ISTAT代码为066090。圣埃塞人口409人，乌萨
圣埃乌萨尼奥-福尔科内塞（），尼奥人口密度51.3人/平方公里（2009年）。科内是圣埃塞意大利阿奎拉省的一个市镇。 地理 海拔： 1,乌萨939′ 政治 市长： Giovanni Berardinangelo 旅游 Stiffe Caves Lago Sinizzo Santa Maria ad Cryptas 参考 外部链接 拉奎拉省市镇总面积7.97平方公里，尼奥
版权声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。
评论列表
8月15日晚18：00，国美、海尔联合浙江卫视在青岛海尔衣联网1号店共同开启“美好生活一起嗨”国美海尔超级直播专场，以“家庭式欢乐聚会”的形式呈现了一个极具体验感与娱乐感的购物场景，仅短短三个小时，就取得了4.1亿成交额的漂亮成绩。骄人的战绩值得惊喜，而直播生意经背后的三大新趋势更值得关注。
趋势一、当综艺融入卖货直播，开创电商直播新生态
在疫情防控的特殊背景下，直播带货对于企业复产复工、促进产品销售做出了积极贡献，也悄然改变着中国人的消费习惯。据艾媒咨询报告显示，约有25%的直播电商用户每天会观看直播带货，约46%的用户则每周都会观看电商直播，超过60%的用户表示直播带货能够非常大或者比较大地引起消费欲望。据统计数据推测，2019年直播电商总GMV约超3000亿元，2020年则有望冲击万亿体量。
面对越来越大的诱人蛋糕，一种全新的综艺带货直播新生态开始崭露头角，即媒体平台+电商平台+品牌赞助商，此次海尔、国美联合浙江卫视《奔跑吧》主题举办的“美好生活一起嗨”就是一次经典的范例。
直播中，Angelababy、陈欢代表的“Happy Baby”队和伊一、伍嘉成为代表的“一五一十”队进行带货大PK，围绕“食、衣、住、娱”四大场景，以鲜活的生活案例阐释什么是黑科技产品；海尔集团副总裁/首席体验官李华刚带队海尔好物天团，提供了覆盖了“食”“衣”“住”“娱”全家生活场景的数十款精品家电产品，并在直播现场进行众多演示与挑战；国美零售总裁王俊洲亲自上阵，面对面向20多年的老伙计砍出“总裁价”。
直播卖货为综艺提供了新路径，综艺丰富了直播卖货的内涵。明星嘉宾们现场做游戏，亲测爆品好物，网友们边看明星互动，边剁手好物，不知不觉当中一场4.1亿的幸福果实就此成熟，这正是综艺带货直播爆发出来的新火花。
趋势二、用生活场景串联单品，深挖家电零售新趋势
“hello电视，我回来了。”跑男女神Angelababy回到家对海尔电视说到。随之电视和空调自动打开，窗帘自动关闭。突然一个视频电话打来，电视同步显示并接通视频画面，Angelababy说“接通视频”，陈欢和Angelababy打招呼并说：“baby，直播快开始了，你快过来吧”， Angelababy回复“好的，我这就来”，说完后视频挂断，Angelababy起身说“你好电视，我要出门了”，电视和空调随之自动关闭，窗帘自动打开。
一个看似简简单单直播的开场，却隐藏了许多让众人惊呼的海尔黑科技，也让大家看到了未来的智家生活，是不是有一种“终于等到你，马上想拥有你”的感觉？
简单的一小步，对于家电零售来说，或许意味着颠覆性的改变。它的区别在于打破了传统直播中的卖颜值、比功能、拼低价的固有思路，把单一的家电产品通过生活串联起来，用“衣食住娱”全生态场景，为消费者提供智慧家庭解决方案，创造全场景智能生活体验，满足用户定制美好生活的需求，这与国美“家·生活”战略殊途同归。
国美于2017年提出“家·生活”战略，经过三年的稳步推进，现如今已经从家电零售商转型成为“家·生活”整体方案提供商、服务解决商和供应链输出商，通过为消费者提供家庭整体解决方案，满足中国家庭对美好生活的向往。
比如，你向往中的阳台是什么样子的？
我们印象当中的阳台杂物到处都是，布局不合理，多半时间被衣物晾晒占领，而直播场景中的阳台已焕然一新，跑跑步、养养花、做做游戏成为了阳台全新选项，洗护、收纳都问题都交由海尔洗干组合来完成。国美零售总裁王俊洲在直播中还力荐海尔双子洗衣机：“不仅可以解决孩子和大人衣服分开洗的问题，也可以解决内衣和外衣分开洗的问题，这些都是原来的洗衣机所不具备的。”
