我们生活在充满“劝说”的世界,有的是让你“相信”,有的是让你“行动”。

现在,请打开自己的手机,看看那些被高频使用的商业app,作为用户的你可能不知道,在app的另一端——负责产品、运营、技术等的小伙伴正在想方设法地让你(用户)能在他们设定的框架中不停地“玩耍”以及完成那些被预设好的具有金钱价值的行为,营销短信、app推送的商品或信息、发放的优惠券等等都是为了引导你一步一步继续行动(以付出更多的时间或者更多的钱)。

Photo by Oleg Chursin on Unsplash

如何引导人的行为?这不仅是那些想从人们身上赚钱的公司或者销售员绞尽脑汁在做的事情,而是涉及到我们生活的方方面面——个人习惯养成、家庭教养、学校教育,或者公司管理、社会规章的制定等,都和行为引导有关。

本文将初步探讨“行为引导”这个课题,仅供抛砖引玉(这个课题太大啦)。

文章内容包括两部分:

  1. 理解行为,行为是如何产生的?

  2. 如何引导行为,通常有哪些方法?

第一部分:理解行为

如何定义行为?

在讨论“行为”前,先谈什么是行为,可以将行为定义如下:

行为是可以观察和测量的外显反应(e.g.举手投足)或内隐活动(e.g.思考),行为是有机体和环境互动的结果(会对环境产生影响),行为可以习得并有规律可循;

上面这个定义看起来好无聊哈——不管是你现在正在读这篇文章,还是周围的朋友或同事正在聊天——不管是在挣钱(上班写代码、写文档、出报告、开会等),还是在花钱(上电商网站买东西),或者打发时间(读一本书、刷朋友圈、看内容类app等),这些都是行为。

行为如何发生?

行为科学家B.J. Fogg提出行为模型(Fogg's Behavior Model, FBM),认为行为的发生需同时具备3个条件:

  1. 动机充分(be sufficiently motivated)

  2. 能力足够(have the ability to perform the behavior)

  3. 有行动触发物(be triggered toperform the behavior)

如果其中一个条件不满足,行为就不会发生:

e.g. 心有余而力不足就是能力不够的表现;

e.g. 千万富翁见到马路边的1块钱不去捡,不是缺乏线索和能力,而是缺乏动机;

e.g. 某天早晨闹钟没响,结果你没有按时起床,这是缺乏触发器;

行为发生的条件分别对应3个要素,用公式表示为B=MAT(如下图所示):

  • 动机(Motivation)

  • 能力(Ability),或者称之为行动的门槛

  • 触发器(Trigger)

图中的滑坡线表示motivation和ability有“代偿关系”(trade-off),比如要搞定难度很大(低ability)的事情得很强的动机(高motivation)才行,对于轻而易举之事(高ability)需要的动机强度则相应弱很多(低motivation),如果ability和motivation都太低的话,那么行为就无法发生。

注:Fogg在文章中说明B=MAT是一个定性模型,而不是定量模型。所以,对于能力(ability)的高低、动机(motivation)的强弱是没有量化表示的,而且对于不同的个体、不同的场景,触发行为需要投入的能力和动机也会有差异。

动机(Motivation)

在Fogg行为模型中核心的动机有3组:

  • 快乐 \ 痛苦

  • 希望 \ 恐惧

  • 社交接纳 \ 社交拒绝

图源:https://www.behaviormodel.org/ability

当然,动机的划分还有其他方式。比如Yu-kai Chou在《游戏化实战》(Actionalble Gamification)中提出的人行为的8种核心驱动力,如下图示。

详情可以直接访问这个链接:https://yukaichou.com/gamification-examples/octalysis-complete-gamification-framework/

需求产生动机,动机触发行为。

动机的底层是需求,谈到人的“需求”,马斯洛的需求层次应该最为大众所知。当然,也有人可能会列出人性的弱点或者七宗罪(傲慢、嫉妒、暴怒、懒惰、贪婪、暴食、色欲)来说明行为的动机。

能力(Ability)

确保行动能执行的条件,包括:

  • 时间;

  • 金钱,物质投入也算;

