复式楼梯实用又有范 设计师需要把握设计的两大原则
楼梯，就是能让人顺利地上下两个空间的通道。它必须结构设计合理，要求设计师对尺寸有个透彻的了解和掌握，才能使楼梯的设计行走便利，而所占空间最少。从建筑艺术和美学的角度来看，楼梯是视觉的焦点，也是彰显主人个性的一大亮点。
1、 设计原则
复式结构的房子，楼梯是必不可少的。楼梯是家中&上&与&下&之间的一个连接，但不仅仅如此，在这个上与下之间，需要的是安全、便捷。
从形式上看，楼梯大致可以分为三种：直梯&&最为常见也最为简单，颇有一意孤行的味道，几何线条给人挺括和&硬&的感觉，直梯加上平台也可实现拐角。
复式楼直楼梯设计
弧型梯&&以曲线来实现上下楼的连接，美观，而且可以做得很宽，没有直梯拐角那种生硬的感觉，是行走起来最为舒服的一种；
复式楼梯弧形梯设计
旋梯&&对空间的占用最小，盘旋而上的蜿蜒趋势也着实让不少人着迷。
复式旋型楼梯设计
小编的话：在选择房子的时候，空间的尺度、层高的尺寸就已经定形，而且很难改变。为了上下楼的方便与舒适，楼梯需要一个合理坡度，楼梯的坡度过陡，不方便行走，会带给人一种&危险&的感觉。如果轻松地拾级而上，就需要有一定的空间给楼梯一个延伸的余地。
编辑：孟春艳
提示：支持键盘翻页 &左 右&
万家家居频道微信
微信号：HFZXGL
微信扫一扫，关注公众号
安徽资讯APP
扫一扫，安徽尽在您手中
万家热线今日合肥
微信扫一扫，使用小程序
每天10分钟，通晓合肥事
1月7日合肥紫苹果装饰“平安万家装修知识大讲堂” 开课报名中
2017年终感恩盛典 中博装饰缔造美好生活
信地华地城、文一名门绿洲、百商悦澜山小区专场验房团暖心来袭！
12月验房记 专业验房免费进行中
热门效果图
20载品质坚持 用实力诠释魅力 —— 专访华然装饰设计有限责任公司总经理徐 ...
本案是现代三室空间，开放式的设计诠释了一种现代设计的惊喜，没有太多的条条框框限制，却张扬出自由和随性的生活。设计师...
今日万家热线
扫描关注今日万家热线微信公共号
短信快捷登录
合作账号登录
验证即登录，未注册将自动创建万家账号
发送验证码Adobe设计师：设计思维的创新指导手册a year ago赞赏还没有人赞赏，快来当第一个赞赏的人吧！53收藏分享举报文章被以下专栏收录产品设计和科技的深度学习每天为 Makers 导读三篇优质英文文章{&debug&:false,&apiRoot&:&&,&paySDK&:&https:\u002F\u002Fpay.zhihu.com\u002Fapi\u002Fjs&,&wechatConfigAPI&:&\u002Fapi\u002Fwechat\u002Fjssdkconfig&,&name&:&production&,&instance&:&column&,&tokens&:{&X-XSRF-TOKEN&:null,&X-UDID&:null,&Authorization&:&oauth c3cef7c66aa9e6a1e3160e20&}}{&database&:{&Post&:{&&:{&isPending&:false,&contributes&:[{&sourceColumn&:{&lastUpdated&:,&description&:&输送优质、新鲜、前沿的设计及科技干货。&,&permission&:&COLUMN_PUBLIC&,&memberId&:293094,&contributePermission&:&COLUMN_PUBLIC&,&translatedCommentPermission&:&all&,&canManage&:true,&intro&:&产品设计和科技的深度学习&,&urlToken&:&thinkout&,&id&:24265,&imagePath&:&v2-97a1b7d012f788cf4abad830f75158c6.jpg&,&slug&:&thinkout&,&applyReason&:&0&,&name&:&盒子以外&,&title&:&盒子以外&,&url&:&https:\u002F\u002Fzhuanlan.zhihu.com\u002Fthinkout&,&commentPermission&:&COLUMN_ALL_CAN_COMMENT&,&canPost&:true,&created&:,&state&:&COLUMN_NORMAL&,&followers&:2729,&avatar&:{&id&:&v2-97a1b7d012f788cf4abad830f75158c6&,&template&:&https:\u002F\u002Fpic4.zhimg.com\u002F{id}_{size}.jpg&},&activateAuthorRequested&:false,&following&:false,&imageUrl&:&https:\u002F\u002Fpic4.zhimg.com\u002Fv2-97a1b7d012f788cf4abad830f75158c6_l.jpg&,&articlesCount&:38},&state&:&accepted&,&targetPost&:{&titleImage&:&https:\u002F\u002Fpic4.zhimg.com\u002Fv2-85f7ae1d1_r.jpg&,&lastUpdated&:,&imagePath&:&v2-85f7ae1d1.jpg&,&permission&:&ARTICLE_PUBLIC&,&topics&:[215,471],&summary&:&FrozenTeeth say : 设计思维是这些年国内很火的概念，最早来源于斯坦福的 D.School（设计学院）。其实也没那么神秘，了解方法加以实践就会越来越熟练。 这篇是在方法论的层面系统介绍了被传得很火的设计思维，要看具体的案例，可以戳这篇 \u003Ca href=\&https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F\& data-editable=\&true\& data-title=\&Zara可用性测试：一个真实优化设计的案例 - 知乎专栏\& class=\&\&\u003EZara可用性测试：…\u003C\u002Fa\u003E&,&copyPermission&:&ARTICLE_COPYABLE&,&translatedCommentPermission&:&all&,&likes&:0,&origAuthorId&:0,&publishedTime&:&T11:55:43+08:00&,&sourceUrl&:&&,&urlToken&:,&id&:2142979,&withContent&:false,&slug&:,&bigTitleImage&:true,&title&:&Adobe设计师：设计思维的创新指导手册&,&url&:&\u002Fp\u002F&,&commentPermission&:&ARTICLE_ALL_CAN_COMMENT&,&snapshotUrl&:&&,&created&:,&comments&:0,&columnId&:24265,&content&:&&,&parentId&:0,&state&:&ARTICLE_PUBLISHED&,&imageUrl&:&https:\u002F\u002Fpic4.zhimg.com\u002Fv2-85f7ae1d1_r.jpg&,&author&:{&bio&:&不是一棵植物&,&isFollowing&:false,&hash&:&cc91ee4bbe8cb24bd537d4&,&uid&:76,&isOrg&:false,&slug&:&tou-lu-45&,&isFollowed&:false,&description&:&爱玩、很爱玩、非常爱玩&,&name&:&FrozenTeeth&,&profileUrl&:&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Ftou-lu-45&,&avatar&:{&id&:&v2-b263d72f30abdf318fa7542&,&template&:&https:\u002F\u002Fpic2.zhimg.com\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},&memberId&:293094,&excerptTitle&:&&,&voteType&:&ARTICLE_VOTE_CLEAR&},&id&:528228},{&sourceColumn&:{&lastUpdated&:,&description&:&简介：每日导读（或翻译）三篇优质英文文章，内容 80% 涉及硅谷\u002F编程\u002F科技\u002F，期待共同成长。&,&permission&:&COLUMN_PUBLIC&,&memberId&:70710,&contributePermission&:&COLUMN_PUBLIC&,&translatedCommentPermission&:&all&,&canManage&:true,&intro&:&每天为 Makers 导读三篇优质英文文章&,&urlToken&:&jiguang-daily&,&id&:18268,&imagePath&:&4ccdd.jpeg&,&slug&:&jiguang-daily&,&applyReason&:&0&,&name&:&极光日报&,&title&:&极光日报&,&url&:&https:\u002F\u002Fzhuanlan.zhihu.com\u002Fjiguang-daily&,&commentPermission&:&COLUMN_ALL_CAN_COMMENT&,&canPost&:true,&created&:,&state&:&COLUMN_NORMAL&,&followers&:29750,&avatar&:{&id&:&4ccdd&,&template&:&https:\u002F\u002Fpic1.zhimg.com\u002F{id}_{size}.jpg&},&activateAuthorRequested&:false,&following&:false,&imageUrl&:&https:\u002F\u002Fpic1.zhimg.com\u002F4ccdd_l.jpg&,&articlesCount&:1222},&state&:&accepted&,&targetPost&:{&titleImage&:&https:\u002F\u002Fpic4.zhimg.com\u002Fv2-85f7ae1d1_r.jpg&,&lastUpdated&:,&imagePath&:&v2-85f7ae1d1.jpg&,&permission&:&ARTICLE_PUBLIC&,&topics&:[215,471],&summary&:&FrozenTeeth say : 设计思维是这些年国内很火的概念，最早来源于斯坦福的 D.School（设计学院）。其实也没那么神秘，了解方法加以实践就会越来越熟练。 这篇是在方法论的层面系统介绍了被传得很火的设计思维，要看具体的案例，可以戳这篇 \u003Ca href=\&https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F\& data-editable=\&true\& data-title=\&Zara可用性测试：一个真实优化设计的案例 - 知乎专栏\& class=\&\&\u003EZara可用性测试：…\u003C\u002Fa\u003E&,&copyPermission&:&ARTICLE_COPYABLE&,&translatedCommentPermission&:&all&,&likes&:0,&origAuthorId&:0,&publishedTime&:&T11:55:43+08:00&,&sourceUrl&:&&,&urlToken&:,&id&:2142979,&withContent&:false,&slug&:,&bigTitleImage&:true,&title&:&Adobe设计师：设计思维的创新指导手册&,&url&:&\u002Fp\u002F&,&commentPermission&:&ARTICLE_ALL_CAN_COMMENT&,&snapshotUrl&:&&,&created&:,&comments&:0,&columnId&:24265,&content&:&&,&parentId&:0,&state&:&ARTICLE_PUBLISHED&,&imageUrl&:&https:\u002F\u002Fpic4.zhimg.com\u002Fv2-85f7ae1d1_r.jpg&,&author&:{&bio&:&不是一棵植物&,&isFollowing&:false,&hash&:&cc91ee4bbe8cb24bd537d4&,&uid&:76,&isOrg&:false,&slug&:&tou-lu-45&,&isFollowed&:false,&description&:&爱玩、很爱玩、非常爱玩&,&name&:&FrozenTeeth&,&profileUrl&:&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Ftou-lu-45&,&avatar&:{&id&:&v2-b263d72f30abdf318fa7542&,&template&:&https:\u002F\u002Fpic2.zhimg.com\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},&memberId&:293094,&excerptTitle&:&&,&voteType&:&ARTICLE_VOTE_CLEAR&},&id&:528230}],&title&:&Adobe设计师：设计思维的创新指导手册&,&author&:&tou-lu-45&,&content&:&\u003Cblockquote\u003EFrozenTeeth say : 设计思维是这些年国内很火的概念，最早来源于斯坦福的 D.School（设计学院）。其实也没那么神秘，了解方法加以实践就会越来越熟练。 这篇是在方法论的层面系统介绍了被传得很火的设计思维，要看具体的案例，可以戳这篇 \u003Ca href=\&https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F\& class=\&internal\&\u003EZara可用性测试：一个真实优化设计的案例 - 知乎专栏\u003C\u002Fa\u003E\u003C\u002Fblockquote\u003E\u003Cp\u003E你有没有想过，要是有一个方程式来帮助创造创新产品、体验或服务就好了？我说的可不是逐步的进步，而是突变的革新。\u003C\u002Fp\u003E\u003Cp\u003E作为 Adobe 的体验设计师，我在过去的研究和工作经验里发现，所有创新的本质其实在于「人」。所以我想把我的经验这些分享给你。希望你能带着一种开放的心态去学习。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cb\u003E设计思维过程\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E这个方法是由 IDEO 公司发明、并在大名鼎鼎的 D.School （也就是斯坦福设计学院）教授的。它包含了大量的合作与频繁的迭代。总共包含五个非常清晰的步骤：共情（Empathize）定义(define)，出方案\u002F头脑风暴（Ideate),
