中企动力 > 商学院 > 简历生成器
  • ?

    创业半年公司估值4亿,他的梦想是“人人都能成为AI科学家”

    庸颜

    展开

    图丨智铀科技创始人、CEO及首席科学家 夏粉

    来源:数据猿 记者:小北

    目前,AI行业的发展已走过了最初的技术积累窗口期,进入到各方选手都在拼商用的深水区,大家都开足马力极力探索与行业深度耦合的商用之路。而另一边的众多传统行业选手,也正如同垂垂老矣的迟暮英雄,急急地等着吮吸新鲜的血液以寻求新生。

    但血液滴下来,他们却迟迟接不住——高昂的技术门槛、AI人才的缺乏,AI与行业的融合都困难重重。

    “能否用AI来训练AI,用算法来优化算法,通过机器自动化学习,来解决这一痛点呢?”夏粉告诉数据猿记者,其实早在百度任职期间,他就萌生了这一想法。如今,当AI商用遇到瓶颈期之时,他立志要用自己的实际行动践行,解决这一行业发展问题。之后,夏粉从百度离职,创立智铀科技,公司仅仅成立半年,估值就达4亿元人民币。

    夏粉,中科院自动化所机器学习博士,期间在机器学习顶级会议杂志JMLR,ICML, NIPS等发表多篇文章;2008年至2010年留校任复杂系统和智能科学实验室助理研究员;2010年进入百度,先后任百度联盟研发部广告点击率预估团队技术负责人、百度研究院大数据实验室超大规模机器学习团队负责人、资深科学家(高校教授入职百度的级别);2017年6月创立智铀科技,任CEO兼首席科学家。

    看到如此资深的简历,大家一定没想到,在大学中,他曾是同学眼中的“差生”。

    01 当初考5分的那个差生成了百度科学家

    在大学同学十年聚会上,大家都说:“没想到当初线性代数只考了5分的夏粉,竟然成了科学家。”

    从小学到高中,夏粉一直都是那个“不用太费力就能考第一”的别人家孩子,然而上了大学,沉溺于游戏的他学业逐渐荒废,在一次考试中线性代数竟然只考了5分,给大家留下了“差生”的印象。

    但这个“差生”最终还是在本科的最后一年幡然醒悟,用三个月时间补齐所有课程,考上了中科院自动化所的研究生,开始当时还算冷门的机器学习研究,师从机器学习泰斗王珏。

    王珏,中国自动化研究所研究员、博士研究生导师,《自动化学报》编辑委员会顾问委员,原973项目首席科学家、中国自动化学会第四届智能自动化专业委员会副主任、中国计算机学会人工智能与模式识别专业委员会副主任、主任,《自动化学报》副主编,复杂系统国家重点实验室学术委员会委员。2014年12月3日,王珏先生因病医治无效逝世,享年66岁。

    到2008年夏粉博士毕业的时候,机器学习火苗初显,BAT率先认识到了其重要性。当时,阿里副总裁刘振飞亲自到中科院自动化所,邀请夏粉到杭州,“阿里十八罗汉”之一的吴泳铭还给了夏粉一张自填薪资的offer,“填了这个表,你就是阿里机器学习第一人了。”

    但当时,夏粉一心想留校继续在学术上深造,没有选择做这个“第一人”。直到2010年,在学术上达到自己的目标之后,夏粉想:“是时候让理论应用到实践中去了”。

    2010年5月,夏粉进入了具有浓厚工程师文化和不俗技术实力的百度,先后在百度联盟研发部、大数据研究院任职。

    在百度联盟研发部期间,夏粉任广告点击率预估团队负责人,主要集中于提升点击率预估效果方面的工作。“当时主要分为两个方面,一是提升网络广告的CTR点击率,二是在提升CTR的过程中,让建模的代价变得最小。”因此,在数据特征、建模、调参上夏粉带领团队做了一系列研发,在百度数据规模最大的广告业务线——网盟,发展出了一套AutoML技术。

    2013至2014年,张潼、吴恩达相继加入百度研究院,其中张潼负责大数据实验室。恰巧此时,夏粉也产生了新的想法,便找到张潼,告诉他自己想做一个机器学习的通用平台,两人一拍即合。这个产品就是后来的Pulsar,业界第一个基于万亿规模的深度学习网络的机器学习平台。Pulsar被百度各业务线广泛使用,覆盖公司绝大部分业务线,包括凤巢、网盟、金融和糯米等,在百度所有内部平台中排名第一。

    2017年,因战略发展差异等问题,夏粉离开百度。“百度的AI重心在无人驾驶和DuerOS,而我一心想打造一款AutoML型通用产品”。

    02 没想到又成了企业家,公司成立半年就估值4亿

    2017年6月,智铀科技成立。曾经没想到夏粉成为科学家的朋友们又没料到,“怎么又成了企业家”?

    夏粉告诉数据猿记者,从科学家到企业家的转变,是因为他想让人工智能的影响力扩散到更多领域。正如公司名“智铀”:“智”为人工智能,“铀”是一种能产生原子能的放射性元素,能够核裂变散发出巨大的能量。

    目前,智铀科技已经完成两轮融资。Pre-A轮由洪泰基金领投,投后估值达4亿人民币。

    成立半年就估值4亿,夏粉认为:“首先是Auto ML的赛道选择,真正切中了行业痛点”。

    业界存在这样的共识,机器学习已经成为大数据时代数据处理的基础工具,是数据驱动公司标配,然而,全世界只有极少数科学家能创建先进的机器学习模型,企业拥有适应人工智能和机器学习高速发展所需的人才和资金预算也有限,因此,少数的资深机器学习科学家基本都在BAT这样的一流互联网公司中。其他大多数企业,尤其是传统领域的企业尽管拥有数据,却缺乏处理数据的人才和技术,数据化、智能化之路异常艰难。

