快手上市,最隐秘的富豪:一笔赚回百亿美元

飞牛fnOS安装1Panel后Docker容器消失?三步教你恢复数据并避免踩坑 本文详细解析了飞牛fnOS安装1Panel后Docker容器消失的问题,指出这是由于daemon.json文件被覆盖导致。通过SSH连接、修复配置文件和系统重启三个步骤,用户可以轻松恢复数据。文章还提供了预防措施和最佳实践,帮助用户避免类似问题。 阅读详情
边策 杨净 发自 凹非寺
量子位 报道 | 公众号 QbitAI

快手IPO上市带来的造富,还在继续。

2月5日快手在港交所上市后,开盘即暴涨193%。

不到一周的时间,快手市值已经突破1.5万亿港元,跻身中国互联网公司市值前五。

在快手市值暴涨的背后,之前最先受到关注的是五源资本合伙人张斐,他以200万元天使投资快手,实现万倍回报。

而今日,另一位女投资人卢蓉(Ruby Lu),也因为独具慧眼,被彭博等外媒称为“快手背后的女人”。

因为在卢蓉的带主导下,DCM前后共投资快手4000万美元,现在这笔投资已经变成了140亿美元,而DCM凭借7.6%的持股比例,是快手最大的持股机构之一。

而在快手这一家公司的投资上,DCM回报超过100亿美元!

谁是卢蓉?

卢蓉,出生于福建厦门,知名女投资人,之前在高盛工作,后来成为了DCM董事合伙人,她投资的当当、快手、UCloud、奇安信等科技公司都成功上市。

李开复评价她是“中国投资界的积极力量”,因为无论成功失败,她都会给创业者提供帮助。

和大多数风投公司迅速甩开失败者不同,卢蓉不愿意让创业公司倒闭,李开复说“她甚至不接受一次失败”。

在一个投资案例中,一家初创公司陷入困境,其他董事会成员都准备放弃。据知情人士透露,卢蓉加班寻找买家,让投资者获得回报。

但实际上,卢蓉也经历过失败。

在她职业生涯中投资的20多家创业公司中,有一家被注销,但远远低于这个行业30%至40%的失败率。

而在这20多家企业中,已有8家成功IPO上市,还有好大夫、丁香园等知名独角兽。

卢蓉投资的企业取得了巨大的成功,但她也与两个巨头擦肩而过,其中就包括字节跳动和小米。此前她曾拒绝了雷军提出的10亿美元估值的投资要约,现在小米的市值已超过880亿美元。

卢蓉能够开始自己投资生涯,最初要感谢一对美国夫妇的帮助。

32年前,当时的卢蓉厦门遇见了一对美国夫妇。这对夫妇在当地教英语,他们很喜欢卢蓉,邀请她前往美国学习并与他们一起生活。

这对夫妇就是CMU著名计算机教授Randy Pausch的父母。

初到美国的卢蓉英语水平很差,夫妇俩旧为她买了一个录音机,让她可以录下来在家学习。最终,卢蓉获得了马里兰大学的经济学学位,之后又在约翰·霍普金斯大学攻读国际研究硕士学位。

毕业后的卢蓉在进入高盛的香港部门工作,帮助中国的国有企业上市。eBay上市使她迷上了技术公司,然后转移到高盛在加州的技术部门。

卢蓉于2003年离开高盛,加入硅谷风投公司DCM Ventures。

在那里,她与人共同开创了DCM的中国业务,实现了她说的利用“时间和空间获利”。

当时中国企业都在学习硅谷模式,卢蓉所在DCM中国遵循了这种模式,投资了电商网站当当和在汽车网站易车。

快手CEO宿华离开百度第一次创业,就得到了卢蓉毫不犹豫的支持,宿华创立的是一个在线二手商品交易网站,然后才是快手。

卢蓉一直是快手的董事会成员,直到2016年离开DCM,在她离开后DCM又参与了快手的多轮融资。

但DCM能获得高回报率,很大程度上要归功于她早早下注。DCM现在拥有快手7.6%的股份,是持股最多的国际风投机构。

卢蓉强调个人关系的重要性,她说:“你需要知道顶尖的技术人员、最好的工程师”。“我支持的许多企业家,当他们想离开他们的公司时,我会说我会给你钱。”

