高鐵、動車組昨日起可網上選座;胡潤百富榜出爐:許傢印2900億登頂首富 | 雷鋒早報

援交
外送茶
魚訊
外約
外送茶
動車組今日起可網上選座,覆蓋C、D、G字頭列車雷鋒網10月12日消息,中國鐵路客戶服務中心12306網站發佈瞭一則《接續換乘和選座功能使用說明》。說明稱,自2017年10月12日起,鐵路部門推出“接續換乘”方案推薦及動車組列車“自主選座”兩項新舉措,其中“自主選座”系統支持所有C、D、G字頭的動車組列車選座,但此功能僅提供相鄰座位關系選擇。如剩餘車票不能滿足需求,或不選擇座席關系直接點擊“確定”,系統將自動分配席位。該功能乘客無需額外費用,原有支付方式也保持不變。胡潤百富榜出爐:許傢印2900億登頂首富,馬化騰馬雲位居二三10月12日,胡潤研究院在深圳發佈《36計-胡潤百富榜2017》。榜單顯示,許傢印以2900億首次登頂中國首富,值得一提的是2016年他的財富是780億,僅僅一年的時間,許傢印身價暴漲2129億。榜單中科技大佬為數不少,除馬化騰位居第二、馬雲傢族排名第三外,順豐王衛以1500億排名第6,李彥宏、馬東敏夫婦以1250億排名第7、網易丁磊1100億排名第10、蘇寧張近東930億居第15位,京東劉強東700億居第21位、小米雷軍680億排名第22。國內新聞亞馬遜推7英寸新款Kindle,支持浸泡1小時雷鋒網10月12日消息,亞馬遜在京發佈新一代電子書閱讀器Kindle Oasis,新品最大的特色是配備瞭7英寸電子墨水屏和IPX8 級別防水功能,讓用戶可以在海灘、遊泳池甚至浴缸(但不是在水下)放心的閱讀。Oasis能在2米的淡水中浸泡長達一小時的時間。Kindle Oasis包括8GB/32GB兩個版本,可存儲數千本圖書。售價分別為2399元與2658元。此外還針對中國市場推出一款32GB香檳金顏色的Kindle Oasis。雙11臨近賣傢緊急屯紙箱 引廢紙皮回收價持續大漲雙11網購太瘋狂,11月11日逐漸逼近,不少淘寶賣傢正緊急囤積足夠數量的紙皮箱以應對即將來臨的瘋狂交易。根據中國紙業網的數據顯示,2016年至今紙價上漲已超過100%,售價的峰值不斷被刷新。據報道,如今,廢紙皮的價格已經從0.3上升到2.6元每斤。與此同時,造紙企業原材料也在漲價。根據中國紙業網的數據,10月6日~8日期間,全國40傢造紙廠中有31傢紙廠上調收購價,漲幅在20~200元/噸。2016年至今紙價上漲已超過100%。廣東省造紙行業協會秘書長陳竹表示,這一輪原紙的漲價,是因為各種成本在漲,比如能源、機器設備等。今年8月中旬,環保部發佈的新版《進口廢物管理目錄》中,多種廢紙、紙板被列入禁入名單,而廣東造紙業三分之一的原料要來自進口廢紙,這是廢紙皮在國內回收價格上漲的重要原因。緊隨中通、韻達的漲價步伐,圓通也宣佈漲價瞭?有報道稱,圓通於10月11日在內網發佈《關於圓通網絡旺季市場提價的通知》(以下簡稱“《通知》”)稱,經總部研究決定:自即日起,全網各網點對客戶收取的快遞費,在原有的價格基礎上進行上調,指導價為1kg(含)以內上調0.3元/票,超過1kg部分上調0.3元/kg。如果此消息屬實,這將是第三傢主要的快遞公司宣佈提價。然而截至記者發稿,圓通官網並未掛出調價的官方消息。阿裡雲發佈智能客服機器人10月12日, 2017杭州?雲棲大會上,阿裡雲正式發佈智能會話客服機器人雲小蜜。據悉,雲小蜜具備 36 個預置的細分領域知識包,支持中文英文會話,可以7*24小時在線工作。目前,已覆蓋阿裡巴巴生態圈二十餘個業務線,每天服務600w客戶,問題解決率達到95%。阿裡巴巴於2015年底正式推出無線端多領域私人助理阿裡小蜜,一款人工智能購物助理虛擬機器人。 2016年,雙十一當天小蜜接待咨詢用戶632萬,對話輪次達1845萬次;面向商傢的機器人產品為其覆蓋9大天貓店接待咨詢用戶100萬人,總計節省60%人力成本。 2017年 6.18期間,在小米、Nike、優衣庫等140多傢店鋪內,由小蜜接待的消費者服務占比超過 90% 。360在雄安成立新公司,聚焦智慧城市建設和網絡人才培養雷鋒網(公眾號:雷鋒網)消息,10月12日晚,雷鋒網從360企業安全集團瞭解到,360今日在雄安新區成立控股子公司“河北雄安新區三六零網絡空間安全技術有限公司”,新公司註冊資本1000萬元。這是繼建築、能源、運營商、金融、房地產等行業的十五傢企業後,首傢正式落地雄安新區的網絡安全企業。360方面稱,該新公司還將在網絡安全產業上形成人才培養、創新研發、成果轉化、配套完善的高端高新產業生態體系,並聚焦智慧城市建設。騰訊旗下微民保險代理正式獲批 將依托微信QQ開展業務保監會官網日前發佈消息稱,騰訊控股持有57.8%股份的微民保險代理有限公司(以下簡稱“微民保險代理”)正式獲批經營保險代理業務。根據保監會批復的內容顯示,微民保險代理可以在中華人民共和國行政轄區(港、澳、臺除外)經營包括代理銷售保險產品、代理收取保險費、代理相關保險業務的損失勘查和理賠等保險代理業務。微民保險代理將於近日正式上線。同時,微民保險代理將依托現有近9億用戶的微信、QQ平臺開展業務,微信平臺微信錢包“九宮格”中最後一個空格將接入微民保險,代理並上線保險產品。國際新聞Pornhub 推出AI模型 自動識別成人片內容和演員Pornhub日前宣佈推出一款全新的成人片識別引擎,這款引擎由AI驅動,使用計算機視覺技術自主檢測和識別成人片內容以及表演者。 該引擎和算法迄今為止,通過簡單的掃描和解釋鏡頭進行瞭訓練,以識別超過1萬種色情內容。 Pornhub表示使用瞭數千個視頻以及演員的官方照片來訓練這個AI驅動的解決方案。除瞭識別表演者之外,該算法還將具有區分不同類別的能力,包括室內視頻,戶外視頻,以及“金發”或者“黑發”女演員。這也就意味著,很多人心心念念的鑒黃師工作,可能要失業瞭。比特幣價格日內暴漲8% 突破5200美元創新高北京時間10月12日,根據Bitstamp網站數據報道,比特幣價格突破5200美元關口,刷新紀錄高點至5240美元,日內漲超8%。比特幣自創始以來漲幅已達500萬倍,僅近兩年來漲幅已近400倍。雷鋒網此前報道,繼9月中國境內的虛擬貨幣交易平臺提供的人民幣充提業務被取締後,英、美、韓等過陸續出臺監管政策,紛紛出手強監管ICO和虛擬貨幣交易。俄羅斯中央銀行副總裁近日也宣稱,俄羅斯將封禁包括比特幣在內的數字貨幣交易網站訪問渠道。面臨各國的“圍獵絞殺”,比特幣價格曾出現劇烈波動,但華爾街等主要金融機構對比特幣的認可,提高瞭投資者對比特幣的信心,幫助比特幣的需求跨越“臨界點”。Facebook推出史上最平價VR頭盔,無需連接電腦手機10月12日,Faceboook旗下被視為三大VR廠商之一的Oculus推出瞭旗下第二款VR設備——Oculus Go。售價為199美元(約合人民幣1311元),計劃於明年開售。同時Facebook還將高端Oculus Rift頭顯套裝的價格由499美元下調到399美元(約合人民幣2629元)。Oculus母公司Facebook CEO 馬克·紮克伯格(Mark Zuckerberg)表示,這款產品能夠填補移動虛擬現實頭盔以及成熟虛擬現實頭盔Oculus Rift之間的空白。據悉,Oculus Go是一款獨立VR設備,采用一體化輕量設計和泡沫式內結構層,憑借超快轉換液晶成像元件及先進光學系統,可提供清晰寬廣視野,大幅減輕紗窗效應,其LCD 顯示屏的雙眼分辨率為 2560×1440,配備瞭內置揚聲器、3.5 毫米耳機插孔和單體運動控制器。此外,它還支持Gear VR的應用。Facebook負責虛擬現實設備的高管雨果-巴拉(Hugo Barra)表示“這是人們進入虛擬現實世界的最簡單方法。我們認為一旦人們擁有一款獨立的設備,他們將花費大量時間在虛擬現實中。”福特投資Autonomic 鋪設打造開源移動服務平臺近日,據外媒報道,著名汽車制造商福特投資瞭一傢名為Autonomic的公司,旨在為公司打造一個全新的移動服務平臺。與福特另外一項投資Chariot類似,該平臺也將會使用福特旗下的汽車展開服務。福特智能移動通信經理Alan Hall表示,該平臺將面向各城市和各服務,所以它將能讓公司研發出各種新的服務。除瞭Chariot之外,福特近期還跟Dominos、Lyft以及密歇根的一個非緊急醫療服務展開瞭合作。雖然現在這些服務都沒有使用Autonomic平臺,但Hall表示未來這種情況將可能發生轉變。而在上周,福特CEO Jim Hackett曾披露,參與Autonomic開發的人同時也參與瞭Amazon Web Services開發,這也意味著像地圖、路線、支付、身份驗證等東西都將會被放到新平臺,未來它還將開源。由於福特是一傢汽車制造商,所以兩者的結合還意味著多種車型的選擇。 雷鋒網原創文章,未經授權禁止轉載。詳情見轉載須知。

