有的时候为了在公共区域展示我们的企业的宣传类演示文稿，我们需要为演示文稿设置为自动循环播放。今天就和小编一起来学习如何设置幻灯片的自动循环播放吧。

一、单个演示文稿自动循环播放

打开演示文稿，切换到【幻灯片放映】选项卡，在【设置】组中，点击【设置幻灯片放映】按钮，弹出【设置放映方式】对话框。在【放映选项】区中勾选【循环播放，按ESC键终止】后，点击【确定】按钮即可。

切换到【切换】选项卡，在【计时】组中，取消勾选【单击鼠标时】，勾选【设置自动换片时间】，并设置为1秒钟，并点击【全部应用】，否则仅应用于当前设置的幻灯片。点击【幻灯片放映】按钮，即可实现演示文稿的自动循环播放了，如果想要退出播放，使用【ESC】键就可以。

二、多个演示文稿自动循环播放

如果需要循环的演示文稿不止一个，我们刚刚的方法就不大适用了。我们可以使用复制粘贴功能将其他演示文稿合并为一个演示文稿后，再次使用自动循环设置。或者，我们可以将幻灯片转换为视频文件，通过播放器来实现循环播放。

切换到【文件】选项卡，进入幻灯片操作后台，点击【导出】按钮，在弹出的界面中，切换到【创建视频】选项卡，在此设置是否用于计算机显示、是否使用计时和旁白、设置放映每张幻灯片的秒数，点击【创建视频】按钮，弹出【另存为】对话框，选择合适位置保存即可。

欢迎关注，以上。

视频的制作，怎样去制作一个小视频文件的，有什么软件支持把一些图片或者照片之类的文件合并制作成一个小视频文件的，下面我们就来看看小视频的制作方法啦。

打开Powerpoint，点击“插入”→“相册”→“新建相册”把准备好的风景照片从电脑导入PPT。接着为每一张PPT图片设置动画效果，你也可以选择“全部应用”（在这里主要是用到PPT软件来用的）

保存PPT文档。接下来就利用PPT转换器，把PPT文档转换为视频文件。

“自定义”设置当中给相册视频添加一首背景音乐，可以是纯音乐，也可以是歌曲。

选择制作的视频格式。选择任意主流视频格式输出，也可以根据播放设备选择视频格式。

然后点击“start”转换按钮。开始制作视频文件，其中还可以对制作的视频文件预览一下。

40节全套到ppt视频0基础课程，从小白进阶高手到视频教学，附送1000ppt模版限时领取！文章末尾有获取方式，按照以下步骤就能得到

ppt模版

接近年末，公司到处都需要写PPT报告，很多大人都为之发愁，我也是犯困。最近找到了一系列到课程学习，发现自己到PPT水平提高了很多，工作也轻松了。下面免费给大家一个福利，希望你们能够喜欢。

ppt视频0基础课程：这个ppt视频为ppt进阶学习，内容很丰富，教你从新手如何一步一步操作，刚大学毕业你可以学习一下制作精美到简历，在工作中制作做PPT是家常便饭，做运营到朋友经常都要写个报告，喜欢到老板，学生都可以去下载下来学习一下，说不定你自己就能够制作出来精美到PPT。我自己学了1个多星期，发现自己到PPT水平提高了很多。感兴趣到朋友可以按照我以下说到方法去获取哦！

ppt进阶视频教学

获取方式：

2、评论区任意评论或者转发一下；

3、最下面，旁边的收藏，小手点击一下，进入下一步；

4、第123步做完了，私信回复：ppt模板

新智元报道

来源：伯克利

编辑：元子

Pieter Abbeel是加州大学伯克利分校教授，EECS，BAIR，CHAI，师从吴恩达。

现任伯克利机器人学习实验室主任、伯克利人工智能研究（BAIR）实验室联合主任；covariant.ai联合创始人，总裁兼首席科学家、OpenAI顾问。

从左到右分别为：Pieter Abbeel, Peter Chen, Jonathan Ho, Aravind Srinivas

第一课视频+作业

视频：

PPT：

Motivation：

https://drive.google/open?id=12Oh8r7RIRjl0JgZFYMhKvttGRBnd_jdO

Likelihood-based Models Part I: Autoregressive Models：

https://drive.google/file/d/194FouvI7xJM0bG4AaEsHo8PSSOjUozN6/view?usp=sharing

作业：

https://drive.google/file/d/1DtYllaV4Yk8ljgYcLBmdXNplEDTG6HT6/view?usp=drive_open

全部课表

第一周（1月30日）

Lecture 1a: Logistics

Lecture 1b: Motivation

Lecture 1c: Likelihood-based Models Part I: Autoregressive Models

第二周（2月6日）

Lecture 2a: Likelihood-based Models Part I: Autoregressive Models (ctd) (same slides as week 1)

Lecture 2b: Lossless Compression

Lecture 2c: Likelihood-based Models Part II: Flow Models

第三周(2月13日)

Lecture 3a: Likelihood-based Models Part II: Flow Models (ctd) (same slides as week 2)

Lecture 3b: Latent Variable Models(DRAFT)

第四周 (2月20日)

Lecture 4a: Latent Variable Models (ctd) (same slides as week 3)

Lecture 4b: Bits-Back Coding

第五周 (2月27日)