原型制作(prototype)，和测试 (Test)。\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-9e325ff0cd1bc943f74787_b.jpg\& data-rawwidth=\&1200\& data-rawheight=\&570\& class=\&origin_image zh-lightbox-thumb\& width=\&1200\& data-original=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-9e325ff0cd1bc943f74787_r.jpg\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='1200'%20height='570'&&\u002Fsvg&\& data-rawwidth=\&1200\& data-rawheight=\&570\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&1200\& data-original=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-9e325ff0cd1bc943f74787_r.jpg\& data-actualsrc=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-9e325ff0cd1bc943f74787_b.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cbr\u003E\u003Cp\u003E整个过程的最终目的是要创造出一个产品、服务或是体验。这个产品应该是人们想要的（desirability, 期许性），具有有用的潜质（viability, 生存能力），以及在技术方面能简单方便地实现（feasibility，可行性）。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E一次关注一个阶段非常重要，同时要快速迭代。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E为了阐释设计思维的每个阶段，就让我们用 Adobe XD （Adobe 的体验设计团队） 来举例子。我们 Adobe XD 团队发版风格非常激进，每两周会进行一次预发版，每个月会进行一次公开发版。我们还维护着一个倾听用户声音的网站，用户可以报告 bug ，提出新功能建议等等。这让我们任何需要的时候都可以快速学习、评估优先级，敲定重要元素。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E有意思的是，每当设计过程开始的时候，在考虑「修理」问题之前，我们总是先走出去与人们交谈。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cb\u003E阶段一：共情\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E共情是一种设身处地站在别人的位置、透过「他」的眼睛来看待事物的能力。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E培养共情有三种方式：\u003C\u002Fp\u003E\u003Cp\u003E1）访谈\u003C\u002Fp\u003E\u003Cp\u003E2）观察\u003C\u002Fp\u003E\u003Cp\u003E3）体验\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E1）访谈 \u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E我们会定期与用户举行会议来了解目前的工作流，每个设计师的想法，以及他们工作的环境，痛点，期待等等。访谈并没有局限在美国境内，而是扩展到了世界各地。你会发现人们对任务的处理方式都非常不一样。在访谈过程中，利用人类学家的态度保持中立非常重要。\u003Cb\u003E即使你知道答案，也要不断问对方「为什么」。\u003Cfigure\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-7fb4e1b3dcaceb_b.jpg\& data-rawwidth=\&1200\& data-rawheight=\&757\& class=\&origin_image zh-lightbox-thumb\& width=\&1200\& data-original=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-7fb4e1b3dcaceb_r.jpg\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='1200'%20height='757'&&\u002Fsvg&\& data-rawwidth=\&1200\& data-rawheight=\&757\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&1200\& data-original=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-7fb4e1b3dcaceb_r.jpg\& data-actualsrc=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-7fb4e1b3dcaceb_b.jpg\&\u003E\u003C\u002Ffigure\u003E\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E在制造业方法论的发展过程中，丰田佐吉发明的一个用在丰田内部的工作框架很有意思。他指出，如果你追问五个「为什么」，就能发现问题的根源。就像一个好奇的小孩想急切地想知道事物为什么会是那样一样。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E进行访谈时不要试着去干涉对方的回答。一个很好的策略应该是建立联系，这是与被访者之间的一种强关系。不要问「这很好，对吗？」而要问「你对这个怎么看？」要是能说「跟我讲讲你在与 X 工作时遇到挑战时的故事吧」就更好了。要建立与被访者之间的强关系，\u003Cb\u003E用户故事是一个能让你得到很多有价值信息的有力工具。\u003C\u002Fb\u003E举个例子，如果你想了解年轻人最近的流行趋势，你可以试着问他们如果有 150 美元他们会买什么。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E最近的一个人类科技博客里面展示了一项研究，让我们了解到在讲故事的时候大脑的活动情况。这个研究显示了在故事高潮的时候，讲故事的人和听故事的人的大脑活动非常相近。也就是几乎建立了双方之间的一种真实联系。\u003Cfigure\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\u002Fpic4.zhimg.com\u002Fv2-2eded24654cfa21b71a6f_b.jpg\& data-rawwidth=\&1200\& data-rawheight=\&829\& class=\&origin_image zh-lightbox-thumb\& width=\&1200\& data-original=\&https:\u002F\u002Fpic4.zhimg.com\u002Fv2-2eded24654cfa21b71a6f_r.jpg\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='1200'%20height='829'&&\u002Fsvg&\& data-rawwidth=\&1200\& data-rawheight=\&829\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&1200\& data-original=\&https:\u002F\u002Fpic4.zhimg.com\u002Fv2-2eded24654cfa21b71a6f_r.jpg\& data-actualsrc=\&https:\u002F\u002Fpic4.zhimg.com\u002Fv2-2eded24654cfa21b71a6f_b.jpg\&\u003E\u003C\u002Ffigure\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E当你问问题的时候，给你的用户时间思考。沉默也是 OK 的。即使有点尴尬，也不要打断或影响对方。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E设计思维总体上是推崇质量多于数量的。这也就意味着挑选更少的、但是是你认为能代表你不同用户群的人来接受访谈。我们寻求的是洞悉，而不是真相。而洞悉是对某样事物的深刻理解。就好像是你的神经都在等着信息的全方位激活，而一旦那样的信息出现，那就是你恍然大悟的时刻。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E极端用户的概念也是对你的研究有利的。例如，如果你想采访购物车的用户，你也要采访一个用购物车来搬运他的随身物品的流浪汉——这就是一个极端用户。这也会给你带来深刻的洞察力。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cfigure\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\u002Fpic3.zhimg.com\u002Fv2-b460c8c6cee39b910e1bf_b.jpg\& data-rawwidth=\&1200\& data-rawheight=\&793\& class=\&origin_image zh-lightbox-thumb\& width=\&1200\& data-original=\&https:\u002F\u002Fpic3.zhimg.com\u002Fv2-b460c8c6cee39b910e1bf_r.jpg\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='1200'%20height='793'&&\u002Fsvg&\& data-rawwidth=\&1200\& data-rawheight=\&793\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&1200\& data-original=\&https:\u002F\u002Fpic3.zhimg.com\u002Fv2-b460c8c6cee39b910e1bf_r.jpg\& data-actualsrc=\&https:\u002F\u002Fpic3.zhimg.com\u002Fv2-b460c8c6cee39b910e1bf_b.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cb\u003E2）观察\u003C\u002Fb\u003E\u003Cbr\u003E\u003Cp\u003E给你的用户一个任务然后只做观察。如果你问「你们在亚马逊买东西遇到问题了吗？」，那你有可能会听到「没有，亚马逊购物很方便」的回答。但是，如果你从一个人的身后观察他的行为，你就会在过程中发现他的痛点。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E最近我们在公司举行了第一次内部的 Adobe 用户体验马拉松。我们给 Adobe 设计师们提供了一个任务然后观察。体验设计团队的产品工程师、设计师都出席了。很快，我们就发现了不同的发现能力问题。这需要我们改进我们的员工培训。 \u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cb\u003E3）体验\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E用你的用户之所用。可以是你们自己的产品，也可以是你们的竞品。这会让你直观地感受到用户痛点，体会到用户的喜悦之处。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E有意思的是，Adobe 的设计师和产品经理都用 Adobe 来设计 Adobe，这也让我们能感受到用户的感受。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E在共情的过程中，你可以用一些工具辅助，例如\u003Cb\u003E共情地图\u003C\u002Fb\u003E，列出用户画像说的话 + 做的事 （表面上的）和他们的想法 + 感受（暗含的）。\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-fda5acdf58e993c4600b8_b.jpg\& data-rawwidth=\&1200\& data-rawheight=\&780\& class=\&origin_image zh-lightbox-thumb\& width=\&1200\& data-original=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-fda5acdf58e993c4600b8_r.jpg\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='1200'%20height='780'&&\u002Fsvg&\& data-rawwidth=\&1200\& data-rawheight=\&780\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&1200\& data-original=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-fda5acdf58e993c4600b8_r.jpg\& data-actualsrc=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-fda5acdf58e993c4600b8_b.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cp\u003E从访谈、观察和体验里面解码出信息之后，你就可以区分出表面上的需求（说的和做的）以及实际上暗含的需求（想的和感受到的）。