source:https://www.leiphone.com/news/201710/GpxMW1fdSv5oNPyQ.html

微信、淘寶、京東等10傢公司 聯合簽署個人信息保護倡議書

電子菸
電子煙
電子菸

雷鋒網(公眾號:雷鋒網)消息,據法制日報9月24日報道,當天,中央網信辦、工信部、公安部、國傢標準委在京聯合發佈瞭首批10款互聯網產品和服務隱私條款評審結果。評審結果特別指出,有5款產品和服務在滿足以上功能的基礎上,還提供瞭更便利的在線“一站式”撤回和關閉授權,在線訪問、更正、刪除其個人信息,在線註銷賬戶等功能。這5款產品和服務分別是:微信、淘寶網、支付寶、滴滴出行、京東商城。此次專項工作具體由全國信息安全標準化技術委員會秘書處(以下簡稱信安標委秘書處)組織,首批選取瞭微信、新浪微博、淘寶、京東商城、支付寶、高德地圖、百度地圖、滴滴出行、航旅縱橫、攜程網10款用戶數量大、與民眾生活密切相關、社會關註度高的產品和服務作為評審對象。當天,上述產品和服務涉及的10傢企業在四部門與會領導的見證下,共同簽署瞭個人信息保護倡議書。這10傢企業承諾並倡議:尊重用戶的知情權;尊重用戶的控制權;遵守用戶授權,強化自我約束;保障用戶的信息安全;保障產品和服務的安全可信;聯合抵制黑色產業鏈;倡導行業自律;接受社會監督。 雷鋒網原創文章,未經授權禁止轉載。詳情見轉載須知。

source:https://www.leiphone.com/news/201709/YcLfTTU8J4DHRQGZ.html

如何利用微信監管你的TF訓練

外送茶
援交
援交
魚訊
外約
雷鋒網(公眾號:雷鋒網) AI科技評論按:本文作者Coldwings,雷鋒網 AI科技評論獲其授權發佈。之前回答問題【在機器學習模型的訓練期間,大概幾十分鐘到幾小時不等,大傢都會在等實驗的時候做什麼?】的時候,說到可以用微信來管著訓練,完全不用守著。沒想到這麼受歡迎……原問題下的回答如下
不知道有哪些朋友是在TF/keras/chainer/mxnet等框架下用python擼的….…這可是python啊……上itchat,弄個微信號加自己為好友(或者自己發自己),訓練進展跟著一路發消息給自己就好瞭,做瞭可視化的話順便把圖也一並發過來。然後就能安心睡覺/逛街/泡妞/寫答案瞭。講道理,甚至簡單的參數調整都可以照著用手機來……大體效果如下當然可以做得更全面一些。最可靠的辦法自然是幹脆地做一個http服務或者一個rpc,然而這樣往往太麻煩。本著簡單高效的原則,幾行代碼能起到效果方便自己當然是最好的,接入微信或者web真就是不錯的選擇瞭。隻是查看的話,TensorBoard就很好,但是如果想加入一些自定義操作,還是自行定制的。echat.js做成web,或者itchat做個微信服務,都是挺不賴的選擇。 正文如下這裡折騰一個例子。以TensorFlow的example中,利用CNN處理MNIST的程序為例,我們做一點點小小的修改。首先這裡放上寫完的代碼:

#!/usr/bin/env python# coding: utf-8
A Convolutional Network implementation example using TensorFlow library.This example is using the MNIST database of handwritten digits(http://yann.lecun.com/exdb/mnist/) Author: Aymeric DamienProject: https://github.com/aymericdamien/TensorFlow-Examples/

Add a itchat controller with multi thread
from __future__ import print_function
import tensorflow as tf
# Import MNIST datafrom tensorflow.examples.tutorials.mnist import input_data
# Import itchat & threadingimport itchatimport threading
# Create a running status flaglock = threading.Lock()running = False
# Parameterslearning_rate = 0.001training_iters = 200000batch_size = 128display_step = 10
def nn_train(wechat_name, param): global lock, running
# Lock
with lock:
running = True

# mnist data reading
mnist = input_data.read_data_sets(“data/”, one_hot=True)

# Parameters
# learning_rate = 0.001
# training_iters = 200000
# batch_size = 128
# display_step = 10
learning_rate, training_iters, batch_size, display_step = param

# Network Parameters
n_input = 784 # MNIST data input (img shape: 28*28)
n_classes = 10 # MNIST total classes (0-9 digits)
dropout = 0.75 # Dropout, probability to keep units

# tf Graph input
x = tf.placeholder(tf.float32, [None, n_input])
y = tf.placeholder(tf.float32, [None, n_classes])
keep_prob = tf.placeholder(tf.float32) #dropout (keep probability)

# Create some wrappers for simplicity
def conv2d(x, W, b, strides=1):
# Conv2D wrapper, with bias and relu activation
x = tf.nn.conv2d(x, W, strides=[1, strides, strides, 1], padding=SAME)
x = tf.nn.bias_add(x, b)
return tf.nn.relu(x)

def maxpool2d(x, k=2):
# MaxPool2D wrapper
return tf.nn.max_pool(x, ksize=[1, k, k, 1], strides=[1, k, k, 1],
padding=SAME)

# Create model
def conv_net(x, weights, biases, dropout):
# Reshape input picture
x = tf.reshape(x, shape=[-1, 28, 28, 1])

# Convolution Layer
conv1 = conv2d(x, weights[wc1], biases[bc1])
# Max Pooling (down-sampling)
conv1 = maxpool2d(conv1, k=2)

# Convolution Layer
conv2 = conv2d(conv1, weights[wc2], biases[bc2])
# Max Pooling (down-sampling)
conv2 = maxpool2d(conv2, k=2)

# Fully connected layer
# Reshape conv2 output to fit fully connected layer input
fc1 = tf.reshape(conv2, [-1, weights[wd1].get_shape().as_list()[0]])
fc1 = tf.add(tf.matmul(fc1, weights[wd1]), biases[bd1])
fc1 = tf.nn.relu(fc1)
# Apply Dropout
fc1 = tf.nn.dropout(fc1, dropout)

# Output, class prediction
out = tf.add(tf.matmul(fc1, weights[out]), biases[out])
return out

# Store layers weight & bias
weights = {
# 5×5 conv, 1 input, 32 outputs
wc1: tf.Variable(tf.random_normal([5, 5, 1, 32])),
# 5×5 conv, 32 inputs, 64 outputs
wc2: tf.Variable(tf.random_normal([5, 5, 32, 64])),
# fully connected, 7*7*64 inputs, 1024 outputs
wd1: tf.Variable(tf.random_normal([7*7*64, 1024])),
# 1024 inputs, 10 outputs (class prediction)
out: tf.Variable(tf.random_normal([1024, n_classes]))
}

biases = {
bc1: tf.Variable(tf.random_normal([32])),
bc2: tf.Variable(tf.random_normal([64])),
bd1: tf.Variable(tf.random_normal([1024])),
out: tf.Variable(tf.random_normal([n_classes]))
}

# Construct model
pred = conv_net(x, weights, biases, keep_prob)

# Define loss and optimizer
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)

# Evaluate model
correct_pred = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

# Initializing the variables
init = tf.global_variables_initializer()

# Launch the graph
with tf.Session() as sess:
sess.run(init)
step = 1
# Keep training until reach max iterations
print(Wait for lock)
with lock:
run_state = running
print(Start)
while step * batch_size < training_iters and run_state:
batch_x, batch_y = mnist.train.next_batch(batch_size)
# Run optimization op (backprop)
sess.run(optimizer, feed_dict={x: batch_x, y: batch_y,
keep_prob: dropout})
if step % display_step == 0:
# Calculate batch loss and accuracy
loss, acc = sess.run([cost, accuracy], feed_dict={x: batch_x,
y: batch_y,
keep_prob: 1.})
print(“Iter ” + str(step*batch_size) + “, Minibatch Loss= ” + “{:.6f}”.format(loss) + “, Training Accuracy= ” + “{:.5f}”.format(acc))
itchat.send(“Iter ” + str(step*batch_size) + “, Minibatch Loss= ” + “{:.6f}”.format(loss) + “, Training Accuracy= ” + “{:.5f}”.format(acc), wechat_name)
step += 1
with lock:
run_state = running
print(“Optimization Finished!”)
itchat.send(“Optimization Finished!”, wechat_name)

# Calculate accuracy for 256 mnist test images
print(“Testing Accuracy:”, sess.run(accuracy, feed_dict={x: mnist.test.images[:256],
y: mnist.test.labels[:256],
keep_prob: 1.}))
itchat.send(“Testing Accuracy: %s” %
sess.run(accuracy, feed_dict={x: mnist.test.images[:256],
y: mnist.test.labels[:256],
keep_prob: 1.}), wechat_name)

with lock:
running = False
@itchat.msg_register([itchat.content.TEXT])def chat_trigger(msg):
global lock, running, learning_rate, training_iters, batch_size, display_step
if msg[Text] == u開始:
print(Starting)
with lock:
run_state = running
if not run_state:
try:
threading.Thread(target=nn_train, args=(msg[FromUserName], (learning_rate, training_iters, batch_size, display_step))).start()
except:
msg.reply(Running)
elif msg[Text] == u停止:
print(Stopping)
with lock:
running = False
elif msg[Text] == u參數:
itchat.send(lr=%f, ti=%d, bs=%d, ds=%d%(learning_rate, training_iters, batch_size, display_step),msg[FromUserName])
else:
try:
param = msg[Text].split()
key, value = param
print(key, value)
if key == lr:
learning_rate = float(value)
elif key == ti:
training_iters = int(value)
elif key == bs:
batch_size = int(value)
elif key == ds:
display_step = int(value)
except:
pass

if __name__ == __main__:
itchat.auto_login(hotReload=True)
itchat.run()

這段代碼裡面,我所做的修改主要是:0.導入瞭itchat和threading1. 把原本的腳本裡網絡構成和訓練的部分甩到瞭一個函數nn_train裡

def nn_train(wechat_name, param):
global lock, running
# Lock
with lock:
running = True

# mnist data reading
mnist = input_data.read_data_sets(“data/”, one_hot=True)

# Parameters
# learning_rate = 0.001
# training_iters = 200000
# batch_size = 128
# display_step = 10
learning_rate, training_iters, batch_size, display_step = param

# Network Parameters
n_input = 784 # MNIST data input (img shape: 28*28)
n_classes = 10 # MNIST total classes (0-9 digits)
dropout = 0.75 # Dropout, probability to keep units

# tf Graph input
x = tf.placeholder(tf.float32, [None, n_input])
y = tf.placeholder(tf.float32, [None, n_classes])
keep_prob = tf.placeholder(tf.float32) #dropout (keep probability)

# Create some wrappers for simplicity
def conv2d(x, W, b, strides=1):
# Conv2D wrapper, with bias and relu activation
x = tf.nn.conv2d(x, W, strides=[1, strides, strides, 1], padding=SAME)
x = tf.nn.bias_add(x, b)
return tf.nn.relu(x)

def maxpool2d(x, k=2):
# MaxPool2D wrapper
return tf.nn.max_pool(x, ksize=[1, k, k, 1], strides=[1, k, k, 1],
padding=SAME)

