效的方式。
對于轉發指標，我們可以套用BuzzFeed的病毒傳播系數的計算方式：
四、粉絲增長分析
對于自媒體而言，虛高的粉絲數除了忽悠投資人和廣告主以外，對自身成長是毫無意義的。
想要可持續發展，只有精準的粉絲才有價值。
那什么是精準的粉絲？
我想，應該是指能夠給自媒體帶來變現價值的粉絲。
粉絲增長分析，就是圍繞有變現價值粉絲算的一筆賬：如果一個粉絲能給自媒體帶來5塊的凈利潤，那么花低于5元的成本來購買這個粉絲就是劃算的。
首先，引入三個概念——LTV、CAC和ROI。
LTV（Life Time Value）:生命周期總價值。
一個粉絲從關注你的那一天開始到取關或者脫離平臺為止，能夠帶來的收益。
通常按渠道來計算，如果某個渠道或某個平臺的用戶不精準、付費意愿差，那么這個渠道的用戶LTV就相對較低。
CAC（Customer Acquisition Cost）:用戶獲取成本。
同樣跟渠道有關，自媒體需要持續的發現低價、優質的渠道，搶占紅利期。
比如2015年初，買粉絲廣點通渠道的買粉絲漲粉，單個用戶獲取成本只有1-2塊錢。
ROI（Return On Investment）：投資回報率。
計算公式為（收入-成本）/成本。
應用于粉絲增長場景就是（LTV-CAC）/CAC。
衡量的是：你從一個粉絲身上掙到的錢，是否能夠覆蓋獲取這個粉絲的成本。
通常應該做ROI1的事情，這樣才能夠保證業務的可持續發展。后續也都圍繞這個角度展開。
首先，現身說法，舉一個親身犯下的“人傻錢多”的蠢事。
15年初，買粉絲朋友圈集贊的路數還很火熱，我們也不能免俗，搞了三場集贊有禮的活動。
三場集贊有禮的活動，表面上看起來一面光鮮，各種指標在活動日都有顯著的提升。但是興奮過去之后的分析，卻讓人笑不出來了。
三次活動中，發起活動的老用戶重疊度越來越高，帶來的新用戶越來越少，同時，新用戶的次日留存情況也越來越差。
于是，我們開始反思用戶為什么要參加集贊有禮的互動？唯利爾。
老用戶發起活動，他所帶來的新用戶無非是看一眼品牌廣告，幫朋友支持一下。
如果實物獎品價值還不錯，那么這個新用戶也會發起，但目的在于獎品而非買粉絲。
此外，設計過高的門檻使得有的用戶不樂意參與，有的用戶則自建了群開始互相點贊，達不到拉新的作用。
想要提升用戶增長的ROI，就必須降低新用戶中非精準用戶的比例，從而拉升渠道用戶的LTV，降低用戶獲取成本CAC。
由此入手，我們優化了轉發集贊拉新的方式，新一期集贊活動的禮品是凱叔西游記第二部的部分章節收聽權，每個用戶只需要拉5個用戶就能獲得。
因為是虛擬產品，CAC得到了顯著降低。
而兒童故事音頻跟買粉絲賬號捆綁只能自用，用戶如果不是真有需求就絕不會參與活動，從而提升了新增用戶的精準程度。
在后續的此類活動中，我們都有意識的對禮品的形態進行了控制：
實物禮品用于鼓勵已有的活躍老粉絲，虛擬禮品用于激活和拉新。
運營微博、買粉絲這樣的平臺，我們很容易沉迷于追求短期粉絲數字的飆漲而舉辦各種活動。
某些活動拉新從CAC的角度看或許是劃算的，但深究其所帶來的真實活躍粉絲，就往往會發現ROI遠遠小于1，充其量只能算是一次展示廣告曝光，做了一筆又一筆的蝕本生意。
想要算清楚用戶的ROI，有賴于用戶身份的識別和渠道的追溯。
在這一點上，微博和買粉絲的基礎建設比較完善。
以買粉絲為例，基于平臺提供的二維碼，我們可以追溯不同用戶的來源并標識，就像是安卓應用下載對于不同的應用市場打不同的渠道包一樣。
進而，通過平臺提供的外鏈功能、私信功能，來識別用戶的活躍情況。
對于付費增粉渠道，每隔一段時間暫停一些，比較渠道暫停前后自己粉絲量的增長情況和粉絲閱讀占比、線上活動粉絲參與量情況，建立起對付費渠道更清醒的了解。
通過數據分析的方式，能夠讓我們更加清醒的審視內容創作的消費性好壞，粉絲積累的性價比高低，從而以更經濟的方式提升自己的增長速度。
深度學習目前已經應用到了各個領域，應用場景大體分為三類：物體識別，目標檢測，自然語言處理。 目標檢測可以理解為是物體識別和物體定位的綜合 ，不僅僅要識別出物體屬于哪個分類，更重要的是得到物體在圖片中的具體位置。
2014年R-CNN算法被提出，基本奠定了two-stage方式在目標檢測領域的應用。它的算法結構如下圖
算法步驟如下：
R-CNN較傳統的目標檢測算法獲得了50%的性能提升，在使用VGG-16模型作為物體識別模型情況下，在voc2007數據集上可以取得66%的準確率，已經算還不錯的一個成績了。其最大的問題是速度很慢，內存占用量很大，主要原因有兩個
針對R-CNN的部分問題，2015年微軟提出了Fast R-CNN算法，它主要優化了兩個問題。
R-CNN和fast R-CNN均存在一個問題，那就是 由選擇性搜索來生成候選框，這個算法很慢 。而且R-CNN中生成的2000個左右的候選框全部需要經過一次卷積神經網絡，也就是需要經過2000次左右的CNN網絡，這個是十分耗時的（fast R-CNN已經做了改進，只需要對整圖經過一次CNN網絡）。這也是導致這兩個算法檢測速度較慢的最主要原因。