DCM中国联合创始人林欣禾此前在接受采访时表示,在男性居多的VC行业,“DCM很幸运,因为有Ruby,Ruby会帮我看人”。

短暂加入一家风投机构后,2019年,卢蓉成立了自己的投资公司Atypical Ventures,中文名叫“奇创投”。

奇创投的第一只基金从美国养老基金、捐赠基金和亿万富翁家庭筹集了2亿美元。

这个名字源于卢蓉的信念,即企业家必须与众不同:在准备在建立大型企业的漫长道路上,经历艰难时期,延迟个人的满足。

一个创始人写下70万行代码的团队

卢蓉早期的投资成功源于中国创业企业与硅谷的时间差。

但是如今让卢蓉大获成功的快手,却和她早期的模式截然相反。快手和抖音一样,都是中国企业先诞生的想法,然后走向全球,还被Facebook和YouTube等美国公司学习。

“擅长看人”的卢蓉投资快手,最主要原因在于:

这个创业团队,不太寻常。

首先,技术出身的内容团队。

CEO宿华就是实打实的技术担当。

他1982年出生在湖南湘西一个小乡镇,小学毕业时曾用小霸王学习机学写代码。

2001年考入清华大学软件学院。在清华博士退学后,他先后在谷歌、百度等公司负责搜索、推荐算法、系统架构等技术研发,期间两度创业,但均未成功。

直至遇上程一笑——后来的首席产品官,两人共同创办了快手。

在快手,他曾写下70万行C++代码。甚至在他的构想中,上市当天自己应该还在写代码。

有这样的技术基因加持,快手的“技术团队”标签也就逐渐彰显。

目前,快手内部有5000名研发员工,24万台服务器,22个网络数据中心,半年研发投入23亿,还是下一代国际视频编码标准的主要贡献者之一。

甚至,快手选择1024作为它们的股票代码。

嗯,1024,懂的都懂。

而除了在算法、AI技术上的实力之外,更让人觉得快手与众不同的是,他们对算法价值的思考。

快手的用户会这样一种直观的印象。

它的内容分发带有很强的社区属性,依靠兴趣、地理位置、关注等多种维度,将人与人之间联系起来。

快手价值观里,强调的是让每一个人都能被看见。而不是全面依靠算法,对中心化流量的推陈出新。

换句话说,快手考虑到了社区的“温度”。

它的所有内容都得到了平等分发,甚至可以说,快手设计的推荐机制,对明星、普通人都一视同仁,头部的视频内容并没有占据太多的曝光。

然后通过兴趣发现,让很多“同类人”聚集在一起。

这样做不仅考虑到了观看者的意愿,也考虑到了发布视频的人,让更多人愿意分享自己的日常。

2018年宿华曾表示,

社群运行用到的算法是有价值观的,因为算法的背后是人,算法的价值观就是人的价值观。

当时,快手就做出了一系列的调整:

1、用正确的价值观指导算法;2、梳理完善社区运行规则;3、建立未成年人保护体系;4、坚决打击和清除低俗色情内容。

同时,他还表示将改进算法,优先推荐个性化的更符合用户兴趣的正能量作品,放大优秀作品的影响力、感染力。

并与高校开展AI技术及人才合作,不断提升视频分析理解方面的算法技术能力,并应用到视频管理策略中去。

当然这样做,短期“阵痛”也是十分明显。日活和收益,都在被后来者抖音反超。

2020年前三季度,快手的全平台日活用户数为3.05亿。同一时期,抖音的日活跃用户数已经超过了6亿,几乎是快手的两倍。

还有收益。

短视频之前最重要的收益来源——广告方面,快手招股书显示,在 2017-2019 年三年内,快手线上营销服务收入从 3.906 亿元增至 17 亿元增至 74 亿元,分别占总收入的 4.7%、8.2%、19.0%、13.0%。