    事实上,很多前沿科技公司都看到了这一痛点,去年5月,谷歌发布了Auto ML, 这一基于强化学习的算法(Reinforcement Learning Algorithms),先用一种控制器神经网络提议一个“子”模型架构,然后针对特定任务进行训练与质量评估;而反馈给控制器的信息则会被用来改进下一轮提议。重复这个过程数千次生成新的架构,然后经过测试和反馈,让控制器进行学习。最终,控制器将学会为好的架构分配高的概率,以便在延续的验证数据集上实现更高的准确性,并且对于架构空间的差异很小。

    与谷歌相比,智铀科技开发的全自动机器学习平台“EBRAIN”具备第四代机器学习能力,有以下几个主要优势:

    ·数据量:千亿样本、千亿特征

    ·模型:从浅层到深层灵活支持

    ·DNN:万亿链接神经网络结构

    ·调研:自动化特征学习&参数调节

    ·时效性:模型在线更新

    ·评估:可视化模型&数据分析

    在产品上,智铀科技对标谷歌,但从公司类型上,夏粉觉得智铀更像DeepMind,“自动化学习本身涉及很多算法,需要很多优秀的科学家,跟DeepMind一样,我们致力于聚集国内一流的AI科学家;其次,我们也是通过技术驱动研发自动化产品,再通过自动化促进产品化,最终服务到更多的人”。

    其次是难以跨越的技术门槛:

    自动化机器学习让AI去训练AI,可谓AI之上的AI,是机器学习科学的最前沿。“这不仅需要有相当强的技术实力,更需要在算法和实践上有深厚的积累,能够做到这一层的AI科学家寥寥无几。”

    夏粉具有超过15年的机器学习经验,在学术和工业界都有很深的积累,在拥有海量数据的互联网场景实践多年。智铀科技团队其他成员也都是来自于阿里、微软的资深科学家。

    “自动化机器化学习最难的是优化问题。”夏粉告诉数据猿记者,“一个目标函数,需要找到一个点使目标函数最小,对此有很多方法求解,但自动化机器学习中目标函数不可导,反馈机制不明确,计算复杂度高,所以要全部试一遍,成本非常高。把不可导变成可导的优化问题出来,就要求近似”。

    人工智能打败国际象棋大师是在上世纪80年代,通过暴力搜索对每一步棋都进行评估,选取分数最好的一步。但是到围棋,因为复杂度太高,穷搜搜索不出来,所以要做近似问题,把不可解问题近似成可解的问题,找目标函数,使目标函数以很大的概率覆盖每个解,同时求解的复杂度降低。

    智铀科技在以上方面创新了很多算法(人和机器都没有办法找最优解,机器范围大、效率高,所以效果比人好),以前象棋每步搜索2亿次,现在只需要做3000万次,因为做了优化。目前,智铀科技已经为金融、医疗、物联网等多个行业的公司提供服务,产品的应用场景涵盖点击率预估、反欺诈侦测、市场精准营销以及个性化推荐等。

    以内容推荐应用为例,医药公司会通过微信、邮件等方式为医生推送内容(即文章), 推送后医生会对文章有阅读或点赞行为。现在需要根据医生的特征和历史阅读、点赞记录预测其感兴趣的内容,从而进行内容的精准推荐。常规的做法是:对医生和文本提取大量特征,进行特征选择和变换,选择合适算法和对应的超参数,训练模型。通过在验证集上效果,挑选最优的特征、算法和超参数。所有的选择过程由人工完成,耗费大量人力和计算资源。对此,智铀在文本结构化处理的基础上,利用云计算提供的大量计算能力,通过EBRAIN在很短的时间内自动构建客户兴趣模型,并提供内容推荐核心服务能力。最终,根据医生的兴趣进行信息推荐,按照行业标准预估客户内容访问量提升50%以上。

    Auto ML帮助普通工程师提高生产力,也帮助传统企业更快速地拥抱AI。但这并不是夏粉的终极目标,“智铀科技未来的愿景是让人人都能用上AI。正如互联网科技渗透到人们生活的方方面面一样,AI也终将从高端走向大众。就像美图秀秀让没有PS基础的人也能随意地切换滤镜、调整色彩;Windows让没有计算机基础的人也能操作电脑;傻瓜相机让不懂摄影的人也能拍照一样。”(文/小北)

  • ?

    有了这65款软件,你也能做自媒体达人!(小白也要懂的办公软件17)

    杭依瑶

    展开

    坚持原创,抵制抄袭,整理素材加编辑内容大概花了4个多小时,各位小伙伴们,还是支持一下点个关注呗。

    直接上干货,最重要的还是放在最后说,主要分为11个大类,分别是:学习网站类、图片采集类、图片编辑类、视频采集类、视频编辑类、GIF制作、数据工具类、图片排版类、H5制作类、配乐类、商业变现类;

    一.学习网站

    1.网易公开课:作为中国最大最全的课程视频平台,拥有来自国内外顶尖学府的海量名师名课,覆盖文学艺术、历史哲学、经济社会、物理化学、心理管理、计算机技术等二十多个专业领域;同时作为TED官方合作伙伴,向国内用户提供最新最赞的TED演讲;引人入胜又发人深省的纪录片,最关键的是,这些大部分都还是免费的。

    2.网易云课堂:是网易公司倾力打造的学习平台。无论你是各行各业的职场人还是即将步入职场的学生,希望自我提升或充实生活,都可以在这里发现感兴趣的内容,通过学习成为更好的自己!课程包括:求职应聘、办公效率、职场沟通、人际关系、领导能力、知识管理等- IT、互联网、设计领域专业岗位技能:编程开发、数据分析、产品经理、市场营销、电商运营、平面设计、交互UI设计、视频制作、游戏动画等- 业内知名专家和培训机构精心打造,内容全面、专业、有效,帮助你快速提升职场竞争力!