Lecture 5: Implicit Models / Generative Adversarial Networks

第六周 (3月6日)

Lecture 6: Non-Generative Representation Learning

第七周 (3月13日)

Lecture 7a: Non-Generative Representation Learning (ctd)

Lecture 7b: Semi-supervised Learning

第八周 (3月20日)

Lecture 8: Representation Learning + Other Problems

复习 (3月27日)

本周主要是对前八周的课程进行复习。没有老师管，自己想怎么复习就怎么复习。

第九周 (4月3日)

Lecture 9a: Unsupervised Distribution Alignment

Lecture 9b: Guest Lecture: Ilya Sutskever

第十周 (4月10日)

Lecture 10a: Unsupervised Distribution Alignment (ctd)

Lecture 10b: Guest Lecture: Durk Kingma

第十一周 (4月17日)

Lecture 11: Language Models (Alec Radford)

第十二周 (4月24日)

Lecture 12a: Unsupervised RL

Lecture 12b: Guest Lecture Alyosha Efros

第十三周 (5月1日)

Lecture 13a: TBD

Lecture 13b: Guest Lecture Aaron van den Oord

第十四周 (5月8日)

RRR week。这周主要是针对UC伯克利本校学生的停课温书假，又被称为“死亡周”。有兴趣的读者可以上网了解一下这周有多疯狂，

第十五周 (5月15日)

期末考试。

相关资源

课程主页：

https://sites.google/view/berkeley-cs294-158-sp19/home

选自GitHub

Bayesian Methods Research Group

机器之心整理

在 Deep|Bayes 夏季课程中，授课人将讨论贝叶斯方法如何结合深度学习，并在机器学习应用中实现更好的结果。近期研究表明贝叶斯方法的利用可以带来许多好处。学生将学到对理解当前机器学习研究非常重要的方法和技术。他们还将体会贝叶斯方法和强化学习之间的联系，学习神经网络的现代随机优化方法和正则化技术。在课程之后，授课人还设置了实践环节。

项目地址：https://github/bayesgroup/deepbayes-2018视频地址：https://youtube/playlist?list=PLe5rNUydzV9Q01vWCP9BV7NhJG3j7mz62PPT 地址：https://drive.google/drive/folders/1rJ-HTN3sNTvhJXPoXEEhfGlZWtjNY26C

教师

多数讲师和助教都是贝叶斯方法研究团队的成员以及来自世界顶级研究中心的研究者。很多讲师曾经在顶级国际机器学习会议例如 NIPS、ICML、ICCV、CVPR、ICLR、AISTATS 等发表过论文。贝叶斯方法研究团队已经开发了一系列的大学课程，包括贝叶斯方法、深度学习、优化以及概率图模型，拥有大量的教学经验。

学生

该夏季课程面向：

本科生（最好已完成至少两年的大学课程），以及拥有很强数学背景、具备足够机器学习知识（包括深度学习）的硕士生。想要扩展知识和技能的机器学习领域或相关领域研究者和行业专家。

学习本课程的必备基础

机器学习的扎实基础，熟悉深度学习。数学：熟练线性代数和概率论（很重要）。编程：Python、PyTorch 和 NumPy。Deep|Bayes 2018 夏季课程中使用英语，因此学生应该熟悉技术英语。

我在 Deep|Bayes 能学到什么？

贝叶斯方法为什么（在机器学习和日常生活中）这么有用？随机性到底是什么？隐变量模型。如何训练模型识别在训练前未知的模式？可扩展的概率模型。为什么将概率推断问题转换为优化问题是有用的？强化学习和贝叶斯方法之间的联系。如何训练随机计算图？自动 Dropout 率的微调。神经网络会过拟合吗？（会的）随机优化。如何以比计算一个点的函数值更快的速度来优化函数？

该课程的目标是展示在深度学习中使用贝叶斯方法可以扩展其应用范围，并提升性能。尽管机器学习中有很多不同的问题设定，但贝叶斯网络的概率推断可以用相似的方式来解决它们。你，心动了吗？

课程主要内容

整个课程涉及贝叶斯学习的方方面面，从最基础的贝叶斯原理到比较难的变分推断和马尔可夫链蒙特卡洛方法。以下展示了整个课程的主题列表，机器之心将简要介绍部分课程内容。

第一天：

贝叶斯方法简介贝叶斯推理隐变量模型和 EM 算法EM 算法

第二天：

随机优化简介可扩展贝叶斯方法变分自编码器狄利克雷隐变量

第三天：

变分推断高级方法变分推断视角下的强化学习强化学习分布式强化学习

第四天：

生成模型对抗学习扩展再参数化的技巧

第五天：

高斯过程贝叶斯优化深度高斯过程马尔可夫链蒙特卡洛方法随机马尔可夫链蒙特卡洛方法

第六天：

贝叶斯神经网络和变分 Dropout稀疏变分 Dropout 和方差网络信息瓶颈

整个课程需要六天才能完成，且每一天的的课程量都非常大，因此机器之心只简要介绍最基本的贝叶斯方法和隐变量模型，其中贝叶斯方法是整个课程的核心思想，而隐变量模型又是生成模型等很多高级方法的基础。