目前快手的广告收入虽然已经做到了百亿规模,但与抖音相比仍然存在差距。据称,抖音在2019年就已经达到600-700亿的收益规模。

但失之桑榆收之桑榆,相比抖音,快手展现出的“社区”氛围,在打赏、直播带货中,展现出更强的长远价值。

比如直播打赏,快手的打赏收入要比抖音高。

作为快手的核心业务之一,招股书显示,2017-2019 年,快手直播打赏业务收入分别为 79 亿、186 亿、314 亿,分别占总收入的 95.3%、91.7%、80.4%。

之前也说了,由于快手特殊的推荐机制,不完全以算法和机器为主导,人与人之间的联系更加紧密,于是直播、打赏、电商等模式,生态繁荣。

人在社区忠诚度越来越高,进而就会形成独有的快手生态。以快手作为平台,衍生出更多聚焦人之间的业务。

这种发展模式,也是快手还未上市,就被投资者广泛认可的关键原因。

快手的人情味

快手上市不仅造就了投资机构和公司创始人,还诞生了一个千万富翁。

快手的两位创始人宿华和程一笑,身家均超过1000亿港元。

另外还有数千名快手员工身家暴涨。

招股书显示,有4551名快手公司员工认购5.24亿B类股份。

也就是说,以上快手员工人均持股 11.5 万股。按快手现在380港元计算,这些持股员工的平均身家超4370万港元(约合人民币约3600万)。

据腾讯《深网》报道,一位在2017年年初加入快手的员工称,2017年快手的估值大概是15亿美金,新入职的员工现金和期权比例可以自己定,后来才固定下来。而他的期权在快手上市后,按照开盘价计算价值9000多万人民币。

也就是说,入职三年,就受益9000万。

不过招股书还是显示,快手有1.6万名正式员工,大部分人并没有因为这次上市而“剧烈”暴富。

但快手最近还通过另一举动展现了人情味,据称春节前夕,快手给每位正式员工准备了100股股票的“阳光普照奖”。

按今日股价计算,等于给每位员工发放了3.8万港元的年终奖(约合人民币3.1万元)。

参考链接:
https://www.bloomberg.com/news/articles/2021-02-08/secretive-dealmaker-lands-12-billion-hit-with-kuaishou-ipo
https://www.36kr.com/p/1724513009665

菜鸟学Python「视频号」已经全线上线了,目前累计发布了6条Python相关的视频,已经有不少铁粉关注了!


今年除夕到初五会来一波抽奖,我会放在视频号上进行,大家不要错过哈!提前占好位置,嘿嘿!

年度最火的文案

点这里,直达菜鸟B站大本营!
单板电源设计(LDO、DC/DC) 高速电路设计的电源架构 在电路设计中,一块单板往往涉及多种电源,常见的如5V/3.3V/2.5V/1.8V/1.5V/1.2V/1V0.9V/0.75V等,如此多种类的电源不可能都直接通过背板从电源板获得。一般,单板仅有一种或者两种输入电源,如48V或12V,再由它们产生单板上器件所需要的电源。 单板如何由输入电源生成所需电源,常见有两种架构:集中式电源架构和分布式电源架构。 ... 阅读详情

相关推荐

别再手动抄表了!用PaddleOCR超轻量模型5分钟搞定数字仪表识别(附完整Python代码)

本文介绍如何利用PaddleOCR超轻量模型快速实现工业仪表数字识别自动化。通过5行核心代码和关键预处理步骤,显著提升识别准确率至98.2%,解决传统OCR在工业场景中的体积大、抗干扰弱等问题,并提供完整Python代码和边缘部署优化方案。

weixin_31062533的博客 351

ai人工智能让女神_让女孩进入人工智能管道

ai人工智能让女神 缩小女孩的想象力差距 (Closing the Imagination Gap for Girls) The term artificial intelligence (AI) was coined 64 years ago at a scholarly conference. The AI field hasn’t remained the theoretical provi...

