小红书上架,一场蹭流量闹剧的终结?

小红书最新用户量数据_小红书用户增长新玩法:了解小红书用户群体 做成这件事,主要用了3个方法,今天我们来讲小红书用户增长的第一个方法:深度了解小红书的用户。在开始发布小红书内容之前,深度分析过小红书的用户画像、小红书的各个功能,在网上找遍了介绍小红书的文章,在对小红书全面理解后,才开始着手规划自己的小红书账号。01小红书的定位在进入一个“战场”的时候,一定要明确这个战场的定位,知己知彼,方能百战不殆。在明确这家公司的定位后,还要持续的跟进这家公司的定位,因为一... 阅读详情

 △职场和新商业 △

640?wx_fmt=jpeg

作者 |  婷婷的勇敢世界

来源 |  几何小姐姐(ID:jihexj)

小红书重新上架了。看起来除了小红书团队本身,就数小红书的重度用户和小红书的渠道合作伙伴最高兴了。前者不用再费劲下载,后者又可以开怀赚钱了。

在小红书下架的77天里,产品数据走向显然更有看头了。因为这是这家公司和这款明星产品,在持续22个月高速增长之后遭遇的首次全盘数据下滑。

下图选取了小红书在过去20个月的总活跃用户数据曲线,蓝色垂直线标注的地方——2019年7月30日(小红书下架的日子),那个节点是一个分水岭。下架意味着官方渠道新增都没了,这其中包括自然新增用户和渠道投放用户。

640?wx_fmt=png

小红书过去20个月总活跃用户走势图 (数据来源QuestMobile)

除了总活跃数,产品考量中的硬指标是日活跃用户数(DAU)。照理说,一款APP下架2个月之久,DAU狂跌400万,从7月31日(2577万)到9月25日(2151万),怎么看,都是一个十分惨烈的事儿了。

640?wx_fmt=png

小红书日活跃用户数 (数据来源QuestMobile)

惨烈之中也有起伏。下架之后的第一个月,毫无意外的数据暴跌,从7月31日到9月6日38天的时间里,小红书日活跃数据总跌幅是577万。到了第二个月,数据竟然上扬了超过100万,虽然整体还是跌,但是差距已经拉到我们现在看到的426万,平均到每个月下降200万+。

其中9月6日的2000万日活成了小红书这次下架事件的DAU低谷,这个数据大概和小红书2月-5月区间的数据持平。2周后数据又大幅的上升了。小长假前夕(9.22起),可能是受假期出游吃喝玩乐高峰影响,小红书日活跃猛增200万到2200万。

注意这期间,平台和渠道无法大力度通过投放带来新增。那么大部分数据贡献都来自老用户。唯一可以解释得通的理由可能是:小红书的老用户,靠着标记生活的自嗨精神,自己活跃和裂变给平台带来了活跃数据的增长。一部分老用户被召回了(比如一些被判断为沉睡但没有删除APP的用户),或者用户之间的社交流量,带来了新增(安卓版的用户求生欲更强)。

640?wx_fmt=png
01

小红书数据为什么这么妖?

与此同时,来自QuestMobile的数据显示,小红书在下架之后的这两个月里,用户活跃率竟然上升了2%,做过产品的人可能会有更深的感触,这是一个非常好的数据。除了节日利好,另一个原因可能是,没有新增用户所带来的用户质量稀释,小红书老用户更活跃了。

640?wx_fmt=png

小红书用户使用时长(数据来源QuestMobile)

虽然在各大应用市场,能够醒目的看到“小红书”服务调整,暂不提供下载的清晰提示(不顾提示点击也会跳转无法下载或无效页面)。但是对于更普通的广义用户来说,他们的反应是稍慢半拍的。因为人们日常并不会都关注TMT相关的行业话题,只是在想要使用小红书的时候,忽然发现无法下载了。于是,一系列魔幻操作开始了。

640?wx_fmt=png

小红书用户使用次数(数据来源QuestMobile)