\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E共情图参考资料：\u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=https%3A\u002F\u002Fuxmag.com\u002Farticles\u002Fhow-to-use-persona-empathy-mapping\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003EHow to Use Persona Empathy Mapping\u003C\u002Fa\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cb\u003E阶段二 ：定义\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E在经历共情阶段之后，就需要重新审视一开始的挑战，重新定义问题了。\u003C\u002Fp\u003E\u003Cp\u003E要定义或再定义一个问题或挑战，这里有个观点（PoV ）公式：PoV = persona + need + insight。也就是说 \u003Cb\u003EPoV = 用户画像 + 需求 + 洞察。\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E例如：\u003C\u002Fp\u003E\u003Cblockquote\u003E高级设计师老王，就是能用设计解决真实问题、他的设计总是很受用户欢迎长得还很帅那个，需要更快地设计、制作原型和评估，因为他现在感觉总是在做重复的步骤，只是在不同的工具之间跳来跳去！\u003C\u002Fblockquote\u003E\u003Cp\u003E需求是感性的，深层次的 , 而洞察则更多的是惊喜，是访谈中的发现，观察，矛盾等等，可以用在解决问题中的东西。\u003C\u002Fp\u003E\u003Cp\u003E所以在经过了 Adobe XD 的共情阶段之后，我们发现了一些重要的东西：\u003C\u002Fp\u003E\u003Cul\u003E\u003Cli\u003E当 PS 和 AI 发明的时候，设计师并没有像今天这样面临前所未有的挑战；\u003C\u002Fli\u003E\u003Cli\u003E今天对不同的细分用途有不同的设计工具，比如有针对高保真的工具，有针对低保真的工具，有专门的原型制作工具...... 这就让设计师不得不在不同的设计工具之间跳来跳去；\u003C\u002Fli\u003E\u003Cli\u003E设计过程中存在许多摩擦。尤其是在需要改动的原型测试之后。而摩擦会限制创造力；\u003C\u002Fli\u003E\u003Cli\u003E大部分的设计工具都只管窥之见在设计，把一个功能叠加在另一个功能之上而缺乏一个全局观。\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cp\u003E因此，我们自然而然地得出了 XD 的基石：\u003C\u002Fp\u003E\u003Cul\u003E\u003Cli\u003E即想即设计\u003C\u002Fli\u003E\u003Cli\u003E表现和质量\u003C\u002Fli\u003E\u003Cli\u003E有意义的工作流\u003C\u002Fli\u003E\u003Cli\u003E情境化的界面\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cp\u003E有了这个框架，我们就开始着手做我们称为 Adobe 体验设计的工具，简称为 Adobe XD。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E阶段三：出方案（头脑风暴）\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E出方案的过程分为两个清晰的阶段：\u003C\u002Fp\u003E\u003Col\u003E\u003Cli\u003E\u003Cb\u003E分歧 （创造选项）\u003C\u002Fb\u003E\u003C\u002Fli\u003E\u003C\u002Fol\u003E\u003Cp\u003E这个阶段需要参与共情与定义阶段的跨领域团队聚在一起，狂吐出他们的想法，不要对想法有任何评判。因为这个时候量的积累可以让我们把之前的解决方案抛在一边，一起去探寻未知的领域，而这正是真正的革新产生的地方。要达到这点，要遵循以下规则进行头脑风暴：\u003C\u002Fp\u003E\u003Cul\u003E\u003Cli\u003E要有不同的评判意见\u003C\u002Fli\u003E\u003Cli\u003E追求量\u003C\u002Fli\u003E\u003Cli\u003E一次只进行一场对话\u003C\u002Fli\u003E\u003Cli\u003E可视化想法\u003C\u002Fli\u003E\u003Cli\u003E以他人的想法为基础（你说的对，并且......）\u003C\u002Fli\u003E\u003Cli\u003E以主题为根据、不要跑题\u003C\u002Fli\u003E\u003Cli\u003E鼓励疯狂的想法\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cp\u003E我参与过的头脑风暴，一般一个队伍可以产生 100+ 想法。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cfigure\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-a56a7ead5aea19_b.jpg\& data-rawwidth=\&1200\& data-rawheight=\&642\& class=\&origin_image zh-lightbox-thumb\& width=\&1200\& data-original=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-a56a7ead5aea19_r.jpg\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='1200'%20height='642'&&\u002Fsvg&\& data-rawwidth=\&1200\& data-rawheight=\&642\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&1200\& data-original=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-a56a7ead5aea19_r.jpg\& data-actualsrc=\&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-a56a7ead5aea19_b.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cb\u003E2）集中\u002F 协同\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E面对一大堆的想法，现在要做的就是选出团队愿意采取的意见。最好的方式是通过便签票选，可以给每个团队的每个成员都发一些贴纸便签，每个成员独立票选出其支持的意见。这是个民主选举的好方法。\u003C\u002Fp\u003E\u003Cp\u003E两个阶段时间建议分部控制在一个小时左右。\u003C\u002Fp\u003E\u003Cp\u003EIdeate 参考：\u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=http%3A\u002F\u002Fwww.ideou.com\u002Fpages\u002Fideation-method-mash-up\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003EIdeation Method: Mash-Up\u003C\u002Fa\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E阶段四：原型制作\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E原型是把想法变成可触可感、可体验的好工具。\u003C\u002Fp\u003E\u003Cp\u003E这个阶段有三个小阶段：\u003C\u002Fp\u003E\u003Col\u003E\u003Cli\u003E启发 —— 它可以是什么？\u003C\u002Fli\u003E\u003Cli\u003E参与 —— 它应该是什么？\u003C\u002Fli\u003E\u003Cli\u003E评估 —— 它会是什么？\u003C\u002Fli\u003E\u003C\u002Fol\u003E\u003Cp\u003E\u003Cfigure\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\u002Fpic4.zhimg.com\u002Fv2-db41bedfc1a2a_b.jpg\& data-rawwidth=\&1200\& data-rawheight=\&815\& class=\&origin_image zh-lightbox-thumb\& width=\&1200\& data-original=\&https:\u002F\u002Fpic4.zhimg.com\u002Fv2-db41bedfc1a2a_r.jpg\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='1200'%20height='815'&&\u002Fsvg&\& data-rawwidth=\&1200\& data-rawheight=\&815\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&1200\& data-original=\&https:\u002F\u002Fpic4.zhimg.com\u002Fv2-db41bedfc1a2a_r.jpg\& data-actualsrc=\&https:\u002F\u002Fpic4.zhimg.com\u002Fv2-db41bedfc1a2a_b.jpg\&\u003E\u003C\u002Ffigure\u003E滚动，符号，层级，资源库等等，都是一些我们用来测试、评估和快速学习的原型用例。\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\u002Fpic1.zhimg.com\u002Fv2-d0f22c6adc7d27fb6bd9dd_b.jpg\& data-rawwidth=\&892\& data-rawheight=\&578\& class=\&origin_image zh-lightbox-thumb\& width=\&892\& data-original=\&https:\u002F\u002Fpic1.zhimg.com\u002Fv2-d0f22c6adc7d27fb6bd9dd_r.jpg\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='892'%20height='578'&&\u002Fsvg&\& data-rawwidth=\&892\& data-rawheight=\&578\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&892\& data-original=\&https:\u002F\u002Fpic1.zhimg.com\u002Fv2-d0f22c6adc7d27fb6bd9dd_r.jpg\& data-actualsrc=\&https:\u002F\u002Fpic1.zhimg.com\u002Fv2-d0f22c6adc7d27fb6bd9dd_b.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cp\u003E原型参考：\u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=https%3A\u002F\u002Fwww.uxpin.com\u002Fstudio\u002Fblog\u002Fwhat-is-a-prototype-a-guide-to-functional-ux\u002F\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003EWhat Is a Prototype: A Guide to Functional UX\u003C\u002Fa\u003E\u003Cbr\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E阶段五：测试\u003C\u002Fb\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E原型做好之后，拿给真实用户测试。这样可以更加了解你的用户，并且可以修改、优化 PoV。\u003C\u002Fp\u003E\u003Cp\u003E测试的时候，让用户玩，你自己观察。如果有小的方便的改动，可以直接改进让用户再测试。总之，不要过于沉迷自己的想法。\u003C\u002Fp\u003E\u003Cp\u003E一个好的例子就是 Adobe XD 的图层问题。本来我们发现有些用户喜欢图层，有些用户则很讨厌。所以我们想去掉图层这一功能，以为会给用户带来更多便利。刚开始，确实有些用户感受到他们不需要图层，而随着更多的测试进行，我们发现大部分的设计师还是喜欢有图层的，尤其是涉及导出、处理复杂作品的时候。\u003C\u002Fp\u003E\u003Cp\u003E所以我们最终还是打算在2016年年末发版的时候保留图层这一功能，不过我们多加了一个我们认为更聪明的「本地图层 」功能。不过，很快用户就会告诉我们这个功能到底是让他们更方便还是反而不方便了。\u003C\u002Fp\u003E\u003Cp\u003E数据分析是个好东西，它提供了「是什么 」而不是提供「为什么 」。我们可以用它来评估不同的方案。但是我们在做功能分析的时候，总会先问自己这个功能是不是给用户带来了便利，如果数据显示用户反而感到不便，那我们就会做出相应的调整。\u003C\u002Fp\u003E\u003Cp\u003E除了数据分析之外，我们还做量化的研究测试，邀请 800 名设计师参与预发版测试；对于定性研究，我们有一个用户意见板（(CAB)，其中包括 38 名来自谷歌、IDEO， 脸书，Airbnb 等大公司的设计师以及一些极端用户，如学生或是插件开发者等。我们会通过 Slack 和 1:1s 与他们频繁交流，测试早期原型，得到最直接的反馈。\u003C\u002Fp\u003E\u003Cp\u003E要保持更新，就要在测试完成后再次回到第一个阶段，开始新一轮的迭代和测试。