09 facebook廣告像素怎么設置(photoshop是什么如果要用應該在哪下載)

于興趣進行定位，我們可以瀏覽數百個興趣的菜單進行選取，或者直接輸入興趣詞，Facebook會給出相關的興趣建議。

我們也可以同時添加1個/多個興趣，擴大廣告的影響范圍。

• 基于行為的定位

這里的行為包含了受眾的購買歷史、喜歡的時間、紀念日等，如果我們需要針對一些剛結束旅行的用戶推送廣告，可以通過選擇行為進行定位。

02 自定義受眾

Facebook自定義受眾對于網站的再營銷尤其重要，因為它可以定位到過去網站的訪問者，或者是與內容有過互動的人。

創建自定受眾有多種方法：

• 自有數據源

訪問過網站、有瀏覽和加購行為、客戶名單等都是屬于自有數據源。

• Facebook數據源

瀏覽過公共主頁、參與過活動、看過Facebook視頻，位于Facebook軟件內的互動數據，可以選擇Facebook數據源。

我們只需要選擇想要的數據源，添加篩選條件就可以完成設置。這里以4種最常見的情況為例：

① 瀏覽過網站的受眾

點擊「創建自定義受眾」-「網站」- 選擇網站像素，30天內訪問某個網頁 - 設置名稱 -「創建受眾」

② 在網站完成購物的受眾

點擊「創建自定義受眾」-「應用事件」- 選擇「購物」 - 設置名稱 -「創建受眾」

③ 現有的網站客戶名單

需要提前將客戶名單整理成.CSV/.TXT格式。

點擊「創建自定義受眾」-「客戶文件」- 上傳客戶名單，選擇標簽 - 設置名稱 -「創建受眾」

④ 瀏覽過Facebook視頻的受眾

點擊「創建自定義受眾」-「視頻」- 選擇視頻內容，30天內觀看時長達3秒的用戶 - 設置名稱 -「創建受眾」

!

小技巧

需要注意如果我們擁有多個像素，要選擇目標網站對應的像素，不要選錯了。

03 類似受眾

通過類似受眾，可以吸引到與現有客戶相似的受眾，會具備有更高的轉化率。

要創建類似受眾，首先需要創建一個自定義受眾，告訴Facebook我們想找哪種人。

之后從創建列表中選擇「類似受眾」，之后再選擇目標國家/地區和相似度。

相似度會用百分比來表示（0%-10%），我們也可以根據需要創建不同相似程度的類似受眾，例如相似度1-2%、5-6%，測試不同的廣告效果。

如何縮小受眾范圍？

在實際的廣告投放過程中，當我們選擇好廣告受眾之后，可能會出現廣告受眾過大的現象。

一般情況下，建議Facebook廣告受眾規模在100萬-1000萬人之間最好，不至于大量的受眾造成廣告轉化率過低。

那么我們就需要縮小已經選擇好的受眾。

我們可以點擊「編輯」- 點擊細分定位下的「縮小受眾范圍」，添加必須符合的條件。

在雙重/多重興趣條件的過濾下，就能夠有效縮小受眾范圍，我們還可以通過排除已轉化過的受眾，避免重復廣告，浪費廣告成本。

以上就是創建受眾時需要掌握的基礎知識，其實Facebook的受眾選項是相當細致的，并且可以靈活組合運用。

我們可以將現有的數據創建為自定義受眾，在不同的廣告中自由添加、排除；或者選擇不同的受眾興趣、行為，創建出不同的受眾群體。

但最終受眾是否理想，還是需要通過不斷的廣告測試才能判斷出來，所以實際測試永遠是廣告投放中不可或缺的第一準則！

人工神經網絡概念梳理與實例演示

人工神經網絡概念梳理與實例演示

神經網絡是一種模仿生物神經元的機器學習模型，數據從輸入層進入并流經激活閾值的多個節點。

遞歸性神經網絡一種能夠對之前輸入數據進行內部存儲記憶的神經網絡，所以他們能夠學習到數據流中的時間依賴結構。

如今機器學習已經被應用到很多的產品中去了，例如，siri、Google Now等智能助手，推薦引擎——亞馬遜網站用于推薦商品的推薦引擎，Google和Facebook使用的廣告排名系統。最近，深度學習的一些進步將機器學習帶入公眾視野：AlphaGo 打敗圍棋大師李世石事件以及一些圖片識別和機器翻譯等新產品的出現。