    3.中国大学MOOC:由网易公司与教育部爱课程网携手推出的在线教育平台,汇集中国顶尖高校的MOOC(慕课)课程。在这里,每一个有意愿提升自己的人都可以免费获得最好的高等教育。丰富的名校名师课程来自985高校的顶尖课程,从基础科学到文学艺术、哲学历史到工程技术、经管法学到农林医药,内容应有尽有,完全免费。

    4.插座学院:国内领先的培训机构,2016年获得Pre-A轮融资,讲师团队包括京东、淘宝、凤凰网、奥美、奔驰等项目负责人,至于效果么,我是没有参加过的,貌似收费也不便宜,我还是老老实实的靠经验来吧。

    5.Topys/广告门/WoLoveAd:创意网站,有最新的国内外平面、视频、文案广告。

    二.图片采集

    1.百度图片:这个就不用多做介绍了吧,除了文字搜索外,还支持以图搜图,虽然图片质量一般,但是和其它比较起来方便很多。

    2.花瓣网:迄今为止最喜欢的、用的最久的图片搜索网站,质量很高,强烈推荐。

    3.昵图网/千图网/我图网:设计人员比较喜欢用的网站,质量一般,但是很多素材有授权,对发布版权有要求的可以选择。

    4.头条免费图片:既然是在头条回答问题和发布文章,还是要说下使用比较多的头条免费图片,哪质量真的是一般般,搜索也经常找不到想要的,不过好在方便,直接搜索直接用,至于逼格比较高的,也是要收费的。

    5.500px:最出色的摄影师社区,如果想在摄影、技巧、图片搭配方面有所提升,这是个不错的地方。

    6.iconfont-阿里巴巴矢量图标库:国内功能很强大且图标内容很丰富的矢量图标库,提供矢量图标下载、在线存储、格式转换等功能。阿里巴巴体验团队倾力打造,设计和前端开发的便捷工具。

    7.Pexels:是一个高清图片下载服务站点,为用户提供海量共享图片素材的网站,每周都会定量更新。Pexels所有的图片都会显示详细的信息,例如拍摄的相机型号、光圈、焦距、ISO、图片大分辨率等,高清大图质量很不错的

    8.Stokpic:大量可商业化的免费图片

    三.图片编辑

    1.美图秀秀:这个不用多做介绍了吧,国内图片处理的扛把子级别的软件,男女通吃。

    2.PhotoShop:偏专业,适合有一定技术功底的人使用,但是入门也不能,值得简单的学一下,能省不少事情。

    3.创客贴:在线平面设计工具,在线PS,免费设计模板包含海报、名片、PPT、简历、宣传单、易拉宝、邀请函、微信图片、封面、banner等。

    4.Fortor:全球最受欢迎的平面设计工具和在线平面设计网站之一,提供海量海报、邀请函、贺卡、banner、名片等免费设计素材和模板,可免费在线设计、印刷,并能在线图片编辑、照片编辑,和创客贴功能相似,不过从官网设计角度来看,Fortor还是略好一点。

    5.Canvas(瓦斯):提供海量模板素材的免费在线图片设计工具,拖拽作图操作简单,设计小白也可以快速设计海报、邀请函、信息图、工作总结、微信公众号等图片,最重要的是腾讯旗下的哦~~~

    四.视频采集:

    1.优酷/土豆/腾讯/迅雷/Youtube/西瓜等视频网站进行下载:基本都是没版权的,但是现在各大平台管理都不是很严,所以无所谓的情况,不过阿里达摩院最近推出的鲸观可能还是对这些盗版有所管制。

    2.Mazwai:网站提供了很多不同类型的视频,比如风景、建筑、人物等等,并且是可免费用于商业宣传的,对于原创做视频的小伙伴们简直是福音。

    3.Wedistill:提供免费高清广告视频素材资源的网站,所有的视频素材支持个人和商业使用,用户可以提交视频资源也可以通过邮箱来订阅,每天会推送一个免费高清视频素材到用户邮箱。

    4.Corel ScreenCap X9(录屏):绘声绘影旗下的录制屏幕软件,好处就是功能还算比较强大,而且买了正版后一起赠送的。

    五.视频编辑类

    1.绘声绘影:应该是国内最普及的视频编辑软件,大学官网指定学习,而且价格也不贵,功能也还算强大,能支持国产的还是支持一下吧,毕竟也算是良心软件了。

    2.爱剪辑:国内首款全能免费视频剪辑软件,支持给视频加字幕、调色、加相框等齐全的剪辑功能,且其诸多创新功能和影院级特效,也使它成为迄今最易用、强大的视频剪辑软件,不过一直没办法去片头也是阻碍了它的发展,毕竟商业化的进程不像原来用户只关注免费了。

    3.Adobe Premiere:是一款编辑画面质量比较好的软件,有较好的兼容性,且可以与Adobe公司推出的其他软件相互协作。目前这款软件广泛应用于广告制作和电视节目制作中,和Ps一样,需要一定的技术功底。

    4.小影/VUE/抖音/其它短视频录制:这些软件真的是鉴证了国内短视频行业的崛起,功能简单但是特效酷炫。

    6.Powtoon:主要是针对那些非专业设计者或视频制作者,致力于为那些想要通过视频的卡通人物来解释某种概念或点子的人提供自制解决方案。这种被称为“讲解员”的视频使用简单、富有娱乐性的剧本来构建一个核心概念,它们常常用于面向用户、投资者等人的创业公司展会。

    六.Gif制作类:

    1.迅雷影音:最大的特色就是可以将视频剪辑成gif,直接选取时间段就行,保存出来直接就是gif动画,简直不要太方便,我的最爱。

    2.soogif/piggif:压缩、裁剪、转换、编辑、合成,特效,功能全面特效酷炫,唯一的问题就是不是会员的情况下对gif的尺寸大小有限制。

    3.动态图片基地:啥都不说了,良心软件的评选一定要给上一票,Gif所有想做的都能完成,而且统统免费,虽然官网看起来low low的并且没什么特效,但是绝对的良心,并且对文件大小没有限制。

