精华内容
下载资源
问答
  • 3、如何专利结构图纸 4、如何专利流程图(逻辑图) 1、下载安装VISIO Microsoft OfficeVisio是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。属于...
        

    1、专利扫盲    2、专利申请书文本

    3、如何画专利结构图纸    4、如何画专利流程图(逻辑图)

    1、下载安装VISIO

    Microsoft OfficeVisio是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。属于Office家族,使用方式与Office其他软件类似,但不包含在Office安装包中,单独收费安装。

    2、新建基本框图

    1314054-999b1ee1d2080772.png
    基本框图

    3、选择黑框黑字模式

    1314054-3f121cbd58ee5db4.png
    黑框黑字

    4、直接将左侧的形状拖入,双击形状,可以添加文字

    5、可以添加流程图形状

    1314054-465fddae478eccc7.png
    更改到流程图

    6、添加连线

    1314054-98e29ce0474b3c61.png
    在开始菜单栏中选择连接线,之后直接连接就可以了

    7、添加图片

    直接复制粘贴就可以了,跟Word一样

    8、添加阿拉伯数字和线条

    1314054-2218266ac3138c3e.png
    添加直线
    1314054-77e2de8b0136b183.png
    添加文字

    9、Visio导出PNG

    1)Visio直接另存为PNG,会把整个页面都保存;

    2)框选需要保存的东西,只会保存想要的东西。

    1314054-42dec717e266038f.png
    鼠标左键框选即可
    1314054-a20c8fcf04fac221.png
    另存为PNG
    1314054-abc4d817759d8dbb.png
    自定义分辨率,分辨率越高,图像越清晰,大小也就越大
    展开全文
  • 2.2 加载训练好的word2vec模型,对所有搜索数据求平均向量 2.3 绘图函数,以性别为例,绘制混淆矩阵 2.4 测试集的构造方法和训练集一样 3.建模预测 3.1 建立基础模型LogisticRegression 3.2 堆叠模型 1.数据预处理...

    基于用户搜索关键词数据为用户打上标签(年龄,性别,学历)
    在这里插入图片描述
    整体流程如下:

    1.数据预处理

    1.1 编码方式转换

    • 将原始数据转换成utf-8编码,防止后续出现各种编码问题¶
      由于原始数据比较大,在分词与过滤阶段会比较慢,这里我们选择了原始数据中的1W个
    import csv
    
    #原始数据存储路径
    data_path = './data/user_tag_query.10W.TRAIN' 
    #生成数据路径
    csvfile = open(data_path + '-1w.csv', 'w')
    writer = csv.writer(csvfile)
    writer.writerow(['ID', 'age', 'Gender', 'Education', 'QueryList'])
    #转换成utf-8编码的格式
    with open(data_path, 'r',encoding='gb18030',errors='ignore') as f:
        lines = f.readlines()
        print(lines)
        for line in lines[0:10000]:
            try:
                line.strip()          
                data = line.split("\t")
                writedata = [data[0], data[1], data[2], data[3]]
                querystr = ''
                data[-1]=data[-1][:-1]
                for d in data[4:]:
                    try:
                        cur_str = d.encode('utf8')
                        cur_str = cur_str.decode('utf8')
                        querystr += cur_str + '\t'
                    except:
                        continue
                        #print (data[0][0:10])
                querystr = querystr[:-1]
                writedata.append(querystr)
                writer.writerow(writedata)
            except:
                #print (data[0][0:20])
                continue
    
    • 测试集的编码转换方式同上
    data_path = './data/user_tag_query.10W.TEST'
    
    csvfile = open(data_path + '-1w.csv', 'w')
    writer = csv.writer(csvfile)
    writer.writerow(['ID', 'QueryList'])
    with open(data_path, 'r',encoding='gb18030',errors='ignore') as f:
        lines = f.readlines()
        for line in lines[0:10000]:
            try:
                data = line.split("\t")
                writedata = [data[0]]
                querystr = ''
                data[-1]=data[-1][:-1]
                for d in data[1:]:
                    try:                  
                        cur_str = d.encode('utf8')
                        cur_str = cur_str.decode('utf8')
                        querystr += cur_str + '\t'               
                    except:
                        #print (data[0][0:10])
                        continue
                querystr = querystr[:-1]
                writedata.append(querystr)
                writer.writerow(writedata)
            except:
                #print (data[0][0:20])
                continue
    