在這部分中，我們將介紹一些強大并被普遍使用的機器學習技術。這當然包括一些深度學習以及一些滿足現代業務需求傳統方法。讀完這一系列的文章之后，你就掌握了必要的知識，便可以將具體的機器學習實驗應用到你所在的領域當中。

隨著深層神經網絡的精度的提高，語音和圖像識別技術的應用吸引了大眾的注意力，關于AI和深度學習的研究也變得更加普遍了。但是怎么能夠讓它進一步擴大影響力，更受歡迎仍然是一個問題。這篇文章的主要內容是：簡述前饋神經網絡和遞歸神經網絡、怎樣搭建一個遞歸神經網絡對時間系列數據進行異常檢測。為了讓我們的討論更加具體化，我們將演示一下怎么用Deeplearning4j搭建神經網絡。

一、什么是神經網絡？

人工神經網絡算法的最初構思是模仿生物神經元。但是這個類比很不可靠。人工神經網絡的每一個特征都是對生物神經元的一種折射：每一個節點與激活閾值、觸發的連接。

連接人工神經元系統建立起來之后，我們就能夠對這些系統進行訓練，從而讓他們學習到數據中的一些模式，學到之后就能執行回歸、分類、聚類、預測等功能。

人工神經網絡可以看作是計算節點的集合。數據通過這些節點進入神經網絡的輸入層，再通過神經網絡的隱藏層直到關于數據的一個結論或者結果出現，這個過程才會停止。神經網絡產出的結果會跟預期的結果進行比較，神經網絡得出的結果與正確結果的不同點會被用來更正神經網絡節點的激活閾值。隨著這個過程的不斷重復，神經網絡的輸出結果就會無限靠近預期結果。

二、訓練過程

在搭建一個神經網絡系統之前，你必須先了解訓練的過程以及網絡輸出結果是怎么產生的。然而我們并不想過度深入的了解這些方程式，下面是一個簡短的介紹。

網絡的輸入節點收到一個數值數組（或許是叫做張量多維度數組）就代表輸入數據。例如, 圖像中的每個像素可以表示為一個標量，然后將像素傳遞給一個節點。輸入數據將會與神經網絡的參數相乘，這個輸入數據被擴大還是減小取決于它的重要性，換句話說，取決于這個像素就不會影響神經網絡關于整個輸入數據的結論。

起初這些參數都是隨機的，也就是說神經網絡在建立初期根本就不了解數據的結構。每個節點的激活函數決定了每個輸入節點的輸出結果。所以每個節點是否能夠被激活取決于它是否接受到足夠的刺激強度，即是否輸入數據和參數的結果超出了激活閾值的界限。

在所謂的密集或完全連接層中，每個節點的輸出值都會傳遞給后續層的節點，在通過所有隱藏層后最終到達輸出層，也就是產生輸入結果的地方。在輸出層, 神經網絡得到的最終結論將會跟預期結論進行比較(例如，圖片中的這些像素代表一只貓還是狗?)。神經網絡猜測的結果與正確結果的計算誤差都會被納入到一個測試集中，神經網絡又會利用這些計算誤差來不斷更新參數，以此來改變圖片中不同像素的重要程度。整個過程的目的就是降低輸出結果與預期結果的誤差，正確地標注出這個圖像到底是不是一條狗。

深度學習是一個復雜的過程，由于大量的矩陣系數需要被修改所以它就涉及到矩陣代數、衍生品、概率和密集的硬件使用問題，但是用戶不需要全部了解這些復雜性。

但是，你也應該知道一些基本參數，這將幫助你理解神經網絡函數。這其中包括激活函數、優化算法和目標函數(也稱為損失、成本或誤差函數)。

激活函數決定了信號是否以及在多大程度上應該被發送到連接節點。階梯函數是最常用的激活函數, 如果其輸入小于某個閾值就是0，如果其輸入大于閾值就是1。節點都會通過階梯激活函數向連接節點發送一個0或1。優化算法決定了神經網絡怎么樣學習，以及測試完誤差后，權重怎么樣被更準確地調整。最常見的優化算法是隨機梯度下降法。最后, 成本函數常用來衡量誤差，通過對比一個給定訓練樣本中得出的結果與預期結果的不同來評定神經網絡的執行效果。