# Create model
def conv_net(x, weights, biases, dropout):
# Reshape input picture
x = tf.reshape(x, shape=[-1, 28, 28, 1])

# Convolution Layer
conv1 = conv2d(x, weights[wc1], biases[bc1])
# Max Pooling (down-sampling)
conv1 = maxpool2d(conv1, k=2)

# Convolution Layer
conv2 = conv2d(conv1, weights[wc2], biases[bc2])
# Max Pooling (down-sampling)
conv2 = maxpool2d(conv2, k=2)

# Fully connected layer
# Reshape conv2 output to fit fully connected layer input
fc1 = tf.reshape(conv2, [-1, weights[wd1].get_shape().as_list()[0]])
fc1 = tf.add(tf.matmul(fc1, weights[wd1]), biases[bd1])
fc1 = tf.nn.relu(fc1)
# Apply Dropout
fc1 = tf.nn.dropout(fc1, dropout)

# Output, class prediction
out = tf.add(tf.matmul(fc1, weights[out]), biases[out])
return out

# Store layers weight & bias
weights = {
# 5×5 conv, 1 input, 32 outputs
wc1: tf.Variable(tf.random_normal([5, 5, 1, 32])),
# 5×5 conv, 32 inputs, 64 outputs
wc2: tf.Variable(tf.random_normal([5, 5, 32, 64])),
# fully connected, 7*7*64 inputs, 1024 outputs
wd1: tf.Variable(tf.random_normal([7*7*64, 1024])),
# 1024 inputs, 10 outputs (class prediction)
out: tf.Variable(tf.random_normal([1024, n_classes]))
}

biases = {
bc1: tf.Variable(tf.random_normal([32])),
bc2: tf.Variable(tf.random_normal([64])),
bd1: tf.Variable(tf.random_normal([1024])),
out: tf.Variable(tf.random_normal([n_classes]))
}

# Construct model
pred = conv_net(x, weights, biases, keep_prob)

# Define loss and optimizer
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)

# Evaluate model
correct_pred = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

# Initializing the variables
init = tf.global_variables_initializer()

# Launch the graph
with tf.Session() as sess:
sess.run(init)
step = 1
# Keep training until reach max iterations
print(Wait for lock)
with lock:
run_state = running
print(Start)
while step * batch_size < training_iters and run_state:
batch_x, batch_y = mnist.train.next_batch(batch_size)
# Run optimization op (backprop)
sess.run(optimizer, feed_dict={x: batch_x, y: batch_y,
keep_prob: dropout})
if step % display_step == 0:
# Calculate batch loss and accuracy
loss, acc = sess.run([cost, accuracy], feed_dict={x: batch_x,
y: batch_y,
keep_prob: 1.})
print(“Iter ” + str(step*batch_size) + “, Minibatch Loss= ” + “{:.6f}”.format(loss) + “, Training Accuracy= ” + “{:.5f}”.format(acc))
itchat.send(“Iter ” + str(step*batch_size) + “, Minibatch Loss= ” + “{:.6f}”.format(loss) + “, Training Accuracy= ” + “{:.5f}”.format(acc), wechat_name)
step += 1
with lock:
run_state = running
print(“Optimization Finished!”)
itchat.send(“Optimization Finished!”, wechat_name)

# Calculate accuracy for 256 mnist test images
print(“Testing Accuracy:”, sess.run(accuracy, feed_dict={x: mnist.test.images[:256],
y: mnist.test.labels[:256],
keep_prob: 1.}))
itchat.send(“Testing Accuracy: %s” %
sess.run(accuracy, feed_dict={x: mnist.test.images[:256],
y: mnist.test.labels[:256],
keep_prob: 1.}), wechat_name)

with lock:
running = False

這裡大部分是跟原本的代碼一樣的,不過首先所有print的地方都加瞭個itchat.send來輸出日志,此外加瞭個帶鎖的狀態量running用來做運行開關。此外,部分參數是通過函數參數傳入的。然後呢,寫瞭個itchat的handler

@itchat.msg_register([itchat.content.TEXT])def chat_trigger(msg):
global lock, running, learning_rate, training_iters, batch_size, display_step
if msg[Text] == u開始:
print(Starting)
with lock:
run_state = running
if not run_state:
try:
threading.Thread(target=nn_train, args=(msg[FromUserName], (learning_rate, training_iters, batch_size, display_step))).start()
except:
msg.reply(Running)

作用是,如果收到微信消息,內容為『開始』,那就跑訓練的函數(當然,為瞭防止阻塞,放在瞭另一個線程裡)最後再在腳本主流程裡使用itchat登錄微信並且啟動itchat的服務,這樣就實現瞭基本的控制。

if __name__ == __main__:
itchat.auto_login(hotReload=True)
itchat.run()

但是我們不滿足於此,我還希望可以對流程進行一些控制,對參數進行一些修改,於是乎:

@itchat.msg_register([itchat.content.TEXT])def chat_trigger(msg):
global lock, running, learning_rate, training_iters, batch_size, display_step
if msg[Text] == u開始:
print(Starting)
with lock:
run_state = running
if not run_state:
try:
threading.Thread(target=nn_train, args=(msg[FromUserName], (learning_rate, training_iters, batch_size, display_step))).start()
except:
msg.reply(Running)
elif msg[Text] == u停止:
print(Stopping)
with lock:
running = False
elif msg[Text] == u參數:
itchat.send(lr=%f, ti=%d, bs=%d, ds=%d%(learning_rate, training_iters, batch_size, display_step),msg[FromUserName])
else:
try:
param = msg[Text].split()
key, value = param
print(key, value)
if key == lr:
learning_rate = float(value)
elif key == ti:
training_iters = int(value)
elif key == bs:
batch_size = int(value)
elif key == ds:
display_step = int(value)
except:
pass

通過這個,我們可以在epoch中途停止(因為nn_train裡通過檢查running標志來確定是否需要停下來),也可以在訓練開始前調整learning_rate等幾個參數。實在是很簡單…… 雷鋒網版權文章,未經授權禁止轉載。詳情見轉載須知。

source:https://www.leiphone.com/news/201709/Uqu8GJhDp8E4tN11.html

庫克:蘋果產品不是為富人制造的;樂視網正式接盤樂視金融,賈躍亭加速騰挪關聯資產 | 雷鋒早報

援交
外送茶
魚訊
外約
外送茶
庫克:蘋果產品並不是為富人制造的近日,在接受《財富》獨傢專訪時,蘋果CEO蒂姆·庫克暢談這傢科技巨頭如何通過投資可再生能源和教育等領域來實踐其企業使命。但對於矢志改變世界的蘋果來說,最重要的途徑當然是制造一系列暢銷世界的產品。庫克表示:“如果你瀏覽我們的產品線,你今天可以用不到300美元購買一部iPad。你也可以購買一部同樣價位的iPhone手機,這取決於你選擇的產品類型。所以說,這些產品並不是為富人制造的。倘若我們是為富人制造這些產品,我們的活躍設備數量顯然不會超過10億,因為任何看到這個數字的人都會認為它相當龐大。”樂視網正式接盤樂視金融,賈躍亭加速騰挪關聯資產雷鋒網(公眾號:雷鋒網)消息,9月24日晚間,樂視網公告稱,擬以不超過30億元收購樂視金融的主體公司樂視投資100%股權。樂視方面稱,通過完成這一收購,在將優質資產註入上市體系的同時,以資抵債的方式解決上市公司與關聯方之間應收賬款問題。樂視投資旗下非金融類資產或業務後期將與樂視投資做拆分。而目前,賈躍亭也正在加速處理其旗下的非汽車資產,除瞭樂視金融的去向已塵埃落定之外,樂視體育的出售也正在商談中。國內新聞微信、淘寶等10傢公司,聯合簽署個人信息保護倡議書據法制日報9月24日報道,當天,中央網信辦、工信部、公安部、國傢標準委在京聯合發佈瞭首批10款互聯網產品和服務隱私條款評審結果。評審結果特別指出,有5款產品和服務在滿足以上功能的基礎上,還提供瞭更便利的在線“一站式”撤回和關閉授權,在線訪問、更正、刪除其個人信息,在線註銷賬戶等功能。這5款產品和服務分別是:微信、淘寶網、支付寶、滴滴出行、京東商城。此次專項工作具體由全國信息安全標準化技術委員會秘書處組織,首批選取瞭微信、新浪微博、淘寶、京東商城、支付寶、高德地圖、百度地圖、滴滴出行、航旅縱橫、攜程網10款用戶數量大、與民眾生活密切相關、社會關註度高的產品和服務作為評審對象。當天,這10傢企業承諾並倡議:尊重用戶的知情權;尊重用戶的控制權;遵守用戶授權,強化自我約束;保障用戶的信息安全;保障產品和服務的安全可信;聯合抵制黑色產業鏈;倡導行業自律;接受社會監督。剛拿到11億美元,HTC馬上花瞭400萬美元投資VRChat近日,谷歌收購瞭HTC原參與打造Pixel手機的HTC團隊部分及相關員工。雙方簽訂的協議顯示Pixel手機設計研發人才加入Google,HTC知識產權非專屬授權予Google使用,交易作價11億美元。HTC董事長王雪紅在此後的采訪中明確表示HTC會繼續智能手機以及VIVE的業務和事業。不過很明顯HTC已經將一大部分重心移動到瞭VR領域,不僅不斷的加強VIVE的業務內容最近還宣佈領投創業公司VRChat,這次融資是VRChat的A輪融資,得到瞭400萬美元,其實在此前的天使輪投資當中HTC就曾經領投120萬美元給該公司。雀巢與京東聯合發佈人工智能傢庭營養健康助手雀巢公司日前宣佈與京東集團在智能音箱領域展開深度合作,雙方聯手在中國市場推出首款語音識別智能傢庭營養健康助手——雀巢小AI。這款傢庭營養健康小助手以京東集團和科大訊飛合資子公司靈隆科技的叮咚音箱為藍本,加入由雀巢針對傢庭場景定制的營養食譜、營養健康知識以及專屬歌單等內容,用戶可通過語音交互的方式獲取想要的服務。在發佈會上,雀巢展示瞭雀巢小AI的多種應用場景,除瞭日常天氣預報、購物等功能之外,還提供包括健康知識解讀、育兒知識、飲食建議等。用戶隻需喊出“雀巢雀巢”即可喚醒雀巢小AI,然後可以問它“蒜香山藥怎麼做”“如何避免兒童挑食”“老年人應該如何補鈣”“孕期如何緩解水腫”等問題。據瞭解,首批限量版雀巢小AI已經正式進行公測,可通過京東平臺進行訂購。國際新聞新iPhone發佈以來,蘋果市值蒸發500億美元據CNBC報道,原本千呼萬喚的“超級周期”在新款iPhone發佈之後卻沒有如期而至,相反蘋果市值暴跌,不到兩周已經蒸發超過500億美元。FactSet的數據顯示,9月11日時,蘋果市值高達8349億美元,但到本周五收盤時,卻已經跌至7825億美元。雖然暴跌500億美元,但蘋果現在的市值也比去年同期高出30%。它的市值依然世界第一,比排在第二的Alphabet高出1000億美元。此外,還有許多因素會影響市值,比如投資者可能會考慮公司未來的預期收益,對股市的看法,是考慮最大化短期收益還是長期收益以及整體宏觀經濟狀況等。阿裡和亞馬遜市值隻差1.3% 兩個月縮小近千億美元截至美東時間9月22日收盤,亞馬遜市值4565億美元,阿裡巴巴4507億美元,二者的市值僅僅差瞭1.3%。而在差不多兩個月之前,二者市值的差距一度達到瞭1000億美元。這之後,阿裡追趕的腳步越來越快。根據二者最新的財報,電商業務在目前公司整體營收中的占比均超過瞭85%,亞馬遜略高幾個百分點。而在雙方都極為看重的雲計算業務上,亞馬遜AWS在2017財年第二財季營收為41億美元,在總營收中的比重達到13.48%;而阿裡雲2018財年第一財季的營收為3.59億美元,占總營收的比重接近5%。近日,阿裡巴巴董事局主席馬雲在接受彭博專訪時也問及與亞馬遜競爭的問題,馬雲稱花很少時間研究怎麼和亞馬遜競爭,而是研究能從亞馬遜身上學到什麼。阿裡巴巴的工作“是鼓勵更多公司成為亞馬遜”。Uber在倫敦運營執照被吊銷,競爭對手mytaxi宣佈立刻打折繼上周五Uber在倫敦運營執照被吊銷後,該事件迎來最新進展。Uber在倫敦的最大競爭對手德國打車服務公司mytaxi在獲悉該消息後欣喜若狂,發推文宣佈:“從即刻起至9月底(即Uber的運營執照正式到期)的這段時間裡,乘客打車時可享受5折優惠。”mytaxi還在一份聲明中表示:“我們認為,倫敦市民應該享受到安全標準最高、服務質量最優的服務。客戶們應該享受到無縫的、技術支持的專業出租車服務,專車司機們應該為提供優質服務而自豪,並且將同等優質服務投入到他們的交易中。” 雷鋒網原創文章,未經授權禁止轉載。詳情見轉載須知。

