国家广告园：瞬间感受广告魅力

1. 国家广告园的概述

国家广告园是位于北京市朝阳区的一座广告主题公园，于2002年开园，是目前中国唯一一座专门展示广告文化的公园，也是中国广告行业的标志性建筑。园内占地面积达5万平方米，分为七个展馆，涵盖了广告的历史进程、广告的创意设计、广告的媒介形式等多个方面。此外，国家广告园还有大型的室外广告展示区，园内还设有专门的创作室和培训中心，以推动中国广告文化的进一步发展。从国家广告园的概述中可以看出，它是一个集广告文化展示、创作和培训于一体的综合性广告园区，园内展示了多种广告形式，无论从文化、艺术还是商业价值上，都具有重要意义。

1.1 国家广告园的文化价值

广告文化是现代文化的重要组成部分，它不仅记录了商品生产和社会生活的变迁历程，还体现了创造力、文化认同等重要元素。国家广告园以收集和展示广告文化为主要任务，让人们通过参观其中的展览，更好地了解中国广告文化的历史进程和现状，以及广告与社会文化之间的相互关系。这对于推动中国广告文化的传承和发展，有着重要的意义。同时，国家广告园还为广告从业者提供了学习和交流的平台，促进了广告创意的不断创新和进步。

1.2 国家广告园的商业价值

广告作为商业文化的代表之一，它的存在不可避免地与商业利益结合在一起。国家广告园作为一座专门展示广告文化的公园，无论在文化还是商业价值上都具有重要意义。在商业上，国家广告园可以吸引大量游客，提高品牌知名度和美誉度，从而带动周边商业发展。同时，园区内还设有专门的创作室和培训中心，为广告从业者提供了创意和技能培训，为中国广告业的发展提供了重要支持和推动。

2. 瞬间感受广告魅力的相关内容

瞬间感受广告魅力是国家广告园的一个主题，展示了广告创意和表现形式的多样性和魅力，让人们在短时间内感受到广告的视觉冲击力和创意性。这个主题涵盖了广告的几乎所有元素，从色彩、形式、内容、媒介等多个方面展现了广告的魅力和多样性。接下来，我们将从以下四个方面对瞬间感受广告魅力做详细的阐述。

2.1 色彩与形式的魅力

广告是一种视觉语言，色彩和形式是广告最直接的表现形式。在国家广告园内，我们可以看到许多采用不同色彩和形式的广告作品，它们或让人眼花缭乱，或让人沉醉其中。例如，一些用鲜艳、大胆色彩渲染的广告画面，给人以强烈的视觉冲击力，让人无法忽视其存在。而一些采用简洁、几何化形式的广告，则让人感受到其所蕴含的设计美感和表现力。

2.2 内容与创意的魅力

广告的内容和创意是广告的灵魂，也是广告能否成功传递信息和影响消费者的关键。国家广告园内展示了许多含义深刻、引人深思的广告作品，例如，一些反映社会问题和人文关怀的广告，它们通过深刻的内容表达和具有突破性的创意手法，让人们感受到广告的社会价值和影响力。同时，一些有趣、诙谐的广告也让人印象深刻，它们通过巧妙的创意和富有情趣的表现手法，吸引了人们的注意力和兴趣。

2.3 媒介与技术的魅力

广告在不同的媒介上展示，可以呈现出不同的效果和感受。国家广告园内不仅展示了传统的平面广告和电视广告，还展示了现代数字媒体和虚拟现实技术在广告中的应用。这些新兴的广告形式不仅具有突出的视觉效果和互动性，还能通过定向推送等技术手段，更加精准地定位目标受众，提高广告投放的效果和效率。

2.4 文化与时代的魅力

广告是文化和时代的产物，它不仅记录了社会和文化的变迁历程，还能反映出当代社会和文化的特点和趋势。国家广告园展现了不同年代和不同文化背景下的广告作品，让人们感受到广告对于文化和时代的影响和反哺。同时，广告也在不断地适应和引领时代的发展，通过与新技术、新文化的结合，不断推陈出新，表现出时代的魅力和创新力。