贝叶斯方法简介

我们首先围绕「盲人摸象」的例子来介绍贝叶斯定理，然后简单描述频率学派和贝叶斯学派的区别。

1 贝叶斯定理：

首先贝叶斯定理的基本形式为

即后验=似然度 x 先验/证据

形式化的样子是

现在我们开始讨论「盲人摸象」问题。

一群「盲人」在摸一头大象，试图猜测摸的是什么东西，然而没有一个人猜的是正确的。在不确定的世界里，这就是我们在用概率论理解世界时的样子。

为简单起见，我们把问题设置得简单一些：一群「盲人」在摸一头大象，并且知道这是一头大象，他们希望根据摸到的东西猜测大象的重量。

贝叶斯方法是怎么解决这个问题的呢？

我们假设这些盲人之间会互相交流观察结果，并且都拥有一定的共同常识，也就是对大象重量的最初猜测：

然后他们可以这样：

第一个人的观察结果是摸到了尾巴，以及尾巴的长度 y1，然后重新猜测大象的重量；

第二个人将第一个人的猜测作为先验，并且观察结果是摸到了肚子，以及肚子的面积 y2，然后再次猜测大象的重量；

第三个人同理，根据第二个人的猜测，继续观察、猜测……

在此过程中，他们一开始的共有常识、大象的猜测重量即先验 P(x)，第一个人的观察结果即似然度 P(y1|x)，观察结果本身出现的可能性就是证据 P(y1)，最后就得到的是 P(x|y1)，也就是根据观察结果 y 得到的大象重量为 x 的可能性（概率分布）：

而第二个人在此基础上，将能得到 P(x|y1,y2)：

第三个人将能得到 P(x|y1,y2,y3)……

好了，随着观察报告的增加，这头大象的重量也越来越藏不住了（峰值变得尖锐）：

当然，授课人在课程中会很详细地把概念一步一步讲清楚，包括条件分布、联合分布、边缘分布之间的关系，以及乘积规则、和规则的介绍，可以把上面这个例子涉及的各个概念串联起来，帮助学生理解得更加透彻。

2 频率学派和贝叶斯学派的联系和区别：

频率学派不假设任何的先验知识，不参照过去的经验，只按照当前已有的数据进行概率推断。而贝叶斯学派会假设先验知识的存在（猜测大象的重量），然后再用采样逐渐修改先验知识并逼近真实知识。但实际上，在数据量趋近无穷时，频率学派和贝叶斯学派得到的结果是一样的，也就是说频率方法是贝叶斯方法的极限。

以上就是贝叶斯方法的基础理论部分的大致内容，之后还有生成、判别模型的区别，贝叶斯训练过程以及贝叶斯方法优势的讨论。

隐变量模型

前面简要介绍了贝叶斯方法的核心思想贝叶斯定理，而在这一章节中，Dmitry Vetrov 重点介绍了隐变量模型。隐变量模型是很多复杂方法的基础，例如在变分自编码器这一生成模型中，我们希望将图像压缩为一系列的隐变量，这些隐变量表示了图像的高级语义信息，例如图像主体的倾角、颜色和位置等。

这一部分我们会根据 Dmitry Vetrov 介绍的内容讨论隐变量模型的直观概念、KL 散度、混合分布和变分下界等。

如前所述，VAE 最大的优势即中间编码的短向量代表了图像的某些语义特征，但又因为我们不能明确地知道具体是哪些图像特征，因此我们可以把这个短向量称之为隐变量。直观上来说，完全从整体上一个个像素生成图像是非常困难的，因为我们需要考虑的可能性太多。而如果先决定要生成图像的特征，再根据这幅蓝图生成图像就会容易很多。

VAE 正是这样，先学习如何将图像正确地压缩为一组隐变量，然后再学习如何根据隐变量生成图像。当模型完成学习后，我们给定任意一组隐变量，模型都会尝试生成正确的图像。这也就是隐变量模型的直观概念。

KL 散度一般作为两个分布间距离的度量方法，它常用于生成模型的损失函数。以下展示了 KL 散度的直观理解，即分布 Q(z) 与分布 P(Z) 之间越重合，那么 KL 散度就越小，两个分布之间的距离就越近。

在离散型变量的情况下，KL 散度衡量的是，当我们使用一种被设计成能够使概率分布 Q 产生的消息的长度最小的编码，发送包含由概率分布 P 产生的符号的消息时，所需要的额外信息量。KL 散度有很多有用的性质，最重要的是它是非负的。KL 散度为 0 当且仅当 P 和 Q 在离散型变量的情况下是相同的分布，或者在连续型变量的情况下是 『几乎处处』相同的。

随后 Dmitry Vetrov 展示了隐变量建模的案例，如果我们有一些服从未知高斯分布的样本，那么我们可以用最大似然估计或点估计等方法将该未知分布的均值和方差推断出来。

而现在如果我们假设有一组采自不同高斯分布的样本，且我们需要估计这些高斯分布的参数。这个问题看上去不能解决，但如果我们知道哪些样本是从具体哪一个高斯分布中采样，这个问题就比较容易解决。

但是如果我们不知道样本是从哪个高斯分布中采样的，那么我们就只能使用隐变量模型。它主要的思想即先估计这些样本属于哪一个高斯分布，也就是将样本映射到隐变量「均值」和「方差」。然后再基于隐变量完成对三个高斯分布的建模。