    • 生成对应的数据表
    import pandas as pd
    
    #编码转换完成的数据,取的是1W的子集
    trainname = './data/user_tag_query.10W.TRAIN-1w.csv'
    testname = './data/user_tag_query.10W.TEST-1w.csv'
    
    data = pd.read_csv(trainname,encoding='gbk')
    print (data.info())
    print(data.head())
    
    #分别生成三种标签数据(性别,年龄,学历)
    data.age.to_csv("./data/train_age.csv", index=False)
    data.Gender.to_csv("./data/train_gender.csv", index=False)
    data.Education.to_csv("./data/train_education.csv", index=False)
    #将搜索数据单独拿出来
    data.QueryList.to_csv("./data/train_querylist.csv", index=False)
    
    data = pd.read_csv(testname,encoding='gbk')
    print (data.info())
    
    data.QueryList.to_csv("./data/test_querylist.csv", index=False)
    

    1.2 对数据搜索内容进行分词与词性过滤

    • 这里需要分别对训练集和测试集进行相同的操作,路径名字要改动一下
    import pandas as pd
    import jieba.analyse
    import time
    import jieba
    import jieba.posseg
    import os, sys
    
    
    def input(trainname):
        traindata = []
        with open(trainname, 'rb') as f:
            line = f.readline()
            count = 0
            while line:
                try:
                    traindata.append(line)
                    count += 1
                except:
                    print ("error:", line, count)
                line=f.readline()
        return traindata
    start = time.clock()
    
    filepath = './data/test_querylist.csv'
    QueryList = input(filepath)
    
    writepath = './data/test_querylist_writefile-1w.csv'
    csvfile = open(writepath, 'w')
    
    POS = {}
    for i in range(len(QueryList)):
        #print (i)
        if i%2000 == 0 and i >=1000:
            print (i,'finished') 
        s = []
        str = ""
        words = jieba.posseg.cut(QueryList[i])# 带有词性的精确分词模式
        allowPOS = ['n','v','j']
        for word, flag in words:
            POS[flag]=POS.get(flag,0)+1
            if (flag[0] in allowPOS) and len(word)>=2:
                str += word + " "
                
        cur_str = str.encode('utf8')
        cur_str = cur_str.decode('utf8')
        s.append(cur_str)
        
        csvfile.write(" ".join(s)+'\n')
    csvfile.close()
    
    end = time.clock()
    print ("total time: %f s" % (end - start))
    

    在这里插入图片描述

    2.特征选择

    2.1 建立word2vec词向量模型

    参数定义:

    • sentences:可以是一个list

    • sg: 用于设置训练算法,默认为0,对应CBOW算法;sg=1则采用skip-gram算法。

    • size:是指特征向量的维度,默认为100。大的size需要更多的训练数据,但是效果会更好. 推荐值为几十到几百。

    • window:表示当前词与预测词在一个句子中的最大距离是多少

    • alpha: 是学习速率

    • seed:用于随机数发生器。与初始化词向量有关。

    • min_count: 可以对字典做截断. 词频少于min_count次数的单词会被丢弃掉, 默认值为5

    • max_vocab_size: 设置词向量构建期间的RAM限制。如果所有独立单词个数超过这个,则就消除掉其中最不频繁的一个。每一千万个单词需要大约1GB的RAM。设置成None则没有限制。

    • workers参数控制训练的并行数。

    • hs: 如果为1则会采用hierarchica·softmax技巧。如果设置为0(defau·t),则negative sampling会被使用。

    • negative: 如果>0,则会采用negativesamp·ing,用于设置多少个noise words

    • iter: 迭代次数,默认为5

    from gensim.models import word2vec
    #将数据变换成list of list格式
    train_path = './data/train_querylist_writefile-1w.csv'
    with open(train_path, 'r') as f:
        My_list = []
        lines = f.readlines()
        for line in lines:
            cur_list = []
            line = line.strip()
            data = line.split(" ")
            for d in data:
                cur_list.append(d)
            My_list.append(cur_list)
        
        model = word2vec.Word2Vec(My_list, size=300, window=10,workers=4)  
        savepath = '1w_word2vec_' + '300'+'.model' # 保存model的路径
    
        model.save(savepath)
    
    model.most_similar("大哥")
    

