墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.2k累计阅读
1.2k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
经过努力，我们的产品终于进入了某个客户的业务系统，此时有2条路可以选择：
1 进一步挖掘客户的潜力，将当前好不容易搭好的关系，钻好的眼，尽最大可能的钻大
2 这个客户终于攻下来了，我们去攻下一个吧
虽然作为选择题，我们基本上都会去选择1，但实际工作和学习中，我们却大多不是这样的。
学习一个新东西，就如同在一个新的地方打了一个眼，在大多数情况下，把原来的眼钻大的成本都是比新打一个眼的成本低的。
接触新的知识，如同接触新的客户，要从零开始一点一点的做，知识好多是相通的，而客户却很可能每个都不一样。他们的爱好，他们自己的职业规划，他们的家庭和朋友圈都是不同的。我们要付出更多的经历和成本来建立一个新的客户关系，如同我们要学习一个新的新领域的知识一样。
该行难，原因也是一样。如果你所在的行业，你所在的公司，你负责的客户还能把眼钻的更大，那么就不要吝啬了。如果你擅长某个领域，那么要尽可能保持这种领先的态势，而不是分散大量精力去另一个领域。
大师和伟人不在此列!
unity C# 计算3D空间任意多边形面积,距离,角度测量工具
unity C# 计算3D空间任意多边形面积,距离,角度 using UnityEngine; using System.Collections; using System.Collections.Generic; using UnityEngine.UI; using System; /// /// 划线面积,距离,角度 /// public class UnderlinedMeasureTool : MonoBehaviour { /// /// 相机 /// public Camera _c
谈一些对营销的感触
谈一些对营销的感触 蒙牛因为三路氰安的事件，火了， 之后它在CCTV上做一些公益的广告想挽回形象，大家都体韧到了。在央视的一些对话节目中,赞助厂商会在中间插播广告,比如赞助的服饰什么的 百度因为医药的事情上CCTV了，之后花了4000万块让李颜宏在CCT...
添加odbc数据源时的一些问题和解决办法
pl/sql
一个微博营销人的跨界思考
(速途网专栏 作者：晏涛三寿)开篇声明：首先说明这不是一篇教你如何运营微博的方法论文章，而是一篇对营销，微博营销，微博运营的思考文章。笔者曾实操运营，咨询辅导过企业微博，回过头来看看这个行业，看看这些企业，一些看法思考杂谈。不管你是企业老板丶高管还是运营者，只要你还在关心微博营销或纠结放弃中或无法突破中，那么我建议你看完，一定对你会有帮助，如若拍砖吐槽，您随意，我不介意。 ——本文由
解决ArcGIS-OpenStreetMap Toolbox-Load OSM File错误
在安装成功OpenStreetMap Toolbox后，首次运行Load OSM File工具，出现以下错误
告别手动拍照！用Python+JAKA机械臂+D455相机实现全自动手眼标定（附完整代码）
本文详细介绍了如何利用Python脚本实现JAKA机械臂与Intel RealSense D455相机的全自动手眼标定流程，提供从硬件配置到代码实现的完整解决方案。通过自动化标定，显著提升工业自动化中的精度和效率，适用于机器人视觉领域的二次开发需求。
一线大厂程序员谈回长沙感受：这不是退路，而是新的开始
编辑 | 王昕慈嘉宾| 高翔出品 | 优快云（ID：优快云news）我始终相信想要收获，就必须先舍掉一些东西，回到长沙并不是我的退路，而是带着勇气与希冀的重新出发。——优快云 高翔一线城市、互联网大厂是许多职场人士追逐的梦想，而他选择逆向而行，舍弃高薪从北京回到长沙发展，是勇气的使然，更是长沙这座城市魅力的吸引。他就是 优快云 商业产品研发负责人高翔，一名敢于挑战人生，勇于逆势而上，衷于...