source:https://www.leiphone.com/news/201709/sKO6fQTWr1iTX99l.html

微信扼住瞭iPhone的命門!

電子菸
電子煙
電子菸

雷鋒網按:本文編譯自Stratechery,作者為Ben Thompson。他認為,在中國市場對智能手機用戶體驗影響最大的是微信而非操作系統,這是iPhone在中國市場遭遇困境的根源所在。雷鋒網對全文編譯如下:iPhone的主要競爭力是iOS你知道微軟的新款Surface電腦嗎?大傢通常認為它是MacBook的有力競爭對手,但事實並非如此。原因顯而易見,Surface運行Windows系統,而MacBook運行MacOS。憑借軟件上的差異化,讓硬件銷售比運行平庸操作系統的友商產品獲得更加豐厚的利潤,是蘋果公司一貫以來的商業模式。當然,蘋果的優勢遠不止這些。要弄清楚蘋果如何賺錢以及它做出的許多決定,我們首先必須明白一個基本事實:蘋果不僅壟斷瞭MacOS,更重要的是它還壟斷瞭iOS系統。這意味著蘋果公司不但能夠通過硬件盈利,還能通過銷售APP從開發者身上獲取剩餘價值。然而,就監管者而言,iPhone不過是眾多智能手機制造商中的一傢,MacBook也確實在和Windows的 Surface電腦競爭,畢竟它們的功能基本是相同。當然,如果用戶覺得蘋果在用戶體驗上的優勢應該給它帶來更豐厚的利潤和更強的競爭力,這也很合情合理。蘋果公司的最新財報顯示,Q2季度iPhone 銷量為5076.3萬部,與年同期的 5119.3 萬部相比下滑1%,較上季度減少69%。這預示著蘋果要想牢牢壓制三星這樣的強大對手就必須在下一代旗艦產品中拿出重磅創新。過去一段時間,蘋果將在今年晚些時候推出重磅改版iPhone的消息讓投資人的信心不斷增加。然而,競爭對手接連推出高端旗艦讓蘋果身上的壓力越來越大,它必須推出足夠牛X的產品才能夠繼續吸引新老客戶。三星也生產智能手機,而且擁有高端功能,但人們隻註意到它對iPhone構成威脅,卻忽略瞭一點——它並不運行iOS。這一直是蘋果的王牌所在,上季度同樣如此。在財報電話會議上,蘋果財務總監Luca Maestri在發言中指出:

在3月份截止的季度當中,蘋果總盈收529億美元,在美國、加拿大、澳大利亞、德國、荷蘭、土耳其、俄羅斯和墨西哥均取得瞭兩位數的增長。在巴西、斯堪的納維亞、中東、中東歐、印度、韓國和泰國等許多市場的增長率甚至更高,超過瞭20%。

詳細數據如下:要知道,這些數據不僅反映瞭iPhone的業績,還受Mac電腦(主要歸功於美國售價商戰)、服務和Apple Watch、AirPods等其他業務增長以及iPad業務持續下滑的影響。當然,貢獻瞭63%的收入的iPhone仍然是最重要的因素,從iPhone 6到iPhone 6S再到iPhone 7,蘋果手機的用戶一直在不斷增長。這種增長正是蘋果壟斷iOS所期望看到的:iPhone用戶很少轉向Android陣營,與此同時卻有相當數量的Android用戶轉換到瞭iPhone陣營;這意味著即使市場已經飽和,蘋果的市場份額也會隨著時間的推移而增長。市場份額的增長不僅能增加iPhone的銷售額,服務收入也將水漲船高。從長遠來看,其他蘋果產品的銷售額也會隨之增加。中國市場是個例外不過,Luca Maestri描繪的藍圖並不完整,因為他沒有將中國市場包括在內。以下是蘋果包含大中華地區在內的盈收數據:我從一開始就很看好大屏蘋果手機和蘋果公司在中國市場的前景。我曾在iPhone 5C發佈會後寫道:

iPhone是否超出瞭大多數消費者的消費能力?是的,但是它將成為一個大傢夢寐以求的,可以擺在桌面上向大傢展示“瞧,我能買得起它”的產品。而且你必須清楚,在中國仍然有很多人買得起iPhone。說iPhone 5C相當於中國人平均一個月的工資這種話是很愚蠢的,因為中國乃至整個亞洲地區貧富差距懸殊。當考慮到中國和亞洲是梅賽德斯奔馳這種比豐田貴成千上萬美元的奢侈品的最大市場時,你就會發現300多美元其實並不貴。

迄今為止,iPhone在中國最大的魅力源於蘋果的商標。在中國市場,應用是免費的(在中國盜版是主流),消費者更偏好大屏手機,本土廠商針對主流需求進行瞭定制化,但是它們都無法取代“蘋果”這一金字招牌。蘋果跟移動合作的同時,也推出瞭大屏手機,這正是2015年Q2季度蘋果盈收出現跳躍式增長(增長71%)的原因。當然,你可以爭辯說——和世界其他地方一樣——去年蘋果透支瞭大量的潛在買傢,但這並不能解釋今年蘋果的疲軟表現。在世界上的其他地區,尤其是亞洲的其他地區,蘋果的盈收都在增長,唯獨在中國市場下降瞭14%。可以說,蘋果目前正面臨著一個“中國式”難題。和幾年前形成鮮明對比的是,在iPhone 6的全盛時期,蒂姆·庫克(Tim Cook)總是急於向投資人講述還有多少iPhone用戶沒有升級新手機;而到瞭本季度,庫克不再老生常談,而是讓分析師耐心等待下一代iPhone。“我們發現iPhone的銷售出現瞭停滯,並認為這是由之前關於新一代iPhone的頻繁報道導致的。這一現象確實存在,而且反映到瞭財報數據中。”不過,這在全球並非普遍現象:雖然iPhone 7和iPhone 6看起來並沒有什麼不同,還是有很多人願意為它買單。畢竟如果你需要換新手機而且想要iOS的話,你別無選擇。中國是個例外,在中國外觀是手機最重要的因素,這正是蘋果在中國遭遇困境的根源所在。在中國,微信比iOS更重要與世界其他地方不同,在中國,影響智能手機使用體驗的最重要的層面不是操作系統而是微信。Andreessen Horowitz的Connie Chan在2015年時曾試圖描述微信和近9億中國人的日常生活結合得有多麼緊密,他表示這種緊密聯系隻會有增無減:微信深刻影響著一個典型中國人生活的方方面面,不僅僅是在線聊天,還關系著其他APP的使用頻率,尤其是一些微信推薦的遊戲軟件。全世界任何地方都沒有一款能夠和微信相提並論的應用,LINE、WhatsApp、Facebook都不是,它們隻是用來社交和消磨時間的。微信也是,但不止於此。微信還可以用來閱讀新聞、打車、支付午餐、處理政府事務以及談生意等等。不管你想要做什麼都可以用手機完成——這比全世界任何一個地方都更方便——你的手機就是一切,而手機實際代表的就是你的微信。微信在iOS和Android系統上的功能沒有本質不同,也就是說,對於中國人的日常生活來說,沒有什麼非用iPhone不可的理由。iPhone在中國市場的表現與世界其他地區形成鮮明對照也就沒什麼好奇怪的瞭。根據今年早些時候的報告,2016年iPhone用戶中隻有50%添置瞭一部新iPhone。盡管仍優於其他競爭對手,但相比蘋果在世界其他地區90%多的保留率來說實在低得可憐。直接的結果就是,蘋果在中國的銷量排名下降瞭:去年iPhone在中國的市場份額隻有9.6%,低於OPPO、華為和vivo等本土品牌。這些公司也出售高端手機,因此問題不在於蘋果手機太貴,而在於消費者已經對iPhone 6S和iPhone7產生瞭審美疲勞。從以上分析中也許能得出一個令人吃驚的結論:庫克也許是正確的,我們有理由對iPhone 8感到樂觀。根據雷鋒網(公眾號:雷鋒網)瞭解,iPhone 8的外觀采用瞭全新的曲面設計,無論你拿在手上還是放在咖啡桌上,它都將脫穎而出。當然,像任何一部手機一樣,它將運行微信。可以肯定的是,iPhone仍將占據重要地位,它不可能會失敗,而且銷量有望在今年秋天好轉。我必須重申,蘋果之所以如此有競爭力的原因一直被忽略瞭,那就是蘋果對iOS系統的壟斷。對於世界上大多數地方來說,iPhone用戶切換到其他品牌的手機是件難以想象的事情。你需要放棄太多的用戶體驗、應用程序,對於有些國傢(比如美國)來說,這還意味著你需要放棄iMessage。所有這些能鎖住用戶的因素在中國全部歸瞭零。在中國,蘋果隻是眾多手機生產商中的一傢而已,這對於蘋果來說是很危險的。viastratechery 雷鋒網版權文章,未經授權禁止轉載。詳情見轉載須知。

source:https://www.leiphone.com/news/201705/h5n6xUgQsWixByOD.html

微信出現“遠程彈窗漏洞”,已刷爆朋友圈(內附具體玩法)