为什么说魔幻呢?是因为在小红书下架,大盘数据下滑的这个时间周期里,小红书的用户使用时长,用户使用次数,反而有所提升。

产品下架3周后的8月21日,用户使用次数的统计数据,竟然超越了作为下架分水岭的7月31日;而用户使用时长方面,虽然从走势图看,曲线曲折向下,但是下架一个月后的数据,虽比不了7月末的最高点,但是竟然与稍早一些的7月初数据持平了。

640?wx_fmt=png

小红书日活用户分层图(数据来源QuestMobile)

或许小红书用户的使用时长用户分层图,可以解释这个问题:横坐标是时间,纵坐标为用户数,时间轴右侧黄色色块越长,表明重度用户越多。

小红书的这个用户分层图可以很清晰的看到,3秒内跳出的用户占比非常少。而能够持续活跃超过1分钟的用户(可以定义为优质用户),累计起来超过1600万。这对于一个DAU大概在2200万的产品来说,优质用户的比例高达72%。如果把浏览页面超过半分钟的用户也定义为优质用户的话,那么这种比例可能高达80%。

看起来小红书老用户黏性还不错,他们为产品的数据增长做出了突出贡献。

640?wx_fmt=png
02

为什么卸载小红书?

大量关于“小红书怎么了”的讨论在微博出现,海量碎片信息和情绪会通过信息和信息之间的对冲,迷惑的小红书重度用户明白,自己高度依赖的小红书不能下载了。

杭州的阿漪是小红书的一个小KOL,前两天,她不得不借用朋友手机看了一眼自己的小红书,3个月没更新竟然没掉粉。”3个月前随手一卸载,导致了如今这个尴尬的状况。上自己号要用别人的手机。”

需要重新下载小红书的理由:换新手机了;手机内存不够了,清理桌面下载了了,过几天心血来潮又想下载回来;很多用户单纯是没什么原因卸载了一个软件,因为互联网发展到今天安装或者卸载一个软件都太容易了。最乌龙卸载可能发生在小红书下架前后,在地铁、地下商城或者其它信号不满格的地方,第一眼没刷出页面迅速卸载了小红书。以为卸了重新下载一次就好了。但是这次,用户吃惊的发现,卸载之后下载不回来了。

当从手机端,从各大应用商店搜索,去“已下载”、“已购”项目里都找不到软件的时候,用户开始去搜索引擎、社交网络搜索关键字。7月30日,小红书百度搜索指数大增,出现了尖峰数据。

640?wx_fmt=png

小红书下架后讨论数据暴增  数据来源:百度指数

640?wx_fmt=png
03

谁在小红书下架的日子里赚到了钱?

 

谁能帮我下载小红书?

无法顺畅安装小红书的重度用户各显神通。安卓版用户去各大搜索引擎、浏览器、小众渠道寻找资源,或者干脆使用数据线,各种快传软件,即时通讯软件,各种五花八门的方法互相拷贝分享安装包。

而IOS的用户无法复用这个经验,但是他们衍生了新的智慧:去求助万能的淘宝,花五毛钱或者一块钱购买一个服务,请别人帮助自己安装软件。

毫无疑问,更聪明的淘宝卖家在小红书下架的日子里赚到了钱:因为小红书的下架只是针对中国区域的下架,而海外版本仍然可以下载。所以淘宝卖家只需要提供一个海外版的账号体系,就可以帮助用户实现小红书APP的下载。

不要小瞧这门生意。这是一个低成本,可无限复制,又不需要物流成本的好卖。有个淘宝个体卖家针对小红书下载的服务,一个月销售了2.5万单,按照他的定价每单3元,一个月净赚15万。

640?wx_fmt=jpeg                淘宝上面的投机卖家

谁蹭了小红书的流量?

小红书现在叫什么名字?我找不到了 !

