cad設(shè)置了線(xiàn)型為什么沒(méi)有區(qū)別？1、改了線(xiàn)型沒(méi)有變化：你畫(huà)的圖太大或則太小，這樣就將線(xiàn)型的比例改一改（全選線(xiàn)，按Ctrl1，這個(gè)可以見(jiàn)到有個(gè)線(xiàn)型比例，默認(rèn)是1，參照?qǐng)D的大小改大貨改小來(lái)看。）2、改了線(xiàn)

cad設(shè)置了線(xiàn)型為什么沒(méi)有區(qū)別？

1、改了線(xiàn)型沒(méi)有變化：你畫(huà)的圖太大或則太小，這樣就將線(xiàn)型的比例改一改（全選線(xiàn)，按Ctrl1，這個(gè)可以見(jiàn)到有個(gè)線(xiàn)型比例，默認(rèn)是1，參照?qǐng)D的大小改大貨改小來(lái)看。）

2、改了線(xiàn)寬沒(méi)有變化：再點(diǎn)激活窗口下方的“總是顯示/封印線(xiàn)寬”選項(xiàng)。

3、應(yīng)該沒(méi)事的時(shí)候輸入一個(gè)RE回車(chē)重?fù)Q生成看看視圖。

自然語(yǔ)言處理的核心技術(shù)是什么？

說(shuō)白的自然語(yǔ)言處理，那是研究能實(shí)現(xiàn)人與計(jì)算機(jī)之間用自然語(yǔ)言接受快速有效通信的各種理論和方法，誰(shuí)都知道，那就是做研究人該如何同計(jì)算機(jī)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(jì)算機(jī)之間的別人交流？

我們從以上幾個(gè)方面好好談?wù)劊?/p>

先知道一點(diǎn)幫一下忙目前遇到的難點(diǎn)。

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

2.詞義的歧義性，很多的詞并何止華指一個(gè)意思，還是需要看上下文語(yǔ)境。比如說(shuō)蘋(píng)果，如果不是沒(méi)有上下文語(yǔ)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(yǔ)言的語(yǔ)法是顧左右而言它的，針對(duì)同一個(gè)句子可能有多種剖析社會(huì)樹(shù)，而我們必須明白了前后文才能挑選出來(lái)最適合的剖析樹(shù)。

4.如此大規(guī)模數(shù)據(jù)集的建設(shè)，自然語(yǔ)言處理是以統(tǒng)計(jì)機(jī)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(xiàng)費(fèi)事費(fèi)力還太費(fèi)錢(qián)的工作，因此導(dǎo)致目前的數(shù)據(jù)集并沒(méi)有什么提升橫豎斜建議使用的地步。

很清楚難點(diǎn)以后，我們?cè)倏纯此暮诵募夹g(shù)，為么能夠進(jìn)行機(jī)器和人類(lèi)的交流。

1.多層感知機(jī)的應(yīng)用，實(shí)際非線(xiàn)性激活函數(shù)（tanh函數(shù)，Sigmoid函數(shù)）對(duì)線(xiàn)性不可分?jǐn)?shù)據(jù)進(jìn)行分類(lèi)

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(lái)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(qiáng)上下文關(guān)系的問(wèn)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(zhǎng)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(huì)導(dǎo)致依賴(lài)性太強(qiáng)問(wèn)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(lái)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(gè)重復(fù)的模塊里都是個(gè)很簡(jiǎn)單tanh層。

Sequence（序列對(duì)），

一類(lèi)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(jī)器翻譯，自動(dòng)啟動(dòng)應(yīng)答等場(chǎng)景。Seq2Seq一般是通過(guò)Encoder-Decoder（編碼-解碼）框架實(shí)現(xiàn)，Encoder和Decoder絕大部分是可以是橫豎斜的文字，語(yǔ)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(gè)可以怎么設(shè)計(jì)出各種各樣的應(yīng)用算法。

不超過(guò)觀點(diǎn)如有錯(cuò)誤，還請(qǐng)指正

內(nèi)心OS：(大家多多關(guān)注呀！)