\u003C\u002Fp\u003E\u003Cp\u003E测试资源：\u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=http%3A\u002F\u002Fthenextweb.com\u002Fdd\u002F\u002F10\u002F13-ways-to-master-ux-testing-for-your-startup\u002F\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003E13 Ways To Master UX Testing for Your Startup\u003C\u002Fa\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E总结\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E总之，设计思维就是一个从设计挑战开始，采用共情、定义、 头脑风暴得出方案，制作原型然后进行测试，从而产生优化方案的一个创意过程。可以把它看成是一个解决问题的过程。\u003C\u002Fp\u003E\u003Cp\u003E感谢阅读。\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E编译自：\u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=https%3A\u002F\u002Fmedium.com\u002F%40demianborba\u002Fdesign-thinking-a-manual-for-innovation-e0576b34eff6%23.r8d6cih43\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003EDesign Thinking: A Manual for Innovation\u003C\u002Fa\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E参考：\u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=https%3A\u002F\u002Fdesignthinking.ideo.com\u002F\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003EDesign Thinking | Thoughts by Tim Brown\u003C\u002Fa\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=https%3A\u002F\u002Fwww.nngroup.com\u002Farticles\u002Fdesign-thinking\u002F\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003EDesign Thinking 101\u003C\u002Fa\u003E\u003C\u002Fp\u003E\u003Cp\u003E——————————— 分割线 ————————————————\u003C\u002Fp\u003E\u003Cp\u003E我的专栏\u003Ca href=\&https:\u002F\u002Fzhuanlan.zhihu.com\u002Fthinkout\& class=\&internal\&\u003E盒子以外\u003C\u002Fa\u003E。科技、产品与设计。\u003C\u002Fp\u003E&,&updated&:new Date(&T03:55:43.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:4,&collapsedCount&:0,&likeCount&:53,&state&:&published&,&isLiked&:false,&slug&:&&,&lastestTipjarors&:[],&isTitleImageFullScreen&:true,&rating&:&none&,&titleImage&:&https:\u002F\u002Fpic4.zhimg.com\u002Fv2-85f7ae1d1_r.jpg&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&reviewers&:[],&topics&:[{&url&:&https:\u002F\u002Fwww.zhihu.com\u002Ftopic\u002F&,&id&:&&,&name&:&设计思维&},{&url&:&https:\u002F\u002Fwww.zhihu.com\u002Ftopic\u002F&,&id&:&&,&name&:&Design Thinking&},{&url&:&https:\u002F\u002Fwww.zhihu.com\u002Ftopic\u002F&,&id&:&&,&name&:&产品设计&}],&adminClosedComment&:false,&titleImageSize&:{&width&:1920,&height&:1035},&href&:&\u002Fapi\u002Fposts\u002F&,&excerptTitle&:&&,&column&:{&slug&:&thinkout&,&name&:&盒子以外&},&tipjarState&:&activated&,&tipjarTagLine&:&嗷嗷待赏&,&sourceUrl&:&&,&pageCommentsCount&:4,&tipjarorCount&:0,&annotationAction&:[],&hasPublishingDraft&:false,&snapshotUrl&:&&,&publishedTime&:&T11:55:43+08:00&,&url&:&\u002Fp\u002F&,&lastestLikers&:[{&bio&:null,&isFollowing&:false,&hash&:&15f5c162b6e0ec377e90ab895aa057a5&,&uid&:230500,&isOrg&:false,&slug&:&deanyush&,&isFollowed&:false,&description&:&&,&name&:&deanyush&,&profileUrl&:&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fdeanyush&,&avatar&:{&id&:&da8e974dc&,&template&:&https:\u002F\u002Fpic4.zhimg.com\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},{&bio&:&所有的酒，不如你&,&isFollowing&:false,&hash&:&a8f2bf7635&,&uid&:32,&isOrg&:false,&slug&:&han-pei-qing-9&,&isFollowed&:false,&description&:&你是千堆雪\n我是长街\n日出一到\n彼此融解&,&name&:&寒佩卿&,&profileUrl&:&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fhan-pei-qing-9&,&avatar&:{&id&:&v2-13efbb3eeeb9a&,&template&:&https:\u002F\u002Fpic2.zhimg.com\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},{&bio&:&&,&isFollowing&:false,&hash&:&b8f512d025e53ec20ef97&,&uid&:72,&isOrg&:false,&slug&:&saliya0120&,&isFollowed&:false,&description&:&&,&name&:&李瀚涛&,&profileUrl&:&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fsaliya0120&,&avatar&:{&id&:&1bc4cd1f7&,&template&:&https:\u002F\u002Fpic2.zhimg.com\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},{&bio&:&designer&,&isFollowing&:false,&hash&:&6487decaa1a5b&,&uid&:12,&isOrg&:false,&slug&:&bi-he-xie&,&isFollowed&:false,&description&:&要是我坚持的长度赶上我感兴趣的速度，就好了。\n专注转行100年，总有属于我的天。&,&name&:&毕合叶&,&profileUrl&:&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fbi-he-xie&,&avatar&:{&id&:&v2-1f3e4dc63d877b54ffce634&,&template&:&https:\u002F\u002Fpic8.zhimg.com\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},{&bio&:&UI设计师&,&isFollowing&:false,&hash&:&a9ccfd733bc6&,&uid&:217200,&isOrg&:false,&slug&:&xiao-ya-15-78&,&isFollowed&:false,&description&:&&,&name&:&小丫&,&profileUrl&:&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fxiao-ya-15-78&,&avatar&:{&id&:&995a90f2eed181d3d021b&,&template&:&https:\u002F\u002Fpic1.zhimg.com\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false}],&summary&:&\u003Cimg src=\&http:\u002F\u002Fpic4.zhimg.com\u002Fv2-9e325ff0cd1bc943f2.jpg\& data-rawwidth=\&1200\& data-rawheight=\&570\& class=\&origin_image inline-img zh-lightbox-thumb\& data-original=\&http:\u002F\u002Fpic4.zhimg.com\u002Fv2-9e325ff0cd1bc943f74787_r.jpg\&\u003EFrozenTeeth say : 设计思维是这些年国内很火的概念，最早来源于斯坦福的 D.School（设计学院）。其实也没那么神秘，了解方法加以实践就会越来越熟练。 这篇是在方法论的层面系统介绍了被传得很火的设计思维，要看具体的案例，可以戳这篇 \u003Ca href=\&https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F\& data-editable=\&true\& data-title=\&Zara可用性测试：一个真实优化设计的案例 - 知乎专栏\& class=\&\&\u003EZara可用性测试：…\u003C\u002Fa\u003E&,&reviewingCommentsCount&:0,&meta&:{&previous&:{&isTitleImageFullScreen&:false,&rating&:&none&,&titleImage&:&https:\u002F\u002Fpic4.zhimg.com\u002F50\u002Fv2-5f2162d0e57d8cc9afca_xl.jpg&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&topics&:[{&url&:&https:\u002F\u002Fwww.zhihu.com\u002Ftopic\u002F&,&id&:&&,&name&:&内容营销&},{&url&:&https:\u002F\u002Fwww.zhihu.com\u002Ftopic\u002F&,&id&:&&,&name&:&市场营销&},{&url&:&https:\u002F\u002Fwww.zhihu.com\u002Ftopic\u002F&,&id&:&&,&name&:&用户画像&}],&adminClosedComment&:false,&href&:&\u002Fapi\u002Fposts\u002F&,&excerptTitle&:&&,&author&:{&bio&:&不是一棵植物&,&isFollowing&:false,&hash&:&cc91ee4bbe8cb24bd537d4&,&uid&:76,&isOrg&:false,&slug&:&tou-lu-45&,&isFollowed&:false,&description&:&爱玩、很爱玩、非常爱玩&,&name&:&FrozenTeeth&,&profileUrl&:&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Ftou-lu-45&,&avatar&:{&id&:&v2-b263d72f30abdf318fa7542&,&template&:&https:\u002F\u002Fpic2.zhimg.com\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},&column&:{&slug&:&thinkout&,&name&:&盒子以外&},&content&:&\u003Cp\u003E在上一篇营销向文章 (\u003Ca href=\&https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F?refer=thinkout\& class=\&internal\&\u003E用产品思维助你的内容营销一臂之力\u003C\u002Fa\u003E) 里，我已经介绍了购买环四个阶段的用户画像。那么针对这四个阶段的用户，我们可以采取的具体策略有哪些呢？本篇就来解答这个疑问。\u003C\u002Fp\u003E\u003Cb\u003E阶段一：吸引，给出信息，参与感\u003C\u002Fb\u003E\u003Cp\u003E对应用户画像：\u003Cb\u003E无知者 ＆ 研究者\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E内容营销的首要任务是要在网站持续提供高质量，教育性质的内容给你的受众。告诉他们你在某领域的专业性，并通过引导用户参与来将他们转换成意见领袖。\u003C\u002Fp\u003E\u003Cp\u003E这也就是我们常说的 「推广营销 」，即「以转换率为核心的营销 」。\u003C\u002Fp\u003E\u003Cul\u003E\u003Cli\u003E博客：最好的方式是通过讲故事来建立与用户之间的联系。同时运用的语气应该是亲切，能拉近用户距离的。博客的篇幅可以在 500 字左右。因为愿意点进你的博客阅读的人，会是相对有耐心的人，但也不能用过长的文章吓跑读者（尤其用户还处在「无知者 」阶段的时候）。频率上，可以在每周一次到每天一次之间找到一个折中点。要记住，持续性比频率更重要。对于博客，可以由多人来撰写。\u003C\u002Fli\u003E\u003Cli\u003ENewsletter：放在 newsletter 里的文章可以只是网站文章的简介 + 一个导向到原文的链接。而这种网站文章应该是规律的、有教育性质的；并且每篇文章集中、长期介绍一个专业的方面。这也要求文章需要更正式，预先要做好编辑计划。字数可以在
