的表格点击全选_教你如何制作漂亮的exce表格

在桌面或者文件夹内点击鼠标右键,选择新建->XLSX工作表,这样新建的文件打开之后,还是系统默认的字体以及字体的大小,并不是我们设置的。如下图:

5453469c9d63bb6d75a20c1eb5752df9.png

右键新建XLSX文件

打开新创建的excel文件,输入字体,我们会发现,字体的样式还是宋体,大小还是10号,如图:

字体样式以及大小并未改变

db8f359ff223ea7b37ad167ba96a97e3.png

2. 正确的方式是打开excel软件之后,点击选项卡右侧 + 号右下方的下拉按钮,在弹出的选择项目中,选择从默认模板新建,如图:

8b87c735b012eef6d377db33a9718a0d.png

从默认模板新建xlsx文件

新建excel文件之后,我们在单元格里面输入一些内容来查看效果。

7ac4cf16f3bb059d6ef31152d62e54ca.png

现在默认的字体以及大小已经更换

3. 我们在新建的时候,如果之前有一个是用默认模板创建的excel表格,可以直接点击 + 按钮直接创建,这样创建的也是以默认模板创建的。

从默认模板创建

e883b6c0b154cc0c437fd1091a257cc7.png

简单来讲,把鼠标放到+按钮上,如果显示的是“从默认模板新建”那么就是正确的,如果显示的是“新建”,那么就是系统默认的字体样式以及大小。

下面我们讲下如何对Excel表格进行美化,我们新制作一个excel的数据文件,文件样式如图所示:

初始excel数据文件

05c4bae1cda92d1d42b1458fdace9682.png

我们的目的是将此excel表格进行美化,这个表格的特点是标题栏、正文单元格里面的文字是同样的字体、同样的颜色,每个行之间也都是同样的色调,不符合我们的审美的观点,我们的目的是将标题栏的背景、标题栏字体进行调整,同时因数据行较多,让数据行的颜色隔行显示比较好,同时我们给excel表格增加筛选按钮,如此多的调整,我们只需要两秒钟即可搞定,下面我们来介绍下具体操作。

第一步我们全选工作表,全选工作表的快捷键是 CTRL+A 。

全选工作区域

e37e26233285ea061434c8e8a7e581ec.png

2.第二步我们使用快捷键CTRL+T对excel进行美化,这时选择“表包含标题”以及“筛选按钮”两个选项

对表格进行美化

c0c218a8265b5182f201bbcdd4dfaa3e.png

3. 第三步,查看结果,美化后的效果是相当明显,首先标题栏的字体大小、颜色以及单元格背景都做了调整,而且增加了筛选按钮,数据行都做了隔行变色。

fee3b3b967dd89a34fa714e3cc2f5b88.png

美化后的结果

上面我们介绍了对Excel表格进行美化的方法,主要使用了 CTRL + A 、CTRL+T 两个快捷键,感兴趣的朋友可以打开个excel表格试验下。

d6b380ced2f0e4e1b0553f59e2ce503e.png
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