cad設(shè)置了線型為什么沒有區(qū)別？1、改了線型沒有變化：你畫的圖太大或則太小，這樣就將線型的比例改一改（全選線，按Ctrl1，這個可以見到有個線型比例，默認(rèn)是1，參照圖的大小改大貨改小來看。）2、改了線

cad設(shè)置了線型為什么沒有區(qū)別？

1、改了線型沒有變化：你畫的圖太大或則太小，這樣就將線型的比例改一改（全選線，按Ctrl1，這個可以見到有個線型比例，默認(rèn)是1，參照圖的大小改大貨改小來看。）

2、改了線寬沒有變化：再點激活窗口下方的“總是顯示/封印線寬”選項。

3、應(yīng)該沒事的時候輸入一個RE回車重?fù)Q生成看看視圖。

自然語言處理的核心技術(shù)是什么？

說白的自然語言處理，那是研究能實現(xiàn)人與計算機之間用自然語言接受快速有效通信的各種理論和方法，誰都知道，那就是做研究人該如何同計算機交流的學(xué)科

那他的核心技術(shù)又在哪兒？我想知道為什么可以基于人和計算機之間的別人交流？

我們從以上幾個方面好好談?wù)劊?/p>

先知道一點幫一下忙目前遇到的難點。

1.語言的多樣性倒致了語種不同，那是會造成語序相同，所以才如果用雖然的方法去處理各種語言，就肯定導(dǎo)致語序不前后連貫的問題。

2.詞義的歧義性，很多的詞并何止華指一個意思，還是需要看上下文語境。比如說蘋果，如果不是沒有上下文語境，我們?nèi)绾魏芮宄?，這是水果，還是品牌呢？

3.句法的模糊性，自然語言的語法是顧左右而言它的，針對同一個句子可能有多種剖析社會樹，而我們必須明白了前后文才能挑選出來最適合的剖析樹。

4.如此大規(guī)模數(shù)據(jù)集的建設(shè)，自然語言處理是以統(tǒng)計機器學(xué)習(xí)為基礎(chǔ)的，那你是需要大量的數(shù)據(jù)集，但是構(gòu)建體系數(shù)據(jù)集是一項費事費力還太費錢的工作，因此導(dǎo)致目前的數(shù)據(jù)集并沒有什么提升橫豎斜建議使用的地步。

很清楚難點以后，我們再看看他的核心技術(shù)，為么能夠進(jìn)行機器和人類的交流。

1.多層感知機的應(yīng)用，實際非線性激活函數(shù)（tanh函數(shù)，Sigmoid函數(shù)）對線性不可分?jǐn)?shù)據(jù)進(jìn)行分類

卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用，才是一種特殊的前向傳播網(wǎng)絡(luò)，奇異的結(jié)構(gòu)性因素帶來的是更少的參數(shù)需求和更深的網(wǎng)絡(luò)層數(shù)。

3.RNN

循環(huán)神經(jīng)網(wǎng)絡(luò)的應(yīng)用，能解決卷積神經(jīng)網(wǎng)絡(luò)不能加強上下文關(guān)系的問題，在用循環(huán)結(jié)構(gòu)，以至于其像人一樣占據(jù)了記憶能力。

長短期記憶網(wǎng)絡(luò)的應(yīng)用，LSTM是一種特殊能量的RNN,利用解決會導(dǎo)致依賴性太強問題。和傳統(tǒng)的RNN一樣，網(wǎng)絡(luò)結(jié)構(gòu)是再重復(fù)一遍的，每次來的訓(xùn)練，神經(jīng)元和神經(jīng)元之間需要傳遞一些信息。傳統(tǒng)的RNN，每個重復(fù)的模塊里都是個很簡單tanh層。

Sequence（序列對），

一類End-want-End的算法框架，也就是從序列到序列的轉(zhuǎn)換模型框架，應(yīng)用在機器翻譯，自動啟動應(yīng)答等場景。Seq2Seq一般是通過Encoder-Decoder（編碼-解碼）框架實現(xiàn)，Encoder和Decoder絕大部分是可以是橫豎斜的文字，語音，圖像，視頻數(shù)據(jù)，模型是可以區(qū)分CNN、RNN、LSTM、GRU、BLSTM等等。所以我基于Encoder-Decoder，我們這個可以怎么設(shè)計出各種各樣的應(yīng)用算法。

不超過觀點如有錯誤，還請指正

內(nèi)心OS：(大家多多關(guān)注呀！)