ppt文件太大怎么压缩?

    ppt文件太大怎么压缩? ppt是office软件中重要的演示文稿,是所有电脑使用者最喜欢使用的文件格式之一,上班族会使用ppt来做工作汇报,老师会用ppt来编写教学文案,学生会用ppt来总结学习心得,总是ppt文件对于我们每个人都非常的重要。为了让ppt文件的内容更加的丰富生动,在编写文件的时候需要往里面插入很多的图片,正因为如此也造成保存后的ppt文件的体积比较的大,ppt文件太大使用起来就麻烦了,首先发送给别人就比较困难且耗时,而且打开的时候可能会卡主电脑。

    这时候我们就需要想办法对ppt文件进行瘦身,不少人会删除文件里面的配图来实现这个目的,不过这需要牺牲ppt文件的质量,小编认为不可取。其实我们可以直接使用压缩工具将ppt文件压缩变小,大家是不是还没听过ppt文件的压缩方法呀,下面就让小编来教一教大家吧。

ppt文件压缩的全部操作步骤:

步骤1,打开工具后选择对应功能

    我们今天需要使用到“优速文件压缩器”软件工具,所以需要将它先下载并安装到电脑上,安装好之后打开使用,选择我们需要使用的【PPT压缩】功能。

步骤2,添加ppt文件到软件中

    点击【添加文件】按键,将准备进行压缩处理的ppt文件添加到软件中,软件为了帮助大家提高压缩效率,支持批量压缩。

步骤3,选择压缩方式后启动软件

    如下图所示,先进行压缩设置,选择一种压缩方式(缩小优先或清晰优先);然后点击软件右上角的【开始转换】红色按钮,启动文件压缩程序,接下来我们只需要等待即可。

步骤4,完成压缩

    稍微等待一会,当添加到软件中的ppt文件完成压缩后,软件会自动弹出输出文件夹,而压缩变小后的ppt文件就保存在这个文件夹里,方便我们查看。

步骤5,将压缩效果进行对比

    我们将上面压缩完成后的ppt文件与压缩前的进行对比,可以明显的看到压缩后的ppt文件体积要比压缩前的小很多,ppt成功压缩变小。

    其实文件压缩并不可怕,很多人不知道怎么操作就是没有找到一个简单的方法,上面小编这个ppt压缩方法就非常的简单,只要将ppt文件添加到软件后就能启动压缩,非常的省心,也不用担心压缩后的文件质量是否非常的差,小编测试过,压缩后的ppt文件依然非常清晰。好了,关于“ppt文件太大怎么压缩?”就介绍到此,有需要的可以去试一试~~~

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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