过去的77天里,很多用户以为小红书改名了。

用户在 App Store 中分别搜索“小红书”“小红书app”等关键词,会看到各种各样的神似款app。这些多是在小红书下架之后迅速上架蹭热点、拦截流量的 app。

其中的小红种草,小粉书,不止评论过万,评分也刷的很高,甚至Slogan也完全照搬了早期版本“标记我的生活”。

640?wx_fmt=jpeg

当下还在app  store的类似小红们

据知群增长研究院分析,近两个月,蹭小红书下架流量的APP中,跑赢万千马甲的是一款叫做“小红书城app”的产品,依靠误导用户、拦截热搜流量及高仿元数据和关键词优化,一度冲进了应用榜第 8,图书榜 Top1 的位置。

这款 本来名为“读书看书追书神器”的 app改名之后,软件一周日均下载量预估突破 10 万。

 

640?wx_fmt=png

蹭流量最数据最高的APP(已下架)

 

640?wx_fmt=jpeg

已经被下架的一些APP

640?wx_fmt=png
04

小红书的新对手

小红书下架期间,新浪微博迅速上架了一款名叫“绿洲”的产品,因为其既像小红书又像INS的产品定位,被网友调侃为“小绿书”。

来自微博的野心产品

微博对绿洲寄予厚望。新浪微博10年,国民应用地位牢固不可动摇。但流量触底,增长遇到了天花板,亟需有新的活力产品丰富商业生态。而小红书在过去几年的高速增长至少可以证明,在中国,这样一个笔记类的社区产品成立,且国内还没有替代品。

640?wx_fmt=png

新浪微博过去1年活跃用户曲线

背靠微博近5亿用户的国民应用地位,和1.7亿的日活的优质流量,再加上积累10年的大牌明星和KOL,绿洲很顺畅的完成了产品冷启动。

因为从技术上做了微博数据的无缝迁移,所以9月上架的绿洲APP,很热闹的汇聚了9月之前,甚至去年和前年的微博历史消息。这会让新用户去到新产品里,有一种人多和热闹的感觉。虽然被用户吐槽绿洲这产品听名字就不懂,既不是好记的叠字,又没有隐晦的交代功能。

但这并不影响绿洲增长层面的数据上升。来自微博平台上的明星微博同步消息,会很顺畅的将数据庞大、年轻的饭圈男孩女孩们带到绿洲。绿洲的邀请码注册制度,既有门槛,又门槛不高,起到了勾起好奇心的作用,实际用户获取成本将远远低于其它冷启动产品。

小红书的对手可能是自己

但是对于小红书来说,年轻的绿洲还不能称之为对手。审核上摔了一跤,小红书当下最大的对手依然是他们自己。做UGC内容社区,随着用户体量的持续变大,对技术、产品、运营、审核及监管的挑战,将持续呈几何级增长。

而根据移动APP通用规律,下架2个月对产品大盘数据的影响和伤害,会在恢复渠道增长之后的几个月后分层凸显出来。

而小红书上架后的渠道策略,产品运营方面,如果想就过去2个月的空白加速补量的话,又将面临新忧旧患一起来的状况:5月Kol策略调整后的运营策略还没有验证,商业化的推进和探索尚没有有力数据支撑。下一步是沿袭既定策略还是重度调整?

小红书上架了。蹭流量、蹭品牌、蹭资源的投机买卖失去了流量。但对于小红书来说,他们这次的核心问题是下架影响了更高的增长。

虽然目前看产品细分数据还不错,但是对于一款移动APP来说,数据和产品层面长达2个月的拉锯变化,会直接影响小红书后续的商业布局。这款产品接下来在商业化方面的探索和落地情况,将决定这个团队未来在资本市场的位置。

参考资料:

1、 《小红书下架的45天里,谁在背后蹭了它的量?》知群增长研究院

2、    新浪微博#小红书#话题讨论组     

                       

到百度首页百度首页设备学院2025新一线城市官宣!成都连续11年稳居第一红星新闻2025-05-28 12:54微成都报道5月28日,第一财经旗下城市数据研究智库新一线城市研究所发布《2 2025新一线城市官宣!成都连续11年稳居第一微成都报道5月28日,第一财经旗下城市数据研究智库新一线城市研究所发布《2025新一线城市魅力排行榜》。15个进入新一线的城市依次为:成都、杭州、重庆、武汉、苏州、西安、南京、长沙、郑州、天津、合肥、青岛、东莞、宁波、佛山。其中,成都今年仍位列榜单第一,已连续11年位列新一线榜首。连续11年蝉联新一线榜首历年城市魅力排名变化这份记录了2016年至2025年各城市魅力排名变化的折线图,反映了当下中国不同梯队城市的竞争格局。 阅读详情

相关推荐

产业园区如何高效对接企业技术需求与高校科研成果?.docx

科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。

小红书最新用户量数据_小红书估值高达60亿美元?小红书超过蘑菇街了吗?