  • 体力支出(physical effort);

  • 认知努力(mental effort),用脑思考,或者克服焦虑等;

  • 是否符合常规(routine),是否符合社会规范,是否和个人经验相矛盾等

这5个因素只要其中一个“掉链子”都可能导致行为无法发生,e.g. 中文歌曲《我想去桂林》中就提到,想去桂林一直没去成,要么是有钱的时候没时间,要么是有时间的时候没有钱。

我们看到在商业活动中实现的各种便利,本质都是降低了行动的门槛(增加ability),e.g. 不想出去吃饭,那就点外卖,不想出去买菜,有送货上门,嫌工具操作太繁琐,那就一键式、自动化、智能化,用户体验的核心点之一就在于增强用户行动的能力(降低行动的门槛)。

另一方面,门槛极低且能带来金钱收益的情形通常是骗术的高发地,类似于“走路赚钱”这种套路相当诱人,“走路”这种行为门槛极低——人基本每天都会走路的吧,钱的驱动力是非常强的(对绝大多数人而言),只要走路就能赚钱,就相当于白白捡钱啊,但是记住防骗的第一原则——“天上不会掉馅饼”,通常都能识破这些套路。

触发器(Trigger)

触发器(Trigger)是告知你现在就行动的提示物,在其他理论或者模型中可能出现的同义词:cue, prompt, call to action, request等。

注:Fogg在2017年的时候把B=MAT改成了B=MAP,P是Prompts,和原来Trigger的含义是一致的,在这个页面上有说明:https://www.behaviormodel.org/prompts,如果大家看到了B=MAP的图也不要慌,道理还是原来的道理

Fogg将触发器分为3类:

  • facilitator 助力,适用于动机强、能力低场景,“助力”对应的是提升能力,比如指导指南、辅助工具等;

    e.g. 高高的树上挂着一个又大又红的果子,但是够不着,那么可以学习爬树的技能,或者借助工具比如扔石头、搭梯子、用竹竿等;

    e.g. 看见有人跳锅庄,你也想加入(不过从来没跳过),通过观察那些正在跳的人群的舞蹈动作,你觉得学得八九不离十后也加入了跳舞的人群;

  • spark 火花,适用于动机弱、能力高的场景,其主要作用是强化动机——原本不想搞事情的,但是经过“火花”这么一刺激,那就撸起袖子加油干;

    e.g. 派发优惠券或者让利促销来让本来不打算买东西(动机弱)的人们也会进店看看有什么可以买;

  • signal 信号,动机强且能力高时,只需要一点提醒(reminder)就可以触发行动,类似于if-then式的“条件反射”——如果(if)信号出现,那就(then)立刻行动;

    e.g. 日常生活中的闹钟、事项提醒都属于此类;

FBM中的3类触发器,对于动机和能力都很低的情形,提供触发器也无法激发行为

spark和signal都可以理解为通过感官通道传递的信息,只不过spark传递的信息是“有利可图”或者“逃离危险”,signal则相对“中性”——时机已到,立刻行动。人从外部世界获得的信息基本都来自于视觉和听觉,这也是为什么广告要么出现在眼前要么出现耳边。

能触发行动的线索通常具有的特征:

  • 一般在安全或者正常的环境或者场景中出现;

  • 和接受者的需求相关,或者利害关联;

  • 线索具有一定的可信度;

  • 线索通常是具体的或者具有情绪的;

  • 好的线索通常和当下的行为具有连贯性,也就是当我们想着下一步做什么的时候,“下一步”的提示就出现了;

现实中的例子:

e.g. 为了增加信息线索的可信度,广告通常会有名人背书、第三方检测等,更多可以参考如何判断一款产品的质量?

e.g. 道路边发的传单绝大部分都会被丢弃掉,可能因为上面的信息通常需求受众很少,也可能是人们对这种发传单的场景本身就不信任;

e.g. 打开今日头条之类的app,很容易发现“怪力乱神”或者关于金钱、美色的标题,为了吸引(骗取)注意力——这类信息通常都是spark——不过,网络上你看到的那些“浓妆艳抹”的信息基本都是垃圾;