    七.数据工具

    1.百度指数/百度热搜:这个不用说什么了吧,依托百度搜索的数据,记录每个热点事件的关注度,好处就是基本所有信息都能记录,缺点就是要到了一定量级才能入它的法眼。

    2.5118/站长工具:对SEO各类大数据挖掘,提供关键词挖掘,行业词库,站群权重监控,关键词排名监控等SEO工作人员必备工具 。

    3.新榜:构建了微信公众号系列榜单和覆盖最全面的样本库,与微博、今日头条、企鹅媒体平台、优酷、爱奇艺、秒拍、美拍、喜马拉雅FM、蜻蜓FM、UC、淘宝头条、网易新闻客户端、凤凰新闻客户端等超过20个中国主流内容平台签约独家或优先数据合作,进而形成中国移动端全平台内容价值标准体系。

    4.微博热搜:微博旗下热搜榜,但是微博大家都懂得,大部分都是娱乐版,社会版基本上不去。

    5.艾瑞指数:聚合互联网数据资讯,融合互联网行业资源,提供电子商务、移动互联网、网络游戏、网络广告、网络营销等行业内容,为互联网管理营销市场运营人士提供丰富的产业数据、报告、专家观点、行业数据库等服务,打造最具影响力的互联网数据资讯聚合平台。

    6.清博指数:中国新媒体大数据评价体系和影响力标准的研究制定者,中国领先的新媒体舆情平台,国内最重要的舆情报告和软件供应商之一。

    7.头条指数/UC指数:自媒体平台根据每日的热点进行数据汇总,好处就是在那个平台就可以参考当前的热点,不管是起标题、发文章都可以有比较好的推荐,缺点就是都是已有的热点,只能跟风。

    8.搜狗微信搜索:微信的亲儿子,早前自媒体微信一家独大的时候优势很大,限制随着微信公众号的没落,地位已经大不如前了,只能做做搜索微信文章的作用了。

    9.西瓜公众号助手/其它各类助手:通过大数据为您打造专属的文章素材库,同时提供公众号分析、智能编辑器、定时群发等助您轻松运营公众号。

    八.图文排版

    1.135编辑器:微信文章美化工具,操作简单方便,旨在提供丰富的样式,精美的模板。编辑文章时,就像拼积木一样,挑选样式,调整文字,搭配颜色,最后形成排版优质的文章,让读者更赏心悦目。

    2.秀米/i排版/新媒体管家等:额~~说白了都是文章的编辑软件,就看喜欢哪款的功能了。

    九.H5制作

    1.MAKE:简单、强大的免费H5页面、微场景、微信海报制作平台。海量h5模板、海报随心挑选,无须ps轻松搞定电子邀请函、场景定制推广,更有创意海报、电子相册、节日贺卡制作,付费免费模板都有,但是这绝对是付费模板里面做的最好的了。

    2.易企秀:国内最早做H5的公司之一,目前应该是用户数最多的,中规中矩,素材很多,然后就是好的素材不是没有,就是很难找得到。

    3.iH5:不得不说,逼格超高,看看下面的网站就知道了,但是更多的是偏向商业化,如果经常制作的话,买个会员还是不错的。

    十:配乐类:

    1.网易云音乐:为什么没推荐其他的音乐播放平台,原因很简单,逼格,一定要是逼格,虽然网易云音乐国内版权不多,但是国外小众的那是妥妥的全的。

    2.Marmoset:能根据你的视频配乐所要表达的情绪、能量、长度、风格、是否带人声、等要素,直接筛选后推送对应的配乐。

    3.Musicbed:一个致力于优秀音乐发布和授权使用的音乐平台,所有的音乐均是精选打造和挑选出来的,所有的音乐都是源自于电视、电影和艺术灵感。

    十一.商业变现类:

    1.新浪短连接/百度短连接(短连接生成):主要是将长连接生成短连接后,不但节省了字符数,同时让链接变得可追踪,在需要统计一些网址的数据时,使用短连接是很好的选择。

    2.草料/微微(二维码生成):将链接生成二维码,同时有一些模板可供直接生成,但是想实现我们经常看到的那种高端大气上档次的二维码,还是需要专人设计的。

    3.活动行(发布活动):和豆瓣的活动功能很像,不过是专业做活动分享的,也可以将活动内容挂到自媒体中。

    4.有赞/千聊(电商平台):简单来说就是开淘宝的成本太高,就用这种第三方的软件建一个商城,最大的作用就是不想开淘宝的一个选择。

    5.小密圈/小社群(社群变现):主要用来搭建和承载线上社群活动,羡慕逻辑思维能赚那么多钱不,社群变现简单来说就是无数了老罗,自己去圈粉然后提供一个平台,至于效果么,哪真的是见仁见智了。

    6.问卷星:最大的作用就是用来做问卷调查,很多第三方平台也是支持自由投票的,但是专业的来说,问卷星绝对是现在国内首屈一指的。

    结束语

    文中提到的大部分软件都是试用了很多后觉得相当不错的才给予了推荐,有需要的小伙伴们可以按需使用,一个类别有几款常用的就好,如果觉得还不错就关注一波呗。

    往期精彩推荐:

    《小白也要懂的办公软件》系列合集

    《老司机说职场》系列合集:职场问题全解决!

    《百年企业的历史传奇》系列合集

    《小白也要懂的商业模式》系列合集

    不懂行的领导+项目管理=背不完的黑锅(小白也要懂的项目管理3)

    如何将问题扼杀在摇篮(小白也要懂的项目管理4)

    做好工作进度的管理没你想的那么简单!(小白也要懂的项目管理7)

  • ?