知情人士透露小红书正在谈判筹集5亿美元资金,公司估值或高达60亿美元。消息人士续指,小红书的潜的投资者包括软银的愿景基金、红杉中国和高瓴资本。另有消息指的确有数家美元基金已给出投资意向书。 这是不是意味着这个兼备社区和电商属性的平台正在逐步获得资本市场的认可?这传闻传出后小红书相关负责人很快做出了回应,称是不实消息。可是,去年5月,小红书获得阿里巴巴领投的超过3亿美元融资,估...

weixin_35764712的博客 7401

国央企创新负责人如何快速掌握本地科技资源分布与匹配情况?.docx

科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。

小红书最新用户量数据_手把手带你玩转小红书月入过万

小红书app大家应该都不陌生吧 小红书在近两年是比较火的一个APP 根剧数据统计小红书用户量2.5亿 日活量8500万 女性用户占90%。 不仅可以种草 ,还有很多明星入驻进平台里。 那么有很多作者就抓住了小红书这一块。 有的作者甚至还在上学靠小红书轻轻松松月入过万 那么是怎么做的呢 ?下面小编就来给你说说 拿起小本本记起来了哦 一个10万粉丝的作者 发布一篇推广内容 报价都是5000左右 还...

weixin_29569767的博客 5128

把群晖NAS变成游戏开发服务器:Perforce与虚幻引擎深度整合的5个关键配置(含.p4ignore模板)

本文详细介绍了如何将群晖NAS配置为游戏开发服务器,重点讲解了Perforce与虚幻引擎的深度整合。通过五个关键配置节点,包括用户权限架构、Workspace策略、资产同步优化、仓库清洁度保障和编辑器深度集成,帮助小型团队打造高效开发环境。文章还提供了实用的.p4ignore模板和优化技巧,显著提升开发效率。

weixin_30430677的博客 318

Unity3d移动端性能优化

以下条目主要针对移动端,大部分也适合PC端 一、Profiler的使用 1.性能优化应贯穿项目开发的全过程,如需求(性能能不能达到要求)、设计、开发、测试等。不能开发结束才优化性能。 2.官方推荐的优化工具是【Window】->【Profiler】 3.确认瓶颈是CPU-bound(Gfx.WaitForCommands)还是CPU-bound(Gfx.WaitForPresent) 4.内存分析使用Memory Profiler 二、内存优作 5.减少内存收集的影...

zouxin_88的专栏 3058

小红书最新用户量数据_近半年DAU峰回路转 重新审视小红书用户价值

在10月14日恢复上架后,小红书用不到一个月的时间,把日活跃用户数(DAU)拉回到了7月份的峰值水平。QuestMobile的数据显示,小红书在今年双11期间,DAU再次回到2500万的水位。下架期间,小红书这款明星产品在持续22个月高速增长之后遭遇首次数据下滑。在产品考量中的硬指标DAU的表现上,小红书的表现既在情理之中,也有意料之外。QuestMobile的数据显示,7月31日,小红书的DAU...

weixin_30651409的博客 1万+

全志T133-s3(Tina Linux)下RTL8723DS WiFi驱动移植与调试实战

本文详细介绍了在全志T133-s3平台(Tina Linux)上移植RTL8723DS WiFi驱动的完整流程,包括硬件连接、驱动源码获取、内核配置、系统适配、设备树配置以及常见问题排查。通过实战案例,帮助开发者快速解决SDIO接口通信、固件加载、电源管理等关键问题,实现稳定的WiFi功能。

weixin_30505225的博客 507

小红书-竞品分析报告

一、竞品分析目的 多年来的社区运营使得小红书的社区模块十分强势,对 UGC 的严格把控维持住了小红书社区生态的健康发展,但作为商业闭环的电商模块体验并不好,且营销上过度重视社区,轻于自身商品品质导致品质信服力不高,从而影响购物转化率。 当前已有许多传统跨境电商产品增添了社区内容模块,较之小红书,他们的社区处于弱势,但电商十分强势,通过对这些电商强势的竞品进行分析,有利于小红书强化自身的电商体验,增...