第二部分 行为引导

日常生活中涉及到行为引导的常见情形:

  • 个人想养成好习惯\戒掉坏习惯

  • 家庭教养或者学校教育

  • 员工激励

  • 用户忠诚计划

Fogg将行为改变分成如下5种类型:

行为的改变可能有3类目标:一次性,坚持一段时间,持续性,针对不同的行为和改变目标,都可以参照动机(M)、能力(A)、触发器(T)3要素来“对症下药”,如下表所示

更多可访问网站:http://www.behaviorwizard.org/wp/behavior-grid/ 

可以简单粗暴地将行为划分为“好”和“坏”,通常来说我们需要“强化”或者“习得”好的行为(e.g. 学习、健身等),“弱化”坏的行为(e.g. 浪费时间打游戏)。

行为的强化

为了方便,这里行为强化包括对已有行为的强化和对新行为的习得两种情况。行为强化的目的是提升行为的频次、强度或者发生的概率,比如养成好习惯或者培养用户的忠诚度。

可以将行为分为3个阶段——行动前、行动中、行动后,那么对应的强化方案则有:

1. 行为的单次激发

可以参考B=MAT,对其中的3要素增强。

1.1 增强动机(Motivation ↑)

动机可以分为外部动机(e.g.社交、物质)和内部动机(e.g. 使命、价值等),通常来说增强内部动机或者外部动机都会提升行为的强度,不过外部动机更容易出现“边际效应递减”现象,而且通常要投入很多的物质成本,内部动机则需要一套动态的类似于“荣誉评级”或“反馈奖励”机制,从而让参与者能“自得其乐”。

按照“趋利避害”原则,动机也可以分为:

  • 获得奖赏的正向动机,奖赏可以是物质的(e.g.面包和牛奶),也可以是心理的(e.g.积极的心理感受、价值感、自尊感),或者社交的(e.g. 被点赞、被接纳、被推举);

  • 避免惩罚的负向动机,惩罚可以是给予厌恶的刺激或者反馈物(e.g.打屁股),也可以是非期望的行为(e.g.罚写做作业、被禁言),还可以是撤销当前享有的权利、利益、资源等(e.g. 开除会员);

e.g. 假设要提升员工的工作动力,外部动机就可以考虑加工资,内部动机就讲愿景。

e.g. 你还没买?你喜欢的明星买了,周围的人也买了,再不买你就out了!

1.2 增强触发器(Trigger ↑)

常见的增强触发线索的方法:

  • 提升信号(signal)出现的频次和强度;

  • 制造能产生火花(spark)的环境;

  • 选择趁手的工具和适合你的行动指南(facilitator)

e.g. 广告轰炸通常都是增强线索的套路,混脸熟;

e.g. 当然背单词的时候,有人介绍了一种无孔不入的学习方法,那就是墙上、床上、桌子上甚至厕所都贴上单词,当然兜里也要随身备单词书,以确保想背单词的时候,随时都能on hand;

e.g. 顾客不想买?限时限量促销、大额优惠券啊!

e.g. 抽奖要不要?2元冲击500万! 免费要不要?白送还包邮!

1.3 增强能力(ability ↑)

包含3种情况:

  • 提升人的行为能力,通过学习和训练,一般时间成本比较高,而且不是所有的能力都能有效提升;

  • 提供工具或资源,e.g.一键式、傻瓜式、自动式等;

  • 降低或简化行为目标,比如设定“小目标”;

e.g. 在产品设计中常常强调用户体验要做到“不要让我想、不要让我等、不要让我烦”,实际上是在降低用户使用产品所需要付出的时间、认知等成本;

e.g. 现在买到的智能电饭煲基本都有“一键操作”功能;

2. 行为的渐进强化

Jonathan Haidt提出“象与骑象人”心理模型,把感性比喻成大象(类似于弗洛伊德理论中的“本我”),把理性比喻成骑象人(类似于“自我”和“超我”)。

我们通常讲的“用户体验”主要是“大象”的体验(感受性的),而不是“骑象人”的体验。当然,涉及到理性思考的场景,比如有个同学说完成了一道复杂的数学题感到很开心,这个时候大概率是大象和骑象人都开心吧~~