weixin_26632369的博客 8万+

Plant simulation、Flexsim、Automod、Emulate3D、VisuaComponent仿真软件对比

E3D在行业内以展示效果好,入门阶段易学易用人机界面友好,电控仿真连接方便不需要借助其他第三方软件,E3D平台开放度较高用户DIY程度强,数据分析功能针对要评定对象的KPI的可根据项目或者使用者需求进行评定。3.支持导入导出多种格式的文件,比如dwg、dxf、fbx、obj、3ds、step、stp、iges、skp、stl、wrl、 bmp 等等。3.软件自带模型组件库程序代码开放,用户可以引用、修改、拷贝,按照自己的逻辑修改模型,或者创建模型并保存到组件库与别人共享。3. 支持导出布局图片。

qq_43342303的博客 3581

Flex 强淫效果

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd"> 一、旋转 效果:<a rel="nofollow" href= "http://www.alex-uhlmann.de/flash/adobe/blog/dist

北一 2583

RADIOML 2018.01A数据集在自动调制识别中的实战应用指南

本文提供了RADIOML 2018.01A数据集在自动调制识别(AMR)任务中的完整实战指南。内容涵盖从数据集介绍、数据获取与解包、高效预处理流程,到构建PyTorch数据管道、模型设计(如1D CNN、ResNet)以及训练调参策略。重点阐述了如何利用该数据集训练鲁棒的AI模型,以应对复杂信道环境和低信噪比挑战,并给出了详细的性能评估方法。

plant的博客 174

二、时间序列的预处理

一般情况下,拿到一个观察值序列之后,首先要对它的平稳性和纯随机性进行检验,这两个重要的检验称为序列的预处理。根据检验的结果可以将序列分为不同的类型,对不同类型的序列我们会采用不同的分析方法。 一、平稳性检验 1、特征统计量 (1)概率分布           数理统计的基础知识告诉我们分布函数或者密度函数能够完整地描述一个随机变量的统计特征。同样,一个堆积变量族{Xt} 的统计特征也完全由...

Nicole的博客 2万+

人工智能之梦

最近几年--很难说具体是哪一年,人工智能忽然再次大热。半个多世纪以来,人工智能经历了几次大的起伏,这一次大热,意蕴完全不同。 与这一波人工智能热潮相比,我以为基本思想已发生重大变化,或许可以概括为两年:一点是此前的人工智能致力于“打造超越个体智能的机器”,而这一波人工智能的基本思想则是“具身性”,即探索连接,交互,复杂网络环境下机器智能的生长,人与机器的融合,以及人机生态的演进;另一点则是,此前...

qq_21874145的博客 4629

Sentence-BERT 语义相似度双塔模型

论文介绍 发表:2019,EMNLP 论文题目:《Sentence-BERT:sentence embeddings using siaese BERT-networks》 论文地址:https://arxiv.org/abs/1908.10084 Github:https://github.com/UKPLab/sentence-transformers 适用领域: 句向量生成 语义相似度计算 语义搜索 无监督任务(聚类) 1 概述 在20年之前的各种预训练模型中,比如bert,XLNet,Alb

weiyaner的博客 9195

ai人工智能让女神_人工智能可能只会让你兴奋不已

ai人工智能让女神The brain of a human being is far beyond what any machine is currently capable of. While it’s true that a computer can perform millions of calculation much faster than the human brain, humans...

weixin_26632369的博客 1万+

最新首发——boss直聘爬虫

本文介绍了使用Python开发Boss直聘爬虫的核心思路和技术要点。通过模拟浏览器访问搜索页面获取Cookie,然后构建API请求获取职位数据。关键步骤包括:1)使用DrissionPage库初始化浏览器;2)模拟用户浏览行为获取必要参数;3)设置完整的请求头信息;4)通过POST请求获取JSON格式的职位数据。文章提供了详细的代码实现,包括浏览器模拟、API请求构建、数据处理等核心功能模块,并强调了最新版接口改为POST访问的特点。该爬虫可自动翻页采集数据并保存为Excel文件,适用于安全实习等职位信息的