字左右，建议由一个专人长期撰写。频率建议一月一次。\u003C\u002Fli\u003E\u003Cli\u003E案例分析：一旦 newsletter 和博客吸引到了新用户，就该考虑将他们从「了解你们在做什么 」转移到「了解你们怎么做 」了。案例分析不能只是很多图片的集合，而应该是对你们成功运用专业性的丰富视觉呈现。案例分析可以放进 newsletter 或是博客，但更建议在网站上专门增加「案例分析 」板块（导航栏）。\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cp\u003E案例分析的形式：\u003C\u002Fp\u003E\u003Col\u003E\u003Cli\u003E勾勒出目标\u003C\u002Fli\u003E\u003Cli\u003E描述解决方案\u003C\u002Fli\u003E\u003Cli\u003E以对产出的评估作为结尾（不能只有用户的主观评价，还需要数据支撑）\u003C\u002Fli\u003E\u003C\u002Fol\u003E\u003Cp\u003E案例分析建议由那些真实参与过案例的人来撰写。字数 500 - 700，同时应该加上视觉展示（图片、图表......)。频率上不用很频繁，但要持续，并且保持更新，可以一个季度更新一次（要考虑评估项目产出所需要的时间）。\u003Cbr\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E阶段二：加深用户体验\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E对应用户画像：\u003Cb\u003E研究者 ＆\u003C\u002Fb\u003E\u003Cb\u003E评估者\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E这个阶段是要加强处理你已经传达出的信息。最好能让那些不喜欢阅读、喜欢调用听觉或视觉感受实物的用户参与进来。\u003C\u002Fp\u003E\u003Cul\u003E\u003Cli\u003E白皮书\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cp\u003E白皮书是描述独家方法论或技术，同时搜集用户潜在信息的一种方式。主要目的是直击评估者用户（正在对比你和其他选择）的需求，给出更深入的细节内容。例如给出比价内容（甚至是与竞品比价），或是给出你的产品在长远来看带来的收益研究（参考支付宝的理财产品广告）。\u003C\u002Fp\u003E\u003Cp\u003E谁写：细节导向的人\u003C\u002Fp\u003E\u003Cp\u003E频率：不用太高，但内容应该独家、有特色\u003C\u002Fp\u003E\u003Cul\u003E\u003Cli\u003E网络会议 （webinar)\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cp\u003E受众是那些不喜欢阅读文字 、更喜欢直接提问的人。内容上，可以利用博客、newsletter 的内容进行改编，并且可以巧妙地将用户的提问与写过的文章相关联。时间最好控制在45分钟左右。\u003C\u002Fp\u003E\u003Cp\u003E谁写：多人参与。记得进行分工，需要有专人准备材料、书写、做展示（利用 PPT，XMind 的展示模式等），以及专人做协调和主持（比如确定问题的优先级，预防超时等等）\u003C\u002Fp\u003E\u003Cp\u003E频率：可以每季度一次\u003C\u002Fp\u003E\u003Cul\u003E\u003Cli\u003E其他视频\u002F音频渠道，例如博客，视频节目等\u003Cfigure\u003E\u003Cimg src=\&http:\u002F\u002Fpic4.zhimg.com\u002Fv2-4b42a6b1cde734c3badbf_b.png\& data-rawwidth=\&794\& data-rawheight=\&706\& class=\&origin_image zh-lightbox-thumb\& width=\&794\& data-original=\&http:\u002F\u002Fpic4.zhimg.com\u002Fv2-4b42a6b1cde734c3badbf_r.png\&\u003E\u003C\u002Ffigure\u003E\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cp\u003E
内容产出矩阵图\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E阶段三：超越网站\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E对应用户画像：\u003Cb\u003E购买者 ＆ 用户\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cul\u003E\u003Cli\u003E写作：在合适的平台进行写作和分享。例如知乎、豆瓣、简书。长期来说是追求品牌的价值，而不是短期的变现\u003C\u002Fli\u003E\u003Cli\u003E公众演讲：这个主要是利用个人、为个人做营销，这方面的参考大家都能想到。\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cp\u003E\u003Cb\u003E阶段四：出书\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E出书是一种很好的宣传，即使你写的书可能没谁真正读。但出书的过程可以给你带来更多可能性。方式可以考虑：\u003C\u002Fp\u003E\u003Col\u003E\u003Cli\u003E自出版\u003C\u002Fli\u003E\u003Cli\u003E与独立发行人一起合作\u003C\u002Fli\u003E\u003Cli\u003E传统出版合约（如果有机会的话）\u003C\u002Fli\u003E\u003C\u002Fol\u003E\u003Cp\u003E最后附上一张阶段用户内容营销矩阵图：\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cimg src=\&http:\u002F\u002Fpic1.zhimg.com\u002Fv2-1c3e448df1ff67c3ed7a541a1a2f5e44_b.png\& data-rawwidth=\&753\& data-rawheight=\&845\& class=\&origin_image zh-lightbox-thumb\& width=\&753\& data-original=\&http:\u002F\u002Fpic1.zhimg.com\u002Fv2-1c3e448df1ff67c3ed7a541a1a2f5e44_r.png\&\u003E\u003C\u002Ffigure\u003E\u003Cp\u003E参考：Creating content that matters. By Christopher Butler & The team at New Fangled\u003C\u002Fp\u003E&,&state&:&published&,&sourceUrl&:&&,&pageCommentsCount&:0,&canComment&:false,&snapshotUrl&:&&,&slug&:,&publishedTime&:&T11:05:55+08:00&,&url&:&\u002Fp\u002F&,&title&:&（番外篇）针对阶段性用户群的具体营销方案&,&summary&:&在上一篇营销向文章 (\u003Ca href=\&https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F?refer=thinkout\&\u003E用产品思维助你的内容营销一臂之力\u003C\u002Fa\u003E) 里，我已经介绍了购买环四个阶段的用户画像。那么针对这四个阶段的用户，我们可以采取的具体策略有哪些呢？本篇就来解答这个疑问。\u003Cb\u003E阶段一：吸引，给出信息，参与感\u003C\u002Fb\u003E对应用户画像：\u003Cb\u003E无知者 ＆ 研究者\u003C\u002Fb\u003E内…&,&reviewingCommentsCount&:0,&meta&:{&previous&:null,&next&:null},&commentPermission&:&anyone&,&commentsCount&:0,&likesCount&:2},&next&:{&isTitleImageFullScreen&:true,&rating&:&none&,&titleImage&:&https:\u002F\u002Fpic4.zhimg.com\u002F50\u002Fv2-d0dd1c333d91a35aa6dcd9_xl.jpg&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&topics&:[{&url&:&https:\u002F\u002Fwww.zhihu.com\u002Ftopic\u002F&,&id&:&&,&name&:&深度学习（Deep Learning）&},{&url&:&https:\u002F\u002Fwww.zhihu.com\u002Ftopic\u002F&,&id&:&&,&name&:&Caffe（深度学习框架）&},{&url&:&https:\u002F\u002Fwww.zhihu.com\u002Ftopic\u002F&,&id&:&&,&name&:&人工智能&}],&adminClosedComment&:false,&href&:&\u002Fapi\u002Fposts\u002F&,&excerptTitle&:&&,&author&:{&bio&:&不是一棵植物&,&isFollowing&:false,&hash&:&cc91ee4bbe8cb24bd537d4&,&uid&:76,&isOrg&:false,&slug&:&tou-lu-45&,&isFollowed&:false,&description&:&爱玩、很爱玩、非常爱玩&,&name&:&FrozenTeeth&,&profileUrl&:&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Ftou-lu-45&,&avatar&:{&id&:&v2-b263d72f30abdf318fa7542&,&template&:&https:\u002F\u002Fpic2.zhimg.com\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},&column&:{&slug&:&thinkout&,&name&:&盒子以外&},&content&:&\u003Cblockquote\u003E作者 \u003Ca class=\& wrap external\& href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=https%3A\u002F\u002Fmedium.freecodecamp.com\u002F%40davidbrai%3Fsource%3Dpost_header_lockup\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003EDavid Brailovsky\u003C\u002Fa\u003E 是深度学习领域的一个 quick learner，他仅仅用了十周时间，就学会了应用深度学习，并利用他做出来的识别系统参加 Nexar 交通灯识别挑战赛* 获得了第一名。在这篇文章里，他详细阐述了他用的方法，以及他所做的不论是成功或是失败的尝试。没有技术基础也不用担心，文章的着眼点主要是方案和想法，而不是讨论技术。\u003C\u002Fblockquote\u003E\u003Cp\u003E阅读时间：11分钟\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cimg src=\&http:\u002F\u002Fpic4.zhimg.com\u002Fv2-b3b5aacf916e2f6eccc62cb_b.jpg\& data-rawwidth=\&467\& data-rawheight=\&262\& class=\&origin_image zh-lightbox-thumb\& width=\&467\& data-original=\&http:\u002F\u002Fpic4.zhimg.com\u002Fv2-b3b5aacf916e2f6eccc62cb_r.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Ch2\u003E\u003Cb\u003E挑战：\u003C\u002Fb\u003E\u003C\u002Fh2\u003E\u003Cp\u003E首先，我的目标是要司机用 Nexar 应用识别不同图片中的交通灯信号状态。在一个给定的图片中，分类处理系统应该能识别图片中有没有交通灯，以及交通灯是红色还是绿色。更重要的是，它应该在行车方向辨认交通灯。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cfigure\u003E\u003Cimg src=\&http:\u002F\u002Fpic3.zhimg.com\u002Fv2-3ecf33c161f333ba8c3f8a510fa5c1b2_b.png\& data-rawwidth=\&1504\& data-rawheight=\&333\& class=\&origin_image zh-lightbox-thumb\& width=\&1504\& data-original=\&http:\u002F\u002Fpic3.zhimg.com\u002Fv2-3ecf33c161f333ba8c3f8a510fa5c1b2_r.png\&\u003E\u003C\u002Ffigure\u003E以上三张图片是我应该需要预判的三种情况：没有交通灯（左），红灯（中），绿灯（右） \u003C\u002Fp\u003E\u003Cp\u003E这里需要的挑战在于，解决方案需要基于\u003Cb\u003E卷积神经网络\u003C\u002Fb\u003E，一种用深度神经网络进行图像识别的流行方法。 