“象与骑象人”模型在行为引导中的主要启示:

  • 目标要足够小且清晰,慢慢爬坡,渐进完成大目标;

  • 找到合适的香蕉引诱“大象”,类似于前面讲到的触发器(Trigger),常见的行为通常都是行为链(behavior chain),比如“做饭”实际包含了买菜、洗菜、切菜、调味、烹饪等环节,行为也是如此,不同的行为需要用不同的“香蕉”来引导大象;

  • 每完成一个小目标,都要即时反馈、给予奖励;

更多可以参考《象与骑象人》以及《瞬变》两本书。

2.1 小步慢跑

习惯养成有一个方法叫做“微习惯”,就是定很小很小的目标(具体的),完成之后再一点一点提升难度,直至完成大目标。

如果要实现一个大目标(比如减重5公斤),那就转化成非常小的小目标(比如每天慢跑10分钟),目标足够小的时候,你都不好意思拒绝行动,而每次完成小目标所获得的成就感有助于培养“习得性自信”,对于后面的难度只大那么一点点的行动就更加有信心;

“微习惯”的核心就在于行动的门槛极低、需要的动机也很弱,“小目标”更容易减轻走出“舒适区”引发的焦虑。

“小步慢跑”在行为矫正中对应的技术是:

  • 塑造(shaping),为了完成目标动作A,需要依次完成难度递增的行为a1, a2, a3, ..., ak(=A),好比缓慢爬坡的过程(在这个过程中行为逐步强化);

  • 渐隐(fading),这种技术类似于先搭梯子(主要用于增强能力)以辅助学习者完成目标行为,然后再将梯子一点一点放低同时让学习者能继续保持先前习得的行为,直至完全撤掉梯子(在这个过程中刺激逐步弱化);

2.2 即时反馈

即时反馈包含两个要素,一是时间上要及时,二是要有反馈。

反馈有助于验证我们的行为效果,从计算机程序的角度解释,反馈就是每执行一步操作那么就提醒运行正常,如果报错则指明是什么地方发生异常。

那么反馈则有利于我们调整自己的行为,以达到预期目标,这样有助于提升学习效率。

ps:比如运行一个数学模型,但是你缺乏评价标准(反馈),运行多次以后,这个模型效果如何那就不得而知了。

至于为什么强调“及时”,笔者认为主要有两方面的因素(主观判断,仅供参考):

  • “迭代效率”,从行为执行完成到反馈的这段时间如果过长,那么行为发出者通常会有有3种反应:等待、继续操作后续行为、干别的事情——等待是浪费时间成本,干别的事情则要涉及两次任务切换,这个成本也比较高,继续搞事情则可能出现一旦前置步骤出错,后续付出的行为努力都可能打水漂,尤其是刚开始的学习阶段,出错的概率是非常大的——行为的学习和进化一般都会遵循效率原则,就好比山上的溪水能找到最优的路径流到山下;

  • “行为归因”,归因很依赖时间的先后顺序,比如你现在执行了两个行为,结果等待了较长时间后反馈出两个结果,但是你不清楚这两个结果和先前的行为的对应关系,那就很难做出因果判断;

2.3 随机奖励

Nir Eyal在《Hooked》(中文译本为《上瘾》)中提出的模型如下,核心点在于持续的动机触发和随机奖励。

行为研究表明随机奖励有助于行为的强化很有帮助。

比如老虎机、抽奖活动带给人那种以小博大的诱惑很难抗拒;

人们喜欢刷朋友圈、微博、V-log、内容类app等的重要原因之一——你不知道打开网页之后究竟会看到什么——所有谜底都只有在网页打开的那一刻才揭晓,你发现各种新奇体验——“哟!这个我不知道”、“那个看起来很有趣”、“我要看看到底是怎么回事”。

有的商家则利用这种机制推出“福袋”活动,将店铺的商品随机打包,买家知道里面装的是什么品类,但不知道具体是什么商品,然后以相对优惠的价格卖出去,买家收到货后会有较强的惊喜感,甚至一部分人对此乐此不疲。

