乙方 PM 是高级客服?我把客服做成了产品

中软国际PM认证(分享PPT和自述录音) 已经拿到信息系统项目管理师(高级)好多年了。 已经作为PM并且带项目也多年了。 这次参加中软的PM认证,是对自己进行项目过程管理的一个总结,一个回顾。这次认证不比考证容易。 PM能力自述,这个是实打实考察个人的沟通能力和表达能力。因为PM就要求参与各种调研讨论会议、项目过程中的沟通会议,参加各种评审,引导组员进行周会等。没有表达能力,PM就是空谈。 自述完毕后,有公司的专家组来提问,6位专... 阅读详情

“在吗”

我在杭州一家代运营公司做产品经理,三年。说好听点是 PM,说难听点——这话是甲方一个 95 后对接人当着两组人说的:“你们乙方 PM,不就是高级客服吗?”

会议室里没人接话。我脸上挂着笑,手里的笔在会议纪要上划了一道。

他这话难听,但不全错。看看我一天的日程:早上九点,甲方群里准时一句"在吗";上午拉会对齐本周投放计划,会上一半人在刷手机;下午改周报,模板改到第七版,对接人说"还是第一版顺眼";晚上十点,群里又弹消息:“今天的数据再拉一下,我们老板要看。”

甲方预算砍半是去年四季度的事,邮件周五下午五点发的,抄送了我老板。预算砍半,要求原话是"服务标准不降"。老板把邮件转给我,加了一句:你想想办法。

我想什么办法?三个人干五个人的活,我想的办法就是把自己搭进去。那两个月我回了大概一千句"好的收到",回得手指发麻。工位抽屉里常备三样东西:润喉糖、充电宝、甲方 logo 印的文化衫——去他们公司驻场要穿,穿上就像个会走路的工牌。

压垮我的不是加班,是一条朋友圈

真正让我崩的是件小事。我做了一份季度复盘方案,熬了三个晚上。发给甲方对接人,他回了个"还行"。一周后,我在他朋友圈看到这份方案——署名是他,发在他们公司内刊上,配的文字是他写的"主导完成"。

我盯着那条朋友圈看了很久,截了图,又删了。删完我问自己:我到底是个做产品的,还是个传话的?

如果只是传话的,我的价值是什么?秒回"在吗",随叫随到,把别人的决定翻译成 Excel?那天晚上我没加班,到点就走,在西湖边坐了一个小时。手机里三个甲方群还在跳消息,我一条没回,奇怪的是天也没塌。想明白一件事:客服是没有议价权的,产品才有。我不想一辈子当高级客服,就得把"客服"这部分从自己身上剥下来。

先数数,再动手

剥之前,得先搞清楚"客服"到底占了多少分量。

我把三个运营同学两周的工作日志拉出来,逐条分类,一共 417 条。结果触目惊心:60% 的时间在回答重复问题。投放数据多少、素材什么时候给、活动规则第三条什么意思、上个月周报在哪里——同一类问题,不同甲方的不同对接人,换着花样问。"今天消耗多少"这一个问题,两周被问了 31 次,来自 9 个不同的人。更扎心的是,80% 的问题,答案就在我们发给他们的文档里。他们不看,直接问,因为问比翻快。

甲方砍预算,服务不能降,人不能加——这题按传统解法无解。但我盯上了另一面:既然 80% 的问题是重复的,那就让机器答,人只管剩下 20% 真要动脑子的。

给甲方群里挂了个"AI 同事"

方案做得很快,因为痛是现成的。

拿 RAG 灌知识库:项目文档、历史周报、活动规则、数据口径说明,全灌进去。听着简单,冷启动那周我整理了三个晚上——乙方的文档散在七个群文件、五个网盘、无数封邮件里,光"活动规则"就翻出四个版本,日期全对不上。最后以我电脑里那份为准,逐条跟甲方核对确认。甲方群里挂一个问答 Agent,秒回。数据类问题走 Function Calling 接报表接口,"今天消耗多少"直接查实时数据,不用再等运营截图。答不了的、涉及商务的、带情绪的,自动转人工,并且把机器已经答过的部分带上,不让客户重复说。