3. 总结归纳

从以上内容来看，国家广告园作为中国唯一一座专门展示广告文化的公园，展示了广告文化的深厚底蕴和丰富内涵，同时也展示了广告在商业和社会文化中的重要意义和价值。瞬间感受广告魅力作为园区的一个主题，展现了广告的多样性和魅力，让人们对广告有了更加深刻的认识和了解。无论从文化、艺术还是商业上看，国家广告园对于推动中国广告文化和广告行业的发展，都具有重要的意义和价值。

4. 问答话题

Q：国家广告园有哪些展览和活动？A：国家广告园主要展示广告文化的历史进程、创意设计、媒介形式等多个方面。其中包括中国广告馆、国际广告馆、广告科技馆、广告创意馆、文化展示馆、户外广告展示区以及咖啡厅等。此外，国家广告园还会举办各种广告文化的主题展览、专业培训、大型活动等，以推动中国广告文化的发展和创新。Q：国家广告园如何推动中国广告文化的传承和发展？A：国家广告园通过收集、保存、展示广告文化的历史和现状，向公众展示广告文化的深厚底蕴和丰富内涵，同时为广告从业者提供创作、培训等专业服务，提高广告素质和水平。此外，国家广告园还积极推动中国广告文化与国际接轨，与世界各地的广告机构和专家开展交流合作，以推动中国广告文化的发展和创新。

国家广告园：瞬间感受广告魅力特色

1、rogulike的玩法，感受随机元素的游戏体感;

2、所有游戏上线均有福利赠送，线上只要是想玩的游戏都可以掌握，也是新资源推荐给你玩；

3、智能为您匹配周边的订单，为您节约更多的跑腿时间；

4、全新的D次元的游戏效果，为玩家营造一个宏大的世界观！

5、精致界面和交互功能精致冥想日志卡片冥想打卡小组"睿心一刻"日签：睿智语录伴你开启幸福生活

国家广告园：瞬间感受广告魅力亮点

1、传说中的墨家机关，各种武侠人物能够带给你更多的考验，通关了特殊的地图你就能拿到更多优势;

2、，在线老师指导教学参考，内容参考和使用也超级详细优质。

3、乘客们都能去享受这里欢乐，司机们注意大家的安全，同时也要准确的到达终点;

4、驻扎在这里的车队可以在这里找货，海量的货源可以很快找到。

5、每一个新娘都有她自己的特征，她们的肤色不一样，适合的衣服颜色也不一样。

rogulikedewanfa，ganshousuijiyuansudeyouxitigan;suoyouyouxishangxianjunyoufulizengsong，xianshangzhiyaoshixiangwandeyouxidoukeyizhangwo，yeshixinziyuantuijiangeiniwan；zhinengweininpipeizhoubiandedingdan，weininjieyuegengduodepaotuishijian；quanxindeDciyuandeyouxixiaoguo，weiwanjiayingzaoyigehongdadeshijieguan！jingzhijiemianhejiaohugongnengjingzhimingxiangrizhikapianmingxiangdakaxiaozu"ruixinyike"riqian：ruizhiyulubannikaiqixingfushenghuoUSB：首(shou)個(ge)將(jiang)視(shi)覺(jiao)、語(yu)言(yan)和(he)音(yin)頻(pin)分(fen)類(lei)任(ren)務(wu)進(jin)行(xing)統(tong)壹(yi)的(de)半(ban)監(jian)督(du)分类學(xue)習(xi)基(ji)準(zhun)

新(xin)智(zhi)元(yuan)報(bao)道(dao)

作(zuo)者(zhe)：王(wang)一棟(dong)、王晉(jin)東(dong)

編(bian)輯(ji)：QQ

【新智元導(dao)讀(du)】微(wei)軟(ruan)亞(ya)洲(zhou)研(yan)究(jiu)院(yuan)的研究員(yuan)們(men)聯(lian)合(he)西(xi)湖(hu)大(da)学、东京(jing)工(gong)業(ye)大学、卡(ka)內(nei)基梅(mei)隆(long)大学、馬(ma)克(ke)斯(si)-普(pu)朗(lang)克研究所(suo)等(deng)機(ji)構(gou)的科(ke)研人(ren)员提(ti)出(chu)了(le) Unified SSL Benchmark（USB）：第(di)一个将视觉、语言和音频分类任务进行统一的半监督分类学习基准。

