Facebook 详解

facebook 广告目标详解 在 facebook 广告 campaign 层级,有许多广告目标选项,这篇文章将对这些目标做介绍。文章主要内容包括如下几个部分: 购物流程和营销漏斗 品牌认知类广告目标 购买意向类广告目标 行动转化类广告目标 在正式开始介绍 facebook广告目标之前,我们需要了解一下facebook广告分类的基础——营销漏斗。而营销漏斗又来自于购物流程,所以,这里我们先来看看后面两个基础概念。 1、购物流程和营销漏斗 什么是购物流程?购物包括两类,一种是冲动型购物,一种是理性的购物,我们这里只谈一般情况,也就是理性购 阅读详情

Facebook 详解  

译者:本文译自英文维基百科条目“Facebook”。只翻译了个人觉得对中国互联网从业者有价值的部分。比如有关Facebook相关的法律纠纷,就略去了。中文维基百科只完成了原文2%的翻译。如中文维基百科的志愿者们愿意,请随意使用本文的全部或部分内容充实中文维基百科的相关条目。其他转载,必须遵照维基百科的相关协议,并链接到本文和译言首页。谢谢。

Facebook启示录小组收集、翻译更多关于Facebook发展、商业模式、开放平台的分析文章。欢迎阅读和加入翻译。

http://www.yeeyan.com/img/fb_hq.jpg

(Facebook在Palo Alto市的总部)

http://www.yeeyan.com/img/fb_z.jpg

(Facebook创始人兼CEO Mark Zuckerberg)

http://www.yeeyan.com/img/fb_lg.jpg

(Facebook最初的Logo)

简介

Facebook是一个社会化网络站点。它于2004年2月4日上线。

Facebook的创始人是Mark Zuckerberg,他是哈佛大学的学生,之前毕业于Asdsley高中。最初,网站的注册仅限于哈佛学院(译者注:哈佛大学的本科生部)的学生。在之后的两个月内,注册扩展到波士顿地区的其他高校(波士顿学院 Boston College、波士顿大学 Boston University、麻省理工学院 MIT、特福茨大学 Tufts)以及罗切斯特大学 Rochester、斯坦福 Stanford、纽约大学 NYU、西北大学和所有的长春藤名校。第二年,很多其他学校也被加入进来。最终,在全球范围内有一个大学后缀电子邮箱的人(如 .edu, .ac.uk等)都可以注册。之后,在Facebook中也可以建立起高中和公司的社会化网络。而从2006年9月11日起,任何用户输入有效电子邮件地址和自己的年龄段,即可加入。用户可以选择加入一个或多个网络,比如中学的、公司的、或地区的。

据2007年7月数据,Facebook在所有以服务于大学生为主要业务的网站中,拥有最多的用户:三千四百万活跃用户(包括在非大学网络中的用户)。从2006年9月到2007年9月间,该网站在全美网站中的排名由第60名上升至第7名。同时Facebook是美国排名第一的照片分享站点,每天上载八百五十万张照片。这甚至超过其他专门的照片分享站点,如Flickr。

网站的名字Facebook来自传统的纸质“花名册”。通常美国的大学和预科学校把这种印有学校社区所有成员的“花名册”发放给新来的学生和教职员工,帮助大家认识学校的其他成员。

运营状况

网站对用户是免费的,其收入来自广告。广告包括横幅广告和由商家赞助的小组(2006年4月,有消息称Facebook每周的收入超过一百五十万美元)。用户建立自己的档案页,其中包括照片和个人兴趣;用户之间可以进行公开或私下留言;用户还可以加入其他朋友的小组。用户详细的个人信息只有同一个社交网络(如学校或公司)的用户或被认证了的朋友才可以查看。据TechCrunch(译者:硅谷最著名的IT新闻博客。)报道,“在Facebook覆盖的所有学校中,85%的学生有Facebook档案;(所有这些加入Facebook的学生中)60%每天都登陆Facebook,85%至少每周登陆一次,93%至少每个月一次。”据Facebooke 发言人Chris Hughes说,“用户平均每天在Facebook上花19分钟。”据新泽西州一家专门进行大学市场调研的公司“学生监听”在2006年进行的调研显示,Facebook在“本科生认为最in的事”中排名第二,仅次于苹果的iPod,和啤酒与性并列。