【最全选型攻略-盘点篇】市面上有哪些靠谱的工业3D相机品牌？（双目、结构光、TOF、激光三角）
选工业3D相机，选最靠谱的品牌，选最Match你的产品，看这一篇就够了！
IT30:30岁IT男工作套路4（IT项目营销）
●阅读说明: ² 本分享是一个系列连载，连起来阅读更有效果； ² 本分享中所有的案例图来自一个完整IT建设推进案例，注意其逻辑性和关联性； ² 本分享中所有案例只是用来解读方法论，打开思路，不适用复制即用； ●本篇主题定义为第二章立项规划之项目营销四步法，内容包括【项目营销四步法】、【系统概念营销案例】 在本摘选系列第一章【IT规划】中，完成了一个企业的IT整体规划，并对IT规划进行了充足的营销...
TSC条码打印机C#例程(tsclib.dll调用) 【转】
//----program.cs using System;using System.Collections.Generic;using System.Windows.Forms; using System.Runtime.InteropServices;public class TSCLIB_DLL{[DllImport("TSCLIB.dll", EntryPoint = "abou...
Fast DDS源代码走读
DDS, PDP, EPD, DataWriter, DataReader
餐饮行业如何做好微营销
在我们服务的近百家企业中，客户最多的行业就是餐饮行业。一来，餐饮行业本身就是一个竞争非常厉害的行业。二来，餐饮是最典型的传统行业，也是一直在寻求新型营销方式的行业。我们从2010年为餐饮行业提供IPAD点菜，到如今的微营销，历经了这个行业对移动互联的从怀疑到试探、从犹豫到尝试，从迷茫到渴望的过程。 记得当初拿着带有点菜预订功能的app到餐厅去推销，老板不明就里的在屏幕上点了几下ap
【LAMMPS学习】四、运行 LAMMPS(2)命令行选项
本部分解释了在安装可执行文件或下载源代码并构建可执行文件后如何运行 LAMMPS。命令文档页面描述了输入脚本的结构以及它们可以包含的命令。
故事营销：一个具有争议的成功营销案例
导读：读完全文我就知道了作者想说的是故事营销，为什么我轻松读完?因为这篇文章本身就是个小故事。这就是故事营销的威力。另外江水平通过互联网接单做生意也是故事营销的典范。大家可以学习借鉴下。(故事营销案例：以后就这样介绍自行车)那时候我已经做了竞价几年，因此代理公司请我们这些客户去郊游，说白了就是出去玩，去的地方倒没什么特别，就是在附近的一些小山村，先爬山，完了后去村里吃饭。但这次经历给了我很大的感触...
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
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');```[](https://bitdeli.com/free "Bitdeli Badge")
4个易打动人的营销技巧
当今产品日趋同质化的同时，营销手段也日趋同质化。想吸引乃至打动用户的难度越来越高，更多的企业也陷入了营销等于自嗨的尴尬处境。纵观市场，用户倾向于细分化与个性化消费，也因此，本文将依此提供4个营销的突破口，让你的营销手段更容易打动用户。 以情感触达 不管是理性消费还是感性消费，在消费者产生“购买”的心理及行为时，都会有不同程度的情感因素的驱动，而创意营销所带来的情感体验能够更快到达消费者
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
作业:BBS营销
1.解释什么是“BBS营销” a.找出当前最流行的元素，发布在BBS上，最后加上自己的真正目的。b.在BBS上不断宣传自己的产品，或是什么，以达到某种目的。在人员多的论坛，通过自己的宣传的实践，以达到营销的作用。c.通过留言、发贴和顶贴，为了让宣传素材达到最理想的流量效果。（登录自己的网站）d.通过文字、图片、视频等方式发布企业的产品和服务的信息，从而让目标客户更加深刻地了解企业的
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
社会化媒体营销的优势
社会化媒体的崛起是近些年来互联网的一个发展趋势。不管是国外的Facebook和Twitter，还是国内的人人网或微博，都极大的改变了人们的生活，将我们带入了一个社交网络的时代。社交网络属于网络媒体的一种，而我们营销人在社交网络时代迅速来临之际，也不可逃避的要面对社交化媒体给营销带来的深刻变革。 那么社会化媒体的营销与传统的营销手段相比具有哪些突出的优势呢？ 首先要讲的是，社会化媒体营销具有传统
读《软技能》感触颇深
这是一本读了之后，颇有一种相见恨晚的书，如果能让我在十年前读到这本书，现在我可能在华为，如果五年前读到这本书，我可能已经小有积蓄，也不会为了钱，辛苦的奔波，可能正在做着自己想做的事情。现在看完这本书，只剩下悔恨，为什么当初…算了，还是说说这本书把！ 这本书的作者John是Simple Programmer网站的创始人，这个家伙不但开发了50多门在线课程（涉及ios、Android、.NET、jav...