faster R-CNN 針對這個問題， 提出了RPN網絡來進行候選框的獲取，從而擺脫了選擇性搜索算法，也只需要一次卷積層操作，從而大大提高了識別速度 。這個算法十分復雜，我們會詳細分析。它的基本結構如下圖
主要分為四個步驟：
使用VGG-16卷積模型的網絡結構：
卷積層采用的VGG-16模型，先將PxQ的原始圖片，縮放裁剪為MxN的圖片，然后經過13個買粉絲nv-relu層，其中會穿插4個max-pooling層。所有的卷積的kernel都是3x3的，padding為1，stride為1。pooling層kernel為2x2, padding為0，stride為2。
MxN的圖片，經過卷積層后，變為了(M/16) x (N/16)的feature map了。
faster R-CNN拋棄了R-CNN中的選擇性搜索（selective search）方法，使用RPN層來生成候選框，能極大的提升候選框的生成速度。RPN層先經過3x3的卷積運算，然后分為兩路。一路用來判斷候選框是前景還是背景，它先reshape成一維向量，然后softmax來判斷是前景還是背景，然后reshape恢復為二維feature map。另一路用來確定候選框的位置，通過bounding box regression實現，后面再詳細講。兩路計算結束后，挑選出前景候選框（因為物體在前景中），并利用計算得到的候選框位置，得到我們感興趣的特征子圖proposal。
卷積層提取原始圖像信息，得到了256個feature map，經過RPN層的3x3卷積后，仍然為256個feature map。但是每個點融合了周圍3x3的空間信息。對每個feature map上的一個點，生成k個anchor（k默認為9）。anchor分為前景和背景兩類（我們先不去管它具體是飛機還是汽車，只用區分它是前景還是背景即可）。anchor有[x,y,w,h]四個坐標偏移量，x,y表示中心點坐標，w和h表示寬度和高度。這樣，對于feature map上的每個點，就得到了k個大小形狀各不相同的選區region。
對于生成的anchors，我們首先要判斷它是前景還是背景。由于感興趣的物體位于前景中，故經過這一步之后，我們就可以舍棄背景anchors了。大部分的anchors都是屬于背景，故這一步可以篩選掉很多無用的anchor，從而減少全連接層的計算量。
對于經過了3x3的卷積后得到的256個feature map，先經過1x1的卷積，變換為18個feature map。然后reshape為一維向量，經過softmax判斷是前景還是背景。此處reshape的唯一作用就是讓數據可以進行softmax計算。然后輸出識別得到的前景anchors。
另一路用來確定候選框的位置，也就是anchors的[x,y,w,h]坐標值。如下圖所示，紅色代表我們當前的選區，綠色代表真實的選區。雖然我們當前的選取能夠大概框選出飛機，但離綠色的真實位置和形狀還是有很大差別，故需要對生成的anchors進行調整。這個過程我們稱為bounding box regression。
假設紅色框的坐標為[x,y,w,h], 綠色框，也就是目標框的坐標為[Gx, Gy,Gw,Gh], 我們要建立一個變換，使得[x,y,w,h]能夠變為[Gx, Gy,Gw,Gh]。最簡單的思路是，先做平移，使得中心點接近，然后進行縮放，使得w和h接近。如下：
我們要學習的就是dx dy dw dh這四個變換。由于是線性變換，我們可以用線性回歸來建模。設定loss和優化方法后，就可以利用深度學習進行訓練，并得到模型了。對于空間位置loss，我們一般采用均方差算法，而不是交叉熵（交叉熵使用在分類預測中）。優化方法可以采用自適應梯度下降算法Adam。
得到了前景anchors，并確定了他們的位置和形狀后，我們就可以輸出前景的特征子圖proposal了。步驟如下：
1，得到前景anchors和他們的[x y w h]坐標。
2，按照anchors為前景的不同概率，從大到小排序，選取前pre_nms_topN個anchors，比如前6000個
3，剔除非常小的anchors。
4，通過NMS非極大值抑制，從anchors中找出置信度較高的。這個主要是為了解決選取交疊問題。首先計算每一個選區面積，然后根據他們在softmax中的s買粉絲re（也就是是否為前景的概率）進行排序，將s買粉絲re最大的選區放入隊列中。接下來，計算其余選區與當前最大s買粉絲re選區的IOU（IOU為兩box交集面積除以兩box并集面積，它衡量了兩個box之間重疊程度）。去除IOU大于設定閾值的選區。這樣就解決了選區重疊問題。
5，選取前post_nms_topN個結果作為最終選區proposal進行輸出，比如300個。
經過這一步之后，物體定位應該就基本結束了，剩下的就是物體識別了。
和fast R-CNN中類似，這一層主要解決之前得到的proposal大小形狀各不相同，導致沒法做全連接。全連接計算只能對確定的shape進行運算，故必須使proposal大小形狀變為相同。通過裁剪和縮放的手段，可以解決這個問題，但會帶來信息丟失和圖片形變問題。我們使用ROI pooling可以有效的解決這個問題。
ROI poo