    在这里插入图片描述

    2.2 加载训练好的word2vec模型,对所有搜索数据求平均向量

    import numpy as np
    file_name = './data/train_querylist_writefile-1w.csv'
    cur_model = gensim.models.Word2Vec.load('1w_word2vec_300.model')
    with open(file_name, 'r') as f:
        cur_index = 0
        lines = f.readlines()
        doc_cev = np.zeros((len(lines),300))
        for line in lines:
            word_vec = np.zeros((1,300))
            words = line.strip().split(' ')
            wrod_num = 0
            #求模型的平均向量
            for word in words:
                if word in cur_model:
                    wrod_num += 1
                    word_vec += np.array([cur_model[word]])
            doc_cev[cur_index] = word_vec / float(wrod_num)
            cur_index += 1
    
    doc_cev.shape
    

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    def removezero(x, y):
            nozero = np.nonzero(y)
            y = y[nozero]
            x = np.array(x)
            x = x[nozero]
            return x, y
    gender_train, genderlabel = removezero(doc_cev, genderlabel)
    age_train, agelabel = removezero(doc_cev, agelabel)
    education_train, educationlabel = removezero(doc_cev, educationlabel)
    print (gender_train.shape,genderlabel.shape)
    print (age_train.shape,agelabel.shape)
    print (education_train.shape,educationlabel.shape)
    

    在这里插入图片描述

    2.3 绘图函数,以性别为例,绘制混淆矩阵

    import matplotlib.pyplot as plt
    import itertools
    def plot_confusion_matrix(cm, classes,
                              title='Confusion matrix',
                              cmap=plt.cm.Blues):
        """
        This function prints and plots the confusion matrix.
        """
        plt.imshow(cm, interpolation='nearest', cmap=cmap)
        plt.title(title)
        plt.colorbar()
        tick_marks = np.arange(len(classes))
        plt.xticks(tick_marks, classes, rotation=0)
        plt.yticks(tick_marks, classes)
    
        thresh = cm.max() / 2.
        for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
            plt.text(j, i, cm[i, j],
                     horizontalalignment="center",
                     color="white" if cm[i, j] > thresh else "black")
    
        plt.tight_layout()
        plt.ylabel('True label')
        plt.xlabel('Predicted label')
    

    2.4 测试集的构造方法和训练集一样

    import numpy as np
    file_name = './data/test_querylist_writefile-1w.csv'
    cur_model = gensim.models.Word2Vec.load('1w_word2vec_300.model')
    with open(file_name, 'r') as f:
        cur_index = 0
        lines = f.readlines()
        doc_cev = np.zeros((len(lines),300))
        for line in lines:
            word_vec = np.zeros((1,300))
            words = line.strip().split(' ')
            wrod_num = 0
            #求模型的平均向量
            for word in words:
                if word in cur_model:
                    wrod_num += 1
                    word_vec += np.array([cur_model[word]])
            doc_cev[cur_index] = word_vec / float(wrod_num)
            cur_index += 1
    

    3.建模预测

    3.1 建立基础模型LogisticRegression

    from sklearn.linear_model import LogisticRegression
    from sklearn.metrics import confusion_matrix
    from sklearn.cross_validation import train_test_split
    
    X_train, X_test, y_train, y_test = train_test_split(gender_train,genderlabel,test_size = 0.2, random_state = 0)
    #gender_train 为每个用户搜索的数据的词向量,genderlabel 为用户的性别
    LR_model = LogisticRegression()
    