    前端要完!人工智能已经能实现自动编写 HTML 和 CSS

    乱世

    展开

    点击上方“CSDN”,选择“置顶公众号”

    关键时刻,第一时间送达!

    【CSDN 编者按】一个月前,我们曾发表过一篇标题为《三年后,人工智能将彻底改变前端开发?》的文章,其中介绍了一个彼时名列 GitHub 排行榜 TOP 1 的项目 —— Screenshot-to-code-in-Keras。在这个项目中,神经网络通过深度学习,自动把设计稿变成 HTML 和 CSS 代码,同时其作者 Emil Wallner 表示,“三年后,人工智能将彻底改变前端开发”。

    这个 Flag 一立,即引起了国内外非常热烈的讨论,有喜有忧,有褒扬有反对。对此,Emil Wallner 则以非常严谨的实践撰写了系列文章,尤其是在《Turning Design Mockups Into Code With Deep Learning》一文中,详细分享了自己是如何根据 pix2code 等论文构建了一个强大的前端代码生成模型,并细讲了其利用 LSTM 与 CNN 将设计原型编写为 HTML 和 CSS 网站的过程。

    以下为全文:

    在未来三年内,深度学习将改变前端开发,它可以快速创建原型,并降低软件开发的门槛。

    去年,该领域取得了突破性的进展,其中 Tony Beltramelli 发表了 pix2code 的论文[1],而 Airbnb 则推出了sketch2code[2]。

    目前,前端开发自动化的最大障碍是计算能力。但是,现在我们可以使用深度学习的算法,以及合成的训练数据,探索人工前端开发的自动化。

    本文中,我们将展示如何训练神经网络,根据设计图编写基本的 HTML 和 CSS 代码。以下是该过程的简要概述:

    提供设计图给经过训练的神经网络

    神经网络把设计图转化成 HTML 代码

    大图请点:https://blog.floydhub/generate_html_markup-b6ceec69a7c9cfd447d188648049f2a4.gif

    渲染画面

    我们将通过三次迭代建立这个神经网络。

    首先,我们建立一个简化版,掌握基础结构。第二个版本是 HTML,我们将集中讨论每个步骤的自动化,并解释神经网络的各层。在最后一个版本——Boostrap 中,我们将创建一个通用的模型来探索 LSTM 层。

    你可以通过 Github[3] 和 FloydHub[4] 的 Jupyter notebook 访问我们的代码。所有的 FloydHub notebook 都放在“floydhub”目录下,而 local 的东西都在“local”目录下。

    这些模型是根据 Beltramelli 的 pix2code 论文和 Jason Brownlee 的“图像标注教程”[5]创建的。代码的编写采用了 Python 和 Keras(TensorFlow 的上层框架)。

    如果你刚刚接触深度学习,那么我建议你先熟悉下 Python、反向传播算法、以及卷积神经网络。你可以阅读我之前发表的三篇文章:

    开始学习深度学习的第一周[6]通过编程探索深度学习发展史[7]利用神经网络给黑白照片上色[8]核心逻辑

    我们的目标可以概括为:建立可以生成与设计图相符的 HTML 及 CSS 代码的神经网络。

    在训练神经网络的时候,你可以给出几个截图以及相应的 HTML。

    神经网络通过逐个预测与之匹配的 HTML 标签进行学习。在预测下一个标签时,神经网络会查看截图以及到这个点为止的所有正确的 HTML 标签。

    下面的 Google Sheet 给出了一个简单的训练数据:

    https://docs.google/spreadsheets/d/1xXwarcQZAHluorveZsACtXRdmNFbwGtN3WMNhcTdEyQ/edit?usp=sharing

    当然,还有其他方法[9]可以训练神经网络,但创建逐个单词预测的模型是目前最普遍的做法,所以在本教程中我们也使用这个方法。

    请注意每次的预测都必须基于同一张截图,所以如果神经网络需要预测 20 个单词,那么它需要查看同一张截图 20 次。暂时先把神经网络的工作原理放到一边,让我们先了解一下神经网络的输入和输出。

    让我们先来看看“之前的 HTML 标签”。假设我们需要训练神经网络预测这样一个句子:“I can code。”当它接收到“I”的时候,它会预测“can”。下一步它接收到“I can”,继续预测“code”。也就是说,每一次神经网络都会接收所有之前的单词,但是仅需预测下一个单词。

    神经网络根据数据创建特征,它必须通过创建的特征把输入数据和输出数据连接起来,它需要建立一种表现方式来理解截图中的内容以及预测到的 HTML 语法。这个过程积累的知识可以用来预测下个标签。

    利用训练好的模型开展实际应用与训练模型的过程很相似。模型会按照同一张截图逐个生成文本。所不同的是,你无需提供正确的 HTML 标签,模型只接受迄今为止生成过的标签,然后预测下一个标签。预测从“start”标签开始,当预测到“end”标签或超过最大限制时终止。下面的 Google Sheet 给出了另一个例子:

    https://docs.google/spreadsheets/d/1yneocsAb_w3-ZUdhwJ1odfsxR2kr-4e_c5FabQbNJrs/edit#gid=0

    Hello World 版本

    让我们试着创建一个“hello world”的版本。我们给神经网络提供一个显示“Hello World”的网页截图,并教它怎样生成 HTML 代码。

    大图请点:https://blog.floydhub/hello_world_generation-039d78c27eb584fa639b89d564b94772.gif

    首先,神经网络将设计图转化成一系列的像素值,每个像素包含三个通道(红蓝绿),数值为 0-255。

    我在这里使用 one-hot 编码[10]来描述神经网络理解 HTML 代码的方式。句子“I can code”的编码如下图所示:

    上图的例子中加入了“start”和“end”标签。这些标签可以提示神经网络从哪里开始预测,到哪里停止预测。

    我们用句子作为输入数据,第一个句子只包含第一个单词,以后每次加入一个新单词。而输出数据始终只有一个单词。

    句子的逻辑与单词相同,但它们还需要保证输入数据具有相同的长度。单词的上限是词汇表的大小,而句子的上限则是句子的最大长度。如果句子的长度小于最大长度,就用空单词补齐——空单词就是全零的单词。

    如上图所示,单词是从右向左排列的,这样可以强迫每个单词在每轮训练中改变位置。这样模型就能学习单词的顺序,而非记住每个单词的位置。

    下图是四次预测,每行代表一次预测。等式左侧是用红绿蓝三个通道的数值表示的图像,以及之前的单词。括号外面是每次的预测,最后一个红方块代表结束。

    #Length of longest sentencemax_caption_len = 3#Size of vocabulary vocab_size = 3# Load one screenshot for each word and turn them into digits images = []for i in range(2): images.append(img_to_array(load_img('screenshot.jpg', target_size=(224, 224))))images = np.array(images, dtype=float)# Preprocess input for the VGG16 modelimages = preprocess_input(images)#Turn start tokens into one-hot encodinghtml_input = np.array( [[[0., 0., 0.], #start [0., 0., 0.], [1., 0., 0.]], [[0., 0., 0.], #start Hello World! [1., 0., 0.], [0., 1., 0.]]])#Turn next word into one-hot encodingnext_words = np.array( [[0., 1., 0.], # Hello World! [0., 0., 1.]]) # end# Load the VGG16 model trained on imagenet and output the classification featureVGG = VGG16(weights='imagenet', include_top=True)# Extract the features from the imagefeatures = VGG.predict(images)#Load the feature to the network, apply a dense layer, and repeat the vectorvgg_feature = Input(shape=(1000,))vgg_feature_dense = Dense(5)(vgg_feature)vgg_feature_repeat = RepeatVector(max_caption_len)(vgg_feature_dense)# Extract information from the input seqence language_input = Input(shape=(vocab_size, vocab_size))language_model = LSTM(5, return_sequences=True)(language_input)# Concatenate the information from the image and the inputdecoder = concatenate([vgg_feature_repeat, language_model])# Extract information from the concatenated outputdecoder = LSTM(5, return_sequences=False)(decoder)# Predict which word comes nextdecoder_output = Dense(vocab_size, activation='softmax')(decoder)# Compile and run the neural networkmodel = Model(inputs=[vgg_feature, language_input], outputs=decoder_output)modelpile(loss='categorical_crossentropy', optimizer='rmsprop')# Train the neural networkmodel.fit([features, html_input], next_words, batch_size=2, shuffle=False, epochs=1000)

    在 hello world 版本中,我们用到了 3 个 token,分别是“start”、“

    Hello World!

    ”和“end”。token 可以代表任何东西,可以是一个字符、单词或者句子。选择字符作为 token 的好处是所需的词汇表较小,但是会限制神经网络的学习。选择单词作为 token 具有最好的性能。

    接下来进行预测:

    # Create an empty sentence and insert the start tokensentence = np.zeros((1, 3, 3)) # [[0,0,0], [0,0,0], [0,0,0]]start_token = [1., 0., 0.] # startsentence[0][2] = start_token # place start in empty sentence# Making the first prediction with the start tokensecond_word = model.predict([np.array([features[1]]), sentence])# Put the second word in the sentence and make the final predictionsentence[0][1] = start_tokensentence[0][2] = np.round(second_word)third_word = model.predict([np.array([features[1]]), sentence])# Place the start token and our two predictions in the sentence sentence[0][0] = start_tokensentence[0][1] = np.round(second_word)sentence[0][2] = np.round(third_word)# Transform our one-hot predictions into the final tokensvocabulary = ["start", "

    Hello World!

    ", "end"]for i in sentence[0]:print(vocabulary[np.argmax(i)], end=' ')

    输出结果

    10 epochs:start start start100 epochs:start

    Hello World!

    Hello World!

    300 epochs:start

    Hello World!

    end在这之中,我犯过的错误

    先做出可以运行的第一版,再收集数据。在这个项目的早期,我曾成功地下载了整个 Geocities 托管网站的一份旧的存档,里面包含了 3800 万个网站。由于神经网络强大的潜力,我没有考虑到归纳一个 10 万大小词汇表的巨大工作量。处理 TB 级的数据需要好的硬件或巨大的耐心。在我的 Mac 遇到几个难题后,我不得不使用强大的远程服务器。为了保证工作流程的顺畅,需要做好心里准备租用一台 8 CPU 和 1G 带宽的矿机。关键在于搞清楚输入和输出数据。输入 X 是一张截图和之前的 HTML 标签。而输出 Y 是下一个标签。当我明白了输入和输出数据之后,理解其余内容就很简单了。试验不同的架构也变得更加容易。保持专注,不要被诱惑。因为这个项目涉及了深度学习的许多领域,很多地方让我深陷其中不能自拔。我曾花了一周的时间从头开始编写 RNN,也曾经沉迷于嵌入向量空间,还陷入过极限实现方式的陷阱。图片转换到代码的网络只不过是伪装的图像标注模型。即使我明白这一点,但还是因为许多图像标注方面的论文不够炫酷而忽略了它们。掌握一些这方面的知识可以帮助我们加速学习问题空间。在 FloydHub 上运行代码

    FloydHub 是深度学习的训练平台。我在刚开始学习深度学习的时候发现了这个平台,从那以后我一直用它训练和管理我的深度学习实验。你可以在 10 分钟之内安装并开始运行模型,它是在云端 GPU 上运行模型的最佳选择。

    如果你没用过 FloydHub,请参照官方的“2 分钟安装手册”或我写的“5 分钟入门教程”[11]。

    克隆代码仓库:

    git clone https://github/emilwallner/Screenshot-to-code-in-Keras.git

    登录及初始化 FloydHub 的命令行工具:

    cd Screenshot-to-code-in-Kerasfloyd loginfloyd init s2c

    在 FloydHub 的云端 GPU 机器上运行 Jupyter notebook:

    floyd run --gpu --env tensorflow-1.4 --data emilwallner/datasets/imagetocode/2:data --mode jupyter