外送茶
援交
援交
魚訊
外約
今早(5月26日),微信朋友圈有多位好友向雷鋒網反映:微信出現瞭XSS漏洞,可以在朋友的手機上遠程彈窗!雷鋒網(公眾號:雷鋒網)按照網友的說明,去微信搜索朋友圈“紅包”,果然手機蹦出來一個彈窗“完蛋瞭”。很快,各種奇葩的“彈窗遊戲”占據瞭朋友圈。
一位網絡安全從業者告訴雷鋒網:這是一種類似 XSS(跨站腳本攻擊)的玩法。它的具體流程是這樣的:發送一段代碼到朋友圈,創建位置,裡面有兩個字段,一個用於觸發彈窗的,一個用來顯示在彈窗裡。

< img src=1 onerror=confirm(“這是彈窗顯示的文字!”);prompt(“這是用來觸發的文字”);>

比如:隻要有人在微信朋友圈中搜索到這條狀態,就會觸發該彈窗,比如搜索這條“Test”就會按照代碼中的文字,彈出“我就玩玩”:至上午11點40分左右,有多名網友向雷鋒網反饋該方法已經失效,帶有代碼的位置信息無法發出,但是之前已發出的代碼依然可以被觸發。推測是微信團隊針對該問題進行瞭緊急處理。微信團隊尚未就此問題給出回應。 雷鋒網原創文章,未經授權禁止轉載。詳情見轉載須知。

source:https://www.leiphone.com/news/201705/6BHqqQnpUJFfP0OA.html

除瞭像菊花的微信小程序二維碼,我還找到更多奇葩

援交
外送茶
魚訊
外約
外送茶
審美這事,蘿卜青菜各有所愛。比如最近微信發佈的小程序碼,有人感慨“終於換掉瞭醜陋的二維碼”,有人卻說它像“菊花”。微信推出小程序,是因為二維碼醜嗎?我覺得未必。先來看看二維碼是不是真的醜。這是羅輯思維傢的動態二維碼,醜嗎?這是專業設計師做出來的二維碼,醜嗎?【設計師:月兒妝】在腦洞大開的設計師手裡,二維碼們並不甘為一個普通的二維碼,它們個個都是有理想有追求的二維碼。它可能想變成一個披薩:
【設計師:dgnotdog】或者變成一個科幻基地:【設計師:邦古拉朵】那些說二維碼醜的,或許隻是缺一個開得瞭腦洞,又懂二維碼原理的設計師。從無碼到有碼我們如今常見的二維碼,更準確的稱呼應該是 QR 碼(全稱“快速響應矩陣碼”),最早是1994年由日本的 DENSO WAVE 公司發明的,雖然他們持有專利,卻將標準開放瞭出來,任何人不需要申請都可以使用它。這才有瞭今天“滿城盡是二維碼”的盛況。
二維碼的發明,和二進制緊密相關。二維碼中的每一個黑色方塊都稱為“碼元”。它代表著二進制中的 1,沒有碼元的位置則代表 0,不同的排列方式能夠表達二進制中的 1010110 …… 從而存儲海量的信息。據雷鋒網(公眾號:雷鋒網)瞭解,一個QR碼,最多可以容納數字 7089 個,或字母4296個,或中文漢字984個(采用UTF-8編碼計算)。算起來,兩個二維碼就能把本文的所有文字藏起來。設計師能否隨意折騰?一個完整的二維碼通常包括數據、定位等多個不同區域,每個區域承擔不同的功能。設計師將一個普通的二維碼設計得精致美觀,得益於QR碼的強大容錯能力。【作者Great Brightstar 來自維基共享資源】根據格式的不同,二維碼的容錯率一般是7%~30%左右,主要由容錯密鑰區域來承擔數據冗餘的作用。所以我們會發現,一個二維碼被遮擋一部分,並不會影響正常的掃描,因為它通過信息冗餘來完成瞭糾錯。但是,二維碼中重要的位置,比如三個定位標志、版本、格式信息等區域不能夠被遮擋。【左邊遮住一大塊能掃,右邊隻遮住定位點卻掃不出來】在一個二維碼中,每個碼元隻是起到瞭“點”的作用,形狀並不太重要,所以它可以由方形變成圓角,也可以變成一個獨立的圖案 。比如可以用一堆糖果來拼一個二維碼:【圖片來源:UI設計網】由此,我們會發現知道,其實QR碼能夠玩出的花樣非常之多。雷鋒網編輯認為,微信推出小程序碼,並不是為瞭改善二維碼的外觀,最起碼不隻是因為這個原因,更多的可以是出於安全以及管控的考慮。雷鋒網註意到一件事:

微信以外的軟件都無法識別小程序碼,這說明小程序碼和QR碼采用瞭獨立的編碼方式和標準。

無獨有偶,在微信推出小程序碼之前,facebook 和 snapchat 也紛紛推出瞭 自己“環形碼”“幽靈碼”“菊花碼”。它們相互不兼容,像一個個孤島。體系封閉,恰恰降低瞭被攻擊者惡意利用的可能性。在此之前,二維碼由於技術門檻低、人人都可以復制、打印和發佈,安全問題已經廣受關註。很多病毒軟件或者惡意網站,通過轉換工具很容易就能生成二維碼,手機掃碼使用後,病毒軟件就可以進入手機,掃碼就相當於點擊瞭一次病毒鏈接。讓用戶自己去辨別哪些 QR碼是否安全,顯然風險過大,攻擊者會用層出不窮的方式來誘騙用戶掃碼,比方說前不久有人利用共享單車實施詐騙的手法。自成體系的小程序碼,或多或少能緩解該問題。至少,以後“菊花狀”的二維碼可以更放心地掃瞭,因為每一個二維碼的生成和發佈,都在微信的管控之內。“ 掃瞭你傢的碼,你就得負責。”微信小程序正朝著一個大的開發者平臺發展,管控越來越強、體系越來越封閉,這是一種必然。蘋果的 AppStore、谷歌的Google play 應用商店都是如此。出於安全和管控的考慮,未來支付寶、百度等大公司也很可能會搞出來自己的一套二維碼。但 QR碼 不一定會消失,不同的二維碼將在不同的使用場景,以合適的姿態存在。文章參考:ui設計網 ——《帶你進入二維碼小世界》.zhanghongze圖片素材來源:第九工場學員作品 雷鋒網原創文章,未經授權禁止轉載。詳情見轉載須知。

