很方便地进行灵敏度分析。

春江花朝秋月夜 1万+

Cadence SIP Layout 简单教程-第一章

以摄像头模组软硬结合板为例,描述layout的整个完整过程,从而掌握基本技能。 第一章 准备工作 第一节 原理图不用说layout前需要绘制原理图,原理图不在本文讨论范围内,所以列为准备工作。 需要特别说明的是,绘制原理的最终目的是导出网络表,网络表中的重要参数footprint是让layout软件选择正确封装的关键,所以这里讲解一下原理图设置footprint的位置。在原理图中双击零件,...

whp1920的博客 1万+

怎么将ChatGPT用于人际交往支持?

用户可以与ChatGPT分享他们的情感、焦虑或问题,ChatGPT可以倾听并提供理解性的回应,减轻用户的孤独感。ChatGPT可以分析用户的语言,识别其中的情感,并给予相应的回应。当用户表达出忧虑、压力或兴奋等情感时,ChatGPT可以给予积极的回应、安慰的话语或建议,从而提供情感支持。ChatGPT可以用作情感追踪工具,帮助用户了解自己的情感趋势,从而更好地管理情感健康。综上所述,将ChatGPT用于人际交往支持可以为用户提供情感支持、社交练习和情感管理等方面的帮助。

2301_78240434的博客 445

【小白深度教程 1.32】手把手教你从多视角图像进行 3D 重建(SfM 算法)

重建的目标是从一组照片中推导场景的几何结构,假设摄像机位置和内部参数是已知的或可以从图像集中猜测。 这是通过使用多个照片,在其中应用运动结构法(Structure from Motion,SfM)来解决像素级对应问题,部分地恢复3D信息来实现的。

2401_87064292的博客 2158

经营良好的人际关系只需做到5件事

1、决不夸张:夸张有损真实,并容易使人对你的看法产生怀疑。精明者克制自己,表现出小心谨慎的态度,说话简明扼要,决不夸张抬高自己。过高地估计自己是说谎的一种形式。它能损坏你的声誉、风雅和才智,对你的人际关系产生十分不好的影响。 2、保留意见:过分争执于己无益且有失涵养。通常,应不急于表明自己的态度,让人们捉摸不定。谨慎的沉默就是精明的回避。 3、认识自己:促进自己最突出的天赋,短板及格即可。

qq_34635109的博客 655

用 Python 和 XGBoost 进行疾病诊断预测

疾病诊断预测是医疗领域的重要研究方向,准确的疾病诊断预测可以帮助医生提前制定治疗方案,提高治疗效果,降低医疗成本。本文章的目的是介绍如何使用 Python 和 XGBoost 算法构建疾病诊断预测模型。范围涵盖了从数据预处理、模型训练到模型评估的整个流程,同时通过实际案例展示如何将该模型应用于疾病诊断预测中。本文首先介绍了疾病诊断预测的背景和 XGBoost 算法的核心概念,然后详细讲解了 XGBoost 算法的原理和具体操作步骤,包括 Python 代码实现。

AI Python 编程之道的博客 1064

【ffmpeg+cuda实现硬编解码】

最近在搞一个项目,我需要向AI提供视频帧数,本来一开始摄像头是H.264的编码,我直接复制流推到AI层去推理,然后需要将事件回溯成30秒的视频截取。结果摄像头换成了HEVC编码,截取的视频不能在网页直接播放(需要JS实现调用硬解码)。一开始的方案是ffmpeg直接将HEVC转成H.264结果因为事务巨多CPU占用量过大,导致影响到了推理,因为本身选用的模型+杂七杂八的业务逻辑也要占用大量的CPU资源,所以经过研究把ffmpeg和nvcodec结合起来来平衡设备性能,算是解决了这个问题吧。这两个是前提条件,我

jiexijihe945的博客 7229

人际交往的43个绝招

如果你能保有最新版本的人际关系图,就不难得知在眼前这一刻该如何以自己为主角,来善用你的人际关系资源  第1招 认清人生的意义以及毕生所全力以赴的目标  为什么要这么拼命?因为你必须对得起自己的良知。想要成为一个人际关系高手,第一步就必须先确认你的价值观;若是你连这个都摸不清楚,就很难去看透人生的意义,更不用说什么成就感了。   第2招 列举出截至目前为止的五件重大成就 

zhouhaifang2000的专栏 383

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

社交网络数据挖掘:人际关系的科学

1.背景介绍 社交网络数据挖掘是一种利用社交网络中的数据来发现隐藏模式、潜在关系和有价值信息的方法。这种方法在过去十年里发展迅速,尤其是随着互联网和社交媒体的普及。社交网络数据挖掘的主要目标是从大量的社交数据中发现有价值的信息,以便为组织和个人提供有价值的洞察力。 社交网络数据挖掘的核心概念包括:社交网络、节点、边、社区、社交网络分析、社交网络拓扑特征、社交网络度量、社交网络模型等。这些概念为...

AI天才研究院 1325

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

自发二元行为预测人际神经同步(INS)的出现

人际神经同步(INS)正在成为预测多人协调、沟通和合作成功等社会互动的有力标志。由于对INS的起源知之甚少,本研究测试了INS是否以及如何从自发的二元行为中产生。要求一对参与者在不说话或做出共同语言手势的情况下互相看着对方,并记录他们的神经活动(EEG)和行为(全身运动、眼球运动和面部表情)。本研究结果发现:首先,尽管没有结构化的社交任务,但当参与者看到对方时,INS就会自发出现。其次,这种自发的INS,包括特定的频谱和地形特征,不仅反映了个体内神经活动的调节,而且反映了神经活动的实时和成对特异性耦合。

u011661076的博客 522

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")

社交网络分析的规律:如何预测人际关系的演化

1.背景介绍 社交网络分析是一种研究人们在社交网络中互动的方法。它涉及到人们之间的关系、联系、信息传播、社交行为等方面。社交网络分析在许多领域有广泛的应用,如政治、经济、医疗保健、教育等。 在本文中,我们将讨论社交网络分析的规律,以及如何预测人际关系的演化。我们将从以下几个方面入手: 背景介绍 核心概念与联系 核心算法原理和具体操作步骤以及数学模型公式详细讲解 具体代码实例和详细解释说明 ...

AI天才研究院 812

如何克服社交恐惧症

许多性格内向的人,尤其是年轻女性,会在人际交往中感到不安。怎样才能攻破社交恐惧症呢?下面小编为大家整理了如何克服社交恐惧症8个技巧,欢迎大家阅读。 如何克服社交恐惧症8个技巧   1、适当的放松 这样做能够缓解心理的恐惧感。将两脚平稳站立,轻轻地把脚尖踮起,坚持几秒钟,然后放下,同时,边做有节奏的深唿吸边数数,这样做二到三组,每组三十下,一般就能缓解心理恐惧。 2、接纳并信任自己 社交恐惧症在某种程度上时不能接受自己的一种表现。从现在开始,停止对自己的挑剔,批评,责难,也不要以恐惧就逃跑。要知道,如果自己都

王堃阳口才前线 904
上一篇: 6.4 家居生活
下一篇: 6.6 理财消费
夏天又到了
博客等级 码龄19年 6582粉丝 1589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