起步和发展

Mark Zuckerberg在Andrew McCollum和Eduardo Saverin的支持下,于2004年2月创办了“The Facebook”。当时他是哈佛大学的学生。月底的时候,半数以上的哈佛本科生已经成了注册用户。其时,Dustin Moskovitz和Chris Hughes加入进来,帮助网站的推广,将Facebook扩展到麻省理工学院、波士顿大学和波士顿学院。扩展一直持续到2004年4月,包括了所有长春藤院校和其他一些学校。之后的一个月,Zuckerberg,McCollum和Moskovitz搬到加利福尼亚州的Palo Alto市(译者:斯坦福大学所在地,硅谷的发源地),在Adam D'Angelo和Sean Parker(译者:著名的第一代P2P音乐分享网站Napster的创始人)的帮助下继续Facebook的发展。同年9月,另一个社会化网络站点ConnectU的合伙人Divya Narendra,Cameron Winklevoss和Tyler Winlevoss把Facebook告上法庭。他们称Zuckerberg非法使用了他们在让他帮助建站时开发的源代码。与此同时,Facebook获得了PayPal创始人Peter Thiel提供的约五十万美金的天使投资。到12月时,Facebook的用户数超过100万。

2005

2005年5月,Facebook获得Accel Partners的一千两百七十万美元风险投资。2005年8月23日,Facebook从AboutFace公司手中以20万美元购得facebook.com域名,从此从名字中把The去掉了。网站当时进行了重大改进。据Zuckerberg称,目的是提高用户档案页面的用户友好性。在这个月,McCollum回哈佛大学继续学业,同时仍旧以顾问的身份继续为Facebook工作,并在暑假来公司工作。Hughes则继续在剑桥市(译者:哈佛大学所在地)履行他公司发言人的职责。2005年9月2日,Zuckerberg推出了Facebook高中版,并称这是最合乎逻辑的下一步。虽然最初,这被定位为需要邀请才能加入的社区,仅15天以后,大部分高中的网络不需要密码也可以加入了(虽然Facebook账户还是需要的)。到10月份,Facebook已经扩展到大部分美国和加拿大的规模更小的大学和学院。除此之外,还扩展到英国的21所大学、墨西哥的ITESM、波多黎各大学、及维京群岛大学。2005年12月11日,澳大利亚和新西兰的大学也加入了Facebook,至此,Facebook中共有超过2000所大学和高中。

2006

2006年2月27日,应用户要求,Facebook允许大学生把高中生加为他们的朋友。约一个月后,2006年3月28日,《新闻周刊》报道Facebook可能被收购,谈判正在进行中。据报道,Facebook拒绝了一个七亿五千万美金的收购条件,甚至有传闻收购价格达到了20亿美金。同年四月,Peter Thiel、Greylock Partners和Meritech Capital Partners额外投资了两千五百万美元。5月,Facebook扩展到印度的印度理工学院和印度管理学院。6月,Facebook状告Quizsender.com抄袭其设计风格,要求赔偿十万美元。7月25日,Facebook增加了更多提高收入机会的功能。和苹果iTunes的合作推广活动中,加入“苹果学生小组”的用户可以在9月10日之前每周下载25首单曲。这个推广活动的目的是让学生们在秋季学期开学前对苹果和Facebook的服务都更熟悉和喜爱。8月,Facebook又加入了德国的大学和以色列的高中。8月22日,Facebook推出Facebook记事本功能--一个可以加标签、嵌入图片、评论的博客服务。同时用户可以从其他博客服务中导入。2006年9月11日,Facebook对所有互联网用户开放,这引起了很多现有用户的抗议。但两周后,Facebook注册仍旧对所有拥有有效电子邮件地址的人开放。

2007

2007年5月10日,Facebook宣布了一个提供免费分类广告的计划,直接和其他分类广告站点,如Craigslist竞争。这个被称为“Facebook市场”的功能,于2007年5月14日上线。2007年5月24日,Facebook推出应用编程接口(API)。通过这个API,第三方软件开发者可以开发在Facebook网站运行的应用程序。这被称为Facebook开放平台(Facebook Platform)。同年6月,和iTunes的合作继续为用户提供免费音乐单曲下载。7月,Facebook完成了第一次对其他公司的收购,从Blake Ross和Joe Hewitt手中收购了Parakey(译者:Ross和Hewitt是火狐浏览器的作者,Parakey是一个被称为网络操作系统的平台)。7月24日,Facebook聘用YouTube的前CFO Gideon Yu为CFO,替换了Michael Sheridan。8月,Facebook成为新闻周刊的封面故事。

