2024年网站建设中的思想和算法 篇1
网站优化中，我也应有整合营销思维，比如复购，口碑，传播。在内容建设和外链建设时，目的是引导用户关注，加深品牌印象。
在我看来，如果是你想优化网站关键词的话，在百度算法不断更新情况下，百度站长也明确提出外链与关键词排名不是特别大，特别是现在外链也越来越难做的情况下。
所以，我站在长期角度，内容更为重要，原创度与网站关键词定位还有稳定更新等，当然建设内容时，也要做好内容链接建设与文章间的连通性。
而外链在我看来更像一个催化剂。内容与友情链接做好了，外链会让你网站优化更上一层楼。
当然，网站优化也要考虑更多，一味追求外链与内容而重视转化率与用户体验也是不行，所以网站优化要多注意网站的各个细节，特别是在同行竞争大的情况下更是如此，比的就是谁挺的更持久！加油祝你网站越来越好。
毕竟实践出真理，适合你的才是最好的，多实践多尝试多坚持多总结。小编也是网站优化人员，别看小弟年轻，欢迎交流哦
2024年网站建设中的思想和算法 篇2
前谷歌设计师、现 Dropbox 设计副总裁 Nicholas Jitkoff，刚刚推出了一款被叫做“itty bitty sites”的“自容纳微网站”建造工具。
其最大的特色，就是只存在于“统一资源定位符”（URL）中，感兴趣的朋友可以移步至 itty.bitty.site 这个 URL 去体验一下。
在这里，你能够借助纯文本、ASCII 字符、或者 emoji 表情，来填充这个 8.5×11 英寸的页面。
实际的字节限制，取决于你要分享的内容。比如 Twitter 和 Slack 允许大约 4000 字节，而 Mac 版 Chrome 可以多达 10000 字节。
该微型站点其实没有托管在任何地方，因为它是通过 Lempel-Ziv-Markov 链算法压缩的一个 URL，能够显著减少 HTML 体积、且允许在诸多情况下打印页面内容。
压缩的内容被转换成一串字符，这些字符可以作为标准的 Web 链接而存在。实际数据存储在链接末端，所有内容都在 # symbol 后面被压缩。
值得一提的是，只要网站可以被压缩到大约 2610 个字节，你就可以将它作为二维码来分享！Jitkoff 表示：
这部分内容是保密的，因为 Web 浏览器通常不会将一个 URL 的片段发送到服务器。相反的是，Web 浏览器通常会使用它们在滚动加载时的页面右侧部分。
Jitkoff 不太清楚人们将如何运用这个创意，感兴趣的人们可以到 Github 上深入了解这个开源项目。
2024年网站建设中的思想和算法 篇3
在机器学习中，为了优化目标函数，就需要设计合适的优化算法，来即准确又有效率的实现最优化。常用的有一阶优化算法梯度下降法，二阶的优化算法有牛顿法等。
而对于神经网络，特别深度神经网络，由于其结构复杂，参数众多等等。比起传统的机器学习方法，优化起来十分困难，因此人们就提出了各种神经网络的优化算法。
神经网络中优化中最重要的思想就是梯度信息的反向传播。具体的步骤就是：先通过正向传播，由输入得到预测结果，然后把预测结果和真实结果之间的残差（可以是均方差、交叉熵等），根据链式求导法则，将梯度反向传导到各个参数中，来对参数进行更新。
最常用的就是随机梯度下降（SGD）的方法，如下面的公式所示：
参数更新的方式就是当前值减去学习率乘以当前参数的梯度。
随机梯度下降这种方式更新方式简单直接，在小数据集以及简单的网络结构中常常使用。但是对于复杂网络如CNN、RNN等，SGD的方法会导致优化时波动很大，收敛的速度很慢,而且容易陷入局部最优。这时就需要对其进行进一步的改进和优化。
主要从两方面来优化：自适应的学习率以及更准确的梯度方向。
1. 更准确的梯度
首先是基于动量的方法（Momentum）：其思想很简单，就是对SGD优化时，高频微小的波动进行平滑，从而加速优化过程。方法就来源于物理中的动量，将参数的优化过程中，累计了一定的动能，因此不容易改变更新的方向，最终的更新方向和大小是由过去的梯度和当前梯度共同决定的。
就好比一个小球在向下滚动的过程中（即参数优化的过程），如果遇到平坦的地方，不会马上停下来，而是还会向前继续滚动。Momentum的方法不仅有助于加快学习速度，也可以有效避免落入局部最优点如鞍点。
但是基于动量的更新方式，容易错过最优点，因为其动能会导致其在最优点附近反复的震荡，甚至直接越过最优点。因此人们又提出了改进的方法就是Nesterov Momentum。
其改进的地方就是，在Momentum的基础上，让小球先试探性地，靠着已有的动能向前一动一步，然后计算出移动后的梯度，用这个梯度来更新当前的参数。从而使得小球拥有了提前感知周围环境的信息。这样靠近最优点的时候，就能让小球放慢速度。
2. 自适应学习率
因为不同的参数，其重要性和每次更新幅度不同。对于不常变化的参数，需要其学习率大一些，能够从个别样本中学习到更多的信息；而对于频繁更新变化的参数，已经积累了大量关于样本的信息，不希望它对单个样本过于敏感，因此希望更新幅度小一些。
最经典的就是Adagrad，利用了历史梯度的平方和，来调整参数的学习率，使得频繁更新的参数学习率更低；而少更新的参数学习率高。
但是Adagrad又一个缺陷就是随着Vt逐步累积增大，会导致学习率越来越小，最终停止更新。因此又提出了改进的RMSprop。同Momentum方法类似，为了防止出现学习率过小，只计算出各个时刻梯度的滑动平均值，窗口大小为1/（1-beta2）
在总结上述算法的基础上，就出现了Adam算法，即结合了RMSprop和Momentum的优化方法：