营销感触(一)如何在客户诸多系统中寻找突破口
客户已经有一些系统在运行，有的也许已经运行很长时间了，那么作为一个新公司，或者新产品，如何寻找突破口呢？这次北京营销会议的第一个感触就是这个，这些营销人员，已经不再是单纯的搞关系，而是已经有了技术方面的很现实的经验。一、如下系统不能碰1 替换涉及到钱的系统，特别是每月都定时用的那种。 比如工资系统，劳保系统，补贴发放系统等所有和钱打交道的系统，用户已经习惯了按照每月的收入做安排了
与营销有关的五个神秘数字
与营销有关的五个神秘数字 2013年07月23日 ⁄ 互联网, 分析视角 ❶黄金分割率：1：0.618。❷250定律：每一个顾客的背后，大体上都有250名亲朋好友；❸宇宙法则；❹销售心态百分之一定律：任何一种销售方 法，只要能达到百分之一的成功几率，即正常；❺80:20法则：世界上好事物的80％只被20％的人所拥有。 从小到大，我们喊了太多的口号，听了太多的训话，而作为
传说中的概念：社会化媒体营销
传说中的概念：社会化媒体营销 上周参加了socialbeta@puting主持的一个关于电子商务和社会化营销的线下讨论会，与会者有从事电商的、媒体的、网站运营的等互联网各职业的人，参加完讨论会后颇有感触，于是将自己的观点和一些心得忍不住写了出来，以下是全文 什...
王见：8年中，网络营销发生了什么样的变化？
今天比较悠闲，所以有时间来整理一些东西，很多人喜欢看别人整理的东西，因为价值非常高，我今天整理的东西价值也非常高，分享给你们。 自2010年，我参与到互联网工作中，我能深刻体会到互联网给我的生活带来的各种变化，但根本上，并不是我的生活方式或者行为产生多第大的变化，而是感知发生变化，这个感知其实就是“营销行为”。 8年的时候，从传统互联网，传统电商到移到互联网，到微商，这些变化的根本就...
接近618，浅谈“猫爪杯”，“优衣库”背后的饥饿营销套路
线上抢不到，线下跑断腿，饥饿营销可以强化顾客的购买欲，让卖家获得爆款的收益最大化。 线上抢不到，线下跑断腿 联名T恤界的大佬优衣库，又来抢钱了。近日，优衣库和美国街头艺术家Kaws的联名T恤上线，因为是收官之作，今后不再有，所以，这几天全国各地的优衣库实体店都遭受了“搏斗式疯抢”，你可以看图感触一下。 这场面，不知道的还以为春运提早大半年来了呢…… 归隐多时的水稻之父袁隆平老先生也被建议应该减产水...
技术营销化，营销技术化
转自：http://www.dunsh.org/2010/03/17/jishuyingxia/ 前一段时间，我的脑海中突然冒出一句这样的话“技术营销化，营销技术化”。 产生这句话时，是来自于工作中的一些体会，在互联网与传统行业的对接中，我参与传统行业的网络营销，我深深体会到互联网行业和传统行业之间的鸿沟与信息不对称，虽然多年来，我多少也接触了一些传统行业在互联网上的推广宣传，但其感...
IT屌丝：SKYCC组合营销软件事件营销案例
最近，“一个IT屌丝的自白”的视频疯传于业内，视频观看次数在短短一周的时间内突破31万，众多站长看完视频深有感触。视频讲述了一个IT屌 丝站 长艰辛的创业历程，让人不禁感叹，屌丝也上进，创业不容易。后续曝光IT屌丝身份，揭秘事情始末的视频发布才三天的时间，点击突破十万。细看视频，本人发 现， “IT屌丝”系列视频不过是SKYCC利用视频宣传操作的经典，也是2012年视频营销的经典案例。 ...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2225
扫一扫