2007年9月25日,微软宣布他们可能会收购Facebook的部分股份。据称Facebook被完全收购可能性不大,因为其创始人Mark Zuckerberg希望保持独立。

网站功能

墙(The Wall)

墙就是用户档案页上的留言板。有权浏览某一个用户完整档案页的其他用户,都可以看到该用户的墙。用户墙上的留言还会用Feed输出。很多用户通过他们朋友的墙,留短信儿。更私秘的交流则通过“消息(Messages)”进行。消息发送到用户的个人信箱,就象电子邮件,只有收信人和发信人可以看到。

2007年7月起,用户可以在墙上贴附件。之前,只允许文本内容。

礼物(Gift)

http://www.yeeyan.com/img/fb_gifts.JPG

(Facebook礼物)

2007年2月,Facebook新增了“礼物”功能。朋友们可以互送“礼物”--一些由前苹果设计师Susan Kare设计的有趣的小图标。礼物从Facebook的虚拟礼品店选择,赠送时附上一条消息。收到的礼物以及所附的消息会显示在收礼者的“墙”上,除非送礼者设定这个礼物是私秘的。另外,在墙的上方还有一个“礼盒”。用户收到的所有礼物都在礼盒中。公开的礼物显示送礼者的名字,私秘的礼物则显示“私人”。

另有一个“匿名”的选项。虽然所有人都可以看到礼物,但只有收礼者可以看到送礼者的名字和消息。这种礼物只在礼盒中,而不在墙上显示。

Facebook用户注册时免费获得一个礼物。以后的每个礼物一美元。最初推出时的礼物是有关“情人节”的。同年2月由此产生收入的50%捐献给Susan G. Komen乳腺癌基金会。之后,Facebook每天推出一款新礼物,大多数都是限量版,或只是限期供应。用户个人主页会显示每日礼物的广告。随着Facebook开放平台应用程序的出现,第三方开发的应用程序对1美元购买礼物的模式构成威胁。请注意,Zachary Allia(译者:一个第三方程序开发员)开发的“免费礼物”,与Facebook的官方礼物是不同的。

市场(Marketplace)

2007年5月,Facebook推出Facebook 市场。用户可以免费发布下列分类广告:卖二手货、租房、工作,等。供求两方均可发布。所有Facebook用户都可以使用这个功能。目前是免费的。

捅(Pokes)

Facebook提供一个“捅(Poke)”别的用户的功能,让用户可以给别人发送一个“Poke”。Facebook常见问题中这样解释:“Poke是你和朋友互动的一种方式。当我们设计这个功能时,我们觉得提供这么一个什么意思也没有的功能其时挺酷。用户们给Poke不同的解释。我们鼓励你给它你自己的解释。”实际上这个功能的目的只是让用户能引起别的用户的注意。尽管很多用户确实用这个功能来引起别的用户注意,或说声“嘿”,但有些用户仍把它理解为“性”的意味。这个解释造成了一个很热门的Facebook小组的产生--“Poke”够了,咱们干脆做爱吧。到2007年9月,这个小组共有二十五万用户。

有时朋友之间会进行一种被称为“Poke仗”的游戏--两个用户间用“Poke回”功能,互相Poke来、Poke去。

另有一些衍生出来的新功能,如“X 我”,和“超级Poke”,让用户可以把Poke替换成任何动作。

状态(Status)

状态,让用户向他们的朋友和Facebook社区显示他们现在在哪里、做什么。Facebook让用户填入状态的提示是“(某某用户)正在。。。”,用户填入剩下的部分。在用户好友列表的“新近更新”区,显示这些状态。

活动(Events)

Facebook活动的功能帮助用户通知朋友们将发生的活动,帮助用户组织线下的社交活动。

开放平台上的应用(Application)

2007年5月24日,Facebook推出Facebook 开放平台。利用这个框架,第三方软件开发者可以开发与Facebook核心功能集成的应用程序。

最流行的应用程序包括:

  • 顶级朋友:用户可以选择和显示他们最好的朋友
  • 涂鸦板:一个图形效果的“墙”
  • 我喜欢:一个社会化音乐发现和分享服务,包括音乐会信息和有关音乐知识的小游戏