source:https://www.leiphone.com/news/201704/zgrWzRvFda3PEnif.html

微信凌晨又放大招,公眾號文章可添加小程序;蘋果無人車司機培訓文件材料泄露 | 雷鋒早報

電子菸
電子煙
電子菸

微信凌晨又放大招,公眾號文章可添加小程序微信公眾平臺發佈消息:為瞭方便用戶在閱讀文章時使用微信公眾號提供的服務,公眾號群發文章支持添加小程序卡片。具體功能為:1、公眾號可將已關聯的小程序添加到群發文章的正文中,點擊後打開小程序。2、可自定義小程序卡片的標題和圖片,指定小程序打開的頁面。3、支持所有公眾號群發文章的正文裡添加小程序。此外,小程序之間還支持互相跳轉。在現在小程序內,長按識別其他「小程序碼」,即可打開相應的小程序。最重要的是,前幾天微信被蘋果封掉的「贊賞功能」隨著小程序的開放又回來瞭。通過添加擁有「打賞」功能的小程序,讀者可以繼續支持自己喜歡的作者。外媒披露蘋果無人駕駛汽車平臺測試司機培訓文件材料外媒 Business Insider 獲得並披露瞭關於蘋果無人駕駛汽車平臺的相關培訓文件和材料,文件中以蘋果 “Automated System(自動化平臺)” 來命名,為在蘋果自駕車測試駕駛者提供實際道路測試之前的安全培訓和基礎技巧訓練。測試駕駛者在接受培訓後,需要通過 7 項基本測試,隨後測試駕駛者將有資格參與用於數據收集的無人駕駛車輛實際道路測試。這些測試包括基本駕駛技能,如低速和高速行車,系統幹預介入技能,包括緊急 U 彎、突然轉向介入、突然加速和緊急制動等。根據一份文件,當一輛車不受無人駕駛系統控制時,駕駛者需要使用邏輯方向盤和踏板通過 “Drive-by-Wire 電傳線控” 來進行操控車輛的技能。Google Home 可區分不同的人聲,最多支持 6 個賬戶雷鋒網(公眾號:雷鋒網)消息,Google Home 如今在經過訓練後,可以區別不同的聲音瞭。Google 最近正式宣佈,這款智能揚聲器可以在同一臺設備上,支持多達六個不同的帳戶。多用戶支持意味著,Google Home 可以為每個人定制不同的答案,並且知道根據不同的語音從特定的帳戶提取數據。比如說,另一半背著你偷偷約會,Home 就沒法再告訴你對方的日程安排瞭。百度和三星收購的哈曼合作 開發汽車 AI 解決方案北京時間 4 月 21 日上午消息,百度和三星剛剛收購的哈曼公司本周四宣佈,兩傢公司將再次瞄準中國汽車工業,聯手研發汽車人工智能(AI)解決方案,如自動語音識別。兩者的夥伴關系將把百度公司基於 DuerOS 的個人數字助理和語音識別引擎技術與哈曼公司的互聯網汽車雲平臺加以整合,同時將開發英語和普通話語音自動識別功能。小蟻發佈 4K + 防抖運動相機:支持 60FPS 售價 19994 月 21 日下午消息,小蟻科技今日宣佈正式推出支持 4K 分辨率,30FPS、60FPS 的電子防抖運動相機。產品將於 4 月 27 日開售,1999 元。小蟻方面表示,60FPS 的運動相機可以對高速運動的拍攝環境下,帶來更流暢的錄制效果。在續航方面,1400mAh 的電池可以讓產品在 60FPS 模式下連續拍攝 71 分鐘,30FPS 模式下可使用 109 分鐘。Lilium 垂直起降電動飛機完成首次試飛歐洲創業公司 Lilium Aviation 一直在研發一款能垂直起飛和降落的純電動飛機——Lilium Jet。據外媒報道,近日能容納兩名乘客的 Lilium jet 原型機已完成首次試飛。Lilium Jet 最高時速可達 300 公裡 / 小時 (約 186 英裡 / 小時),航程在 300 公裡 (約 186 英裡)。Lilium 聲稱,運行時其噪音甚至小於一輛摩托車。Lilium Jet 能進行垂直起飛和降落,由 36 個可定向的管道電風扇驅動,安裝在機翼和前艙上的風扇推進飛機。未來該公司還將研發五座版本的電動飛機。愛立信攜 MTS 打破 5G 測試新紀錄:速率達 25Gbps雷鋒網 4 月 21 日消息,據俄羅斯媒體報道,日前,世界通信老大愛立信和俄羅斯最大的電信運營商 MTS 在莫斯科開展瞭 5G 技術測試。此次測試采用瞭 Multi-User、Massive MIMO、波速追蹤等技術,以可移動的智能手機作為原型機為載體,首次實現瞭 25Gbps 的數據傳輸速度。此外,MTS 和愛立信還測試瞭一些其它 5G 技術的應用場景,包括:4K 在線視頻、虛擬現實(VR)以及需要通過超小延遲和高速率的移動網絡來實現的遠程機器人控制。洛克希德馬丁單獨發售 Fortis 外骨骼配套工具臂洛克希德馬丁公司曾經為美國特種部隊之一的海豹突擊隊打造瞭 Fortis Exoskeleton,即媒體上常常提及的 “外骨骼”。這副不需要動力支撐的 “鋼筋鐵骨” 主要用於幫助工作人員舉起沉重的裝備,例如各種工具,或者槍械武器。現在,該公司將 Fortis 外骨骼套件中的關鍵組件 “工具臂” 單獨拆分發售,可為勞動作業人員提起重達 23 公斤的重物,而無需配置整套 Fortis 外骨骼套件。Fortis 外骨骼配套工具臂能夠固定在佩戴者腰部,公司表示該能夠幫助昨夜人員降低 2/3 的疲勞感,提高生產力,增進工作質量並降低肌肉傷害風險。相關文章:易到三位聯合創始人集體宣佈辭職;小程序入口再擴大,公眾號可關聯不同主體小程序 | 雷鋒早報
微信凌晨再發通知,iOS 版連二維碼打賞也不行瞭 | 雷鋒早報
雷鋒網版權文章,未經授權禁止轉載。詳情見轉載須知。