甲方一开始是抵触的。对接人阴阳怪气:"你们现在用机器人糊弄我们了?"我没辩解,先拉他们试用两周,再给他看了一组数:人工响应平均 40 分钟,Agent 响应 40 秒;人工晚上十点后没人理,Agent 全天在线;答错的,每周人工抽检 100 条,错误率承诺压到 3% 以下,超一条我请一杯奶茶——最后这条是我自己加的,乙方嘛,姿态要到位。Token 成本我也摊开给他们看了,平摊到每个甲方头上,一个月不到两杯奶茶钱。他们老板看完说:“早该这么干了。”

评测不敢马虎。我把历史聊天记录导出,挑了 600 条真实问答做评测集,先离线跑分,过了线才敢放进群里。上线后头两周,我每天晚上抽两小时人工过机器的回答,bad case 逐条改。规则文档里自相矛盾的地方,趁机全部理清;数据口径说不清的,逼着两边对齐——你猜怎么着,这部分工作反而是甲方最认的。他们的对接人说:“你们这个机器人,比我们自己的新人还懂我们家业务。”

废话。知识库里灌的,是我们服务他们两年攒下的全部家底。

报价单反过来写了

三个月后算账:三个运营从重复应答里解放出来,精力投到策略和复盘上,服务质量不降反升。甲方那边也有变化,最明显的,群里晚上十点后的"在吗"少了——不是他们客气了,是问题在群里当场就被接走了。我拿着这笔账找老板,提了个大胆的想法:把"AI 代运营"做成新报价单——同样的预算,服务项从 12 项加到 18 项,AI 应答、数据秒查、7×24 小时在线、每周口径对齐报告,全写成独立条目。老板盯着报价单看了半天,说了句:“干了八年乙方,头一回见报价单这么写。”

乙方最大的优势是什么?我们同时服务二十多家甲方,甲方爱问什么、烦什么、为什么半夜十一点炸群,我们比他们自己都清楚。知识库不是一份,是二十几个行业版本。这套东西大厂未必愿意做,甲方自己更做不出来。

续约谈得很顺,还有两个新甲方是冲着"那个 AI 版代运营"来的。老板给我换了个 title,AI 服务产品负责人,手里开始带一个三人小组。圈内一个同行老曲,原来在另一家乙方也是天天被甲方当客服使唤,照这条路走了一遍,四个月跳去甲方做 AI 产品,涨了三成多。不过说实话,我没想跳——乙方这摊事,我刚做出点意思。

这次转型教会我的事

一,乙方最懂甲方的痛,这就是产品嗅觉。当"高级客服"那两年,我以为是浪费,回头看,我攒下的是别人花钱买不来的东西:二十几个行业、上千条真实问题、甲方每句话背后的真实意图。AI 只是把这份家底变成了能卖钱的产品。做产品的都说要贴近用户,乙方 PM 是被迫贴在用户身上——烦是烦,贴出来的体感是真的。

二,转 AIPM 不用会写代码,但要懂模型能力边界。Agent 哪些能答、哪些必须转人工、数据接口出错时怎么兜底,这些决策不需要代码能力,需要你知道哪句话说错会让甲方炸毛。边界感不是技术概念,是服务概念——被甲方捶打过的人,天然有。

三,尊严是产品给的,不是 title 给的。那份被署了别人名字的复盘方案,原稿我还留着。它提醒我:传话的人随时可以被替代,把痛变成方案的人不能。同样在群里回"在吗",是客服还是产品,取决于你手里有没有那个"AI 同事"。

评论区聊聊:你在乙方受过最憋屈的事是什么?后来怎么解的?

想入门 AI 大模型却找不到清晰方向?备考大厂 AI 岗还在四处搜集零散资料?别再浪费时间啦!2025 年 AI 大模型全套学习资料已整理完毕,从学习路线到面试真题,从工具教程到行业报告,一站式覆盖你的所有需求,现在全部免费分享!