甚至有象棋、拼字游戏之类的游戏出现。而第三方网站如进行Facebook应用数据统计的Adonomics,相关博客如AppRate、Inside Facebook、Face Reviews等等或应运而生或对Facebook应用青眼有加。

2007年7月4日,Altura 风投宣布“Altura 1 Facebook投资基金”,成为第一个只投资Facebook相关项目的风险投资。2007年7月10日,Bay Partners宣布成立“应用工厂(AppFactory)”,一个只投资Facebook应用的种子基金。

2007年8月29日,Facebook改变了他们对应用程序热度的衡量标准,更倾斜于那些有深度价值的应用。因为之前,衡量标准仅以用户数为标准,使得那些高度“病毒传播”(译者:指极易于在用户间口口相传)但没什么用处的程序排名很高。著名IT博客Valleywag曾批评Facebook 应用是“一大堆垃圾”。

截止2007年9月26日,共有超过4500个Facebook应用出现。

Facebook标识语言(Facebook Markup Language)

Facebook 标识语言是HTML的子集。Facebook应用的开发者可以用这种语言定制他们的应用程序的外观。

Facebook视频

与Facebook开放平台同时推出的,还有一个Facebook自己开发的应用程序--视频分享。用户可以上传视频、通过“Facebook移动”上传手机视频,以及用摄像头录像。同时用户可以给视频中的朋友加“标签”。这一功能被认为会与MySpace的相关功能竞争。但Facebook的视频只能在Facebook网络内观看。然而,一段发表在Userscripts.org上的Greasemonkey代码让用户可以下载Facebook视频或将之转贴在其他网站。

Facebook的域模型

下图(点击看大图)用UML类图的形式,显示了Facebook系统所管理的信息。它提炼出了Facebook数据库中的实体、关系、字段。

http://www.yeeyan.com/img/fb_md_s.JPG

(Facebook域模型,点击看大图)

比如,图中显示了有关工作、学校、信用卡、显示用户名等的字段。(黄色方框代表类)

请注意该图为概念类图,而不是具体实施的细节。如欲了解更多数据模型的细节,请参考Facebook查询语言(FQL)--一种类似SQL的查询语言的相关资料。

技术构架

Facebook使用LAMP(Linux、 Apache、 MySQL、 PHP)作为技术构架。Facebook的一个技术构架工程师Steven Grimm在博客中写到:

几乎我们所有的服务器都运行开源软件。我们的Web服务器是Linux,Apache和PHP。我们数据库是MySQL。我们使用memchached来保证网站的快速反应。一些后台应用Python、Perl和Java,以及一些gcc和Boost。程序员用Subversion和git来进行代码管理。还有很多--象很多网站一样,从头到脚都是开源软件。

收购传闻

2006年随着MySpace被新闻集团收购,关于Facebook会被一家大的媒体公司收购的传闻出现。Facebook的创始人Zuckerberg说过他不想出售公司,并否认了这些传闻。他已经拒绝了九亿七千五百万美元左右的收购价格,不知还有谁愿意出高出这个的价格收购Facebook。分析师Steve Rosenbush猜测是维亚康姆(Viacom)。2006年9月,Facebook和Yahoo开始进行关于收购的认真谈判,价格约10亿美元。同年10月,随着Google以16亿美元收购YouTube,有传闻说Google开价23亿美元欲从Yahoo手中抢购Facebook。

Facebook的董事Peter Thiel暗示,根据2015年10亿美元收入的估计,Facebook内部的估值是80亿美元。这一估值依据对与Facebook用户构成类似的维亚康姆的MTV品牌的估值。

2007年9月,微软向Facebook示好,欲以3-5亿美元投资该公司5%的股份。(译者:这使得Facebook的估值在60-100亿美元左右)其他公司,如Google也表示过类似兴趣。

 

Facebook OAuth 2.0授权登录机制与后端集成实战 OAuth 2.0是当前最主流的授权框架,通过授权码模式实现安全的第三方登录。其核心原理是通过分离资源拥有者与客户端,使用临时授权码交换访问令牌,有效避免密码泄露风险。在Web和移动应用中,Facebook登录作为典型实现方案,涉及前端授权跳转、后端令牌验证等关键技术环节。开发者需要重点掌握PKCE扩展防护、access_token验证调试等安全实践,同时遵循数据权限最小化原则。本文以Facebook平台为例,详细解析如何正确处理scope权限控制、token自动刷新机制,并给出Python/JavaScr 阅读详情