    LR_model.fit(X_train,y_train)
    y_pred = LR_model.predict(X_test)
    print (LR_model.score(X_test,y_test))
    
    cnf_matrix = confusion_matrix(y_test,y_pred)
    
    print("Recall metric in the testing dataset: ", cnf_matrix[1,1]/(cnf_matrix[1,0]+cnf_matrix[1,1]))
    print("accuracy metric in the testing dataset: ", (cnf_matrix[1,1]+cnf_matrix[0,0])/(cnf_matrix[0,0]+cnf_matrix[1,1]+cnf_matrix[1,0]+cnf_matrix[0,1]))
    
    # Plot non-normalized confusion matrix
    class_names = [0,1]
    plt.figure()
    plot_confusion_matrix(cnf_matrix, classes=class_names, title='Gender-Confusion matrix')
    plt.show()
    

    在这里插入图片描述
    可以看到已经成功的将准确率达到了81.7%,但是召回率确实只有77.2%,效果一般。这里只是以性别为例子,后续还可已将用户年龄、教育程度、喜好等分类出来给用户贴上标签,逐渐完善用户画像,具体得看业务需求。

    本次的例子由于是类别样本分布不均匀导致效果一般,严格来说,任何数据集上都有数据不平衡现象,我们可以通过一下几点去解决类别分布不均匀的问题:

    • 采样:
      采样方法是通过对训练集进行处理使其从不平衡的数据集变成平衡的数据集,在大部分情况下会对最终的结果带来提升。采样分为上采样(Oversampling)和下采样(Undersampling),上采样是把小众类复制多份,下采样是从大众类中剔除一些样本,或者说只从大众类中选取部分样本。
    • 数据合成
      数据合成方法是利用已有样本生成更多样本,这类方法在小数据场景下有很多成功案例,比如医学图像分析等。

    3.2 堆叠模型

    在这里插入图片描述

    from sklearn.svm import SVC
    from sklearn.naive_bayes import MultinomialNB
    clf1 = RandomForestClassifier(n_estimators=100,min_samples_split=5,max_depth=10)
    clf2 = SVC()
    clf3 = LogisticRegression()
    basemodes = [
                ['rf', clf1],
                ['svm', clf2],
                ['lr', clf3]
                ]
    
    
    from sklearn.cross_validation import KFold, StratifiedKFold
    models = basemodes
    
    #X_train, X_test, y_train, y_test
    
    folds = list(KFold(len(y_train), n_folds=5, random_state=0))
    print (len(folds))
    S_train = np.zeros((X_train.shape[0], len(models)))
    S_test = np.zeros((X_test.shape[0], len(models)))
    
    for i, bm in enumerate(models):
        clf = bm[1]
    
        #S_test_i = np.zeros((y_test.shape[0], len(folds)))
        for j, (train_idx, test_idx) in enumerate(folds):
            X_train_cv = X_train[train_idx]
            y_train_cv = y_train[train_idx]
            X_val = X_train[test_idx]
            clf.fit(X_train_cv, y_train_cv)
            y_val = clf.predict(X_val)[:]
              
            S_train[test_idx, i] = y_val
        S_test[:,i] = clf.predict(X_test)
    
    final_clf = RandomForestClassifier(n_estimators=100)
    final_clf.fit(S_train,y_train)
    
    print (final_clf.score(S_test,y_test))
    
    

    在这里插入图片描述

    展开全文
  • 如何流程流程真的有那么难吗?

    千次阅读 热门讨论 2019-01-07 10:58:17
    流程是为了达到特定的目标而进行的一系列有逻辑性的操作过程,它可以不规范,可以充满问题,但它确确实实存在着。只要有事情或任务,就会有流程的存在,将有一定规范的流程图表表示出来可以让流程可视化,从而...

      流程图是为了达到特定的目标而进行的一系列有逻辑性的操作过程,它可以不规范,可以充满问题,但它确确实实存在着。只要有事情或任务,就会有流程图的存在,将有一定规范的流程图表表示出来可以让流程可视化,从而有利于流程的组优化。那么,如何画流程图?在绘制的过程中真的有我们想象的那么难吗?下面一起来看看吧!

      什么是流程图?