👇👇扫码免费领取全部内容👇👇

​

一、学习必备:100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT,帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例?大模型电子书?这份资料帮你站在 “行业高度” 学 AI:

1. 100+本大模型方向电子书

在这里插入图片描述

2. 26 份行业研究报告:覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容,涵盖:

  • 职业趋势:《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》;
  • 商业落地:《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》;
  • 领域细分:《AGI 在金融领域的应用报告》《AI GC 实践案例集》;
  • 行业监测:《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT:听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会,包含百度、腾讯、字节等企业的一线实践:

在这里插入图片描述

  • 安全方向:《端侧大模型的安全建设》《大模型驱动安全升级(腾讯代码安全实践)》;
  • 产品与创新:《大模型产品如何创新与创收》《AI 时代的新范式:构建 AI 产品》;
  • 多模态与 Agent:《Step-Video 开源模型(视频生成进展)》《Agentic RAG 的现在与未来》;
  • 工程落地:《从原型到生产:AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看:大厂 AI 岗面试 “弹药库”,300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗?这份面试资料帮你提前 “押题”,拒绝临场慌!

1. 107 道大厂面经:覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景,包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题,每道题都附带思路解析:

2. 102 道 AI 大模型真题:直击大模型核心考点

针对大模型专属考题,从概念到实践全面覆盖,帮你理清底层逻辑:

3. 97 道 LLMs 真题:聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案,比如让很多人头疼的 “复读机问题”:


三、路线必明: AI 大模型学习路线图,1 张图理清核心内容

刚接触 AI 大模型,不知道该从哪学起?这份「AI大模型 学习路线图」直接帮你划重点,不用再盲目摸索!

在这里插入图片描述

路线图涵盖 5 大核心板块,从基础到进阶层层递进:一步步带你从入门到进阶,从理论到实战。

img

L1阶段:启航篇丨极速破界AI新时代

L1阶段:了解大模型的基础知识,以及大模型在各个行业的应用和分析,学习理解大模型的核心原理、关键技术以及大模型应用场景。

img

L2阶段:攻坚篇丨RAG开发实战工坊

L2阶段:AI大模型RAG应用开发工程,主要学习RAG检索增强生成:包括Naive RAG、Advanced-RAG以及RAG性能评估,还有GraphRAG在内的多个RAG热门项目的分析。

img

L3阶段:跃迁篇丨Agent智能体架构设计

L3阶段:大模型Agent应用架构进阶实现,主要学习LangChain、 LIamaIndex框架,也会学习到AutoGPT、 MetaGPT等多Agent系统,打造Agent智能体。

img

L4阶段:精进篇丨模型微调与私有化部署

L4阶段:大模型的微调和私有化部署,更加深入的探讨Transformer架构,学习大模型的微调技术,利用DeepSpeed、Lamam Factory等工具快速进行模型微调,并通过Ollama、vLLM等推理部署框架,实现模型的快速部署。

img

L5阶段:专题集丨特训篇 【录播课】

img
四、资料领取:全套内容免费抱走,学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型,还是有基础想冲刺大厂、了解行业趋势,这份资料都能满足你!
现在只需按照提示操作,就能免费领取:

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口?别犹豫,这份免费资料就是你的 “起跑线”!

AI与大模型:产品经理必知的技术选型与实战指南 人工智能作为一门让机器模拟人类智能的科学,其核心目标是通过机器学习、深度学习等技术路径解决复杂问题。深度学习作为机器学习的重要分支,通过神经网络架构处理数据,在自然语言处理等领域取得了突破。大语言模型是深度学习领域基于Transformer架构、通过海量数据预训练形成的先进技术范式,以其强大的通用能力和涌现特性,为内容生成、智能问答等场景提供了新的解决方案。本文从产品经理视角,深入剖析了传统AI与大模型在核心逻辑、数据需求、成本控制等方面的差异,并结合RAG、提示工程等关键技术,提供了不同应用场景下的选型策 阅读详情

相关推荐

区域法(zonal method)重构波前

目的:实现区域法的Matlab代码 1.理论介绍 区域法波前重构即从波前探测器测得的波前斜率中恢复出波前的相位值,其分为:休晋模型(Hudgin)[90]、绍契威尔模型(Southwell)[40]和弗雷德模型(Fried)[48]。 1.1 Fried模型,对于N×N微透镜阵列构成的网格: 以3*3的子透镜为例,解释上式,对其展开 改写为矩阵形式: 记作:S=AΦ,A根据N而确定。S是波前探测器测得的斜率,Φ是重构矩阵的相位值。 1.2 而Southwel...