source:https://www.leiphone.com/news/201704/wxHtnmocZHawr9Yf.html

小程序不一定是你的靈丹妙藥

電子菸
電子煙
電子菸

雷鋒網按:本文來自公號“歪理邪說”,作者霍炬,雷鋒網(公眾號:雷鋒網)已獲授權。微信小程序終於發佈瞭,我一直對這個東西很有興趣,不是為瞭獲得什麼“流量紅利”,而是從技術上看,它做瞭一些有意思的嘗試。我沒有參加內測的資格,也沒有去和官方或者熟悉官方的人打探過消息。我始終認為,在這個行業裡面,一個動作不需要看作者如何說,你隻要對歷史和行業足夠熟悉,那麼隻要自己去看發生瞭什麼就可以瞭。離得越近,受的影響越多,反而難以看得客觀。所以,以下就是我做為一個完全圈外人對微信小程序的看法。微信小程序傾向增強現實先說應用場景。一句話概括,我認為微信小程序的場景應該是增強現實,也就是所謂AR。這幾年視頻相關的增強現實和VR技術熱度太高,一說起來AR就容易讓人聯想到視覺增強。實際上按照所謂“現實-虛擬連續域(Reality–virtuality continuum)”的分類法,現實世界和虛擬世界中間任何鏈接物,都可以叫做AR,微信對二維碼的應用就是這樣一種技術。通過二維碼從現實世界獲取信息,這就是對現實場景的增強。無論是車站站牌,公司名片,商場貨架…任何現實中的東西,通過掃一個二維碼進入一個“小程序”,這個小程序就是對那個現實場景的增強,二維碼鏈接瞭現實世界和虛擬世界,換個更通俗的說法就是鏈接瞭線上和線下,咦,這不就是O2O嗎?是的,我一直認為O2O曾經的高速發展同樣是基於“數字世界如何增強現實”這個理由。不僅僅是微信對這個東西有興趣,很多年來,這個方向都是各大公司的實驗場。先來看一個相當原始的例子。如圖可見,這是我們這裡的公交車站使用的系統,在公交公司網站上,輸入這個站上的數字編號7951,就能知道公交車發車班次和最近的公交車位置。這套系統正常工作是沒問題的,但是用戶自己輸入網址和站牌數字編號,很麻煩。建設更晚的上海智能公交系統就先進多瞭,他們把二維碼放上瞭站牌,掃一下就可以瞭。二維碼仍然需要打開一個掃碼工具,拿攝像頭對準它,仍然有點麻煩。在我們這樣寒冷地區,冬天在室外完成這個動作更有挑戰。比二維碼更簡單的方式就是NFC瞭。NFC本來是相關技術裡面最平衡的一個,有很多成功應用案例,成本也不算高。可惜蘋果多年來就是對它沒興趣,雖然Apple Pay也是通過NFC,但蘋果就是不讓第三方app用,隻給自己用於支付這一個功能。缺少瞭蘋果的推動,盡管Android手機早已標配瞭NFC芯片,這東西還是火不起來。蘋果自己推的另外一個東西iBeacon受制於各種限制和成本,也一樣火不起來。這樣幾個方案都有設備支持問題,二維碼就成瞭現在最好的方案。尤其在中國,幾乎所有手機都安裝的微信,微信主推的二維碼自然也就普及瞭。實際上很多場景NFC有更好的優勢,比如,摩拜單車。他們印在車上的解鎖二維碼經常被人塗改損壞,如果使用的是車身內置NFC的方案,就不這麼容易被人損壞瞭,維護成本會低很多。倫敦公交使用的方案很好玩,它既使用NFC,同時也用二維碼。我猜這就是目前尷尬狀況的表現,NFC維護成本低,穩定性高,適合常常下雨、濕冷的倫敦,對於公交車站這種場合非常適用,但為瞭iPhone用戶,二維碼也要同時存在。無論是NFC還是二維碼,它完成的工作是一樣的,都是提供一個鏈接,讓用戶的設備可以打開它,無論最終展現為瀏覽器的一個網頁/某個app中的一個條目/小程序中的一頁,都是通過一個鏈接喚醒的。隻是到目前為止,NFC可以從手機的系統級別喚起,但二維碼還隻能從軟件開始。去年Apple Pay 和 微信支付 哪個更好用的爭論就是這種區別的表現。體驗上說,如果銀行支持,Apple Pay的接觸就完成支付的系統級支持,顯然優勢更大,但實際情況看,微信掃二維碼支付更普及,適用范圍更廣,適用門檻也低很多。微信小程序同樣走的是這條路,它不是最方便的增強現實方案,但是是更普及、成本更低、應用門檻更低的方案。從這個角度考慮,微信小程序過去說過的“沒有入口,不能轉發到朋友圈,沒有應用商店”是合理的,它增強的就是現實,你不在那個現實環境中,就不需要它,為什麼需要入口呢?雖然從今天發佈的情況看,這個思路略微有瞭一點點變化,更多的非常現實場景應用也出現瞭,這算一種妥協或者野心吧。不過必須要掃二維碼,而不是長按識別二維碼才能使用小程序這個限制,仍然暗示瞭小程序在當前階段是傾向現實場景的。HTML應用 vs App前面說瞭,無論是掃碼還是NFC,最終都是通過一個URL,定位到需要的信息,這符合URL真正的含義,我們通常把URL翻譯為網址,但它真正的字面意義是“統一資源定位符”。在制訂萬維網WWW這個協議的時候,URL的意義就是明確的,一個URL指向一份特定的資源(信息)。到瞭移動互聯網的APP時代,新問題來瞭,一個URL到底應該展現在瀏覽器裡面,還是通過瀏覽器再喚醒一個APP,進入APP的對應條目呢?這個資源定位的鏈條突然變長瞭,不確定性也增加瞭。對於開發者,不同設備和不同瀏覽器最終展現出來的結果差距甚遠。從這個角度看,微信試圖提供一套統一的開發庫和運行環境,讓信息以小程序這種方式展現出來,這是一件好事。開發者可以避免更多的不確定性,用戶在獲取信息的時候可靠性也更強。我相信這是微信以小程序這種方式解決問題的初衷,其他的各種限制和規則都是在這個基礎上的為瞭安全實現它而產生的。當然,這樣如果做成功瞭,就順便控制瞭一批新的數據的入口,戰略意義重大。至於有多少應用會使用這種形式,這是另外一個爭論已久的話題:HTML應用 vs App。在iPhone剛剛出現的年代,就有很多公司(尤其是媒體公司,比如FT.com)試圖通過html5的一些特性提供更好的網頁瀏覽體驗,避免開發App的高成本。特別需要指出的是,無論iOS還是Android,從一開始就有把一個URL對面的頁面,變成主屏幕上一個圖標的功能,這並不是微信小程序的發明。今天回頭來看,歷史證明瞭,所有試圖用HTML取代APP的公司,最終都還是提供瞭原生APP。後來還流行過一段時間混合應用,即在一個APP外殼裡面裝入HTML5的內容。毫無疑問,這種做法也失敗瞭,其中最悲慘的失敗者是Facebook,直到2012年Facebook終於醒悟瞭不能這麼做,回到瞭原生APP奮起直追,又收購瞭Instagram和WhatsApp兩個最紅的App,終於沒錯過移動互聯網這一波浪潮。2012的問題在於HTML糟糕的性能,對硬件支持不夠等等造成的用戶體驗不好,使用感受非常不流暢,今天這些問題差不多解決瞭。Facebook也並沒放棄過HTML APP這條路,現在份額最大的JavaScript界面庫React仍然是Facebook出品,它已經幾乎成瞭事實上的標準。在移動互聯網之前的時代,Facebook自己實際上就是一個Web App Store,裡面塞滿瞭無數基於HTML開發的應用。今天微信做的頗似Web時代的Facebook,有趣的是Facebook自己反而走瞭另外一條路,後面我會再提到這條新路。從目前實現的情況看,因為HTML本身的限制以及微信自身增加的限制,多數情況下,微信小程序仍然沒法替代原生APP,它更像原生APP的一個快捷應用,或者叫Widget也許更準確。在用戶沒有安裝或者沒有打開APP的情況下,先快速獲得信息。也許一部分小型應用會停留在小程序中,但大公司的目標一定不止於此,無論從任何角度看,小程序對於他們仍然隻是一個快捷的接觸客戶導流入口,最終仍然要回到自己的APP才安全。至於所謂低頻APP,他們本來也就是無所謂形式的,這些APP存在什麼平臺並不重要,本來也沒法靠它們構成一個平臺的主要支撐應用。微信公眾號的發展也是這樣的情況。最早的時候,公眾號是為商傢開發的應用。雖然也有不少商傢使用它,不過一直不成氣候。直到大量的個人用戶進入公眾平臺,把它做為單純的內容發佈渠道,終於通過內容引爆瞭這一波公眾號的浪潮,進而影響到商業應用。不過奇怪的是,微信官方的態度始終是重視企業應用,壓抑個人應用。似乎個人總是更容易傷害用戶利益,必須要時刻提防著,公眾號各種權限都是對企業認證用戶開發,對個人訂閱號不開放。微信似乎認為公司更可靠,不過現實情況恰好相反,要做壞事的人花幾百塊錢就能註冊一個公司殼,但個人總不能換名字換身份證。何況商業應用利潤和KPI考核總是帶來更大的作惡動機。從整個軟件和互聯網的發展歷史看,最終獲得最大利潤的是公司,但每個平臺最早拓荒的第一批人總是個人開發者。張小龍自己當年不也是以個人開發者身份開發的郵件軟件Foxmail嗎?到瞭微信小程序時代,個人開發者如果不去註冊一個公司殼,竟然都不能參與開發瞭…這顯然是一種倒退。另外一個問題,HTML5本來是自由的,人們當年希望HTML5勝過APP,是因為它不用審核,更靈活。微信把小程序增加瞭一道審核機制,等於消滅瞭HTML APP最好的特性之一。存在瞭審核機制之後還不允許個人開發者參與就更匪夷所思瞭。當然,很多人會說蘋果比Android更好的原因是因為蘋果封閉審核APP,讓應用質量更高。在2012年這種說法是正確的,但今年是2017年瞭。Google Play Store審核是自動的,比蘋果快速的多,修改立刻就可以發佈。的確,Play Store曾經存在各種問題,盜版、侵權、有危險的應用……過去都出現過,但在今天,Play Store的APP質量和AppStore已經達到瞭一致水平。考慮到多樣性和更新頻率更高,修改Bug更及時,Play Store 往往能提供更好,多樣性更強的APP。審核上架和拒絕個人用戶這兩個限制同時存在,我很難看好小程序的發展。什麼時候這兩個條件去掉一個,我會更好看一點。等到和公眾號一樣,無條件允許個人參與瞭,那時候我會比較看好它。除瞭微信,Google也一直在推廣PWA標準,同樣是基於瀏覽器的APP。微信小程序接近於PWA去掉一些功能再加上一些微信自己的特有功能。PWA和網頁一樣自由,同時又享有瞭APP的一些優勢,是不錯的技術。更重要的一點是,它是真實的網頁,Google可以索引它,從而通過搜索繼續帶來流量。一套生態系統是否能存活,流量分配機制是相當重要的。如果隻靠開發者自己從其他渠道才能獲得流量,這個生態系統是有風險的。開發者自己弄到瞭流量,那就總需要把這個流量想辦法再倒回給自己,回到更自由,更穩定掌控的地方。這是任何團隊必然存在的趨利避害心理,無論用什麼方式,也不可能壓抑住這種沖動。現在用瞭個小程序就刪除原生APP的時髦用戶,我猜他們早晚會被各種哄騙利誘重新裝回APP的。在這些年裡面,試圖控制HTML和URL的,都是有巨大野心的玩傢們,一傢沖進來,另外一傢也不會落後,所以,我們且等著看下一個殺入這個戰場的是誰。聊天機器人應用會是將來重要的入口前面說到Facebook在Web時代是做HTML應用商店的路子,但移動時代它不這麼做瞭。那麼新的思路是什麼呢?如果你前幾天被紮克伯格業餘時間自己開發的傢用人工智能助理Jarvis刷瞭屏,也許會註意到除瞭語音識別的酷炫,它下面實現的基礎是基於聊天的Bot。對於Facebook/Google/Amazon,以及Telegram,聊天機器人正在成為新的APP平臺。結合已經非常成熟的語義分析,幾乎一切操作都可以通過聊天界面完成,這是重要的發展方向,各種語言,各個國傢,不同的聊天類應用都是前幾大份額的應用之一,通過聊天機器人控制具體應用直觀又簡單,適應的場景也很多,逐漸成為新的熱點是正常的。除瞭聊天工具和互聯網公司們,蘋果的siri也是盯著這個方向的。但奇怪的是在聊天App這個戰爭中勝利者之一的微信,竟然沒有走向這條路,我百思不得其解。我相信語音或者文字的聊天機器人應用會是將來重要的入口,也許是最重要的入口。做為開發者,無論你看好什麼都無所謂,但現在應該考慮到足夠的彈性,做好抽象,設計好後端API和前端展現分離的結構。這樣無論是繼續做APP或者等BAT中另外兩傢推廣PWA,或者跟上微信的小程序,以及未來通過聊天機器人接入什麼新的系統,你都有足夠的靈活性。這些接入方式都是表現層,重要的部分是後端的數據和數據處理能力,或者提供信息的能力。所以隻要設計好架構,表現層可以用非常低的成本疊加上去。我想,現在最值錢的工種不應該是開發小程序或者開發APP的程序員,而是資深的架構師。他們才能幫你立於不敗之地。另外,推薦的詹臏老師一篇關於小程序的文章:《小程序:關心可會話分享可促發的用戶行為》。參考備註:標題圖:作者geraltCC0 Public Domain紮克伯格真的親手把鋼鐵俠的智能助手造出來瞭》如果想讀中文關於這件事的文章,這篇是比較好的。註意後半部分關於為什麼使用聊天機器人開發的部分。忘掉App吧,機器人替代瞭它們
How technology has shaped the FT’s digital strategy》2014年FT.com關於如何使用Web/App的思考和經驗,今天還是值得再讀一次。 雷鋒網版權文章,未經授權禁止轉載。詳情見轉載須知。