      流程图是用来描述某个系统在不同的情况下,如何应对用户的状态、决定和行为的图。
    产品的三种流程图,你都知道吗?
    产品设计中涉及的流程图有三种,业务流程图、任务流程图、页面流程图。其中业务流程图直观的告诉我们整个业务模型是怎样的、涉及到哪些主体,这些主体下面都有什么任务要完成;任务流程图展示了主干任务和分支任务,描述了一个任务的大致流程。

      而页面流程图的对象是页面,页面是互联网产品设计最基本的单元,不管APP也好、H5也好、PC端也好,这些产品由一个个页面组成。页面流描述了用户完成一个任务需要经过哪些页面。也就是我在哪,经过什么操作,能去哪。

      如何画流程图?

      1.进入上述小编分享的在线编辑网站迅捷画图中,在页面正中间,点击进入画图官网中。

      2.这时会跳转到用户中心页面中,在左上角可以新建流程图,既然是画流程图,在新建文件的时候,肯定选择流程图的,不然达不到预期的效果,新建页面如下图所示。

      3.创建好流程图文件之后,它就会自动跳转到画图面板中,在面板四周是图形样式,工具栏以及导航栏。

      4.接下来就可以将流程图的基本框架进行搭建了,在左面流程图基础图形中用鼠标左键选中需要的图形,长按拖拽至编辑面板中需要的位置,然后在用实线或者是虚线将其进行链接。

      5.在用线段进行链接时,先确定线段的位置,选择两个流程图图形需要对接的位置,然后将线段的一头拖拽至流程图边框处,另一端也如上所述。

      6.但是在左面的流程图图形中显示的线段是不能弯曲的,链接不同的流程图图形会以直线显示,那怎样将不同水平面的图像链接起来呢?在编辑面板的上方有不规则线段,可以修改路径使用,操作如图所示。

      7.整体框架搭建完成之后呢就是对里面的内容进行填充啦,双击流程图图形(连接线)输入文字就可以,连接线段里面添加的文字是特殊提示,比较特殊,所以在右面工具栏中可以对字体颜色进行设置使用。

      8.内容添加完成之后,若感觉整个流程图比较单调可以对图形的背景 颜色进行添加,点击需要添加颜色的流程图图形,在左面工具栏中可以设置背景颜色(特殊提示,还可以设置渐变颜色很漂亮)。

      9.在绘制流程图的每一步骤中,该网站都是自动保存的,这样不会担心在绘制过程中出现问题导致数据丢失,但不放心也可以点击文件栏目中的保存选项中保存使用。

      10.在绘制好流程图后很多人第一反应就是截图保存绘制完成的流程图,那就大错特错了了,这样不仅会影响流程图图片的清晰度,并且在编辑过程中编辑面板中是有网格线的,截图就会一起截下来,不太美观。那要怎样操作呢?在文件栏目中有导出选项,点击进去里面还有7种导出格式可以根据需要进行选择使用。

      这就是怎样在利用迅捷画图在线编辑简单漂亮的流程图精简操作,一步一图绘制的比较精美了,自己动手绘制的会很有成就感呢。快快动手尝试吧。


     

    展开全文
  • 习惯流程

    2013-01-14 11:54:15
    编程是一个很有 逻辑关系和内在联系性的工作。 在编写一个功能模块的时候。之前我都是信手拈来。直接写代码,后来越来越发现这样做有一下缺点: ...现在实际编程中的感悟,花点时间,打开word。插入

    编程是一个很有 逻辑关系和内在联系性的工作。

    在编写一个功能模块的时候。之前我都是信手拈来。直接写代码,后来越来越发现这样做有一下缺点:

    1 没有整体观念

    2 逻辑关系很容易出错,很容易出现编好一段程序,发现逻辑颠倒了。又要删掉重新编写。

    3 编写代码时,软件流程调度和具体功能同时编写,这使得编程很混乱。


    现在实际编程中的感悟,花点时间,打开word。插入画板,画一下流程图,可以帮助我们很快理清楚我要做什么,流程是什么。规划好具体流程后,在用代码实现流程关系。再来编写具体子功能。就变得清晰多了。