相关推荐

facebook安装包189和179(Android 4.0.3)

只能在真机上面运行,从gooleplay官方上面下载下来的189.0.0.35.91(只支持android8.0),更新日期2018年9月12日,(不过2018年9月20日,官方又将其更新为179.0.0.44.83的版本,更新内容:速度和稳定性全面提升,该版本在2018年7月6日已经提交过一次了),将两个版本都分享出来,同时另外提供了两个非官方版本的,支持Android 4.0.3

从零到爆单:跨境电商的Facebook企业主页运营指南

Facebook 企业主页是企业在 Facebook 上的公开资料页,是品牌在线推广内容、连接客户的重要工具。它不仅是品牌形象的展示窗口,更是开展广告、开设商店、创建和管理社群的运营中心。在社交媒体营销生态中,Facebook 企业主页早已超越了“黄页”的单一功能,它整合了广告、电商、社群、客服等多种能力,是品牌社交资产的核心沉淀地。使用像飞雁畅联-跨境客服系统这样的一站式管理平台,能让你事半功倍,在一个界面管理多个社媒渠道的私信和评论,提升处理效率,避免消息遗漏,实现业务增长。

feiyanchat的博客 1017

Deep Reinforcement Learning - 1. DDPG原理和算法

Deep Reinforcement Learning - 1. DDPG原理和算法 背景描述 DDPG的定义和应用场景 DDPG算法相关基本概念定义 DDPG实现框架和算法 DDPG对于DPG的关键改进 下一篇 以下用RL作为Reinforcement Learning 的简称。背景描述概括来说,RL要解决的问

kenneth_yu的博客 14万+

脸书(Facebook)高效开发国外客户的6个技巧

Facebook作为全球使用人数最多的社媒平台,全球三分之一的人都在用。做外贸的话基本上是必须要去掌握的一个平台,因为通过Facebook是可以开发到很多其他渠道平时开发不到的优质客户的。Facebook跟LinkedIn不同,LinkedIn比较偏向于大B的客户,Facebook的话就各种类型的客户都会有,因为体量大,包括做C端的朋友也是可以用Facebook开发客户的,因为Facebook还有店铺的功能。下面就来给大家分享脸书(Facebook)高效开发国外采购商的6个技巧。

Linkedin_topeasy的博客 4123

Jaspersoft Studio 6.20.0 免注册安装指南(附下载链接)

本文提供了Jaspersoft Studio 6.20.0社区版的免注册安装详细指南。文章介绍了绕过官网注册获取安装包的多种可靠途径,并逐步详解了从启动安装器到首次运行的全过程,帮助用户快速完成安装与基础配置,高效开启报表设计工作。

mars5的博客 1697

Vue集成飞书前端JSSDK

文章目录前言<1>飞书前端JSSDK<2>使用步骤1.将JSSDK引入到VUE2.读入数据总结 前言 公司需要使用飞书软件,所以转战飞书开发,也是对新知识的探索与研究,飞书SDK也一直都在更新,路虽远,行必达。 <1>飞书前端JSSDK 1、官网地址:https://open.feishu.cn/document/uYjL24iN/uITO4IjLykDOy4iM5gjM 2、当前使用的飞书前端JSSDk的版本:1.5.4 <!-- 在html文档中 --&gt

A 1万+

facebook是什么意思?新手从零到精通完全指南

头像和封面— 你的"门面"个人简介— 教育、工作、家乡发布的帖子— 按时间排列照片和视频— 云端相册好友列表1984年5月14日,美国纽约哈佛大学(辍学)2004年创立Facebook2026年净资产约2000亿美元普莉希拉·陈(Priscilla Chan)扎克伯格是典型的"大学辍学创业"传奇。他从哈佛宿舍起步,用短短十几年将Facebook打造成全球最大的社交网络,甚至催生了多部电影(如《社交网络》)。Facebook不只是一个社交平台——它是数字时代人们连接方式的定义者。

qq362196705的专栏 4174

不止于连接:用VS Code Remote-SSH深度开发树莓派(Ubuntu 22.04环境实战)