随后顺着这个想法，我们可以构建一个混合高斯模型，并希望将数据编码为隐变量 Z，再根据该隐变量完成建模。如下所示当我们不知道隐变量 Z 的情况下，最大化从 Z 中采样出样本 X 的概率，就能推导出最大化变分下界，这也是变分自编码器最核心的表达式。

变分自编码器中最大化变分下界（ELBO）就可以作为整个模型的优化目标，或者说整个模型的损失函数。在上面的案例中，最大化这个变分下界就代表着找出一些高斯分布，且每一个样本都最可能属于某个高斯分布。

整个课程介绍了非常多的理论知识，尤其是关于贝叶斯学派的各种理论。如果读者对数学比较有自信的话，可以详细学一学该系列教程。

扫描下图二维码，参与Arm人工智能开发者全球峰会↓

学生要学习戏曲表演，老师指导孩子们在课余时间观看表演视频。

这段视频中只有一部分是要观摩的，每次播放结束，孩子们总是要手动动进度条到合适的位置再重新播放，操作十分麻烦。

能不能把视频中的某一段自动循环播放呢？就像音乐类软件中的“单曲循环”一样。

用PPT呀！

1、把视频插入PPT。点击“视频工具”下的“播放”栏，找到“剪裁视频”。

2、打开“剪裁视频”对话框，设置“开始时间”和“结束时间”，或者拖动进度条上的开始标志（绿色）和结束标志（红色），确定自己需要的部分。

3、设置“开始”为自动，勾选“全屏播放”和“循环播放，直到停止”。

播放PPT，会自动开始全屏播放视频中你指定的部分，反复循环，只到点击停止。

孩子终于可以沉浸在学习中了！

更多分享：

PPT中画个平底锅煎鸡蛋尝尝 [PPT鼠绘]

围裙，也是可以用PPT画出来的 [PPT鼠绘]

视频：文档中输入汉语拼音字母的3种方法

欢迎评论，欢迎交流。

怎么联系我？评论呀。

AIS （ACL、IJCAI、SIGIR） 2018

Session 5： Machine Learning and Applications

“机器学习和应用程序” 专场全程视频分享

以下分享内容根据讲者口头分享整理，具体内容详见论文。

1 申大忠 中国科学技术大学

A Joint Learning Approach to Intelligent Job Interview Assessment

先来看一下我们的Motivation， 面试作为人才招聘中的一个重要环节。受到了越来越多的关注。但是，传统的面试流程中存在着一些不可避免的弊端。比如面试决策主要靠面试官个人的判断，难免会受到面试官个人喜好，经历与才能的影响，造成一定的偏差，特别是对于一些从业初期，没有经验的面试官。而对于一些老练的面试官，他们的经验也很难被初级面试官继承学习到。其次，虽然如今一些公司已经积累大量的招聘面试数据，但是从数据挖掘的角度提升面试效果的工作还很少。特别是发掘优秀面试官的经验方面。

为此，我们这篇工作的目的是通过在大量优秀面试官参与的面试记录中学习，发掘面试中几类文本的内在关系。分别是 “岗位描述，简历与面试评语之间”找寻优秀面试官在面试中主要关注点，从而进一步辅助面试等。改善传统面试中的主观性，片面性问题。

但在这个过程中，我们也发现招聘中的一些现象或者挑战需要我们特殊处理。其一，面试官往往根据候选人的简历来设计面试，导致简历与面试评语之间往往存在着强相关性。其二，简历与岗位描述之间也同样有很强的相关性，但不同的是，一般岗位描述比较简洁，而简历中较具体，而且很多不同经历的人可能同时申请同一份岗位，所以，岗位描述的persity要比简历要小。最后我们还注意到，技术类面试与综合类面试之间具有很大的区别，一个偏向于技术考察，一个侧重于人文素养的考察。我们也要区别对待。

为解决上面的三个挑战。我们提出了我们的模型Joint Learning Model on Interview Assessment（JLMIA） 。我们的模型是基于主题模型LDA拓展推广的。右边是相应的概率图展示，我们认为面试中的各类文本都是由多个主题混合而成的，为刻画面评与简历之间的相关性，我们他两之间共享主题分布thetaA来，同时假设thetaA 由岗位描述主题分布thetaJ生成来刻画简历与岗位的关系，为了进一步刻画岗位描述与简历之间的deversity 不同，我们假设三类文档各自的主题数是不同的。接着为了区分技术与综合面试，我们对来自不同类型的面试文本使用不同的主题集。最后，为了求解我们的模型，我们设计了EM算法。如果大家对我们模型更多的细节感兴趣，可以翻阅我们的文章。

接下来，我们设计了两个应用辅助面试，其一是人岗匹配， 给定一对岗位描述与简历，我们希望度量两者的匹配度。首先我们的模型可以推断出两个文本的各自主题分布作为各自的表征向量，这样我们可以使用多种方法来度量匹配度，例如，向量间的cosine similarity，KL 距离，或者把向量拼接作为匹配对作为特征，添加录取与否的标签，使用有监督方法，训练分类器来预测录取概率。我们在真实面试数据上测试我们的效果，baseline有 LDA bag-of-word,我们的模型在多种度量方式上都要明显优baseline, 可以说我们模型找到了简历和岗位描述之间的一种相关性。