国美提供的不是单一商品，而是整个家庭的解决方案。经过多年的布局，场景化思维已深深地融入在国美的血液中，这也是国美与海尔在发展之路上的共识，是双方多年以来紧密合作、并肩发展的动因，更是结果。
早在2007年，线下家电卖场实体店的场景化改造就是由国美联合海尔拉开大幕的。2020年，国美与海尔再次围绕“家”的全生态服务开启了智慧家庭生活场景直播新体验。
趋势三：好品+好价+社群，数字化赋能零售新智慧
本场直播，短短3个多小时达成4.1亿的成交量，与国美创新消费模式，借助“社群+直播”完成服务商的转型，大力推进数字化本地零售落地关系密切。
把商品卖便宜不是水平，把好的商品卖便宜才是本事。”是国美零售总裁王俊洲在直播中常说的一句口头禅，而这背后正是国美供应链能力的极致发挥，而它的核心诉求是“用户至上”。
在新零售时代，用户已成为了产品的主导者。聪明的零售商会根据顾客需求和喜好定制个性化服务，这就是我们所说的C2M反向定制，以提升数字化选品能力，而国美在这方面已深入布局，此次直播中的“智慧家电”正是国美通过用户消费行为大数据分析，以用户“精准需求”为主导，精挑细选出来的海尔优质产品，直播现场的热卖也印证了国美的数字化选品能力。
会选，更要会卖。据悉，国美从7月25日开始启动了“买遍中国·助力美好生活——央视新闻&国美零售全国31省份巡回带货直播”活动，过程当中将推进“知识型内容+顶级IP+场景化直播”的特色直播之路，并在直播前向超20万社群推广直播信息，触达超过6600万用户，产生“从用户到用户”的持续裂变，这就是国美为业界和消费者贡献的新样板、新智慧“社群+直播”模式，它的成功之处在于可以充分挖掘带货直播、社群社交的潜力实现营销链条的裂变。并以国美的品牌信誉度为背书，以完善的门店体系、强大的物流能力为基础，向用户提供标准化、产品化的服务。
带货直播和社群营销火爆的背后，用户对商品品质和服务也提出了新的要求。如何通过数字技术提升供应链效率和服务质量，也成为零售企业新的课题。在国美看来，数字化的本质是解决效率问题，降本增效。包括通过利用互联网系统，统一会员、商品、交易；通过大数据分析，重构人货场，提升运营效率；通过线上线下的结合，提升用户体验。而此次国美、海尔联合浙江卫视共同开启“美好生活一起嗨”国美海尔超级直播专场是一次用新零售模式促进消费的尝试，也是国美向数字化转型的结果呈现。
国美，在奔跑
近几个月以来，我们看到国美在一路奔跑：4月，国美拥抱拼多多，双方在消费大数据、平台流量等多方面达成全面战略合作；8月，国美与京东宣布300亿联合采购计划，并在物流、营销等多方面进行深度合作；7月，国美启动“买遍中国”活动，以新型消费的形式与用户互动，充分发挥国美在供应链和规模化采购上的优势，不遗余力地满足被抑制的消费升级需求和对美好生活向往的需求，带动家电消费回暖，助力经济复苏。
此次直播，也展现出国美大胆创新的成果，将海尔的高科技产品以最优惠的价格呈现给消费者，而这仅仅只是钜惠消费者的开始，未来近十个月中，国内带货直播将越战越远，依靠国美本地化零售网络布局，给用户展现更丰富的内容和更多优质且优惠家电产品，值得期待。
">本期公开课，雷锋网请到了图普科技机器学习工程师 Vincent 为大家揭开 AI 可以助你成为“画家”的秘密。 Vincent 曾在英国留学两年，回国后加入图普，担任机器学习工程师一职，参与图普多个产品的研发工作，立誓要搞深度学习搞到死。
嘉宾介绍：
Vincent，图普科技机器学习工程师，主要从事工业级深度学习算法的研发。曾任摩根大通欧洲技术中心分析师，IBM爱丁堡办公室软件工程师。熟悉自然语言处理（文本分类，语言模型等），图像转换（艺术滤镜、图片上色等）和分类算法。
以下内容章整理自公开课分享。
｜深度神经网络在图像识别领域的进展
自从 2012 年 Alexnet 横空出世，一举夺得 ImageNet 图片分类大赛冠军之后，深度学习一飞冲天，以卷积网络为首的深度神经网络不断刷新各种计算机视觉任务的 State-of –the-art 。过去四五年间，我们可以看到学术界不断地开发出各种不同结构的卷积神经网络，而且，这些结构并不仅仅是在 Alexnet 的基础上加深层数，而是自成一派，各有所长。
本次公开课重点分享三种神经网络结构：
除了图片分类，以 RCNN 系列为首的神经网络技术在物体检测任务上也取得了重大进展，近年来也出现了速度更快（YOLO），效果更好的算法（SSD）。
