Outlook能帮你实现自动留言的功能

Outlook能帮你实现自动留言的功能


对于在办公室工作的朋友来说,突如其来的来访和外出是再经常不过的事情了,有些紧急的邮件因此就得不到处理。这时候与其让不知情的对方焦急等待,不如主动给他留言,告诉对方你在干什么更好。比如,我今日出差了,但有客人发邮件给我,我又不能在自己电脑面前回复她的信息,也就是说,如果她发给我,我的邮箱会自动回复一封邮件给她,告诉我的客户我出差了,有急事请发到另一个邮箱。就是这样的回执,如何设置呢?

 

在OUTLOOK软件里面是没有自动回复的,能否自动回复取决于你的邮箱。在网页邮箱内,如果你的邮箱没有自动回复功能,OUTLOOK怎么设置都不行。虽然MicrosoftOutlook的“外出时的助理程序”功能也可以帮你,但只有用户配置文件中包含ExchangeServer时才可以使用,比较麻烦,所以在这里我们使用另一种办法。

 

第1步:新建纯文本邮件

新建一个纯文本格式的邮件,请注意不要使用Word作为电子邮件编辑器,在邮件中输入希望自动回复时显示的内容,例如“抱歉,我目前有些事情临时外出,如果有紧急事情,请拨打电话010-12345678”之类的留言,当然不要忘记留下你的签名。

 

第2步:保存为模板文件

从“文件”菜单中选择“另存”命令,将刚才新建的邮件保存为Outlook模板,例如可以命名为“临时外出”。

 

第3步:设置规则

接下来,打开“规则和通知”对话框,新建一个规则,这里选择“从空白规则开始”,当然检查邮件的时间仍然是“邮件到达时检查”,然后在“想要检测何种条件”下选中“只发送给我”复选框,在“如何处理该邮件”下选择“用特定模板答复”,接下来单击“特定模板”下划线,此时会弹出一个对话框,这里默认只显示标准模板,请从“查找”下拉列表框中选择“文件系统中的用户模板”,然后定位到已保存的“临时外出模板文件即可。
提示:选择“用特定模板答复”是有原因的,这样的规则将只向每个发件人发送一次答复,从而避免了Outlook给和你发出多封邮件的同一个发件人发送重复答复,以后,当你临时外出时,Outlook会根据事先定义的模板和规则进行自动答复,你就完全不用操心了。

  • 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