另一个应用是面试问题推荐,假设我们有一个面试问题集，给定一个query 我们希望推荐一个相关的问题子集X,这个问题子集X一方面要与query相关，另一方面，问题集覆盖的知识点要尽可能多，即彼此之间要有差异性。我们把问题当作面试评语推断其主题作为表征。同时考虑问题集的Relevance 与 Diversity 设计优化函数，F。F取得最大值时的问题集为最优解。我们同样在真实面试问题集中测试我们的方法。

我们提出三个评价指标，Relevance、persity、Person Quality，Relevance是说推荐十个问题中有多少个与query相关，persity是说这些相关的问题有多少个是涉及不同的知识点，最后person quality是涉及综合类面试的问题。三个评估指标中，我们的模型推荐的问题 Relevance 与Diversity都较高，这说明推荐的问题不仅与query相关而且覆盖的知识点较多。其次推荐给综合面试的问题涉及Person Quality的问题要比技术面试要高，这也是与实际相符的。而以字符匹配为基础的BM25算法效果比较差， 这可能是由于其很难发掘query中潜在的知识点造成的。更具体的我们在论文中展示了一个例子，进一步可视化解释我们的效果。如果感兴趣可以翻阅我们的文章。

这就是我们在智能面试方面的工作，希望在提高面试评估质量的方面做点贡献，使合适的人在招聘中脱颖而出。谢谢大家。

2 毛宇兆 北京邮电大学

Show and Tell More: Topic-Oriented Multi-Sentence Image Captioning

我们看一下Image Captioning任务，为图像生成文本的描述，它跟图像分类不同的地方可以用句子来描述一幅图片，它能广泛应用在很多领域，比如幼儿教学，盲人导航、自动导游。这是很好的应用，现在导游系统，我们到一个地方突然开始讲了，我也不知道讲什么东西，结合VR眼镜，对准一个，它会为你解说内容。

多媒体的人机对话，还有我们能够为医疗影像图片自动生成一些报告，它有很广的应用。我们的动机是，图像描述通常是为图像生成一个单句子的描述。

我们首先想到的就是LDA模型，首先把这些句子放到LDA模型中去，可以获得一些参数，其中包括句子的主题，以及这个句子主题中的主题词，可以标注在这些图像上面。同时我们也可以可视化我们的主题。第一个主题，描述厨房一些内容，第二个主题，关于颜色，第三个，打电话，第四个，读报纸的一些东西。

我们的贡献是提出了面向主题的模型，用多个句子完整描述图片。我们提出了融合单元门，把主题融入进去，把生成的句子和主题保持一致性。我们也在句子和段落集的数字集上面做了很多实验，证明我们的模型在主题一致性和描述一致性上是有效的。

模型首先是形式化描述，传统来说，一个图像描述的目标就是给定一幅图片最大化句子概率。我们模型，为了要抓住不同侧重点描述，引入主题变量。在给定图片的情况下，一个句子和图像联合分布，可以展成两个项目，其中第一项是面向主题的语言模型，对应我们模型的一个输出，同时第二项是一个主题分类器，对应这个模型的第二个输出。

我们的代价包括两个，一是训练语言模型的代价，二是训练分类器的代价。

我们输入包括两项，第一，已经训练好的LDA，还有一个是LCM的第一时刻我们会输入一个图像，在随后的时刻我们会输入句子。

第一个模块是LSTM单元，它会获得两个表示，一是图像表示，就是h0的输出，还有上下文的表示ht，t 大于0时候的输出。

我们还有融合单元门，把得到的三个表示，一是上下文的表示，还有一个是图像的表示，还有一个是主题的表示，融合方式非常简单，先把主题和图像相乘，然后再拼接到上下文表示，去输出语言模型的概率分布。

我们的模型不是为段落描述设计的，但是在段落数据集上也能获得比较好的性能。

给定一个主题，其中NIC会生成显著部分的描述，而我们的模型会生成跟主题相关的图像细节，这是我们的模型优势。

我们在描述同一场景，比如building的时候会有不同侧面的描述，这是qualitative results。

3 何苯 中国科学院大学

TDNN: A Two-stage Deep Neural Network for Prompt-independent Automated Essay Scoring

自动作文评分，指的是机器学习的方法，自动给作文打一个分，希望这样降低人工评分的代价，美国AES在2005年开始在GRE等里面引入机器评分。

现有作文评分方法，大致分两类，一是主题相关模型，对于每一道作文题有打好分的数据，训练模型，然后预测。二是主题独立的作文评分，有一个年级模拟考试，写出作文，但是没有训练数据，只有过往历史数据，根据过往历史数据有一个模型，迅速打一个分。

以往的方法大部分都是主题相关的模型，结果也非常好，甚至有结果表明它们与人和人之间的一致性还要高。但是主题独立的作文评分相对来说不是那么简单。

针对这个问题，我们在工作中提出了基于直推式transfer learning两阶段的算法。

第一阶段，主题独立阶段，我们训练一个简单的评分模型，它是主题独立模型，使用的也是主题独立的特征。用这个模型预测目标的问题作为评分。这个评分是不靠谱的，但是大体上用这个评分可以知道哪些作文是最好的，哪些是最差的。

第二阶段训练神经网络模型，用来预测目标作文集的作文评分。这个深度神经网络有三部分输入，第一部分，语义网络，它的输入是训练好的embedding，第二部分是POS标记输入，第三部分是句法标记作为输入。我们希望用三个不同的输入，分别捕捉一个作文的语义信息，句子的语法构成。还有段落的一种组织，句法组织方式，来捕捉它们和作文评分的一个关系，经过两层三层的LSTM生成作文表示，它们会被拼接起来，输入到前配网络，得到最终的评分。

