划过的日子_1

博主记录了11月5日至8日的活动,5日拥有第一双旱冰鞋并备齐装备,6日出门滑旱冰,体验了不同路段,如八卦三路、荔枝公园等;7日上班仍想着滑旱冰,下班出行却忘带鞋;8日上班与同事分享经历,下班先看NBA,后下楼练习,在八卦岭遇到队友。


------------------------------------------------------------------------------------------------
11月5号 星期六。拥有了第一双旱冰鞋,四轮直排,兰色,41号,比自己的鞋号小一号,穿起来紧紧的刚好。
        其他的装备也基本齐了:背包(一个羽毛球包),护具,帽子,水杯,袜子,耐磨牛仔裤,随便的上衣。

11月6号 当然是星期天。早上睡到12:40,起来洗脸,叫了外买金酱肉丝,看了看天气还行。洗头发,看电视。
        快3:00点了,装备整齐,带了水和读者,出门(鹏益)。
        走八卦三路人行道,刚刚尝试没有敢冒险。一路下坡,迎面飘来温软的风和仓促的行人。
         初中的时候,学校门口是一个比较大的体育馆,由于利用率不高,有人搞了个旱冰场地,就在篮球场的地板上滑行。
         放学我就会在里面随着人群旋转,第一次正式拉女生的手也是那个时候,有音乐,有飞舞的光。
        感觉速度还可以,偶尔会跌撞,路面不好,黑色路皮,八卦三路与红岭北路交汇,我向右。
        荔枝公园,里面有条值得推荐的划道,接连几个缓下转弯,虽然是缓下但是速度已经很快。能感到风的速度,
        实在停不下我只有直接冲向旁边的草地,幸好一个站在路中央的MM及时闪开,才得以刹车。
        深南中路,地王,万象城附近给一对类似情侣照相,看到她们好幸福。划回荔枝,坐在路边脱鞋,结束。
        感觉很累,赶车回。晚上很兴奋,但是睡的很香。
11月7号 星期一 上班,一白天想着上道,计划了出行的路线,下班,回家,出门。
        体育馆,上步路向南,走车行道,沥青的路面很多小坑,颠簸一些,但晚上的风更加凉爽。车灯恍惚明暗变换
        黑色的影子映在地上,城市发出黑糊糊的声音,震荡耳畔,感觉挺舒服。。
        华强北,路面变的好了一些,人也渐渐多了起来,特别是女人,擦肩划过几个MM后,突然找到了1米8几的感觉。
        坐在茂业楼下拿出背包想换上鞋坐公车回来,结果忘记带鞋了。心想划回去也行,穿了几个街道,
        跑到了一个叫田园的地方,不怎么熟悉,又过了一站是港厦,无奈之下打车回来的。MD,幸好带了钱。
11月8号 星期二 上班 和同事讲了昨天的故事被笑了一通。下班,回家,和小巨看了半天NBA,想想今天不出港了,
        躺在床上翻来覆去,没有睡着,10:30,出门。
        在楼下的停车场地练习转弯,停止,侧滑,正转倒转正,一个停车的JJ在我面前晃了很久,害的我有主动接近的冲动。
        还好克制,休息一下后上道,八卦岭转了一圈,遇到了同一个TEAM的XZP,今天是他留守。在他面前摆了几个POSE后,回家.                                                                                                                                                                               

 

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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