source:https://www.leiphone.com/news/201701/ZxS4RHLPc5pdJ7sH.html

微信小程序的冷思考:未必是你的菜

外送茶
援交
援交
魚訊
外約
10年前的1月9日,喬佈斯發佈瞭改變世界的 iPhone。10年後,微信團隊也選擇瞭在同一天,上線瞭備受中國互聯網人期待的微信小程序。今天凌晨開始,小程序就刷爆瞭朋友圈。可人們真的期待小程序嗎?還是隻關註所謂的“紅利”?所謂的紅利,都是給有積累的人準備的這篇文章,是希望大傢能在看過之後,理性的思考,自己是否真的需要小程序?而不是簡單的看別人都做瞭,自己也想做。或者僅僅是因為當年沒趕上訂閱號、服務號的紅利,看微信出瞭個新東西就又去盲目跟風。從實際場景和用戶需求的角度思考,小程序未必是你的菜每個做小程序的企業,都可以稱他們為微信的 ISV(獨立軟件開發商)而所有的 ISV 在項目上面臨的問題,十多年來其實都沒有太大變化。以下是根據自己之前接入阿裡釘釘 ISV 時的經驗,在小程序上的一些關聯思考。| 企業每傢企業在拓展新的業務線或產品線之前,都需要基於現有的戰略進行項目可行性分析。其中投入產出比是最直觀的一項指標。從管理者的角度,當然不想做虧本的生意,除非項目能帶來巨大的潛在收益,或者是戰略上必要的佈局等特殊情況。下面,我們分別從成本和收益的角度,來看看“小程序”這件事,具體需要我們付出什麼?又能帶來什麼?一、成本這塊先說說互聯網人都很熟悉的開發、運維、推廣成本。1、開發成本雖然小程序的開發使用的是微信自己推出的語言,但和現有的 CSS、JS 程序語言是十分相似的,專業的程序員上手其實並不難。而且由於開發難度較 iOS、Android、傳統網站的開發小瞭一大截,也導致小程序的開發教程滿天飛:小程序的培訓班,更是不勝枚舉。所以在開發成本上,我們需要考慮的是:開發成本 = 每位參與小程序開發的程序員的時薪總和 × 開發消耗的總工時其中,消耗的總工時裡至少包括:開發者熟悉小程序文檔、開發需求的溝通和確認、實際的開發和調試、上線前的調試、針對微信審核的相關優化等一系列相關工作的時間消耗。當然,別忘瞭程序員們還要跟進現有 iOS、Android、公眾號、網站等產品線的開發。2、維護成本一方面,小程序的反饋收集、數據分析、需求分析、版本迭代……等基本的產品工作,不單需要產品經理來實時收集、分析和推進,同時也需要和設計師反復溝通,輸出各個版本的視覺設計稿、交互設計稿;工程師也需要及時修改各個版本產生的 Bug,平衡小程序與現有產品線產生的資源沖突,為瞭防止小程序審核失敗所做的應對方案等等……此外,在運營的層面,小程序的拉新、留存、活躍、回流四個環節,都需要專業的產品運營者,根據業務的集體使用場景,進行細致的規劃和執行。由於微信在小程序的入口上極大的考慮到瞭用戶體驗,也導致瞭原有的許多拉新手段失效,運營上的拉新和回流,變得更依賴於產品(服務)的品牌,讓用戶自己能主動去連接你的服務。留存及活躍方面,小程序目前也僅在“發現—小程序”的歷史記錄中,給用戶提供瞭二次訪問的入口。所以這方面的運營,更多是依靠已有的 App 或公眾平臺,在自己的產品體系內部互相導流,根據實際的用戶行為、數據、反饋來制定彈性的運營策略。3、推廣成本就目前的官方文檔來看,小程序有下面 5 種獲取方式,按用戶操作的方便程度排序分別是:線下掃碼微信搜索好友&群聊推薦“發現—小程序”裡的歷史記錄公眾號綁定小程序此外,微信還提供瞭:聊天頁面置頂或保存至桌面(僅安卓用戶)、模板消息和客服消息的推送、附近的店。這三種方式讓用戶觸達小程序。與之相對應,如果把小程序作為主要的平臺運營,商傢在推廣自己的小程序時,就需要:線下鋪設“小程序”的二維碼在現有推廣渠道中引導用戶搜索自己的小程序在現有用戶群、社區中發消息推薦自己的小程序提供優質的服務,讓用戶能在歷史記錄中主動點擊利用企業現有的公眾平臺導流引導用戶保存小程序至桌面或置頂在聊天頁開展更多未被滿足的線上&線下結合的業務開設更多的線下店面……4、沉沒成本我們可以看到,上述每項成本,與我們做App,做網站,獨立開發公眾號所需付出的成本大體上是相同的,必然會占用企業現有的各種資源。況且小程序能做的,服務號、訂閱號也都能做,讓用戶無需關註、即用即走或許是微信的目標,卻未必是商傢的目標。這是場博弈,但不論小程序發展好還是公眾平臺發展好,兩者間都可能有一方會成為商傢的沉沒成本,或增加更多的資源同時運營。能否及時判斷自身的“沉沒成本”,盡快止損,或投入更多的資金支撐小程序的相關業務,也是我們要謹慎考慮的一方面。看到這兒,你還覺得小程序是隨隨便便就能做的嗎?二、收益商傢們最現實的需求,是從小程序上獲取流量、用戶數據和現金流。所謂的用戶體驗,不過是商傢采用的手段。目前來看,商傢可以用怎樣的手段獲取哪些收益呢?1、獲取流量作為微信主推的戰略級功能,小程序在互聯網圈的關註度異常火爆。但這並不意味著大眾用戶都會買賬。想想微信 8.5 億月活用戶中,互聯網圈人群所占的比例又會有多少呢?此時,傑弗裡·摩爾在1991年提出的“技術采用生命周期”理論,對我們具有相當的參考價值:該理論是指當新技術推向市場時,必然會面臨的五個階段,每個階段,企業都將面對截然不同的消費者。Step1:面對的是創新者。對新科技充滿瞭好奇,並一直在搜尋。這群人約占全部用戶的2.5%Step2:早期采用者。他們是意見領袖,享受新科技優點時,也包容其中的瑕疵。約占整個市場13.5%Step2~3:死亡之井:錯把意見領袖喜歡的科技當成大眾喜歡的產品。最終沒落Step3:早期大眾。他們隻關心需求,不關心技術。相對現有的市場,技術必須有明顯的優勢,並被反復驗證可靠後,這些人才會購買。占整個市場的34%Step4:後期大眾。更保守,對風險更敏感。經常說“再看看吧”,也占整個市場的34%Step5:落後者。對所有新技術充滿瞭敵視。占整個市場16%曾經刷爆朋友圈的魔漫相機、臉萌、足記,你還記得嗎?這些“現象級”產品,都在它最美麗的瞬間消失,曇花一現。這些創業者都在極速狂奔時,掉進瞭“技術采用生命周期”的“死亡之井”。微信的小程序不會是“現象級”產品,但你的小程序卻很有可能所以在流量的獲取上,你要分清自己的用戶處於哪個階段,才能判斷你的流量收益是否有足夠價值,進而調整你的運營策略。如何分辨用戶處於哪個階段呢?比方說你運營的餐館今天上線瞭小程序,就可以在店裡問用戶個很簡單的問題:你會在微信小程序上下訂單嗎?如果他說:今天剛上線我就用瞭一次,還挺方便。那他多半是個創新者,或者早期采用者。如果他說:等附近的餐館都能用小程序時,我再試試。他是個早期大眾。如果他說:我還是習慣用 App、公眾號下單,再看看吧。他是個後期大眾。如果他說:小程序是什麼鬼?我幹嘛要用?毫無疑問,這是個落後者。不同階段的用戶能為產品帶來的價值,也大有不同。大傢可以看看身邊轉發小程序的朋友,有多少人是真正在用的?在小程序上走完瞭整個服務流程,去用工具、看內容、訂票?如果你不能準確的把握住真正有價值的流量,即使小程序能帶來再多的流量,也救不瞭你的產品。2、線下場景順應微信的“智慧城市”戰略,微信小程序也不約而同的開始嘗試突破“互聯網的邊界”。隨著微信的月活用戶達到 8.5 億,可以說國內 90% 具有消費能力的人群都已經被連接。但用戶每天使用手機的時間是固定的,總不能把 24 小時都放在手機上,這就是互聯網的邊界。渠道的下沉,線上&線下業務更深度的整合,或許是真正把握住小程序“紅利”的關鍵。比如已經上線的幾個 O2O 小程序:摩拜單車;滴滴出行DiDi;美團外賣+。算是生活中最常用的瞭。這 3 個產品都是相對較低頻,主要的應用場景在手機之外,每天雖然隻用一兩次,卻都是剛性需求。今天挨個體驗瞭一遍,的確十分簡潔和流暢。早上騎摩拜上班時,隻需打開小程序掃個碼,手機揣兜裡騎到公司,車子上完鎖,一切搞定。美團外賣也同樣十分簡單,打開小程序看菜、下單、等電話,跟 App 沒有任何區別,卻不用復雜的跳轉,轉手就把 App 卸載瞭。今年9月,我就做瞭一個餐廳的“後臺管理系統+微信點餐”項目,客戶要實現的核心需求,跟今天的小程序是一樣的。簡單講就是實現用戶在店裡隻需掃碼,即可完成點餐、付費、用餐。有外賣需求時也不必依賴美團和餓瞭麼。他們去掉瞭傳統的大菜單,裁掉瞭多數服務員,隻留下幾個送菜的。即節省瞭人力成本,也縮小瞭店面空間。脫離線下的場景,小程序便無從談起。隻有在馬路上看到一輛摩拜,你才會掃碼上車;隻有在餐廳裡坐下,你才會掃碼點菜。離開瞭那個場景,你就和那輛摩拜、那傢餐館無關瞭。在這種類似的場景下,你線下放瞭小程序的二維碼,才可以幫助你節省成本,同時幫用戶節省時間、提升體驗。| 用戶對多數用戶而言,小程序目前來看隻是一種選擇,並非需求。小程序真正的核心,應該是場景和服務。體驗上,小程序主要給用戶帶來的便利是:縮短瞭用戶的操作路徑少瞭安裝 App 的麻煩釋放瞭手機內存場景上,我們看現有的小程序所提供的應用場景,主要在金融、教育、富媒體、交通、旅行、醫療、餐飲、電商等生活服務上,除瞭部分純做工具和內容的產品,大多是在線下場景觸達用戶。並且大多是已經被解決瞭的需求。對用戶而言,小程序解決的是剛性需求、低頻次互動的相關場景和服務。比如京東,原本在微信中就有一個跟“朋友圈”相同級別的“購物”入口,但身邊又有多少人嘗試過在這裡購物呢?京東的 App、小程序,以及微信“購物”入口,用戶都可以去購物,但各自的使用場景和定位卻大不相同。沒想清楚這一點,上面聊的“成本”,怕是都要打水漂。如果你為用戶提供的服務本身就不具備與小程序特性相匹配的場景,就別想著投機取巧,霸王硬上弓瞭。沒有線下場景,就做不瞭小程序嗎?當然不是。服務,更是成敗的關鍵。試想一傢餐廳的 App、小程序、公眾號都十分完美,做的飯菜卻難以下咽,你還會再去嗎?引用Keso老師說的:

小程序實際上是企業在合理的時間,合理的場景下合理地滿足用戶的合理需求的一種技術手段,其出發點在效率的提升、成本的降低和客戶滿意度的提高,而不在營銷和獲客

從這個角度出發,小程序更是企業品牌的延伸,能夠幫助企業更好的沉淀與用戶的關系鏈,提升品牌在用戶心中的地位。而不是單純的意淫,有瞭個小程序,就能撈一大波用戶,幫你解決之前的所有難題。品牌是什麼?品牌是集合用戶瞭解、信任和偏好的大容器。目前來看,用戶需要對你的服務有瞭基本的瞭解和體驗,才可能用上你的小程序,進而信任你的品牌,形成偏好。這一波爭奪戰中,能持續活在用戶場景中的,必然少之又少,絕大部分沒有場景的小程序都將沒落,剩下的大品牌,最終搶奪的也不是用戶,而是具體的使用場景,拼的是各傢的服務。如果產品&服務不能切中用戶的實際需求,再牛逼的小程序也救不瞭你。|機會分析微信這事兒能不能成,跟自己其實沒多大關系,重要的是能把握住其中的機會,創造價值。這種背景之下,我們該思考的不是怎樣投機取巧,而是用自己的邏輯思維依次思考:小程序是什麼?具有怎樣的特性?這些特性是否符合我現有的用戶場景?這些特性能否幫助我拓展更多的使用場景?這些特性,是否契合我的產品&服務?對我的產品&服務和用戶是否真的有幫助?我是否真的需要小程序?具體執行上,要怎麼做好我的小程序?如何在各業務流程上配合小程序,實現整體的業務價值?這些問題,是每個做小程序的人都需要思考的問題,也是隻有結合自己的實際情況才能給出答案的問題。想清楚這些,你才可能有機會參與這一波小程序的浪潮。雷鋒網(公眾號:雷鋒網)註:本文由人人都是產品經理社區專欄作傢@楊柳(微信公眾號:PMYANGLIU)原創發佈。楊柳,一個自由職業的產品經理,正在平坦的道路上曲折前行。專註企業服務領域的產品規劃、UX、用戶研究及數據分析。未經許可,不得轉載。
雷鋒網版權文章,未經授權禁止轉載。詳情見轉載須知。

source:https://www.leiphone.com/news/201701/ZqxYHve8mBOB91Kq.html