本文提出的模型，这三种不同的模型输入，每道作文上最佳baseline的性能比较，除了第七道作文题，其他的几个作文题都有一定程度的提高。八道作文题，平均来讲，上面是baseline，下面是方法不同的特征输入。我们发现提出的方法，平均上来讲在三个指标上都能得到一定程度的提升，最好的特征组合是embedding输入加上句法标记。

另外，尾标记信息它的正确性，虽然它的尾标记评分不准确，尾正例比尾负例要高，同时尾负例比尾正例都要低，准确性都有80%以上，保证了训练的可靠性。

最后总结一下，本文提出两阶段的，基于transfer learning的神经网络模型，希望能够解决主题独立的作文评分任务，结果表明方法有效性，还有一个结论，句法特征被证明对作文打分还是有用的一个特征。

4 周乾荣 北京邮电大学

Differentiated Attentive Representation Learning for Sentence Classification

在现在的很多句子分类模型当中，最重要的一个环节就是句子的表示学习，现阶段基于表示学习的深度模型，大家都会用到一种注意力机制的模型，这种注意力机制对于提高整个句子的分类性能还有模型的科技一致性有很大的帮助。

作为一个总结，相关工作里面，在这种单项的注意力集中当中，使用的引导向量一般是句子的平均向量，或者初始化。这种单量模型上面可以进化出多跳的机制，这种机制主要的一个改变就是原先单跳是对句子进行一次关注，这种多跳会更新在句子上面的关注权重，期望能够在最后一次能够关注到句子中比较重要的部分。

基于单跳的模型在一些比较复杂的句子，或者长的句子上表现性能不是特别好。一般性能上要优于单跳模型，一般来说它会使用一种共享全值方式，也就是多跳的注意力机制，它使用的是统一权重。另外，我们发现这种方式都是在最后一个时刻给分类标签的监督信息，没有在中间提供一些其他有监督的信息。

这里是我们发现的一个问题，这种多跳的模型，一般在第一次关注非常重要。比如第一次关注到错误的地方，后面基本上都是沿着错误的道路越来越远。我们的期望就是如何能够在第一次关注错误的时候转移到正确的地方。

我们模型的一个动机是要找到一种方式，出现错误的时候把这种attention转移到正确的单跳上面，给出预测。我们的动机是关注的时候给出一个信号，这种信号传递一种信息，信息表达的是前面attention表现的好与坏，如果分类出现错误，我们应该告诉后面的hop怎么调整。

在训练方法上，如果说我们直接把两个loss加在一起，其实没有不同之处。我们在GR的loss上面加了一个调节因子，在出现错误的时候，关注到一个不是特别好区域的时候，能够转移它的attention。

这里面我们调节因子采用的是分布函数，意义在于C1在正确标签上预测的概率值，如果这个值比较小，那这个发音会比较大。loss的优化重心放在L2上面。这样显示一个信号，表现的怎么样，这个信号传递给C2。

最后是判别器的loss，而这个loss它的监督信息来自C1和C2的分类loss，用的是一个函数。

我们在实验中发现，如果C1的学习情况对C2影响特别大，如果C1总是给出很尖锐的概率分布，或者很平均的概率分布，都将影响C2的学习。我们对C1的预测输出做一个乘法，保持它在该有的正确标签有一个词，其他的标签上有一个不是特别低的值。最后我们把这三个加在一起统一优化。

在模型层面，我们主要提出了差异化的模型。在问题解决层面，我们提出一种显示的信号转移这种attention，能够有效解决attention bias问题。另外，我们做了一个可视化，看到了模型能够提取出更有表现力的特征，提高了分解性能，谢谢大家。

5 刘一佳 哈尔滨工业大学

Distilling Knowledge for Search-based Structured Prediction

自然语言的结构预测是把...

「职场人如何学好PPT？」

1.基础操作

对于初学的小白的话，首先要求的是对PPT软件充分的熟悉，清楚的知道具体的操作，还有一些想实现画面的步骤。

对于自学，我更倾向于是通过视频的方式去学习，因为可以更专注和高强度的吸收，如果是免费的教程的话，我是推荐到我要自学网上面进行学习。

因为自己摸索学习会遇到很多盲区，所以去一些付费教程如推荐网易云课堂的《和秋叶一起学PPT》以及珞珈的视频课，相关的训练营也是个不错的选择，能更加快速改进和解决问题。

关于《求问免费学习PPT的途径？》这里有篇我之前写过的问答链接：

https://wukong//6462825245853090061/

2.提高审美

基本操作这方面解决了之后，首先最重要的是个人审美能力了。这方面的天赋因人而异，那么如何提高这方面的审美呢？我推荐几个设计师的网站，可以供你学习：

字体下载网址：

1、求字体网

2、字体传奇

3、优秀英文字体

egouz/topics/41...