Keras、Deeplearning4j 等開源框架讓創建神經網絡變得簡單。創建神經網絡結構時，需要考慮的是怎樣將你的數據類型匹配到一個已知的被解決的問題，并且根據你的實際需求來修改現有結構。

三、神經網絡的類型以及應用

神經網絡已經被了解和應用了數十年了，但是最近的一些技術趨勢才使得深度神經網絡變得更加高效。

GPUs使得矩陣操作速度更快；分布式計算結構讓計算能力大大增強；多個超參數的組合也讓迭代的速度提升。所有這些都讓訓練的速度大大加快，迅速找到適合的結構。

隨著更大數據集的產生，類似于ImageNet 的大型高質量的標簽數據集應運而生。機器學習算法訓練的數據越大，那么它的準確性就會越高。

最后，隨著我們理解能力以及神經網絡算法的不斷提升，神經網絡的準確性在語音識別、機器翻譯以及一些機器感知和面向目標的一些任務等方面不斷刷新記錄。

盡管神經網絡架構非常的大，但是主要用到的神經網絡種類也就是下面的幾種。

3.1前饋神經網絡

前饋神經網絡包括一個輸入層、一個輸出層以及一個或多個的隱藏層。前饋神經網絡可以做出很好的通用逼近器，并且能夠被用來創建通用模型。

這種類型的神經網絡可用于分類和回歸。例如，當使用前饋網絡進行分類時，輸出層神經元的個數等于類的數量。從概念上講, 激活了的輸出神經元決定了神經網絡所預測的類。更準確地說, 每個輸出神經元返回一個記錄與分類相匹配的概率數，其中概率最高的分類將被選為模型的輸出分類。

前饋神經網絡的優勢是簡單易用，與其他類型的神經網絡相比更簡單，并且有一大堆的應用實例。

3.2卷積神經網絡

卷積神經網絡和前饋神經網絡是非常相似的，至少是數據的傳輸方式類似。他們結構大致上是模仿了視覺皮層。卷積神經網絡通過許多的過濾器。這些過濾器主要集中在一個圖像子集、補丁、圖塊的特征識別上。每一個過濾器都在尋找不同模式的視覺數據，例如，有的可能是找水平線，有的是找對角線，有的是找垂直的。這些線條都被看作是特征，當過濾器經過圖像時，他們就會構造出特征圖譜來定位各類線是出現在圖像的哪些地方。圖像中的不同物體，像貓、747s、榨汁機等都會有不同的圖像特征，這些圖像特征就能使圖像完成分類。卷積神經網絡在圖像識別和語音識別方面是非常的有效的。

卷積神經網絡與前饋神經網絡在圖像識別方面的異同比較。雖然這兩種網絡類型都能夠進行圖像識別，但是方式卻不同。卷積神經網絡是通過識別圖像的重疊部分，然后學習識別不同部分的特征進行訓練；然而，前饋神經網絡是在整張圖片上進行訓練。前饋神經網絡總是在圖片的某一特殊部分或者方向進行訓練，所以當圖片的特征出現在其他地方時就不會被識別到，然而卷積神經網絡卻能夠很好的避免這一點。

卷積神經網絡主要是用于圖像、視頻、語音、聲音識別以及無人駕駛的任務。盡管這篇文章主要是討論遞歸神經網絡的，但是卷積神經網絡在圖像識別方面也是非常有效的，所以很有必要了解。

3.3遞歸神經網絡

與前饋神經網絡不同的是，遞歸神經網絡的隱藏層的節點里有內部記憶存儲功能，隨著輸入數據的改變而內部記憶內容不斷被更新。遞歸神經網絡的結論都是基于當前的輸入和之前存儲的數據而得出的。遞歸神經網絡能夠充分利用

很赞哦!（95）