最近很火的 GAN 是一个训练框架，在 GAN 出现之前， 生成模型的训练是一件相对较困难的事情，GAN 出现后，生成模型训练的效率大大提高。
GAN的应用大部分也是生成模型的应用，用来生成图片、音乐、文字等。但是对抗训练对训练判别模型也是有非常大的帮助的，因为虽然有非线性的激活函数，但深度网络依然是高度线性的，会对误差进行累积，累积的误差结果通过肉眼分辨不出来，但是可以从卷积网络中看出。但与普通线性模型不同，深度神经网络可以拟合对抗训练可以很好的解决这个问题，解决方式是生成对抗样本，使得网络对对抗样本的容忍性更强些。
GAN这一两年来产生了许多非常有意思的应用，其中包括上期公开课中冯佳时博士提到的超分辨率，旨在把低分辨率的图片放大，而尽量不让其清晰度受影响。
｜纹理转换
近几个月比较火的纹理转换也就是所谓的图片风格化，在深度学习之前，这也是一个非常困难的问题。其本质原因在于之前非深度学习的方法只能获取到目标图片低层次的图片特征，这导致这些方法无法独立的对图片的语义内容和风格的变化进行有效地建模，从而无法很好地对两者进行解耦和合成。
风格化算法现在更迭了两代。
第一代风格化算法：Neural Style
2015年的时候，德国图宾根大学的学者们提出了一种用深度神经网络各层的响应来表达图片的风格和内容的办法，方法可概括为：
保持 VGG 的权重不不变，直接对初始化的图⽚做梯度下降，直至目标函数降至一个比较小的值。
这个方法的风格化效果震惊了学术界，但它的缺点也是显而易见的，由于这种风格化方式本质上是一个利用梯度下降迭代优化的过程，所以尽管其效果不不错，但是风格化的速度较慢，处理一张图片在GPU上大概需要十几秒。deepart.io这个网站就是运用这个技术来进行图片纹理转换的。
第二代风格化算法：Fast Neural Style
有了可以解耦图片风格和内容的方式，我们就能训练一个端到端的网络，使得我们只需要做一次前向，就能得到风格化图片。因此生成图片大概的步骤是，根据转化的网络得到输出，输出至 VGG 网络，提取风格特征后，跟风格图片的特质做比较，内容图片的特征也会被提取，跟内容图片做比较。
这种算法的有点是速度快，可以在GPU上做到实时生成。去年年中火爆全世界的 Prisma，背后就是这个技术。但这个技术还是有缺陷的，比如由于卷积网络固有的性质，它无法像手动绘图一样对图片的细节进行精挑细选的处理，所以它像是一个豪放的印象派画家，对一些对细节要求比较高的任务，比如人物的动漫化，这种方式是不太适合的。
所以，前段时间⽐较流行的《你的名字》同款滤镜所用到的技术跟Prisma 并不一样，我们猜测这个滤镜不是端到端的，而是会先对原图做像素分割，找出可能是天空的部分，然后加上新海诚特色的云，其他部分则会做一些滤镜化处理。
纹理转换的另外一个非常有意思的应用是Neural Doodle，运用这个技术，我们可以让三岁的小孩子都轻易地像莫奈一样成为绘画大师。这个技术本质上其实就是先对一幅世界名画（比如皮埃尔-奥古斯特·雷诺阿的Bank of a River）做一个像素分割，得出它的语义图，让神经网络学习每个区域的风格。
然后，我们只需要像小孩子一样在这个语义图上面涂鸦（比如，我们想要在图片的中间画一条河，在右上方画一棵树），神经网络就能根据语义图上的区域渲染它，最后得出一幅印象派的大作。
大家如果有关注 AI 领域信息的话，可能也知道 Facebook 宣布了他们的 caffe2go 框架，并展示了他们在手机上的实时风格化视频，这项成果意义重大，主要体现在可以在手机端非常有效率的运行人工智能的算法，把有趣的人工智能技术实现到你的手掌心。例如现在直播或视频中可以在人脸上添加各种可爱小动物表情的技术也是人工智能的技术，其主要运用了人脸关键点检测技术。
实现视频风格化的难点在于：
｜黑白照片上色
最后一个要介绍的技术为黑白照片上色（Colourful Image Colourization），想象一下，如果人工智能出色地完成这个任务，我们便可以用它来为老照片，老电影增色，轻易地为漫画上色了。本次公开课我会主要介绍去年 ECCV 里加州大学伯克利分校的一篇文章介绍的方法。这个方法与之前方法的不同之处在于，它把照片上色看成是一个分类问题——预测三百多种颜色在图片每一个像素点上的概率分布。这种方法tackle了这个任务本身的不确定性，例如，当你看到一个黑白的苹果时，你可能会觉得它是红色的，但如果这个苹果是青色的，其实也并没有多少违和感。大家也可以到作者的网站网站来试用他们的demo。