图片：

免费高清图库：

1、pixabay（资源多，质量良莠不齐）

pixabay

2、pexels（资源少，质量高）

3、gratiso（高质量的搞怪图片）

gratisography

付费图库：

1、500px

500px/home

上述图库具体测评清戳链接：

除了资源，搜图思维也是很重要的。推荐一篇旁门左道的@邵云蛟的文章供你阅读参考：

其次就是主题阅读，可以在短时间内大量阅读相关领域书籍，这样能让你在一定时间内对这个领域知识有一个大致的了解。

3.模仿练习

接下来就是可以开始创造了，但是对大部分的小白来说，去创造一个全新的原创力题是有一定的难度的，我们可以去找到一些好的优秀的作品，研究里面有哪些要点进行临摹，自己先尝试一遍，学会拆分把作品分成若干细节，操作时逐一击破。久而久之，这种可以坚持练习，慢慢就会转化成你自身的知识体系。

4.素材收集

素材收集：有分：背景图片、矢量元素、字体、配色以及版式这方面的收集。那我是怎样做PPT素材收集的呢？以下有一个我的组建的PPT付费学习社群【幻灯片定制圈】收集库，分类方式大家可以供于参考。

《汤帅：我都是如何整理和收集PPT素材的？》相关文章链接：

http://dwz/6wmHy3

5.额外学习

PPT只是平面设计里面的一个很小的分支，我们不应该仅仅盯着ppt不放，而是多元化的去学习，比如需多看一些好的插画，以及电影海报，还有一些画册网页设计、UI设计等等的作品综合学习。

我是汤帅，知名PPT定制设计师，职场技能优秀回答者。学点新鲜有趣的职场技能，关注我准没错。

不知道大家有没有需要录制一些文字和语音合并的短视频，但是不知道该用什么合适的软件，其实幻灯片也拥有可以制作视频的功能，首先我们需要完成幻灯片的制作，接下来小编和大家一起学习如何用PPT制作视频~

一、录制旁白

在完成的内容、切换、动画等内容设置后，切换到【幻灯片放映】选项卡中，在【设置】组中，点击【录制幻灯片演示】的下三角按钮，在弹出的下拉列表中，选择【从头开始录制】或者【从当前幻灯片开始录制】后，弹出【录制幻灯片演示】对话框，勾选其中的【幻灯片和动画计时】和【旁白、墨迹和激光笔】后，点击【开始录制】按钮，跳转到录制界面，在界面的左上角有控制暂停的各项按钮。完成录制后退出即可，在幻灯片界面即添加了一个音频的小图标。

二、制作视频

在完成最后旁白录制的幻灯片中，切换到【文件】后台操作界面，点击【另存为】按钮，选择合适的存储位置后，弹出【另存为】界面，在【保存类型】复选框中，选择【Windows Media 视频】或【MPEG-4视频】格式，点击保存即可。

以上，欢迎关注。

打杂的，搞业务的，销售，演讲的，一般办公人员，设计师，演示/升职/职场沟通也少不得PPT辅助，实用的PPT技巧人人需要，而且是有不少是放映PPT时又好用又可以耍帅的，适合展示酷炫的设计。

　　1. 设置母版

　　母版是保证PPT风格统一的基础，正式开工前设计良好的母版可以省去为每张PPT粘贴LOGO、设置页眉页脚、指定特殊标记等繁琐工作。

　　操作：

　　1. 视图页签-幻灯片母版

　　2. 左侧母版列表选择首个母版，并在右侧母版中设置你需要统一的LOGO、页眉页脚(需要在插入页签-页眉和页脚功能的对话框中勾选页脚选项)、标题及内容框字体样式等等

　　3. 关闭母版，此后新建的幻灯片都将按照之前母板指定的格式“产仔”

　　2. 增加反悔次数

　　Ctrl+Z是颇为欢迎的功能，然而在PowerPoint中，默认撤销操作极限为20次，这对一般人来说也是足够的;想增加撤销次数，可按如下操作进行设置。

　　操作：

　　1. 文件页签-选项功能(在Microsoft系软件中，“选项”类似于“设置”)

　　2. 高级选项-最多可取消操作数(最多150次，还不够?)

　　3. 放映幻灯片时如何耍帅之快速定位

　　无论你是坐在会议室里通过视频远程讲解你的项目，还是在讲台上Show你的产品，优雅快捷的PPT放映技巧可以节省你的操作时间，更不至于打断讲解思路，快捷直接的炫酷操作也会增添你的个人魅力。

　　快速定位技巧可以避免你一头懵逼地四处寻找某张特定PPT，不过为了更炫酷，你需要大体记得每个章节的大概次序，这也是演讲前的必要准备工作：比如你需要借此把握你的演讲进度。

　　操作：

　　1. 在幻灯片放映时按下数字

　　2. 按下Enter

　　4. 放映幻灯片时如何耍帅之黑/白板技能

　　黑/白板可以做什么?当然可以用来写字、擦除。程先生也知道你知道啦。但是你不一定知道如何在PPT放映时快捷地调出画笔或者清除当前画笔标记，而不是让鼠标同学点这点那磨磨唧唧;你也可能不知道如何让PowerPoint成为真正的黑/白板，方便快捷地隐藏当前内容以不干扰观众思考或者借此考验玩家们的记忆力。

　　操作：

　　1. 【启用画笔功能】在幻灯片放映时按 Ctrl+P(Pencil的首字母，联想记忆法)

　　2. 【清除画笔痕迹】在幻灯片放映时按 E (对，只需一个键;Eraser的首字母，好记吧~)

