Office_Word的学习

1、修改主题颜色

在这里插入图片描述

2、自定义功能区

首席新建一个新建选项卡,我们重命名为自定义文本
在这里插入图片描述
再自定义文本里单击新建组,命名为字体,选择命令字体,点击添加
在这里插入图片描述
在这里插入图片描述

3、自定义快速访问工具栏

在这里插入图片描述

4、出现版本兼容问题

在这里插入图片描述

低版本格式

在这里插入图片描述

文件出现了兼容模式

在这里插入图片描述

兼容模式转换

在这里插入图片描述

5、word的一些基础操作

1、 CTRL+ENTER换页

2、设置戴圈字符

输入1,选中
在这里插入图片描述

3、这个命令可以改变英文的大小写,首字母大小写

在这里插入图片描述

4、 通过段落进行缩进

1、左缩进,2右缩进,3首行缩进

在这里插入图片描述

5、给段落设置边框与底纹

在这里插入图片描述

6、添加项目符号

在这里插入图片描述

7、添加段落编号

在这里插入图片描述

8、通过标尺创建制表位

首先点击一下L,左对齐制表位,然后在上边标尺确定位置,然后按Tabj键定位到左标尺的位置,开始输入文字
还有居中、右对齐、小数点对齐、竖线对齐都是同理操作
在这里插入图片描述

1、通过对话框设置制表位

在这里插入图片描述
在这里插入图片描述

9、使用通配符进行查找

在这里插入图片描述

10、出入图片在文字下方

在这里插入图片描述

11、插入首页不同的页眉和奇偶页不同的页眉

在这里插入图片描述

12、设置起始页页码

在这里插入图片描述
在这里插入图片描述

13、绘制表格斜线

在这里插入图片描述

14、表格计算

在这里插入图片描述
剩下的可以使用更新域操作

15、设置多级列表

在这里插入图片描述

16、插入脚注尾注

在这里插入图片描述

17、插入题注

在这里插入图片描述

18、文章的修订功能

在这里插入图片描述
在这里插入图片描述

6、将vision图插入到word中

如何将visio中图导入到word中

深度学习是机器学习的一个子领域,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学习和模式识别。深度学习模型能够学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、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学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,它能够学习长期依赖关系,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. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 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,使得网络能够学习复杂的函数。 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. **迁移学习(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。 深度学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