    所有的 notebook 都保存在“FloydHub”目录下,而 local 的东西都在“local”目录下。运行之后,你可以在如下文件中找到第一个 notebook:

    floydhub/Helloworld/helloworld.ipynb

    如果你想了解详细的命令参数,请参照我这篇帖子:

    https://blog.floydhub/colorizing-b&w-photos-with-neural-networks/

    HTML 版本

    在这个版本中,我们将自动化 Hello World 模型中的部分步骤。本节我们将集中介绍如何让模型处理任意多的输入数据,以及建立神经网络中的关键部分。

    这个版本还不能根据任意网站预测 HTML,但是我们将在此尝试解决关键性的技术问题,向最终的成功迈进一大步。

    概述

    我们可以把之前的解说图扩展为如下:

    上图中有两个主要部分。首先是编码部分。编码部分负责建立图像特征和之前的标签特征。特征是指神经网络创建的最小单位的数据,用于连接设计图和 HTML 代码。在编码部分的最后,我们把图像的特征连接到之前的标签的每个单词。

    另一个主要部分是解码部分。解码部分负责接收聚合后的设计图和 HTML 代码的特征,并创建下一个标签的特征。这个特征通过一个全连接神经网络来预测下一个标签。

    设计图的特征

    由于我们需要给每个单词添加一张截图,所以这会成为训练神经网络过程中的瓶颈。所以我们不直接使用图片,而是从中提取生成标签所必需的信息。

    提取的信息经过编码后保存在图像特征中。这项工作可以由事先训练好的卷积神经网络(CNN)完成。该模型可以通过 ImageNet 上的数据进行训练。

    CNN 的最后一层是分类层,我们可以从前一层提取图像特征。

    最终我们可以得到 1536 个 8x8 像素的图片作为特征。尽管我们很难理解这些特征的含义,但是神经网络可以从中提取元素的对象和位置。

    HTML 标签的特征

    在 hello world 版本中,我们采用了 one-hot 编码表现 HTML 标签。在这个版本中,我们将使用单词嵌入(word embedding)作为输入信息,输å...

  • ?

    一起来聊聊最近很火的大数据架构师NoSQL建模技术

    Gui

    展开

    1.前言

    为了适应大数据应用场景的要求,Hadoop以及NoSQL等与传统企业平台完全不同的新兴架构迅速地崛起。而下层技术基础的革命必将影响上层建筑:数据模型和算法。简单地将传统基于第四范式结构化关系型数据库的模型拷贝到新的引擎上,无异于削足适履,不仅增加了大数据应用开发的难度和复杂度,又无法发释放新框架的潜能。

    该如何构建基于NoSQL的数据模型?现在能供参考的公开知识积累要么是空虚简单的一句“去规范化“或粗暴的宽表化(将query和应用需要访问的所有字段“排排坐“,放在一个有很多列的结构化表中),要么是针对具体工具或具体场景的实现细节,(如《HBase权威指南》中对于如何设计HBase主键的探讨)。没有一个像编程的设计模式一样的,在模型架构层面可以遵循的方法论。

    在比较不同的NoSQL数据库时,通常使用功能以外其他各种指标,如可扩展性、性能和一致性。由于这些指标通常是使用NoSQL的初衷,所以无论从理论的角度还是实践的角度被深入地研究了,而像CAP定理这样的分布式系统基础结论也同样适用于NoSQL系统。另一方面,在NoSQL的数据模型领域,却还没有很好地研究过,也缺乏关系数据库中那种系统性的理论。

    我在这篇文章中从数据建模的角度对NoSQL家族系统做了比较简单的比较,并简要介绍几种常见建模技术。

    2.NoSQL数据模型视图

    要探索数据建模技术,必须先从系统性的NoSQL数据模型视图着手,这多多少少能帮助我们揭示其发展趋势以及相互之间的关系。下图描绘了主要NoSQL家族系统的虚拟“进化”过程,即键值存储,BigTable类型的数据库,文档数据库,全文搜索引擎,数据库和图形数据库:

    首先,我们应该注意到,一般意义上讲,SQL和关系型模型都是在很久以前就被设计出来,目的是为最终用户交互之用。这种面向用户的性质有极深的影响:

    最终用户往往对汇总报表信息感兴趣而不是单独的数据项,因而SQL这方面做了大量的工作。

    不能指望作为自然人的用户能显式地控制并发性、完整性、一致性或者数据类型有效性。这就是为什么SQL竭力关注于事务保证、schema和参照完整性。

    另一方面,软件应用程序往往对在数据库内部做聚合没有太大的兴趣,而且至少在许多情况下,程序能够自己控制完整性和有效性。除此之外,剔除这些功能对于性能和可扩展性存储的影响极其重要。

    新数据模型的演变开始了:

    键-值存储是一个非常简单,但非常强大的模型。下面所描述的许多技术都完全适用于这个模型。

    键值模型最致命的缺点之一就是不适合按范围处理主键的场景。有序的键-值模型突破了这一限制,并显著提高了聚合能力。

    有序的键-值模型非常强大,但它不提供任何针对值(value)的建模框架。在一般情况下,值的建模可以由应用程序完成,但BigTable风格的数据库想得更加周到,它可以将值按照映射的映射的映射(map-of-maps-of-maps)进行建模,说得明确点,分别是列簇(column family)、列(column)和时间戳化的版本。