最终的评分体系基于模型的精确度和模型大小（MB )。越小的模型可获得越高的评分，另外，模型最低精确度需要达到 95%。\u003C\u002Fp\u003E\u003Cp\u003ENexar 提供了 18,659 张标记过的图片作为训练数据，每张图片都标记成以上三种类型中的一种（无灯、红灯、绿灯）。\u003C\u002Fp\u003E\u003Ch2\u003E\u003Cb\u003E软件和硬件\u003C\u002Fb\u003E\u003C\u002Fh2\u003E\u003Cp\u003E我用的是 \u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=http%3A\u002F\u002Fcaffe.berkeleyvision.org\u002F\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003ECaffe\u003C\u002Fa\u003E 来训练这些模型。之所以选择它是因为 Caffe 用了大量多样的\u003Cb\u003E预训练模型\u003C\u002Fb\u003E。\u003C\u002Fp\u003E\u003Cp\u003EPython，NumPy & Jupyter 笔记本都被用来进行结果分析，数据探索和做专门的脚本。\u003C\u002Fp\u003E\u003Cp\u003E训练模型用的是亚马逊 GPU 实例（(g2.2xlarge)。这个不便宜。\u003C\u002Fp\u003E\u003Cp\u003E我用来训练和跑模型的代码、文件放在 \u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=https%3A\u002F\u002Fgithub.com\u002Fdavidbrai\u002Fdeep-learning-traffic-lights\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003EGitHub\u003C\u002Fa\u003E 供大家参考。\u003C\u002Fp\u003E\u003Ch2\u003E\u003Cb\u003E最终的分类识别系统\u003C\u002Fb\u003E\u003C\u002Fh2\u003E\u003Cp\u003E最终我的识别系统用 Nexar 网站监测出来准确性达到了 94.955%，模型大小~7.84 MB。为了给大家一个概念，\u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=https%3A\u002F\u002Farxiv.org\u002Fabs\u002F\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003EGoogLeNet\u003C\u002Fa\u003E 的模型大小是 41MB，\u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=http%3A\u002F\u002Fwww.robots.ox.ac.uk\u002F%7Evgg\u002Fresearch\u002Fvery_deep\u002F\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003EVGG-16\u003C\u002Fa\u003E 模型大小是 528 MB。\u003C\u002Fp\u003E\u003Cp\u003ENexar 很宽容地将我的 94.955% 作为达到了 95% 的最低要求。?\u003C\u002Fp\u003E\u003Cp\u003E让模型达到更高的精确度花费了\u003Cb\u003E大量\u003C\u002Fb\u003E的精力。有些方案是有其背后的逻辑的，有些则只是「也许这个会有用吧 」。接下来我会讲讲我做的这些成功 ＆ 不成功的各种尝试。模型细节会在这之后讲解。\u003C\u002Fp\u003E\u003Ch2\u003E\u003Cb\u003E有用的方案：\u003C\u002Fb\u003E\u003C\u002Fh2\u003E\u003Cp\u003E\u003Cb\u003E迁移学习\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E我先是尝试了微调一个在 imageNet （用的是
\u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=https%3A\u002F\u002Fgithub.com\u002FBVLC\u002Fcaffe\u002Ftree\u002Fmaster\u002Fmodels\u002Fbvlc_googlenet\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003EGoogLeNet\u003C\u002Fa\u003E 的结构）上进行过预训练的模型。这迅速让我的模型达到了 & 90% 的精确度。\u003C\u002Fp\u003E\u003Cp\u003ENexar 在它的挑战页面提到了如果用
\u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=https%3A\u002F\u002Fgithub.com\u002FBVLC\u002Fcaffe\u002Ftree\u002Fmaster\u002Fmodels\u002Fbvlc_googlenet\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003EGoogLeNet\u003C\u002Fa\u003E 进行微调，应该可以使精确度达到 93% 以上。不知道我是哪里出了问题，我会再看看的。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E\u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=https%3A\u002F\u002Farxiv.org\u002Fabs\u002F\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003ESqueezeNet\u003C\u002Fa\u003E\u003C\u002Fb\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cblockquote\u003ESqueezeNet: AlexNet-level accuracy with 50x fewer parameters and &0.5MB model size.\u003Cbr\u003E\u003C\u002Fblockquote\u003E\u003Cp\u003E因为这个比赛会奖励使用小模型的方案，我一开始就打算利用紧凑型网络，用尽可能少的参数产生出最好的结果。目前大部分公布的网络都是深度且有很多参数的。SqueezeNet 看起来挺合适，同时它也拥有在 Caffe 的模型园区里面基于 ImageNet 预训练的模型，非常方便。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cfigure\u003E\u003Cimg src=\&http:\u002F\u002Fpic3.zhimg.com\u002Fv2-eed33093c2a_b.png\& data-rawwidth=\&638\& data-rawheight=\&479\& class=\&origin_image zh-lightbox-thumb\& width=\&638\& data-original=\&http:\u002F\u002Fpic3.zhimg.com\u002Fv2-eed33093c2a_r.png\&\u003E\u003C\u002Ffigure\u003E这个网络能保持紧凑的原因在于\u003C\u002Fp\u003E\u003Cul\u003E\u003Cli\u003E主要用 1x1的滤镜，偶尔用 3x3 的\u003C\u002Fli\u003E\u003Cli\u003E输入渠道的数量减少到 3x3\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cp\u003E想了解更多细节，建议阅读\u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=https%3A\u002F\u002Fgab41.lab41.org\u002Flab41-reading-group-squeezenet-9b9d1d754c75%23.8xt9i7aay\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003E这篇博客\u003C\u002Fa\u003E，或直接看\u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=https%3A\u002F\u002Farxiv.org\u002Fabs\u002F\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003E原始论文。\u003C\u002Fa\u003E\u003C\u002Fp\u003E\u003Cp\u003E经过一系列的挫折和成就之后，我终于成功地把模型的准确性从零开始训练到了 92%，给自己点个赞。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E旋转图片\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cfigure\u003E\u003Cimg src=\&http:\u002F\u002Fpic3.zhimg.com\u002Fv2-0daf794a757e75fdac18c3d398bd2eb2_b.png\& data-rawwidth=\&455\& data-rawheight=\&256\& class=\&origin_image zh-lightbox-thumb\& width=\&455\& data-original=\&http:\u002F\u002Fpic3.zhimg.com\u002Fv2-0daf794a757e75fdac18c3d398bd2eb2_r.png\&\u003E\u003C\u002Ffigure\u003E大部分的图片跟上图一样是横着的，但也有约 2.4% 是竖直的，而且每个方向都不一样。如下图\u003C\u002Fp\u003E\u003Cp\u003E\u003Cfigure\u003E\u003Cimg src=\&http:\u002F\u002Fpic3.zhimg.com\u002Fv2-3b2fc83b25edd857b99d745bc62bc8fe_b.png\& data-rawwidth=\&1408\& data-rawheight=\&802\& class=\&origin_image zh-lightbox-thumb\& width=\&1408\& data-original=\&http:\u002F\u002Fpic3.zhimg.com\u002Fv2-3b2fc83b25edd857b99d745bc62bc8fe_r.png\&\u003E\u003C\u002Ffigure\u003E尽管这并不是数据套的主要部分，但我们还是希望模型可以尽可能地把这个分类修正。\u003C\u002Fp\u003E\u003Cp\u003E不幸的是，JPEG 图片并没有 EXIF 数据* 来标注方向。一开始我想用启发式算法来自动识别天空从而辨认图片方向，然而发现这还是不够直接。\u003C\u002Fp\u003E\u003Cp\u003E于是，我就试着设定了图片旋转的不变量，我本来是打算让图片做随机的 0°, 90°, 180°, 270° 旋转，然而没有效果。但是在我把每张图的四种旋转角度的预测进行平均之后，效果就好多啦。\u003C\u002Fp\u003E\u003Cp\u003E92% → 92.6% 的增长。?\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E说得更清楚一点：「对预测进行平均」是指，对模型产生的、基于每种类型的图片的四个变量的预测进行平均计算。（后面会有权重细节）\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E过采样裁剪 （\u003C\u002Fb\u003EOversampling crops\u003Cb\u003E）\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E在训练 SqueezeNet 网络的过程中，起初产生了一些对输入图片的随机默认裁剪，我并没有对此插手。这种数据增量让网络更加一般化了。\u003C\u002Fp\u003E\u003Cp\u003E同样的，为了生成预测，我对输入图片的集中裁剪进行了平均。我用了五个变量：四个边角的裁剪和中央区的裁剪。利用 \u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=https%3A\u002F\u002Fgithub.com\u002FBVLC\u002Fcaffe\u002Fblob\u002Fmaster\u002Fpython\u002Fcaffe\u002Fclassifier.py\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003ECaffe 的已有代码\u003C\u002Fa\u003E，可以免费植入这一功能。\u003C\u002Fp\u003E\u003Cp\u003E92% → 92.46% ?\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E图片旋转和裁剪一起产生的精确度提升微乎其微。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E更低学习速率的附加训练\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E所有的模型到了某个点都会变得过度拟合。我开始注意到这点的时候，验证集已经开始大量丢失了。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cfigure\u003E\u003Cimg src=\&http:\u002F\u002Fpic1.zhimg.com\u002Fv2-d0e3cb70a3bf701984dfcd28a21af9b4_b.png\& data-rawwidth=\&1124\& data-rawheight=\&878\& class=\&origin_image zh-lightbox-thumb\& width=\&1124\& data-original=\&http:\u002F\u002Fpic1.zhimg.com\u002Fv2-d0e3cb70a3bf701984dfcd28a21af9b4_r.png\&\u003E\u003C\u002Ffigure\u003E在这个点，我中止了对模型的训练，因为这个时候的网络应该已经不是一般化的了。