3. 不同行为的联动

3.1 行为间的相互触发

类似于条件反射的if-then模式,如果行为A完成了,那么执行行为B;

e.g.每次出门的时候,手机是我最容易想到要随身带的物品,当我把手机放裤兜里时,就开始做“伸手要纸钱”的检查,看身份证、手机、钥匙、纸巾、钱包是否都带上了;

3.2 利用普雷马克原则( Premack principle)

用高频行为带动低频行为,或者高概率行为带动低概率行为;

e.g. 小时候经常被提醒的“做完作业,才能看电视”;

3.3 已有习惯带动新习惯

适用于新老习惯通常具有关联性的情形,把具有关联性的多个习惯看成一棵树,就相当于在原来的习惯树上分出新的一支,类似于学习迁移、或者泛化的原理;

注:截图来自B.J. Fogg 在TEDx上的分享 Forget big change, start with a tiny habit

行为的弱化

行为弱化则是降低目标行为的频次或者强度甚至完全消失,比如家庭教养中要改掉孩子的坏习惯。

1. 降低行动触发的机率,降低MAT3要素

对前面强化行为的操作进行反向就行。

1.1 降低或限制能力(ablitiy ↓)

限制行动,撤销行动所需的环境或资源支持,提升行动的门槛、成本、风险(惩罚)等;

e.g. 你想学习不想而被游戏机吸引,那么可以把游戏机锁在柜子里,钥匙交给家人或朋友保管;

e.g. 建立惩罚机制,如果做了你认为不该做的事情,那就会有相应的惩罚;

1.2 降低动机(motivation ↓)

可以通过认知干预来降低对行为结果的预期,动机转移(通常有替代的行动目标),警惕“沉没成本陷阱”;

e.g. 笔者有时候会看漫画,但是有的漫画集数非常多,当我发现自己花了很多时间来看漫画而不能自拔时,通常会采取的策略是“跳章阅读”,比如漫画一共600期,看到200期了发现情况不对,这个时候我可能直接跳到400多期或者更远,然后发现原来后面的剧情也并没有自己想象地那么精彩嘛,没意思了,收拾收拾干活去,识别出目标事物的模式,有助于降低期望(后面的情节都在料想之中),接着动机就变弱了;

e.g. 买了一本书,发现内容不是自己想要的,那就干脆不看或者送人,而不是抱着“买都买了不能浪费,还是翻一翻”,追加了额外的成本最终可能一无所获,所以行动前最好检查,是否掉进了“沉没成本陷阱”

1.3 解除触发器(trigger ↓)

改变所处的环境,隐藏或者弱化行动线索;

e.g. 一个人的时候学习起来没啥动力,但是把自己赶到自习室,看到一大群人都在学习,就感觉学习的压力来了,动力也更足;

e.g. 发现微信看一看上推送的文章整体质量都很低,然后就关掉这个功能,如果是app的话,那就卸载掉;

2. 行为的渐进消退

行为的消退通常是为了让目标行为不再出现,那么我们可以观测需要消退的目标行为出现的频率和周期,如果频率有下降或者没有出现那么可以给予正向奖励。

另一方面,行动通常是为了获得某种回报的(一般是正向的),那么在行动后的反馈环节,可以选择的操作有:

  • 减少或者取消正向奖励,“萝卜”变得越来越小,甚至没有了;

  • 给予负向惩罚,“萝卜”没有,“大棒”一根,以降低下次发生的概率,通常是对ability因素上进行限制,比如特权下降、扣除积分;

e.g. 在商业app中,有一些“套路”玩法会让用户流失,比如号称新客送188元红包,结果发现面额最大的是一张满2000减150的优惠券;

e.g. UGC平台对用户发布的内容都有红线规定,一旦触碰红线,轻者禁闭,重者封号;

e.g. 有的比较调皮的小孩子会形成一种行为模式,“无故”哭闹-->向父母提要求-->父母答应要求-->下次孩子想要东西就会再次哭闹,有的家长为了避免这种行为,上过一次当之后对后续的“无故”哭闹就会惩罚、不予理会或者让小孩子知道哭闹是一种丢脸的行为,以中断行为链。