    当然,这一点对于生活也是很实用的。当策划做什么事情前,先画画流程图,看看我们具体要做些什么事情,做事的先后顺序,逻辑关系。这样到做事情的时候就会有条理多了

    展开全文
  • 几个流程的网站

    2018-05-18 19:51:00
    几个流程的网站 2012年01月31日 14:12:17 阅读数:31655 3个在线流程/线框的网站 Posted on2011/08/15byiworm 手头没有Visio,想几张简单的流程该怎么办呢? 这几个网站可以帮到...
  • openCV-图像算数与逻辑运算

    千次阅读 2016-10-14 11:41:41
    word-wrap: normal;">(68, 68, 68); box-sizing: border-box;">#encoding:utf-8 (68, 68, 68); box-sizing: border-box;"># (68, 68, 68); box-sizing: border-box;">#图像运算 (68, 68, 68); box-sizing: border-...
  • 使用 Vscode +PlantUml uml

    千次阅读 2019-01-24 15:52:00
    PlantUML是一个快速创建UML图形的组件,官网上之所以称它是一个组件,主要是因为多数情况下我们都是在Eclipse、NetBenas、Intellijidea、 Emacs、Word等软件里来使用PlantUML(参看各软件相关配置)。 PlantUML...
  •  亿流程软件 对于流程,清晰的逻辑顺序是第一步! 首先,设计流程最大的难点在于对业务逻辑的清晰把握。熟悉整个流程的方方面面。这要求设计者自己对任何活动、事件的流程设计,都要事先对该活动、事件本....
  • 流程的动画

    千次阅读 2018-12-21 15:29:40
    本文的动画是在VUE框架下,针对节点操作的动画,流程使用flex布局,连线是用js计算,动画是监听节点动画事件完成 <template> <div class="answer-list"> <div ...
  • 程序员效率:流程常用的工具

    千次阅读 2020-03-02 07:00:02
    1、VisioVisio是Windows操作系统下运行的流程和矢量绘图软件,它属于Office办公软件的一部分。特点:内置大量的模板方便使用,界面简洁操作方便,功能十分全面,因为属于o...
  • Word 转手写体

    千次阅读 多人点赞 2020-06-20 13:07:43
    文章目录介绍与准备Tkinter 指南开发环境Word 转手写体代码主程序背景图像字体下载与设置主程序啦!!代码测试与结果链接 Word 文档从 Word 文档获取输入的代码新建一个 Word 测试文档代码调试代码运行准备GUI 设计...
  • 系统架构怎么

    2017-01-12 13:03:00
    系统架构只是这个阶段一个产物,要正确的、合理的系统架构需要全面的理解用户需求以及业务流程,当理解了这些东西后,剩下的就是如何进行表达了,一般而言,可以参照RUP的用例驱动来进行逻辑架构,开发架构等...
  • 编程是一个很有 逻辑关系和内在联系性的工作。 在编写一个功能模块的时候。之前我都是信手拈来。直接写代码,后来越来越发现这样做有一下缺点: 1 没有整体观念 ...插入画板,一下流程,可以
  • 模型:对产品形态结构的梳理,包括功能模块,逻辑关系,信息架构,业务流程等,可以用脑 ,use case,业务流程来表示,根据不同产品,产出物的侧重点不同。但模型很必要,是可以帮助产品经理将一个想法,或是...
  • 在软件设计前先界面

    万次阅读 2010-05-31 17:56:00
     开发不过最好用“快速后台数据”填充界面出全部(几乎)界面好似不敏捷?疑问?在做软件设计之前,好系统的界面是一种非常有效的建模和交流方式 。 总是有人抱怨在需求和软件设计之间仍然有很大的鸿沟...
  • 工作流WF4 hello word   作者Attilax , 1466519819@qq.com   图形化编程工具工作流WF4. 1 建立一个workflow项目... 1 建立WEB/CS项目以便调用... 2 图形化编辑的动作大集合... 2 WF4的优点... 3 ...
  • word 技巧

    2008-11-17 22:39:00
    问:WORD里边怎样设置每页不同的页眉?如何使不同的章节显示的页眉不同?答:分节,每节可以设置不同的页眉。文件——页面设置——版式——页眉和页脚——首页不同问:请问word中怎样让每一章用不同的页眉?怎么我...
  • 如何用Microsoft Office Visio时序