这也就意味着学习比率无论如何也无法衰退到 0 了。在这个点，模型的学习比率成为了原始比率的 1\u002F10，已经开始过度拟合了，所以我尝试着对这个训练过程进行一个总结。这通常会把精确度提高 0-0.5%。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E更多的训练数据\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E一开始，我把训练数据分成了三个部分：训练 (64%), 验证 (16%) 和测试 (20%)。但几天之后，我感觉放弃36% 的数据实在太多了，所以我把训练套和验证套融合在了一起，只用测试数据套来进行结果检查。\u003C\u002Fp\u003E\u003Cp\u003E我重新训练出了一个新的基于「图像旋转」和「更低速率的附加训练」的模型:\u003C\u002Fp\u003E\u003Cp\u003E92.6% → 93.5% ?\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E给训练数据中的错误重贴标签\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E在分析识别系统对验证套找出的错误的时候，我发现有些错误具有非常高的自信。也就是说，模型非常确定这是一个东西（比如绿灯），而训练数据却非常肯定地说是另一个（比如红灯）。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cfigure\u003E\u003Cimg src=\&http:\u002F\u002Fpic1.zhimg.com\u002Fv2-601f1eb014d6eca37ada8d013ce23a68_b.png\& data-rawwidth=\&1180\& data-rawheight=\&784\& class=\&origin_image zh-lightbox-thumb\& width=\&1180\& data-original=\&http:\u002F\u002Fpic1.zhimg.com\u002Fv2-601f1eb014d6eca37ada8d013ce23a68_r.png\&\u003E\u003C\u002Ffigure\u003E注意上图最右边的柱形条，非常之高。这说明有很大一部分数据的错误自信率大于 95% 。在仔细研究了这些情况之后我发现，这些一般都是训练套中、而非训练模型中的的参考标准（ground-truth）错误。\u003C\u002Fp\u003E\u003Cp\u003E我决定在训练套中修正这些错误。因为基本的想法是，这些错误迷惑了模型，所以让模型更难进行一般化。然而即使最终的训练套在参考标准上犯了错，一个更加一般化的模型也更可能拥有更高的图片精确度。\u003C\u002Fp\u003E\u003Cp\u003E我手动标注了出错的模型之一中的 709 张图片。 这就修改了 709 张图片中337 张的参考标准。我用了 Python 脚本来提高我的效率。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cfigure\u003E\u003Cimg src=\&http:\u002F\u002Fpic3.zhimg.com\u002Fv2-3729dcb76caa400c2b41a2_b.png\& data-rawwidth=\&1094\& data-rawheight=\&744\& class=\&origin_image zh-lightbox-thumb\& width=\&1094\& data-original=\&http:\u002F\u002Fpic3.zhimg.com\u002Fv2-3729dcb76caa400c2b41a2_r.png\&\u003E\u003C\u002Ffigure\u003E上图是经过重新标记和重新训练后的同一张图。看起来好多了！\u003C\u002Fp\u003E\u003Cp\u003E现在的精确度\u003C\u002Fp\u003E\u003Cp\u003E93.5% → 94.1% ?\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E所有的模型一起\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E把所有在不同训练过程中参与的模型汇集到一起也提高了模型的精确度。其中有一个最显著的提升来自于一个从零开始训练的模型。其实这个模型独立的精确度很低，但和其他放在一起反而比那些精心微调过的模型效果更好。这可能是因为这个精确度低的模型比其他精心调整过的模型更能适应学会各种不同模型的特点。\u003C\u002Fp\u003E\u003Cp\u003E总共汇集了三个模型，精确度分别是 94.1%, 94.2% 和 92.9% ，放在一起精确度达到了 94.8%. ?\u003C\u002Fp\u003E\u003Ch2\u003E\u003Cb\u003E哪些尝试没有成功？\u003C\u002Fb\u003E\u003C\u002Fh2\u003E\u003Cp\u003E太多了！把这些经验分享给你们，希望在别的地方能派上用场。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E紧凑过度拟合\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cul\u003E\u003Cli\u003E增加网络中的 \u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=http%3A\u002F\u002Fwww.cnblogs.com\u002Ftornadomeet\u002Fp\u002F3258122.html\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003Edropout\u003C\u002Fa\u003E* 比例\u003C\u002Fli\u003E\u003Cli\u003E更多的数据增量 (随机移位, zooms, 偏度)\u003C\u002Fli\u003E\u003Cli\u003E训练更多的数据: 用 90\u002F10 的分割代替 80\u002F20\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cp\u003E\u003Cb\u003E平衡数据套\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E数据集并不是很平衡\u003C\u002Fp\u003E\u003Cul\u003E\u003Cli\u003E19% 的图片被标注为无交通灯\u003C\u002Fli\u003E\u003Cli\u003E53% 的红灯\u003C\u002Fli\u003E\u003Cli\u003E28% 的绿灯\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cp\u003E我对不太寻常的分类进行过采样，但没看见任何效果\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E分离白天 & 黑夜\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E通过分析图片的像素密度很容易就能识别白天黑夜\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cfigure\u003E\u003Cimg src=\&http:\u002F\u002Fpic4.zhimg.com\u002Fv2-aed5ecfefed8c3c05d713b_b.png\& data-rawwidth=\&1158\& data-rawheight=\&816\& class=\&origin_image zh-lightbox-thumb\& width=\&1158\& data-original=\&http:\u002F\u002Fpic4.zhimg.com\u002Fv2-aed5ecfefed8c3c05d713b_r.png\&\u003E\u003C\u002Ffigure\u003E\u003Cbr\u003E\u003Cp\u003E可以从图中看到，平均值低的图片（也就是黑夜）和平均值高的图片（也就是白天）之间有一条自然的分界线。\u003C\u002Fp\u003E\u003Cp\u003E我用了以下两种方法\u003C\u002Fp\u003E\u003Cul\u003E\u003Cli\u003E对白天黑夜用两种模型分开训练\u003C\u002Fli\u003E\u003Cli\u003E增加白天黑夜把图片种类变成六种来训练模型\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cp\u003E然而并没有什么用。\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E用更好的 SqueezeNet 变量\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E开始用的 \u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=https%3A\u002F\u002Fgithub.com\u002Fsonghan\u002FSqueezeNet-Residual\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003Eresidual connections\u003C\u002Fa\u003E 后来用 \u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=https%3A\u002F\u002Fgithub.com\u002Fsonghan\u002FSqueezeNet-DSD-Training\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003E强——分散——强\u003C\u002Fa\u003E 模式训练。 没用 ?\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E对交通灯定位\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E用 \u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=http%3A\u002F\u002Fsloth.readthedocs.io\u002Fen\u002Flatest\u002F\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003Esloth\u003C\u002Fa\u003E 标注了2,000 张图片。但训练模型的时候，它很快就开始过度拟合了。也许是因为标注图片不够多的缘故。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E训练识别系统进行更难的辨认\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E我选了 30% 「更难」的图片，训练模型对这些图片的自信率低于 97%。我训练他们只辨认这些图片。没什么改进。?\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E不同的优化算法\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E我试着用 Caffe’s Adam solver 代替线性增加学习速率的SGD，没用。 ?\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E增加更多的模型\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E由于汇集所有模型被证实有用，我又增加了一倍的不同模型，用了很多不同的参数；但没看到显著效果。 ?\u003Cbr\u003E\u003C\u002Fp\u003E\u003Ch3\u003E\u003Cb\u003E最终的识别系统细节\u003C\u002Fb\u003E\u003C\u002Fh3\u003E\u003Cp\u003E识别系统用了三种独立训练的网络，把这些网络对每一类图片给出的可能性的加权平均作为输出。 这三种网络都用了 \u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=https%3A\u002F\u002Farxiv.org\u002Fabs\u002F\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003ESqueezeNet\u003C\u002Fa\u003E 网络，都进行了不同训练。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E一号模型——过采样的预训练网络\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E在预标记训练集上进行训练（已修改参考标准之后）. 该模型在基于 ImageNet 的 SqueezeNet 的预训练模型上进行了微调。 \u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E训练过程中的数据增量：\u003C\u002Fp\u003E\u003Cul\u003E\u003Cli\u003E随机水平镜像\u003C\u002Fli\u003E\u003Cli\u003E在投给训练网络之前随机裁剪补丁到 227 x 227\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cp\u003E在测试时，图片的十种变量预测进行了平均来计算最终预测。十个变量包括：\u003C\u002Fp\u003E\u003Cul\u003E\u003Cli\u003E五个裁剪为大小 227 x 227的 : 四个边角各一个，图片中央一个\u003Cbr\u003E\u003C\u002Fli\u003E\u003Cli\u003E每个裁剪的版本都有一个水平镜像\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cp\u003E基于验证集的模型精确度: 94.21%\u003Cbr\u003E模型大小: ~2.6 MB\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E二号模型— 增加旋转不变量\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E跟一号模型相似，需要平均四个角度的不变量，90°, 180° ，270°和不旋转。