weixin_40876685的博客 2万+

unity中简单全景搭建

全景场景能够直观的展现一部分区域的全貌,在全景场景中我们能360°观看周围的景象,仿佛自身就在这个场景中,在场景的外部,我们能发现场景就是一个密封的球体,我们是处在球体的内部观察周围,在球内部观察四周看到的都是球的内表面,所以我们看到的全景其实就是贴在密封球体内的一张全景图片。接下来要介绍的就是如何在unity中用一个球体来搭建全景场景。

qq_31791999的博客 3637

通讯软件002——快速使用modscan进行modbus调试

快速使用modscan进行modbus调试

zhouwl72的博客 1032

小红书是如何赚钱到翻车的?

点击“开发者技术前线”,选择“星标

开发者技术前线-DevolperFront 1785

群晖设置公网ipv6方式域名解析访问

群晖、IPV6、域名解析

爬山虎的博客 2万+

小红书怎么点击查看大图_小红书直播来袭,新的营销蓝海赶快入局

5G时代悄然而至,技术的进步、用户思维的转化使得电商进一步呈现“雨后春笋”般的发展趋势,电商+直播的在线购买形式成为行业主流,同时因为4G技术早在2013年左右已经将短视频融入到人们的生活中并让用户产生了极高的接受程度,电商直播带货开始崛起并逐渐改变着人们的消费方式。在这种趋势的影响下,整个电商行业的发展也发生了以下变化:1.直接影响:提高全要素生产率全要素生产率是指产量与全要素的投入量之比,又被...

weixin_28713299的博客 1051

解决Gradle中NPM命令失效问题

摘要:本文分析了IntelliJ IDEA中Gradle执行npm命令失败的问题,报错显示"npm"文件不存在。通过确认npm安装路径、检查系统PATH与Gradle环境的差异,提出两种解决方案:1) 在build.gradle中使用npm绝对路径;2) 通过launchctl修改用户PATH。实例展示了如何修改Gradle脚本或系统配置来解决该问题,指出跨平台开发中环境变量配置的重要性。文章为开发者提供了处理类似问题的实用方法。

2501_90323865的博客 90

基于C#通过PLCSIM ADV仿真软件实现与西门子1500PLC的S7通信方法演示

基于C#通过PLCSIM ADV仿真软件实现与西门子1500PLC的S7通信方法演示

Robot_PLC_HMI_Automation 3161

老板亲自下场开炮,追觅CEO俞浩怒撕小红书:这平台“有毒”!

但“虚假种草”、“浮夸攀比”、“软性抹黑”这类批评,在小红书也不是第一次听了。算法会不会推波助澜?俞浩这一骂,等于把平台该怎么管、该管多少的老难题,有一次捅到了台面上。吵来吵去,最后发现,什么话都别全信,拿到手的产品好用,才是硬道理。站在品牌方角度看,产品被黑、账号被人冒充,天天报警、发律师函....结果转头一看,这些黑料,在小红书传得最疯。在他看来,小红书的运营核心,就是利用攀比、晒图、夸大其词,专门激发人性里的那点“阴暗面”来搞流量、赚钱。,理由是,大家都怕平台,才让它能“肆意推送假消息,肆意妄为”。

Fang_YuanAI的博客 442

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

迷失在外卖热度下的库迪:被曝脏乱差 员工累成狗

库迪凭借外卖大战,收获了一波热度。

Pharos_ge的博客 865

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

许冉直播不治本,京东需要刘强东

“我讨厌去做一家平庸的公司,如果我们是一家平庸的公司,我宁愿把它关掉。”

zixiangxian的博客 1050

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")

第一批养龙虾[特殊字符]受害者出现了...