这篇文章里面介绍的方法有两个非常重要的trick：
颜色重平衡（Class rebalancing）
我们都知道，各个颜色在全世界所有彩色照片里面的分布是不一样的。比如，大部分照片里面可能会有天空，墙壁，草地等。论文作者给出了 ImageNet 数据集中颜色的分布，可以看出，如果用 LAB 的方式来表示图片(L 通道为像素的亮度，AB 通道表示颜色)，ab 值比较低的颜色出现的频率远高于其他颜色。
如果不考虑这个问题，我们的目标函数会对 ab 值⽐比较高的颜色极其不敏感。所以，论文作者提出了了一种方法——在训练时让每一个像素点乘上一个系数，系数的大小与该像素点 ab 值的分布有关。运用这个trick，输出图片的颜色会更有多样性，更接近真实的图片。
从概率分布得出预测颜色值（Point estimate）
我们知道，这个网络的输出是各个像素点ab值的概率分布，那么我们如何去通过这个概率分布得出这个ab值呢？当然，我们可以直接选择概率最大的值作为我们的 prediction，这种做法下输出图片的颜色会更加鲜艳，但很多时候会有不自然的patch出现。另外一种做法是，取这个概率分布的均值作为prediction，这会导致我们的输出图片对比度非常低。作者在这篇文章里提出了一个折中的做法：我们可以调整Softmax 函数的 temperature，然后再求新的概率分布的均值。
这篇文章介绍的方法虽然效果很好，但它还是有缺陷的。比如，对狗的图片上色时，即使它没有伸出舌头，神经网络总是会“想象”它伸出了，然后在鼻子下面的一小块区域涂上红色。而且，上色后的图片有时会出现一小块突兀的 patch。
以上介绍的几个技术都并不是完美的，但是瑕不掩瑜，我们能从中看到深度学习的潜力，明白它能做的远远不止是分类和检测。我相信随着社会对深度学习的热情越来越大，更多有趣的成果会不断产生。如果你觉得以上的技术很酷，那我保证，你的惊讶才刚刚开始。
｜有关产品化的思考
当然，要把学术界的成果应用到工业界其实并不是一件容易的事情。我们做机器学习的都知道一个著名的定理叫No Free Lunch Theorem，它说的就是，我们并不可能找到对所有问题都最优的算法。在ImageNet数据集上表现最好的算法，在工业级庞大、复杂、多变的数据上并不一定就会表现好。所以我们也根据各个客户数据分布的不同做了很多特定的优化。比如我们在为映客提供审核服务，直播场景本身就非常多样和复杂，我们发现当直播视频界面出现大量用手机或者电脑等电子产品播放另一个界面的内容，相对整个图片来说，内容呈现部分所占比例很小且十分模糊、不明显，当出现色情、暴恐等不良信息的时候，人工以及标准化的审核模型难以精准识别，误判、漏判的概率较高。于是我们需要针对这个问题具体优化，针对画中画的数据再做识别，然后再调用普通的审核模型。雷锋网雷锋网
图普的产品目前已经在多个行业领域取得很好的应用，但它们暂时只能在一定程度上减少大部分审核人力，无法完全替代人工。这一轮融资过后，我们将加大在服务和计算能力方面的投入，提升产品运行速度和鲁棒性；在算法方面，继续提高图像识别准确率和召回率，我们的愿景是完全解放审核人力，我们也将往审核之外的其他方向扩张业务，如人脸识别，增强现实等，提供更直接，高效和多样化的任务。
">作为“十五五”期间广东首场部省联办的高规格人才招聘会，“百万英才汇南粤”2026年行动计划将于春、秋两季分别在广州、深圳举办。其中，3月15日至16日，春季大型综合招聘会将组织超1800家用人单位提供逾7万个优质岗位。活动以“粤聚英才 粤见未来”为主题，首次创新采用“两馆分区、产业聚类”模式，17.1馆主打“现代服务”，17.2馆聚焦“先进制造”。梅州企事业单位按产业入驻对应专区，实现产业人才精准对接。
据了解，此次梅州精心组织23家企事业单位线下线上同步揽才，推出558个优质岗位，覆盖高校教师、工程师、临床医师、首席数字化官等多个方向，精准匹配本科、硕士、博士等不同学历层次的人才需求。
文、图、视频：梅州日报记者 赖运香
编辑：梁威
审核：张英昊
">