本文详细介绍了如何在Ubuntu 22.04环境下使用VS Code的Remote-SSH功能进行树莓派深度开发。通过SSH配置、VS Code扩展安装和远程环境优化,开发者可以在本地高效编写代码,同时在树莓派上直接运行和测试,解决性能瓶颈问题。文章还提供了高级功能如端口转发、多项目管理和远程调试的实战技巧。

didui8202的博客 352

全排列 II 去重与剪枝深入剖析:基于 AlgoNote 的 0047 题回溯解法全解析

> 本文以「算法通关手册」仓库 [0047. 全排列 II 官方题解](https://link.gitcode.com/i/c404681a9d54b341aaa2f7be5aed757f) 为主体,结合 [回溯算法总纲](https://link.gitcode.com/i/ec0ce6249dbd6a5f300dd85ac2862d43) 与同源题 [LCR 084 全排列 II](http

gitblog_00457的博客 607

粒子滤波在基于误差状态量的INS/GNSS组合导航中的使用技巧-On Particle Filter based Error-State INS/GNSS Intergrated Navigation

本文面向以15维惯导(INS)误差为状态量,3维位置误差为量测量的INS/GNSS组合导航系统,​在西工大严恭敏老师的开源工具箱中PF相关库函数基础上实现基于粒子滤波(PF)的惯导误差状态量的递推估计,设计了粒子重置环节并强调了其在本特定场景下的重要性。

I33D33I的博客 1742

ZYNQ出现问题及解决办法汇总(一直更新)

问题目录使用软件及开发板版本一,vitis在build project时卡住。二,Could not find FPGA device on the board for connection 'Local'三,FPGA configuration failed:DONE PIN is not high四,Could not find ARM device on the board for connection 'Local' 使用软件及开发板版本 开发板:MZ7XA-7020 软件:vitis2020.2(

qq_45057368的博客 1万+

Facebook 平台详解

转载:http://xiecc.blog.163.com/blog/static/14032200791635949331/ 全球第二大社交网站的facebook推出的开发平台在几个月之内迅速走红。在拒绝了 yahoo,google等的收购后,它的狼子野心也暴露无遗,它要做基于web的OS,在它的开放发台上可以搭建集成任何应用。游戏、工作、理财一切都在facebook中了,浏览器+faceb...

liwanchun_xd 1887

NVIDIA DGX Spark实战指南:从开箱到AI模型高效部署

本文详细介绍了NVIDIA DGX Spark的开箱体验、硬件架构及AI模型高效部署实战指南。从1 PetaFLOP算力的迷你设备到Grace Blackwell超级芯片的深度解析,再到五分钟快速上手指南和大模型部署技巧,帮助开发者充分利用这款全球最小AI超级计算机的性能优势。

weixin_29239279的博客 1366

facebook开发详解,对开发Facebook程序有很大帮助

<br />全球第二大社交网站的facebook推出的开发平台在几个月之内迅速走红。在拒绝了 yahoo,google等的收购后,它的狼子野心也暴露无遗,它要做基于web的OS,在它的开放发台上可以搭建集成任何应用。游戏、工作、理财一切都 在facebook中了,浏览器+facebook,会成为以后人们的生活方式吗? <br /><br /> 然而不得不说facebook的官方文档既乱且差, 很多刚开发facebook应用的人可能都会丈二和尚摸不着头脑。这篇日志算是八卦+tutorial吧。 <br

suofiya2008(曼联小三)的专栏 3662

Origin教程004:Origin图形导出

需要编辑的话,双击图形,会自动用origin软件打开图形,这种方式是最开始导出图形的功能,方式一和二都是后面增加的。如果导出的图片边距较大的时候,会影响图片的美观,可以通过。也可以设置在PPT中直接编辑,找到。解决方法是,选择一条线,

WwLK123的博客 6333

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

NestJS-BFF社交登录集成:Facebook认证实现详解

NestJS-BFF是一个全栈TypeScript解决方案和 starter 项目,包含API、CLI和示例客户端Web应用。它具有生产级日志记录、授权、身份验证、MongoDB迁移和端到端测试等功能,为开发者提供了强大的后端基础架构。 ## 📝 Facebook认证在NestJS-BFF中的核心价值 社交登录已成为现代Web应用的标配功能,它能显著降低用户注册门槛并提升转化率。NestJS

gitblog_00085的博客 734

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")