在测试的时候，一号模型的十种变量给出了四种旋转角度，总共产生 40 个变量。\u003C\u002Fp\u003E\u003Cp\u003E基于验证集的模型精确度: 94.1%\u003Cbr\u003E模型大小: ~2.6 MB\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E三号模型——从零开始训练\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E这个模型没有进行精确微调，精确度低。但放在一起可以学习其他模型的特点。\u003C\u002Fp\u003E\u003Cp\u003E数据增量跟前两个一样：镜像和裁剪。\u003C\u002Fp\u003E\u003Cp\u003E基于验证集的模型精确度: 92.92%\u003Cbr\u003E模型大小: ~2.6 MB\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E所有模型一起\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E每种模型都会产出三个结果，代表它们对图片属于哪种类型的判断。我们把这个结果按以下权重进行平均： \u003C\u002Fp\u003E\u003Cul\u003E\u003Cli\u003EModel #1: 0.28\u003C\u002Fli\u003E\u003Cli\u003EModel #2: 0.49\u003C\u002Fli\u003E\u003Cli\u003EModel #3: 0.23\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cp\u003E每种模型的权重是通过格点搜索法做出来的。可能会有过度拟合的情况，但因为这个操作比较简单，所以也还好。\u003C\u002Fp\u003E\u003Cp\u003E基于验证集的模型精确度: 94.83%\u003C\u002Fp\u003E\u003Cp\u003E模型大小: ~7.84 MB\u003C\u002Fp\u003E\u003Cp\u003ENexar 测试出来的模型精确度: 94.955% ?\u003C\u002Fp\u003E\u003Ch4\u003E模型错误样例\u003C\u002Fh4\u003E\u003Cfigure\u003E\u003Cimg src=\&http:\u002F\u002Fpic1.zhimg.com\u002Fv2-c6bffc0b1d205ab9439dc_b.png\& data-rawwidth=\&974\& data-rawheight=\&612\& class=\&origin_image zh-lightbox-thumb\& width=\&974\& data-original=\&http:\u002F\u002Fpic1.zhimg.com\u002Fv2-c6bffc0b1d205ab9439dc_r.png\&\u003E\u003C\u002Ffigure\u003E\u003Cp\u003E棕榈树上绿色炫光会被模型错误当成是绿灯\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cfigure\u003E\u003Cimg src=\&http:\u002F\u002Fpic4.zhimg.com\u002Fv2-ab590bed9d8e606a58d7dbe3_b.png\& data-rawwidth=\&960\& data-rawheight=\&584\& class=\&origin_image zh-lightbox-thumb\& width=\&960\& data-original=\&http:\u002F\u002Fpic4.zhimg.com\u002Fv2-ab590bed9d8e606a58d7dbe3_r.png\&\u003E\u003C\u002Ffigure\u003E\u003Cp\u003E 模型把红灯认成了绿灯。当图片中有不止一个交通灯的时候，情况就比较棘手。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cfigure\u003E\u003Cimg src=\&http:\u002F\u002Fpic2.zhimg.com\u002Fv2-c05c9e81a1c7fdd048ed1_b.png\& data-rawwidth=\&926\& data-rawheight=\&526\& class=\&origin_image zh-lightbox-thumb\& width=\&926\& data-original=\&http:\u002F\u002Fpic2.zhimg.com\u002Fv2-c05c9e81a1c7fdd048ed1_r.png\&\u003E\u003C\u002Ffigure\u003E\u003Cp\u003E有绿灯的时候，模型以为没有灯。\u003C\u002Fp\u003E\u003Cp\u003E感谢阅读。\u003C\u002Fp\u003E\u003Cp\u003E\u003Ci\u003ENexar 交通灯识别挑战赛*：由在开发 AI 训练营应用的公司举办的电脑视觉比赛\u003C\u002Fi\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Ci\u003EEXIF 数据*：可交换图像文件格式常被简称为Exif（Exchangeable image file format），是专门为数码相机的照片设定的，可以记录数码照片的属性信息和拍摄数据\u003C\u002Fi\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Ci\u003E* dropout: 指在模型训练时随机让网络某些隐含层节点的权重不工作，不工作的那些节点可以暂时认为不是网络结构的一部分，但是它的权重得保留下来（只是暂时不更新而已），因为下次样本输入时它可能又得工作了\u003C\u002Fi\u003E\u003C\u002Fp\u003E原文：\u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=https%3A\u002F\u002Fmedium.freecodecamp.com\u002Frecognizing-traffic-lights-with-deep-learning-23dae23287cc%23.b236s97ij\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003ERecognizing Traffic Lights With Deep Learning\u003C\u002Fa\u003E\u003Cbr\u003E\u003Cp\u003E参考：\u003Ca href=\&http:\u002F\u002Flink.zhihu.com\u002F?target=http%3A\u002F\u002Fwww.cnblogs.com\u002Ftornadomeet\u002Fp\u002F3258122.html\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003EDeep learning：四十一(Dropout简单理解)\u003C\u002Fa\u003E\u003C\u002Fp\u003E&,&state&:&published&,&sourceUrl&:&&,&pageCommentsCount&:0,&canComment&:false,&snapshotUrl&:&&,&slug&:,&publishedTime&:&T12:17:56+08:00&,&url&:&\u002Fp\u002F&,&title&:&用深度学习识别交通灯：我如何在10个星期学会深度学习并赢得了$5000&,&summary&:&作者 \u003Ca class=\&\& href=\&https:\u002F\u002Fmedium.freecodecamp.com\u002F@davidbrai?source=post_header_lockup\& data-editable=\&true\& data-title=\&David Brailovsky\&\u003EDavid Brailovsky\u003C\u002Fa\u003E 是深度学习领域的一个 quick learner，他仅仅用了十周时间，就学会了应用深度学习，并利用他做出来的识别系统参加 Nexar 交通灯识别挑战赛* 获得了第一名。在这篇文章里，他详细阐述了他用的方法，以及他所做的不论是成功或是失败的…&,&reviewingCommentsCount&:0,&meta&:{&previous&:null,&next&:null},&commentPermission&:&anyone&,&commentsCount&:28,&likesCount&:383}},&annotationDetail&:null,&commentsCount&:4,&likesCount&:53,&FULLINFO&:true}},&User&:{&tou-lu-45&:{&isFollowed&:false,&name&:&FrozenTeeth&,&headline&:&爱玩、很爱玩、非常爱玩&,&avatarUrl&:&https:\u002F\u002Fpic2.zhimg.com\u002Fv2-b263d72f30abdf318fa7542_s.jpg&,&isFollowing&:false,&type&:&people&,&slug&:&tou-lu-45&,&bio&:&不是一棵植物&,&hash&:&cc91ee4bbe8cb24bd537d4&,&uid&:76,&isOrg&:false,&description&:&爱玩、很爱玩、非常爱玩&,&badge&:{&identity&:null,&bestAnswerer&:null},&profileUrl&:&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Ftou-lu-45&,&avatar&:{&id&:&v2-b263d72f30abdf318fa7542&,&template&:&https:\u002F\u002Fpic2.zhimg.com\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false}},&Comment&:{},&favlists&:{}},&me&:{},&global&:{&experimentFeatures&:{&ge3&:&ge3_9&,&ge2&:&ge2_1&,&searchSectionStyle&:&loosen&,&androidPassThroughPush&:&all&,&newMore&:&new&,&nwebQAGrowth&:&experiment&,&showTipInLiveDetailsPage&:&true&,&nwebFeedAd&:&experiment&,&newSign&:&newVersion&,&qawebRelatedReadingsContentControl&:&open&,&marketTabBanner&:&market_tab_banner_show&,&liveStore&:&ls_a2_b2_c1_f2&,&qawebThumbnailAbtest&:&new&,&nwebSearch&:&nweb_search_heifetz&,&searchHybridTabs&:&without-tabs&,&enableVoteDownReasonMenu&:&enable&,&showVideoUploadAttention&:&true&,&isOffice&:&false&,&enableTtsPlay&:&post&,&newQuestionDiversion&:&false&,&wechatShareModal&:&wechat_share_modal_show&,&newLiveFeedMediacard&:&old&,&hybridZhmoreVideo&:&no&,&recommendationAbtest&:&new&,&nwebGrowthPeople&:&default&,&qrcodeLogin&:&qrcode&,&isShowUnicomFreeEntry&:&unicom_free_entry_off&,&newMobileColumnAppheader&:&new_header&,&questionRecommendReadingsAbtest&:&similar&,&androidDbCommentWithRepinRecord&:&open&,&androidDbRecommendAction&:&open&,&zcmLighting&:&zcm&,&androidDbFeedHashTagStyle&:&button&,&appStoreRateDialog&:&close&,&default&:&None&,&isNewNotiPanel&:&no&,&androidDbRepinSelection&:&open&,&nwebRelatedAdvert&:&default&,&androidProfilePanel&:&panel_b&,&nwebWriteAnswer&:&experiment&}},&columns&:{&next&:{},&thinkout&:{&following&:false,&canManage&:false,&href&:&\u002Fapi\u002Fcolumns\u002Fthinkout&,&name&:&盒子以外&,&creator&:{&slug&:&tou-lu-45&},&url&:&\u002Fthinkout&,&slug&:&thinkout&,&avatar&:{&id&:&v2-97a1b7d012f788cf4abad830f75158c6&,&template&:&https:\u002F\u002Fpic4.zhimg.com\u002F{id}_{size}.jpg&}}},&columnPosts&:{},&columnSettings&:{&colomnAuthor&:[],&uploadAvatarDetails&:&&,&contributeRequests&:[],&contributeRequestsTotalCount&:0,&inviteAuthor&:&&},&postComments&:{},&postReviewComments&:{&comments&:[],&newComments&:[],&hasMore&:true},&favlistsByUser&:{},&favlistRelations&:{},&promotions&:{},&switches&:{&couldSetPoster&:false},&draft&:{&titleImage&:&&,&titleImageSize&:{},&isTitleImageFullScreen&:false,&canTitleImageFullScreen&:f