联想笔记本召回 不人性化的一个地方

在上岛咖啡等朋友,上网浏览新闻,发现联想也召回笔记本了
而我现在正在用的thinkpad T60也在此列,赶紧查询
最后结果还不错
11S92P1142Z1ZA******** 您的电池不受此次召回行动的影响。

查询过程中,发现联想开通了400电话,用手机可以打
不过,可能问的人太多了,一直没有得到人工服务
只好DIY了,发现联想有一点搞得很不人性化

关于主机编号位置,联想网页的提示
-----------------------------------------------------------
http://www.lenovo.com.cn/Support/Policy/Machine_No.shtml
笔记本电脑]
主机编号位置:联想电脑装箱单或主机背面
联想电脑装箱单上标明的是:"主机编号:NB0XXXXXXX" 或 "主机编号:EB0XXXXXXX"
主机背面标明的是:"S/N:XXXXXXX"
说明:
主机背面的编号S/N:XXXXXXX,(编号小于1570000)录入时需要加上NB0,即NB0+XXXXXXX
主机背面的编号S/N:XXXXXXX,(编号大于1570000)录入时需要加上EB0,即EB0+XXXXXXX
NB、EB后为数字0,不是字母.
举例:
(装箱单) 主机编号:EB07237684  录入:EB07237684
(主机背面)S/N:7237684  录入;EB07237684
(装箱单)主机编号:NB00965438 录入:NB00965438
(主机背面)S/N:965438 录入:NB00965438
-----------------------------------------------------------
他们很人性化的想到了告诉大家是0不是O
为何,不让大家直接输入S/N:XXXXXXX里面的XXXXXXX即可?

虽然何砝自己编过软件,学过数字逻辑、数理逻辑,但是我喜欢傻瓜化的服务,我懒得思考
我知道,对于软件程序而言,识别编号是否大于1570000是个小事情
联想网站的编程人员,稍微用几分钟就可以搞定这个转换函数
为何要让数以万计的用户自己去算呢?

想起电子政务里面关于政府网站的一段话
政府不应该让公民自己去了解政府内部的机构设置、部门机能,公民只需要提出自己的需求即可,后台处理那是政府的事情。

政府公共服务方面,需要降低用户使用门槛,联想呢?



(这个网页,其实跟我没有关系,我是用另外一个网页查询的) 
基于数据挖掘的音乐推荐系统设计与实现 需要一个代码说明,需要论文 采用python语言,django框架,mysql数据库开发 编程环境:pycharm,mysql8.0 系统分为前台+后台模式开发 网站前台: 用户注册, 登录 搜索音乐,音乐欣赏(可以在线进行播放) 用户登陆时选择相关感兴趣的音乐风格 音乐收藏 音乐推荐算法:(重点) 本课题需要大量用户行为(如播放记录、收藏列表)、音乐特征(如音频特征、歌曲元数据)等数据 (1)根据用户之间相似性或关联性,给一个用户推荐与其相似或有关联的其他用户所感兴趣的音乐; (2)根据音乐之间的相似性或关联性,给一个用户推荐与其感兴趣的音乐相似或有关联的其他音乐。 基于用户的推荐和基于物品的推荐 其中基于用户的推荐是基于用户的相似度找出相似相似用户,然后向目标用户推荐其相似用户喜欢的东西(和你类似的人也喜欢**东西); 而基于物品的推荐是基于物品的相似度找出相似的物品做推荐(喜欢该音乐的人还喜欢了**音乐); 管理员 管理员信息管理 注册用户管理,审核 音乐爬虫(爬虫方式爬取网站音乐数据) 音乐信息管理(上传歌曲MP3,以便前台播放) 音乐收藏管理 用户 用户资料修改 我的音乐收藏 完整前后端源码,部署后可正常运行! 环境说明 开发语言:python后端 python版本:3.7 数据库:mysql 5.7+ 数据库工具:Navicat11+ 开发软件:pycharm
如果只有一个笔记本电脑,可以使用以下方法进行神经网络训练: 1. 选择合适的深度学习框架:在选择深度学习框架时,需要考虑到框架的性能、易用性和适用场景等因素。目前比较流行的深度学习框架包括TensorFlow、PyTorch、Keras等,可以根据自己的需求选择合适的框架。 2. 选择合适的数据集:在进行神经网络训练之前,需要准备好合适的数据集。数据集应该具有代表性,包含足够多的样本和标签,并且需要进行预处理和归一化等操作。 3. 选择合适的模型结构:根据问题的特点和数据集的特征,选择合适的神经网络模型结构。可以选择一些经典的模型结构,例如LeNet、AlexNet、VGG、ResNet等,也可以根据自己的需求设计新的模型结构。 4. 进行超参数调优:在进行神经网络训练之前,需要对模型的超参数进行调优,包括学习率、批量大小、优化器、正则化参数等。可以通过网格搜索、随机搜索等方法进行超参数调优。 5. 进行模型训练:将数据集分为训练集和测试集,使用训练集对模型进行训练,并使用测试集对模型进行评估。在训练过程中,可以使用GPU加速训练,以提高训练速度和效率。 6. 进行模型验证和调优:在模型训练结束后,需要对模型进行验证和调优。可以使用一些评价指标,例如准确率、精确率、召回率、F1值等,对模型进行评估和调优,以提高模型的性能。 需要注意的是,如果只有一个笔记本电脑进行神经网络训练,可能会受到计算资源和内存容量的限制,需要根据具体情况进行调整和优化。例如,可以减少数据集的规模,或者使用小型模型结构进行训练。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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