Facebook变现方式详解

随着跨境电商行业的暴富神话越来越多,越来越多的人开始选择加入​这一行业。 跨境电商主要有这3种方式,最典型的就是亚马逊,平台自带流量,找招商经理开账户就可以上去卖货了,和国内淘宝、京东类似​。今年亚马逊大调整,“死了”一大批大卖家,​要进场,现在是机会。第二种就是利用社交平台Facebook来做跨境电商​。第三种就是Google了,谷歌作为流量天花板,当然不会放过电商变现这一生财之道。当然,还有其他的方式,比如速卖通,Esty,Wayfair,Pinterest等等,各种不同平台的流量​,都有不同的玩法,需

FunCrown的博客 1748

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

详解Facebook手机

江湖谣言四起,Facebook在秘密研发手机欲抗衡苹果、Android。虽然Facebook已经信誓旦旦的表示不会开发Facebook 手机,但是有鉴于Google之前出尔反尔的前科,不少网友都怀疑Facebook的声明是“此地无银三百两”。显然,皇帝不急急死太 监,Facebook的“声明”并不能阻止网友们对“Facebook Phone”外形的YY与“Facebook Phone”将会选择哪种...

yanghuidang 411

Facebook Metro打包工具API详解与实战指南

Facebook Metro打包工具API详解与实战指南 前言 在现代前端开发中,模块打包工具是不可或缺的基础设施。Facebook开源的Metro是一款专为React Native优化的JavaScript打包工具,它提供了高效的模块解析和打包能力。本文将深入解析Metro的核心API,帮助开发者更好地理解和使用这一工具。 Metro API核心功能概述 Metro提供了四种主要API接口,覆盖...

gitblog_00709的博客 486

代码安装|facebook像素安装及检测详解

网站做好之后,一个重要的事情就是要进行推广,投放广告。而为了追踪广告的效果,衡量广告的ROI,就需要在网站上安装各种各样的代码,检测用户的行为事件,以及最终生成了多少订单。这么一个流程,就需要配合各大广告平台安装对应的代码,而facebook的像素,就是其中一个很重要的部分。 在像素代码中,事件分为两种,一种是浏览事件,一种是点击事件。浏览事件是网页打开加载就触发该事件。而点击事件,顾名思义,当...

lolgigeo的博客 7329

Facebook Graph API SDK 核心功能详解

Facebook Graph API SDK 是一个用于与 Facebook 社交平台进行交互的 Python 客户端库。它提供了对 Facebook Graph API 的封装,使开发者能够方便地访问 Facebook 上的各种资源(如用户、页面、照片、事件等)以及它们之间的关系(如好友、照片标签、活动参与等)。 ## GraphAPI 类详解 GraphAPI 类是 SDK 的核心,它封装...

gitblog_01156的博客 732

米贸搜 | Facebook广告竞价策略详解

上面我们已经了解到,Facebook并不是只选出价最高的广告,还会综合考量消费者购买信号、信任度和广告相关性指标,以确保并维护良好的用户体验,显示相关且有需求的广告,这样对卖家和消费者均有所帮助。为了用户能看到自己想看的东西,而我们这些广告主能触及目标群体从而获得一定收益,所以对facebook系统来说,它选择展示在某一用户前的广告,不是出价最高的那个,而是能为用户用户创造最大价值的广告。在不超出预算太多的情况下,它会自动帮我们去找合适的位置,合适的群体,然后在这个过程中不断试错优化。

mimaosoulily的博客 562

从10篇文章到Facebook审核通过:fb-instant-articles发布审批全流程实操详解

**fb-instant-articles** 是一款为 WordPress 站点开启 Facebook 即时文章(Instant Articles)功能的开源插件。它能把你的 WordPress 文章自动转换成 Facebook 认可的 Instant Articles 标记,通过 RSS 订阅源提交给 Facebook 审核。下面这篇文章带你完整走一遍:从安装配置、内容转换、凑齐 10 篇文章

gitblog_00023的博客 431

Facebook详解 涵盖发展历史和系统模型

(Facebook在Palo Alto市的总部)(Facebook创始人兼CEO Mark Zuckerberg)(Facebook最初的Logo)简介Facebook是一个社会化网络站点。它于2004年2月4日上线。Facebook的创始人是Mark Zuckerberg,他是哈佛大学的学生,之前毕业于Asdsley高中。最初,网站的注册仅限于哈佛学院(译

TonyWang的专栏 3616
上一篇: DAO
下一篇: 什么是SOA
suncrafted
博客等级 码龄24年 103粉丝 30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