EyRe1的博客 8200

简历推荐_12位AI产品经理

现在行业内,各家AI公司都很希望招募“来之能战”的AI产品经理,但其实1年以上AI实战经验的产品经理并不算多。今天,我介绍下咱们“AI产品经理大本营”里12位近期看机会的...

hanniman 4425

STK中的传感器、雷达、发射机、接收机、天线

本文根据STK手册介绍了传感器、雷达、发射机、接收机、天线等对象的基本属性,简略分析了它们的不同之处。

wangyulj的专栏 1万+

AI产品经理转型实录:我花了半年摸索出的4步实操路径

AI产品经理要不要转?需要重新学编程吗?我这几年攒下来的产品经验,到了AI时代是不是要清零重来?这篇文章不讲"风口"“赋能”"生态"这些正确的废话,只写我这半年真实摸索出来的东西——包括我搞懂的,和到现在还没搞懂的。深夜十一点,我又刷到一条招聘:某公司招"AI产品经理",要求写着"需具备Prompt设计能力、模型评估经验、Agent工作流搭建能力"。这不是我一个人的焦虑。

Trb701012的博客 406

通过JLink下载实现工控MCU批量烧录实战案例

利用JLink下载工具实现高效稳定的工控MCU批量烧录,提升产线效率。案例详细解析了脚本配置与自动化流程,突出jlink下载的可靠性和可扩展性,适用于大规模嵌入式部署场景。

weixin_30205153的博客 814

保姆级教程:RK3588部署yolo目标检测模型

RK3588部署yolo目标检测模型非常详细的保姆级教程

ling913的专栏 5488

潜谈IT从业人员在传统IT和互联网之间的择业问题(上)-传统乙方形公司

外包能去吗?项目型公司如何?甲方比乙方好?互联网公司就一定好吗?相信许多从业者在经历了3-5年的工作期后都会带着这样的疑问或者疑惑。12年-14年间,曾经面试过500人,亲身面试的也有150人左右,而真正后来被公司录选后来也证明该侯选人是优秀IT人员的只有“四个”,对这个数字不是夸张,是真实存在的,这也是为什么我在13年时连着写了几篇“think in Java高级面试”的道理。博客从正式发表至今

打造全国最全的AI Agent开发知识领域的博客 1万+

点餐系统数据库设计--SQL Server

友情链接 1、学生成绩管理系统数据库设计–MySQL 学生成绩管理系统数据库设计–MySQL 2、医疗信息管理系统数据库–MySQL 医疗信息管理系统数据库–MySQL 3、邮件管理数据库设计–MySQL 邮件管理数据库设计–MySQL 4、SQL Server医疗信息管理系统数据库【英文版-源码】–(Medical Management System Database) SQL Server医疗信息管理系统数据库【英文版-源码】–(Medical Management System Database) 5

若如初见 8万+

产品经理深度的差别:一个优先级选择和工作效率提升的复合型问题

———— / BEGIN / ————一、意识到深度的问题之前写了一篇文章,讲我们要做事做得更深,思考地更透彻。结果有很多同学担心这样会增加工作量或时间,根本不可行。首先,我们先框定一个探讨范围。这个问题是一个维度很繁杂的问题,单一地说,如果你的时间不允许你把需求做到最好,时间就成了你的瓶颈,你需要提高效率甚至招人来解决这个问题。其次,在我们认为时间充足的情况下,如何分配时间,是我们要讨论的问题。