2301_79735033的博客 3325

1.4 KFD 设备文件的获取与驱动握手协议

本文分析了OpenClose模块中libhsakmt与KFD内核驱动建立通信的过程。首先通过hsaKmtOpenKFD()函数打开/dev/kfd设备文件,建立用户态与内核态的通信通道。随后通过AMDKFD_IOC_GET_VERSION ioctl命令完成版本握手,确认双方的接口兼容性。KFD驱动采用Major.Minor二级版本号体系,当前主要版本为1,从1.1演进到1.19不断添加新功能。整个过程构成了用户态与内核态之间的"建连协议",是所有后续GPU操作的基础前提。

图形/计算GPU的驱动与虚拟化技术分享园地 611

人工智能——AI梦

回想曾经连连对人工智能的浮想联翩,让人不觉疯狂搜集这方面的资料,顿时感觉自己进入了新混沌和四维空间,寻找人脑思维的奥妙。关于AI,我认为计算机超越人类的那天并非不可能,那将是伟大的时代。下面是一些相关的文章:本世纪最大的难题----思维(本文发表在《科学之友》1995.7)   论凶猛,人不如老虎。论力气,人不如大象。论自由,人不如鸟那样可以在天空中飞翔。论速度, 人跑不过豹子。然

wind_wolf00的专栏 4065

动态视频目标追踪系统:基于YOLOv11+DeepSORT的从入门到实战全流程指南

仅保留车辆类别(假设车辆类别ID为2)if det.class_index == 2: # 车辆类别ID通过本指南,你已完成从环境搭建数据准备模型训练到追踪系统与UI界面的全流程,搭建了一套完整的动态视频目标追踪系统。该系统在安防监控、交通管理等场景中具有实用价值,可实现目标的实时稳定追踪。未来,你可尝试结合多模态特征(如目标外观+运动特征)提升追踪鲁棒性,或探索轻量化模型部署(如TensorRT加速),让系统在边缘设备上也能高效运行。

LXY_LOVE36的博客 142

她,快手上市中最隐秘的富豪:一笔赚回百亿美元

边策 杨净 发自 凹非寺 量子位 报道 | 公众号 QbitAI快手IPO上市带来的造富,还在继续。2月5日快手在港交所上市后,开盘即暴涨193%。不到一周的时间,快手市值已经突破1.5万...

量子位 348

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

一笔赚回百亿美元, 快手上市中最隐秘的富豪是她!

点击 机器学习算法与Python学习 ,选择加星标精彩内容不迷路边策 杨净 发自 凹非寺量子位 报道 | 公众号 QbitAI快手IPO上市带来的造富,还在继续。2月5日快手在港交所上市后...

机器学习算法与Python学习 575

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")

强人工智能不能碰,那电影中的机器人只是一场梦?

云栖君导读:如果强人工智能是一条不可逾越的红线,那么人和机器交互方式的终极形态应该是什么样的呢?随着语音交互、自然语言处理、多模态等技术的发展,人机交互方式已经变得越来越简单,目前人机交互已经成为行业最热的研究方向之一。那么,未来人机交互的发展趋势什么呢?云栖社区将于2018年3月31日在北京中关村创业大街3W咖啡举办一场《未来人机交互技术沙龙》,届时将有4位行业顶级专家对人机交互技术进行详细的解

云栖社区 1969

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

AGI:走向通用人工智能的【哲学】之现实世界的虚拟与真实——带你回看1998年的经典影片《The Truman Show》感悟“什么是真实”

AGI:走向通用人工智能的【哲学】之现实世界的虚拟与真实——带你回看1998年的经典影片《The Truman Show》感悟“什么是真实” 导读:今天写的这篇文章,完全是来自于昨天和几位好友一块聚餐,谈到了很多的AI与哲学问题,好友推荐我看Peter Weir的《The Truman Show》,花了几个小时,看完之后颇有感悟。本文章属于探讨性文章,涉及哲学问题较多,需要一定程度的知识储备。 当下的人工智能还是属于弱人工智能,要想走向强人工智能,必须要解决通用人工智能的问题,要想...