OpenAI 的工程师,给自己创建部署了一个搞 AI 交易的龙虾,为的是让龙虾帮自己打理虚拟币资产,并赋予了其完全自主决策权,拥有对 5 万美元的数字钱包和交易权限。但问题也出在这里:当 AI 被赋予过高权限,又缺乏有效的安全边界时,它就不再是工具,而是一个拥有系统级访问权的"黑盒"。没错,当年收你 500 块帮你装虾的那帮人,现在又拿着二维码站在你家门口,收你 299 块帮你“毁尸灭迹”谁能想到,上周还在朋友圈晒“养虾”截图的那批人,这周已经开始偷偷摸摸找人上门“灭虾”了。还是已经开始晒“卸载截图”了?

Python编程与实战的博客 369

互联网摸鱼日报(2024-04-23)

重塑城市:AI驱动的城市模型如何改变治理Windows将迎来第三方广告,微软终究还是“饿了”加码内容化,或是京东攻占下沉市场的必由之路同时押注两条路线,广汽智驾能领先华为和小鹏吗?“扫地茅”的潜力,藏在不智能的平替里投资者眼中的“人工智能”乘用车零售渗透率首次“电超油”,价格战成双刃剑3000亿,她正式晋升商业化压力之下,小红书或将全面拥抱广告隐私保护:人脸识别案之后,如何对个人信息滥用说“不”?Ai Pin 差评如潮,首批AI硬件公司面对现实马斯克的“现金牛”,累了复盘186家上市公司年报,消费龙头企业谁

weixin_43849685的博客 805

那个 16 岁辍学开发游戏被群嘲的高中生,宣布解散 200 人“工作室”了

转自:扩展迷EXTFANS今年2月,B站UP主 @Silence默不作声 上传了一则视频,引爆了全网舆论。这则视频标题为《我,16岁高中生辍学,创建工作室开发游戏!这次,我要玩一次大的》。在视频中,@Silence默不作声 表示自己只读了半年高中,便认定当前的应试教育并不适合他,所以选择了辍学开发游戏。虽然年纪不大,却狠狠拿捏了自媒体的流量密码。“未成年辍学”、“开发游戏”,这些关键词立刻吸引了大...

HollisChuang's Blog 500

bypass网卡:公开IP属地触碰了谁的底线

一夜之间,新浪微博逐步开放了用户的IP属地显示,没有开启或关闭选项,只有赫然显示在用户个人信息中的IP属地。紧接着,众多主流平台如抖音、小红书、微信公众平台等相继开放显示用户IP属地,让早已与手机“亲密无间”的众多网友感受了一次“被支配”的恐惧。 其实在2021年10月,国家网信办就发出了公开用户IP属地的信号。《互联网用户账号名称信息管理规定(征求意见稿)》中要求,互联网用户账号服务平台应当在互联网用户账号信息页面展示账号IP地址属地信息,境内用户需标注到省(区、市),境外账号 IP 地址属地信息需标注到

LRLINK的博客 1351

销量下滑、股价大跌,品牌比网红先“塌房”?

品牌价值,还不如网红的渠道价值

gzwhsysjp的博客 135

互联网燕窝翻车记:一瓶燕窝就把辛巴拖下快手一哥

摘要:一瓶燕窝就把辛巴拖下快手一哥,小仙炖还可以红多久? 出品| 大力财经 文 | 魏力 中消协点名主持人和大主播,直播行业如同这个冬季的天气一样,降降温了。 刚过完双十一,品牌商家还在复盘总结,准备迎战双12,快手带货一哥辛巴在直播间翻车了,给直播带货行业带来了丑闻,唏嘘声不已。快手的大主播,都可以卖糖水的假燕窝。更何况其他的小主播呢? 中消协官方微信公众号发布“双11”消费维权舆情分析报告,报告中点名知名主持人汪涵、知名带货主播李佳琦和李雪琴等人,但是辛巴没有在此名单中。媒体舆论哗然,辛巴..

大力财经 497
上一篇: 机器学习免费跑分神器:集成各大数据集,连接GitHub就能用,还能验证论文结果...
下一篇: 如何从程序员日常的行为特征,判断出他所使用的编程语言
菜鸟学Python
博客等级 码龄9年 8062粉丝 571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