人人都是产品经理 852

自动驾驶轨迹规划算法——Apollo EM Planner

Apollo EM Planner 是百度自动驾驶系统中的轨迹规划算法,采用期望-最大化(EM)迭代优化思想。其核心是将轨迹规划分解为路径优化(E-Step)和速度优化(M-Step)两个子问题,在Frenet坐标系下交替求解。算法先通过动态规划(DP)搜索粗路径,再使用二次规划(QP)进行平滑优化,并结合障碍物信息生成安全走廊。相较Lattice、Hybrid A*等规划器,EM Planner具有更好的实时性、动态障碍物处理能力和轨迹平滑性,适用于城市道路、高速公路等复杂场景。该算法通过解耦路径与速度优

swaggytiger的博客 2668

路径跟踪 | 图解纯追踪算法Pure Pursuit(附ROS C++/Python/Matlab仿真)

纯追踪算法(Pure Pursuit)参考了人类驾驶行为,其基本思想是在待跟踪路径上设置预瞄点(goal-ahead),通过简单的几何方法驱动机器人跟踪预瞄点直至抵达目标位置.本文详细推导纯追踪算法的理论原理及其变种——自适应纯追踪算法(APP)和规范化纯追踪算法(RPP),并提供ROS C++/Python/Matlab三种仿真实现加深理解

FRIGIDWINTER的博客 8414

悉oracle ebs,Oracle EBS 专贴:(上海,北京)甲方乙方:分销,制造,财务,技术顾问/PM...

上海北京外企:需求:Consultant/Sr.Consultant/LeadConsultant/Principal Consultant/PMMFG Have agood Educational backgroundHave at least 4 years of Oracle ERP experienceHave at least 3 Years of experience onMFG(IN...

weixin_39926749的博客 332

在 VS Code 里配置 SAP Joule for Developers 的 ABAP AI side-by-side 能力

摘要: 随着ABAP开发工具链的演进,VS Code逐渐融入ABAP开发流程,SAP Joule for Developers的ABAP AI能力通过side-by-side模式(基于BTP中央服务)为多系统开发提供统一AI支持。该模式避免了各ABAP后端独立升级AI能力的碎片化问题,由管理员配置BTP订阅URL后,开发者可在ADT或VS Code中全局调用。实际落地需注意角色分工(管理员配置服务,开发者填写URL)、AI units资源规划及配置细节(如区分全局与项目级设置)。建议将Joule URL纳入

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 121

第28篇-SAP咨询顾问面试技巧

「面试技巧」- SAP咨询顾问面试技巧或入行人员如何在各类面试中处乱不惊、舌战群儒、独领风骚 公众号:咨询顾问进阶与实战分享

weixin_44006651的博客 2910

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")

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。

PWH 项目奇人之SUNDAR

PWH 项目奇人之SUNDAR SUNDAR,原名Koduvayur Sundar, 是PWH项目客户在美国总部的SAP内部顾问。在这个项目里,他和我是同一个Domain里的...

251

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

ET框架消息设计四重门:协议契约、序列化、传输与Actor生命周期

在分布式游戏服务器开发中,消息机制远不止数据封装,而是连接协议定义、二进制序列化、网络传输控制与Actor状态管理的核心枢纽。Protobuf契约设计决定向后兼容性与带宽效率;字段级序列化策略(如ProtoMember序号、byte[]替代string、自定义Position结构体)直接影响GC压力与消息体积;传输层需权衡单消息大小(建议≤100KB)、发送频率(如20Hz位置同步)与缓冲区配置;而Actor模型下,IActorMessage的短生命周期要求开发者规避引用泄漏、正确使用async Task并

weixin_34037515的博客 333

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!

超八成90后测试员遭遇瓶颈:如何正确规划测试人的职业生涯?