QY'UniverseSpace的博客 1546

“神奇女侠”Gal Gadot穿性感粉色吊带乱伦?原来都是深度学习惹的祸

图片来源于网络翻译 | 刘畅编辑 | 波波最近,“神奇女侠”Gal Gadot的乱伦主题私情视频传遍外网,引起轩然大波。影片中,Gal Gadot穿着桃红色的吊带,心情愉悦地和她的继兄弟做一些污污的事情。营长觉得很蹊跷,亲自做了研究。现在,营长有义务站出来为我们“英勇”的神奇女侠正名。其实,这就是一个运用了机器学习算法生成的“FAKE”视频!Gal Gadot的脸被嫁接到一个色情明星的身体上。[

AI科技大本营 3万+

NBA明星的社交数据分析

上方“AI公园”,关注公众号作者:Holden Bridge编译:ronghuaiyangNBA TwitterNBA的超级明星不仅是生活中的大人物,他们的追随者也不局限...

AI公园 1338

Maluuba人工智能的阅读理解力最佳

Maluuba人工智能的阅读理解力最佳 加拿大滑铁卢(Waterloo)大学是一所综合性公立大学,位于加拿大安大略省滑铁卢市。滑铁卢大学拥有世界最大的数学系,学校以计算机学科而著名。       2011年8月18日,滑铁卢大学的一位在读天才“小毛头”研究生Kaheer Suleman发明了一种人工智能程序,取名“Maluuba”。Maluuba人工智能程序有什么能耐呢?发明它的初衷是什么

袁萌专栏 1862

微内核流程引擎(IVR导航)的设计与实现 系列

本系列是我开发的一个微内核流程引擎的设计和实现思路。目前这个流程引擎已经完成,现在把整个思路和大家共享一下。 《微内核流程引擎(IVR导航)的设计与实现(一)——开发背景》《微内核流程引擎(IVR导航)的设计与实现(二)——功能描述》《微内核流程引擎(IVR导航)的设计与实现(三)——脚本的设计 》《 微内核流程引擎(IVR导航)的设计与实现(一)——在一次尝试后的

常高伟的专栏 2558

用双十一的故事串起碎片的网络协议(中)

本文来自网易云社区作者:刘超上一节我们讲到,手机App经过了一个复杂的过程,终于拿到了电商网站的SLB的IP地址,是不是该下单了?别忙,俗话说的好,买东西要货比三家。大部分客户在购物之前要看很多商品图片,比来比去,最后好不容易才下决心,点了下单按钮。下单按钮一按,就要开始建立连接。建立连接这个过程也挺复杂的,最终还要经过层层封装,才构建出一个完整的网络包。今天我们就来看这个过程。4. 购物之前看图...

weixin_34334744的博客 280

视频隐私脱敏工程化:CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中,动态遮挡(Dynamic Masking)是高频且高耗时的环节。传统手动关键帧打码不仅效率低下,且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度,解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 352

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 280

AI Agent之核心框架

A: 显式 Thought 有三类价值:可解释性(便于人类审计)、可调试性(定位哪一步选错工具)、学习信号(可做监督微调或评估中间步骤质量)。ReAct 把推理与 可执行行动 绑定,每一步行动后都有 真实 Observation 反馈,从而用工具结果约束生成,降低闭卷幻觉。做完不等于结束——还要 评估做得好不好,把 教训 记下来,下次 带着教训重试,反思作为 记忆,影响后续尝试的策略。工作流程:Action → Evaluation → Reflection → Retry。A: 普通 CoT 只在。

剑雨巍巍的博客 254

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 191
上一篇: 刷新纪录,揭秘漫画脸背后的AI技术
下一篇: 过年啦,说三件小事!
菜鸟学Python
博客等级 码龄9年 8086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