    万次阅读 2013-01-08 17:04:17
    文件-》新建-》软件和数据库-》UML模型,然后在左侧的形状中点击“UML序列” 或者在这里点击“Database Model Diagram”
  •  鼻炎一直没有彻底好,稍微有些闹心,网友希望能看到整个系统的逻辑图,我就了一张,看看自己的思路是否足够严谨,希望能与大家都沟通多交流。   <br />  备注一下,图是用Word2007的,...
  • word2vec算法

    千次阅读 2019-07-01 16:30:54
    word2vec1 算法的基本思想2 举例说明2.1 构造训练数据2.2 数字化表示单词对2.3 定义网络结构2.4 隐藏层2.4 输出层3 直觉的启示4 下篇预告 本文是一篇翻译的文章,原文链接是:...
  • 怎样旋转效果的图形

    千次阅读 2008-07-19 02:44:00
    SetWorldTransform - 函数功能  函数功能:该函数为指定的设备环境设置全局空间和页面空间之间的二... dc.DrawText("中华人民共和国",CRect(0,0,100,500),DT_WORDBREAK|DT_RIGHT);  myFont.DeleteObject();
  • VC++ 操作Word(使用微软office控件)

    千次阅读 2019-03-04 23:25:33
    你可以实现诸如:Word文件打印、传送数据到Word文档、发送E-MAIL、自动产生表格、Excel数据统计、圆饼,直方显示、自动报表生成、播放幻灯、doc,txt,HTML,rtf文件转换、中文简繁体转换、拼音或笔画排序.........
  • 写论文时,黑白电路的技巧

    千次阅读 2015-08-03 16:37:07
    直接将电路圈中,复制粘贴到word,成为图片格式。 利用word图片的“格式”中选择“颜色”,调整为灰色,成为黑白图片。 若再需要添加其他标注,可以将黑白图片复制粘贴到Visio中,添加需要的辅助线、文本框等。 ...
  • java IText 导出word表格

    千次阅读 2017-11-20 14:20:49
    之前写的导出表格都是导出成Excel,但是接到的项目新需求要求导出成横表类型的Word文本,据了解,POI对word的导出支持略低,之前用的是自己设置本地模板,然后读取到模板后进行数值的获取补充,但是由于博主接到的需求所有...
  • 介绍一种好的设计方法——在软件设计前先界面 (转载)- - 在做软件设计之前,好系统的界面是一种非常有效的建模和交流方式。 总 是有人抱怨在需求和软件设计之间仍然有很大的鸿沟需要填补,这是至今仍然...
  • c++ 操作Word

    千次阅读 2015-02-06 21:12:31
    你可以实现诸如:Word文件打印、传送数据到Word文档、发送E-MAIL、自动产生表格、Excel数据统计、圆饼,直方显示、自动报表生成、播放幻灯、doc,txt,HTML,rtf文件转换、中文简繁体转换、拼音或笔画排序.........
  • 拓扑是用什么软件的?

    千次阅读 2020-09-19 20:06:59
    拓扑可以简单地分为物理拓扑和逻辑拓扑两种。物理拓扑是指用线缆构成的物理连接;逻辑拓扑是在物理拓扑的基础上实现通信。拓扑目的是用图形传递量化信息,让数量的对比更加直观,易于绘制,是一种量化的有效...
  • VC++ 操作 word

    千次阅读 2016-08-19 15:45:03
    你可以实现诸如:Word文件打印、传送数据到Word文档、发送E-MAIL、自动产生表格、Excel数据统计、圆饼,直方显示、自动报表生成、播放幻灯、doc,txt,HTML,rtf文件转换、中文简繁体转换、拼音或笔画排序.........
  • 大部分程序员并不会PPT,也梳理不出架构。工作的年头虽然多,但却不对自己的知识进行整理汇总,久而久之只能干,不会说。好,那么本文就带着你一起画画,做个画画的baby! 数学好的一般代码写的好,那下象棋...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 16,903
精华内容 6,761
关键字:

word画逻辑图