3. 不同行为的干扰

3.1 不兼容的行为

你可以在一片地种上麦子,这样地里就不会有那么多的杂草。

可以习得一个和原有行为不兼容的新行为,然后设计一种机制让新的行为占用启动旧行为的所需资源。

3.2 改变行为链

有可能某个坏的行为是一个日常生活中的中性行为触发的,那么可以考虑将前置的中性行为和另一个旧有的或者新习得的行为建立触发关系。

关于行为引导的每个应用场景都够写一本书,不过行为引导的核心思路基本相通,如果你掌握了相应的心理学知识,再去理解每种行为引导方法背后的原理就非常简单。这里推荐两本书,感兴趣的朋友可以买来看看。

  • 行为改变技术,李祚山,陈小异;

  • 行为矫正—原理与方法,Raymond G. Miltenberger,原书名是 Behavior Modification: Principles and Procedures

好了,本文内容就到此结束。

如果你想找关于行为引导的相关资料,建议搜索的英文关键字:

behavior change, behavior design, behavior modification, behavior shaping, persuade, habit, teaching and training

参考资料:

  • 影响力,Robert B. Cialdini,喜好、权威、互惠、稀缺、承诺和一致、社会认同,这6个影响力法则几乎随处可见

  • 象与骑象人,Jonathan Haidt,这本书实际上是关于幸福感的

  • 瞬变,Chip Heath&Dan Heath,原书名为Switch: How to Change Things When Change Is Hard,利用的就是“象与骑象人”模型,Heath兄弟出的几本书都很不错,两兄弟的官网是https://heathbrothers.com/ ,顺便说一下,他们的书被中信出版社冠以“行为设计学”的标题来出版,商业化为了“吸睛”(或者说引发用户的注意力),有时候用的招数真让人无语,虽然很多“围观者”会对这种“化妆后的概念”趋之若鹜

  • 微习惯,Stephen Guise,原书名是Mini Habits,以“微习惯”为主题的书还有两本值得推荐:一本是James Clear 的 Atomic Habits(Amazon上的评分非常高),另一份是预定2019年12月上市的Tiny Habits,作者是鼎鼎大名的B.J. Fogg

  • 思考,快与慢,Daniel Kahneman,行为科学其中一个大的分支学科是行为经济学,卡尼曼教授是行为经济学的奠基人之一,并在2002年获得诺贝尔经济学奖,另一位大师Richard Thaler则在2017年获得诺奖,如果你感兴趣,可以上wikipedia看两位教授的朋友圈(合作者),就能找出行为经济学领域的重要人物;

  • 别毙了那只狗,Karen Pryor,英文书名Don't Shoot the Dog,主题是教导和训练,书中的内容读起来轻松好玩又不失科学性;

  • 上瘾,Nir Eyal,原书名是Hooked: How to Build Habit-Forming Products,看完英文书名在看中文书名,明显是英文书名更能点题,是讲用户使用产品能养成习惯的一本书,如果你站在商业产品这端,这本书将有助你培养用户忠诚,当你站在普通用户这边,则有助于看清商家的伎俩(还能省钱)

如何高效地引导自己的行为相关推荐

  1. 无法在只读编辑器中编辑_Mol Plant中国农科院作物科学研究所夏兰琴课题组成功利用 优化的引导基因编辑器在水稻中实现高效精准基因编辑...

    近日,中国农业科学院作物科学研究所夏兰琴实验室利用水稻密码子优化的nCas9 (H840A)蛋白和逆转录酶突变体(M-MLV-RT)的融合基因,开发了一种高效的植物引导编辑(Prime Editing ...

  2. 通过DHTS(分布式散列表系统)引导P2P控制传输

    通过DHTS(分布式散列表系统)引导P2P控制传输 Jaroslaw Adam Gralak, Adam Wierzbicki 摘要----近年来,P2P覆盖层拓扑优化已经成为日益重要的焦点.现在P2 ...

  3. 数据分析不落地?典型案例教会你!