當(dang)前(qian)，半监督学习的發(fa)展(zhan)如(ru)火(huo)如荼(tu)。但(dan)是(shi)現(xian)有(you)的半监督学习基准大多(duo)局(ju)限(xian)於(yu)計(ji)算(suan)机视觉分类任务，排(pai)除(chu)了對(dui)自(zi)然(ran)语言處(chu)理(li)、音频处理等分类任务的一致(zhi)和多樣(yang)化(hua)評(ping)估(gu)。此(ci)外(wai)，大部(bu)分半监督論(lun)文(wen)由(you)大型(xing)机构发表(biao)，学術(shu)界(jie)的實(shi)驗(yan)室(shi)往(wang)往由于计算資(zi)源(yuan)的限制(zhi)而(er)很(hen)難(nan)參(can)與(yu)到(dao)推(tui)動(dong)該(gai)領(ling)域(yu)的发展中(zhong)。

為(wei)此，微软亚洲研究院的研究员们联合西湖大学、东京工业大学、卡内基梅隆大学、马克斯-普朗克研究所等机构的科研人员提出了 Unified SSL Benchmark（USB）：第一个将视觉、语言和音频分类任务进行统一的半监督分类学习基准。

该论文不(bu)僅(jin)引(yin)入(ru)了更(geng)多样化的應(ying)用(yong)领域，還(hai)首次(ci)利(li)用视觉預(yu)訓(xun)練(lian)模(mo)型大大縮(suo)減(jian)了半监督算法(fa)的验證(zheng)時(shi)間(jian)，使(shi)得(de)半监督研究对研究者，特(te)別(bie)是小(xiao)研究團(tuan)體(ti)更加(jia)友(you)好(hao)。相(xiang)關(guan)论文已(yi)被(bei)國(guo)際(ji)人工智能(neng)领域頂(ding)級(ji)学术大會(hui) NeurIPS 2022 接(jie)收(shou)。

文章(zhang)鏈(lian)接：https://arxiv.org/pdf/2208.07204.pdf

代(dai)碼(ma)链接：https://github.com/microsoft/Semi-supervised-learning

监督学习通(tong)過(guo)构建(jian)模型來(lai)擬(ni)合有標(biao)記(ji)數(shu)據(ju)，当使用监督学习 (supervised learning)对大量(liang)高(gao)質(zhi)量的标记数据（labeled data）进行训练时，神(shen)經(jing)網(wang)絡(luo)模型会產(chan)生(sheng)有競(jing)爭(zheng)力(li)的結(jie)果(guo)。

例(li)如，据 Paperswithcode 网站(zhan)统计，在(zai) ImageNet 這(zhe)一百(bai)萬(wan)量级的数据集(ji)上(shang)，傳(chuan)统的监督学习方(fang)法可(ke)以(yi)達(da)到超(chao)过88%的准確(que)率(lv)。然而，獲(huo)取(qu)大量有标簽(qian)的数据往往費(fei)时费力。

为了緩(huan)解(jie)对标註(zhu)数据的依(yi)賴(lai)，半监督学习（semi-supervised learning/SSL）致力于在仅有少(shao)量的标注数据时利用大量無(wu)标签数据（unlabeled data）来提升(sheng)模型的泛(fan)化性(xing)。半监督学习亦(yi)是机器(qi)学习的重(zhong)要(yao)主(zhu)題(ti)之(zhi)一。深(shen)度(du)学习之前，这一领域的研究者们提出了諸(zhu)如半监督支(zhi)持(chi)向(xiang)量机、熵(shang)正(zheng)則(ze)化、協(xie)同(tong)训练等经典(dian)算法。