　　3. 【黑/白板思考时间】在幻灯片放映时按 B/W (Black/White首字母，再按可恢复显示)

　　5. 放映幻灯片时如何耍帅之窗口放映模式

　　当然有朋友会说，上面两种方式不就是快捷键嘛~是的，就是快捷键。其实，还有一种放映模式可以供不喜欢快捷键，但有着操控欲的朋友们使用。在下面的这个功能界面里，你可以放心享受演讲的乐趣(查看演讲时间、预览下一张幻灯片、查看让人脸红心跳的备注、显示任务栏、显示设置等等)，别担心，观众看到的只是单纯的放映的PPT而已~

　　补充下，Alt+Tab，或者Win键+Tab，可以快速切换窗口，无论你当前在放映PPT还是小电影;如果你之前未曾用过这两个组合键，愿你从此以后P途平坦。

　　操作：

　　1. 在幻灯片编辑状态，注意不是放映状态，按住Alt

　　2. 再依次分别按一下D键，再按一下V键，注意分两次按哦

　　3. 进入窗口放映模式(一般这种模式在外接显示器进行幻灯片放映时会自动启动，现在你可以在单机时提前适应)

　　4. 按Esc退出

　　6. 隐藏PPT 之 活用

　　这个功能怎么说呢，说鸡肋是鸡肋，说鸡腿也鸡腿，考虑良久才决定把它写出来。因为程先生本人遇到过这种场景。比如你辛勤地制作了许多PPT，但有些稿件因为某种原因不想在放映时展现(或者只是一个私人提纲，当然右侧PPT底部也可以添加笔记)，此时你就不用再花心机新建另一个文档用于保存这些内容，而是直接隐藏它们(浏览时可见，放映时不可见)。

　　操作：

　　1. 在左侧幻灯片列表中选择(鼠标左键加Ctrl键分别多选，加Shift键连续多选)需要隐藏的PPT

　　2. 鼠标右键-隐藏幻灯片(幸好阅读不要钱，不然会觉得很坑是吧，囧rz)

　　7. PPT转换成视频、讲义

　　这个功能之所以上榜，也是因为它的潜力。对于不想使用复杂视频编辑器制作视频的朋友们来说，这个功能真的简直了。确实，程先生见过许多用PPT制作的精巧的放映动画，而把这些放映动画转成视频(MP4、WMV格式)，不就是真正的视频嘛~而讲义功能，也将在下面的操作中展现，它能支持多种格式的讲义，省操排版、打印的苦心~

　　操作：

　　1. 文件页签-导出功能(一般Microsoft系软件有另存为就有导出，任性吧~)

　　2. 选择创建视频/创建讲义

　　3. 在最右侧的详情中具体操作

PPT各行各业都有自己的风格，而很多基础功能也没必要赘述，因为在PowerPoint顶部的菜单栏中，已经分门别类罗列得很详细，大家只要花一定的时间去尝试那些功能选项，总能熟门熟路并玩出更新颖的花样。

思路：

内容建立

内容范围：有个大纲，列出你要用PPT承载什么东西。

对象：看你宣传的人的能力，和你要宣传的事情相差多少。 如果他们是前端高手，内容里面的js是什么就没必要，如果说他是html是何物都不知道的新手，就要讲一下。

用导图之类的把打算做的话出来，逻辑清晰即可，不填肉(演讲稿除外)。

风格建立

用途：宣传用的PPT，要华丽一些；做年度总结的，要商业一些；给领导用，要一键到底。看你的PPT使用在哪个场合。

对象：如果是一水的果粉，也许乔爷风格很棒，如果是刚刚大学的学生，绚丽的动作很能吸引注意力。

内容：风格要与内容搭，庆新年你用蓝色科技类的底子必然难看……

播放环境：电脑性能（决定一些动作和效果是否能使用），演示软件类型和版本（wps放ppt挺蛋疼的，03放07、10挺蛋疼的），放映环境（黑底白字如果环境好也是可以用的，高清的投影屏要准备高质量的图片，嘈杂的环境无法使用音乐，阶梯效果不好的场所注意上留空和下留空）总之要多多熟悉，避免出错。

制作过程

做模版配色，或者直接选模版，提前在母版中设置好字体字号颜色、位置、相关按钮排布。

大纲导入到PPT中，填肉，填适当的图、表、音乐，演讲备注（你的演讲稿简化版或者完整版）。

页间切换、页内动作制作。

播放微调。

限时演讲使用时间功能多次进行演讲测试。

版本输出（图片压缩、字体打包、格式转换调整等）

如果是别人定做的，多沟通，你做的未必是人家想要的。

一些心得

对象和用途是关键，别本末倒置，自作多情，别迷恋动作，别迷恋简捷，别迷恋图片音乐，你使用的环境和对象适合什么用什么，目的最重要，其他都是扯淡。

母版出来了，很多东西都省心了，平时多整理制作母版和配色方案，等到制作的时候能省大笔时间。

图、表、动作、音乐，永远为内容传播而服务，做多了反而不利于传播或者浪费时间精力，除非你本来就不想传播内容。

版本控制很重要。

平时多积攒写模版、表格样式，关键时刻事半功倍。

多拆PPT，你会收获很多。

演讲者模式是个好东西，演讲时很有帮助。

至于速度，有过一天出170页的时候，也有过一天出20页的时候，看具体做什么了，各步准备都很重要。