190606-190610《跟秋叶学PPT》

最简单基本的PPT设计

使用了模板仍然辣眼睛的原因:排版

如何排列和放置,对我们的感受认知起着很重要的作用。


四个步骤:

  • 1 统一字体:格式—>替换字体(会将PPT全部使用该字体的都会被替换掉)
  • 2 突出标题
  • 3 巧取颜色:选中文字—>取色器
  • 4 快速搜图

 

PPT主题

PPT主题包含的四种元素:颜色、字体、效果、背景样式

适用于:新做PPT时,先设置主题,再开始制作(固定主题可以在官网下载)

 

 


将图片设置为PPT背景的几种情形:

  1. 默认:将图片拉伸后填充 
  2. 可以改为:将图片平铺为纹理(为避免比例失调,要注意这里的两个刻度值保持一致)
  3. 平铺背景填充:⚠️要使用适合进行填充的纹理图片,不然会很乱          
  4. 更加自由的图片填充(1:1且能够选择图片显示哪些区域)
  •  裁剪某张图片后剪切
  • “设置背景格式”->来自剪贴板

 

调整PPT的页面版式

将PPT设置为纵向A4可以制作个性化简历,设置其他比例也能制作信封、明信片、海报等。

 

母版

通过母版为所有页面或特定页面增加LOGO

视图->幻灯片母版

(同理,有些烦人的水印可以通过这种方法删除掉)

 

版式的跨幻灯片复制

复制->粘贴时保留源格式->右键可查看所有版式

 

快速导入各种类材料(视频、音频、word、excel、图片)

PPT插入视频后如何设置封面?还可以设置不同形状,色调

 

快速完成排版

使用“组合”,保持各部件相对位置不变

按住“shift”,可以绘制直线、正方形、圆形

熟练使用各种对齐:尾部对齐、水平分散、垂直分散

 

 快速美化细节

大段的文字需要提炼出醒目的标题

不重要的文字用灰色弱化,使用灰色可以弱化不重要的内容起到突出重点的作用

一句话一行,一行一个意思,更容易阅读

小字不是为了听众服务的,是为演讲者服务的

好的PPT:文案上提炼,排版上突出

各级标题:28号以上加粗加阴影,正文文字:16,18,20号,不需要加粗

如果要通过字号变化突出重点内容,一般被强调的文字字号至少要加大四号

文字美化

字体、颜色、字号、方向(横竖斜、十字交叉、错位)、缺角文字制作(图片旋转剪裁法)

错位:适于PPT有很多关键词的情况

 

学会用线条划分区域:

1 多看杂志:等分、三等分、上下左右黄金分割

2 线条宽度,灰度,末端形状,虚线,点划线

 

使用同色系颜色打造手工阴影

 

透明渐变色块打造立体效果封面

渐变色的搭配非常考验审美,对于背景图,如果没有十足的把握就用预设渐变或者干脆纯色

 

撕纸效果的制作

 

墨迹效果的制作

 

使用表格进行排版、快速对齐


深度习是机器习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行习和模式识别。深度习模型能够习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医图像分析等应用至关重要。以下是深度习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值