深度半监督学习

隨(sui)著(zhe)深度学习的興(xing)起(qi)，深度半监督学习算法也(ye)取得了長(chang)足(zu)的进步(bu)。同时，包(bao)括(kuo)微软、谷(gu)歌(ge)、和 Meta 等在内的科技(ji)公(gong)司(si)也認(ren)識(shi)到了半监督学习在实际場(chang)景(jing)中的巨(ju)大潛(qian)力。

例如，谷歌利用噪(zao)聲(sheng)学生训练（noisy student training）这一半监督算法提高了其(qi)在搜(sou)索(suo)方面(mian)的性能[1]。当前最(zui)具(ju)代表性的半监督算法通常(chang)对标注数据使用交(jiao)叉(cha)熵損(sun)失(shi)进行训练，对无标注数据使用一致性正则技术（consistency regularization）鼓(gu)勵(li)对輸(shu)入擾(rao)动进行不變(bian)预測(ce)。

例如，谷歌在 NeurIPS 2020 提出的 FixMatch[2] 算法，利用增(zeng)強(qiang)錨(mao)定(ding)（augmentation anchoring）和固(gu)定閾(yu)值(zhi)（fixed thresholding）技术来增强模型对不同强度增强数据的泛化性和减少噪声偽(wei)标签（noisy pseudo labels）的影(ying)響(xiang)。在训练中，FixMatch 过濾(lv)了低(di)于用戶(hu)指(zhi)定（user-provided / pre-defined）阈值的无标签数据。

微软亚洲研究院与东京工业大学等在 NeurIPS 2021 合作提出的 FlexMatch[3] 则考(kao)慮(lv)到了不同类之间的学习难度不同，因(yin)此提出了課(ke)程(cheng)伪标签（curriculum pseudo labeling）技术，对于不同类应该采(cai)用不同的阈值。

具体来說(shuo)，对于容(rong)易(yi)学习的类别，模型应该設(she)置(zhi)高阈值以降(jiang)低噪声伪标签的影响；对于难学习的类别，模型应该设置低阈值鼓励该类的拟合。每(mei)个类的学习难度评估取決(jue)于落(luo)入该类且(qie)高于固定值的未(wei)标记数据样本(ben)的数量。

同时，微软亚洲研究院的研究员们还合作提出了一个统一的基于 Pytorch 的半监督方法代码庫(ku) TorchSSL[4]，对该领域的深度方法、常用数据集和基准结果进行了统一的支持。

圖(tu)1：FlexMatch 算法流(liu)程

当前半监督学习代码库存(cun)在的問(wen)题与挑(tiao)戰(zhan)

盡(jin)管(guan)半监督学习的发展如火如荼，但是，研究员们注意(yi)到目(mu)前大部分半监督方向的论文只(zhi)关注计算机视觉 (CV) 分类任务，对于其他(ta)领域，例如自然语言处理 (NLP)、音频处理 (audio)，研究者无法得知(zhi)这些(xie)在 CV 任务上有效(xiao)的算法到了不同领域是否(fou)依然有效。

另(ling)外，大部分半监督相关的论文都(dou)是由大型机构发表，学术界的实验室往往由于计算资源的限制而很难参与到推动该领域的发展中。總(zong)的来说，半监督学习基准目前存在以下(xia)兩(liang)个问题：

（1）多样性不足。现有的半监督学习基准大多局限于 CV 分类任务（即(ji) CIFAR-10/100，SVHN，STL-10 和 ImageNet 分类），排除了对 NLP、audio 等分类任务的一致和多样化评估，而在 NLP 和 audio 中缺(que)乏(fa)足夠(gou)的标记数据也是一个普遍(bian)问题。

（2）耗(hao)时且对学术界不友好。现有的半监督学习基准（如 TorchSSL）通常是耗时且不環(huan)保(bao)的，因为它(ta)往往需(xu)要從(cong)頭(tou)開(kai)始(shi)训练深度神经网络模型。具体而言，使用TorchSSL 评估 FixMatch[1]大約(yue)需要300个 GPU 日(ri)。如此高的训练成(cheng)本使得許(xu)多研究实验室（尤(you)其是学术界的实验室或(huo)小研究团体）无法負(fu)擔(dan)得起 SSL 的相关研究，从而阻(zu)礙(ai)了 SSL 的进展。