从大学毕业设计实习起至今的个人职业发展历程、工作经验和主要面试经历,希望能给大家带来一些启迪和帮助。

测试萌萌 301

2026转行实测|30岁转行做项目管理,PMP是刚需证书吗?别盲目考证

摘要: 30岁转行项目管理的核心焦虑在于经验空白与年龄劣势,PMP证书虽非法定刚需,但能有效弥补转行短板。它快速搭建体系化思维,提升简历竞争力,适配大厂、国企等高薪岗位招聘需求,尤其适合零基础跨行、技术转管理或目标优质平台的职场人。中创教育PMP课程针对大龄人群设计,兼顾碎片化学习与实战能力,助其高效转型。PMP无法一步登天,却是低成本突破求职壁垒、拉长职业生命周期的关键工具。(149字)

2601_95709734的博客 265

Liga妙谈 | 如何快速甄别、高效响应用户反馈?

面对源源不断的市场反馈和需求变更,敏捷团队应该如何平衡「高效迭代」与「响应用户」的关系,交付业务价值?

LigaAI的博客 1452

PMP之第三章-项目经理的角色

项目经理是由执行组织委派,领导团队实现项目目标的个人。项目经理的常见角色:1)项目经理是整合者,是在做整合管理。“管理”是项目经理的核心任务,项目经理并不需要亲自去做所有事情,比如:并不需要亲自写代码、并不需要负责所有风险、并不需要解决所有问题,PMI 讲究团队合作。就像是交响乐队的指挥,他不需要掌握每种乐器,但应具备音乐知识,懂乐理,并有效沟通,对乐队演奏成功负责。2)项目经理是协调者,唐僧很会管理团队:他知道悟空是技术骨干,有能力有本事,所以要管紧,要制得住他,所以有时要念紧箍咒。八戒小毛病多,但不会犯

周大福的博客 836

html画流程图_从0设计App(6):根据流程图4步解决原型稿、交互稿

至此,我们完成了app的宏观定位、系统架构、产品结构图以及最为重要的2大流程图(业务、页面流程图)。接下来本文将围绕页面的原型设计、交互设计展开。在xxxx目前我们手头上已经绘制了「职得App」所有业务流程图,还有一张页面流程地图。可以说在心里基本知道产品的功能,以及每个页面的功能元素,接下来就是参与需求评审的原型稿和交付给技术同学的设计稿了。强烈建议先看前面的文章再往下看~否则可能看不懂。二、原...

weixin_33486249的博客 583

项目是如何死掉的?太过真实!

热文导读|点击标题阅读互联网寒冬下,程序员如何突围提升自己?腾讯新开源一吊炸天神器—零反射全动态Android插件框架正式开源为了看爱情动作片,没忍住,我把这款短视...

Java和Android架构 475

PMP学习笔记(备考2021年3月)

敏捷项目管理 价值观、方法论:(10个成语) 未雨绸缪(计划、风险) 事先识别风险、做出应对计划、指定明确负责人。 防微杜渐(监控、纠正) 在项目执行过程中,要持续的、实时的监控这个项目,如果产生偏差,必须采取措施,不能失控。 资源集成(整合、采购) 整合资源:不为你所有,仅为你所用;把最专业的事情,交给最专业的人干。 恰到好处(范围、质量) 不能去做超出范围之外的任何工作。 循规蹈矩(过程、制度) 按规矩办事。(注意利用变更控制程序) 锲而不舍(目标、变更) 无论遇到多少困难,必须保证目标达成。 .

大头的博客 1029

软件技术实施人员的四项基本要求

一直觉得软件实施这个职位它一直冲锋陷阵在系统的第一线,因此它需要比较强的综合能力,包括技术能力,业务熟悉能力,沟通谈判能力,临场应变处理突发问题的能力等。如果是PM及其以上的,需要的能力更加全面。那么作为一名基础的软件技术实施人员,我觉得以下几点是基本要求:心态不能不好,技术不能不硬,业务不能不熟,沟通不能不畅。 心态不能不好 做任何一件事情,心态都

qq_52337172的博客 4110
上一篇: 38 岁硬件 PM,在会上听不懂年轻人说话了
下一篇: 做了六年算法,切到大模型才发现门槛没那么高
Llama-Turbo
博客等级 码龄4年 9901粉丝 2024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