    开局一张图 数据从业者们经常会陷入这种窘境:一方面抱怨长期做底层的脏活儿累活儿,驱动业务的机会太少:一方面真到了要给业务献言献策的时候,又被吐槽分析出一堆已知事实没啥实际帮助 很多文章都会选取一些理想 ...

  4. 行业思考 | 酷炫动效是否利于你的产品设计?

    本文为PMCAFF专栏作者南可出品 前言 写这篇文章的起因是前段时间在Meidum上读到的一篇驳斥dribbble发展现状的文章.文章发表在16年,其中提到:"我不认为dribbble解决了 ...

  5. 神策数据罗彦博:如何正确使用漏斗分析提升转化?

    本文根据神策数据数字营销经理罗彦博<如何正确使用漏斗分析提升转化>直播整理而成.本文主要内容如下: 通过漏斗分析做 SEM 实时调整 推广落地页的转化路径设计 APP 推广中的数据拦截问题 ...

  6. AngularDart4.0 指南- 表单

    2019独角兽企业重金招聘Python工程师标准>>> 表单是商业应用程序的主流.您可以使用表单登录,提交帮助请求,下订单,预订航班,安排会议,并执行无数其他数据录入任务. 在开发表 ...

  7. 阿里6年,我的技术蜕变之路!

    点击▲关注 "中生代技术"   给公众号标星置顶 更多精彩技术内容 第一时间直达 " 这是一篇不严肃的,"苟且"的,个人在阿里的技术 6 年,感悟闲聊 ...

  8. CV Code | 本周新出计算机视觉开源代码汇总(语义分割、目标检测、超分辨率、网络结构设计、训练策略等)...

    点击我爱计算机视觉标星,更快获取CVML新技术 CV君汇总了过去一周计算机视觉领域新出的开源代码,涉及到图像增广.医学图像分割.图像恢复.目标检测.语义分割.超分辨率.显著目标检测.轻量级网络结构设计 ...

  9. 初探强化学习(10)强化学习中的一些术语(non-stationray,sample efficiency,planning和Learnin,Reward,off-policy和on-policy )

    1. 关于stationray 参考博客. Stationary or not 根据环境是否稳定.可以将强化学习问题分为stationary.non-stationary. 1.1 stationar ...

最新文章

  1. Microbiome:城市海滩和污水中抗生素抗性组研究
  2. 数据科学中的6个基本算法,掌握它们要学习哪些知识
  3. 应用程序无法正常启动(0xc000007b)。请单击“确定”关闭应用程序
  4. python使用界面-(八)Python 图形化界面设计
  5. IDEA中常用快捷键整理及重置快捷键
  6. 大型网站电商网站架构案例和技术架构的示例
  7. 敏捷软件开发宣言–Manifesto for Agile Software Development
  8. IT销售素质 --善于学习
  9. 电脑开机进不了桌面拒绝访问怎么办
  10. VMware workstations pro16.23已经安装vmware tool,Ubuntu仍然无法复制粘贴
  11. 关于SpringBoot对junit4/junit5的整合
  12. linux配置vsftp红帽子,linux红帽子VSFTPD的配置.doc
  13. JS阻止form表单提交
  14. gradle Could not resolve 依赖包
  15. 微型计算机原理中的mov,微机原理(判断题)(指令正误)
  16. 简单说 通过CSS实现 文字渐变色 的两种方式
  17. Ubuntu查看IP地址
  18. 舅妈的计算机课第2部,名著课 | 题:《简·爱》(二)
  19. VSCode搭建 c 环境教程
  20. 3D游戏设计-牧师与魔鬼_动作分离版

热门文章

  1. 产品配件清单查询示例.sql
  2. 九图鸡汤(从繁体中文翻译为简体中文)
  3. 3月份GitHub上最热门的JavaScript开源项目(下)
  4. remove的使用方法
  5. ios java语言_iOS平台的App主要使用哪种语言进行开发? Java|C++|Python|Swift
  6. Redis缓存高可用集群
  7. ruby的DIR.pwd
  8. B树、B+树—插入,删除,查询
  9. 33.0 haproxy
  10. python知识图谱代码_贪心学院第二个主题代码--Python岗位知识图谱