USB：任务多样化且对研究者更友好的新基准库

为了解决上述(shu)问题，微软亚洲研究院的研究员们联合西湖大学、东京工业大学、卡内基梅隆大学、马克斯-普朗克研究所等机构的科研人员提出了 Unified SSL Benchmark（USB），这是第一个将视觉、语言和音频分类任务进行统一的半监督分类学习基准。

相比(bi)于之前的半监督学习基准（如 TorchSSL）只关注少量视觉任务，该基准不仅引入了更多样化的应用领域，还首次利用视觉预训练模型（pretrained vision Transformer）大大缩减了半监督算法的验证时间（从7000 GPU 时缩减至(zhi)900 GPU 时），从而使得半监督研究对研究者、特别是小研究团体更为友好。

相关论文已被国际人工智能领域的顶级学术大会 NeurIPS 2022 接收。（點(dian)擊(ji)「閱(yue)读原(yuan)文」可了解更多）

USB 提供(gong)的解决方案(an)

那(na)麽(me)，USB 如何(he)一次性解决当前半监督基准所存在的问题呢(ne)？研究员们主要进行了如下改(gai)进：

（1）为增强任务多样性，USB 引入了5个 CV 数据集，5个 NLP 数据集和5个 audio 数据集，並(bing)提供了一个多样化且具有挑战性的基准，从而能够对来自不同领域的多个任务进行一致的评估。表1提供了 USB 与 TorchSSL 的任务和训练时间等方面的詳(xiang)細(xi)对比。

表1：USB 与 TorchSSL 框(kuang)架(jia)的任务和训练时间对比

（2）为了提高训练效率，研究员们将预训练的 vision Transformer 引入 SSL，而不是从头训练 ResNets。具体而言，研究员们发现在不影响性能的情(qing)況(kuang)下使用预训练模型可以大大减少训练叠(die)代次数（例如，将 CV 任务的训练迭代次数从100万步减少到20万步）。

（3）为了对研究人员更加友好，研究员们开源实现了14種(zhong) SSL 算法并开源了一个模塊(kuai)化代码库和相关的配(pei)置文件(jian)以供研究者輕(qing)松(song)再(zai)现 USB 报告(gao)中的结果。为了快(kuai)速(su)上手(shou)，USB 还提供了详细的文檔(dang)和教(jiao)程。此外，USB 还提供了 pip 包以供使用者直(zhi)接調(tiao)用 SSL 算法。研究员们承(cheng)諾(nuo)未来会在 USB 中不斷(duan)加入新的算法（例如不平(ping)衡(heng)半监督算法等）和更多更具挑战性的数据集。表2展示(shi)了 USB 中已支持的算法和模块。

表2：USB 中已支持的算法和模块

半监督学习通过利用大量无标签数据来训练更精(jing)确、更魯(lu)棒(bang)的模型，在未来有着重要的研究和应用價(jia)值。微软亚洲研究院的研究员们期(qi)待(dai)通过 USB 这一工作，能够予(yu)力学术界和工业界在半监督学习领域取得更大的进展。

参考资料(liao)：

[1]https://ai.googleblog.com/2021/07/from-vision-to-language-semi-supervised.html

[2] Kihyuk Sohn, David Berthelot, Nicholas Carlini, Zizhao Zhang, Han Zhang, Colin A Raffel, Ekin Dogus Cubuk, Alexey Kurakin, and Chun-Liang Li. Fixmatch: Simplifying semi-supervised learning with consistency and confidence. Advances in Neural Information Processing Systems, 33:596–608, 2020.

[3] Bowen Zhang, Yidong Wang, Wenxin Hou, Hao Wu, Jindong Wang, Manabu Okumura, and Takahiro Shinozaki. Flexmatch: Boosting semi-supervised learning with curriculum pseudo labeling. Advances in Neural Information Processing Systems, 34, 2021.

[4] TorchSSL: https://github.com/TorchSSL/TorchSSL返(fan)回(hui)搜狐(hu)，查(zha)看(kan)更多

責(ze)任编辑：