    文档数据库对BigTable模式提出两个明显的改善。第一,值可以被声明为任意复杂的schema,而不仅仅是一个映射的映射(map-of-maps)。第二,至少有一些产品实现了被数据库管理的索引。就这个意义上来讲,全文搜索引擎也可以同样被认为提供了灵活的schema和自动化的索引。他们之间主要区别在于,文档数据库是根据字段名对索引进行编组,而搜索引擎是使用字段值对索引编组。值得注意的是像Oracle Coherence这样的键-值存储系统增加了索引和内嵌入口处理器的功能,正逐步向文件数据库演进。

    最后,图形数据模型可以被视为有序的键-值模型朝另外一个方向的进化。图形数据库允许对业务实体进行非常透明的建模(这个东西取决于那个东西),而分层建模技术在这方面用的是另外的数据模型,但也可与之媲美。图形数据库和文件数据库息息相关,因为许多实现允许建模的值是映射或者文档。

    3.NoSQL数据建模的一般注意事项

    与关系型建模不同,NoSQL数据建模往往是从特定查询的应用开始:

    关系型建模是典型地被手上可用数据的结构所驱动。设计主要围绕着的是“我有什么样的答案?”

    NoSQL数据建模通常由特定应用的访问模式所驱动,比如需要支持的查询类型。设计主要围绕着的是“我有什么问题?”

    NoSQL数据建模往往比关系数据库建模需要更加深入地了解数据结构和算法。在这篇文章中,我介绍了几个著名的数据结构,他们虽然非NoSQL所特有,但对于实际的NoSQL建模非常有用。

    数据复制和去规范化是一等公民。

    关系数据库在对分层或图形数据进行建模和处理时不是很方便。图形数据库显然是这个领域的完美解决方案,但实际上大多数的NoSQL也都非常善于解决这样的问题。这就是为什么这篇文章为分层数据建模单独写了一个章节。

    虽然数据建模技术基本上和具体实现无关,但我还是列出了在写这篇文章时我能想到的产品:

    键值存储:Oracle Coherence,Redis,Kyoto Cabinet

    BigTable风格的数据库: Apache HBase,Apache Cassandra

    文档数据库: MongoDB,CouchDB

    全文搜索引擎: Apache Lucene,Apache Solr

    图形数据库:Neo4j,FlockDB

    4.概念技术

    本节专门介绍NoSQL数据建模的基本原则。

    1、 去规范化(Denormalization)

    可以将去规范化定义为把相同的数据复制到多个文档或数据表中,这样可以简化/优化查询处理,或者让用户数据能匹配一个特定的数据模型。在本文的大多数技术用到了这样或那样的去规范化。

    一般来说,去规范化用于以下的折衷:

    查询的数据量或每次查询IO**与总数据量的折衷。去规范化可以将一个查询所需的所有数据组合起来存放到同一个地方。这通常意味着对相同数据的不同的查询会访问不同的数据组合。因此,数据需要被复制多份,也就意味着增加了总数据量。

    处理复杂性与总数据量的折衷。建模时的规范化和相应查询的连接(join)明显增加了查询处理器的复杂度,在分布式系统中尤为明显。去规范化允许将数据按照查询友好的方式存储,从而简化查询的处理。

    适用性:键值存储,文档数据库, BigTable风格的数据库

    2、 聚合(Aggregates)

    所有主流NoSQL都提供了这样或那样的松散schema(soft schema)支持:

    键值存储和图形数据库通常不对值进行约束,所以值可能是任意格式。另外,也可以通过使用组合键将一个业务实体表示为多条记录。例如,可以将一个用户帐户建模为UserID_name,UserID_email,UserID_messages等组合键表示的一个实体集合。如果用户没有电子邮件或消息,然后相应的实体不会被记录。

    BigTable模式也支持松散schema,因为一个列簇是可变的列集合,一个单元格又能存储不定数目的数据版本。

    文档数据库天生就没schema,虽然某些文档数据库允许在数据输入时使用用户定义的schema进行验证。

    松散schema允许使用复杂的内部结构(嵌套实体)构造实体的类,也允许改变特定实体的结构。这个更能带来了两个重要的便利:

    通过嵌套的实体,最小化了一对多的关系,也因此减少了连接(join)。

    异构业务实体的模型可以使用一个文档集合或者一个数据表。松散schema掩藏了这种建模和业务实体之间“技术”上的差异。

    我们用下面的图来说明这些便利。该图描绘了对电子商务领域中一个产品实体进行的建模。首先我们可以认为所有的产品都有一个ID、价格(Price)和描述(Description)。进一步来看,我们发现不同类型的产品有不同的属性,如图书包含作者信息,而牛仔裤有长度属性。这些属性中间的某些属性天生就有一对多或这多对多的特性,比如音乐唱片中的曲目。

    更进一步来看,可能有些实体不可能使用固定的类型进行建模。例如,不同品牌的牛仔裤的属性是不固定的,而每个制造商出产的牛仔裤的属性也是不一致的。在规范化的关系型数据模型中虽然这些问题都可以解决,但方法很猥琐。松散schema软架构允许只使用一个聚合(Aggregation)(产品)就能对所有类型的产品及其属性进行建模:

    内嵌的去规范化会在性能和一致性上对更新操作造成很大的影响,所以要特别注意更新过程。

    适用性:键值存储,文档数据库, BigTable的风格数据库

    3、 应用端连接(Application Side Joins)

    很少有NoSQL解决方案支持连接。NoSQL“问题导向”性质的后果就是,通常在设计时处理join,而关系型模型是在执行查询时处理join。查询时处理join几乎肯定会带来性能上的损失,但在许多情况下,可使用去规范化和聚合,即嵌入嵌套实体来避免join。当然,join在许多情况下是不可避免的,而且应该由应用程序处理。主要的用例:

    多对多关系往往是通过链接(link)建模的,这需要join。

    聚合操作往往不适合内部实体会被频繁修改的场景。通常更好的办法是将发生的事情作为一条新的记录保留,并在查询的时候将所有记录做join,而不是去更改值。例如,对于一个信息系统而言,可以用嵌套包含了Message实体的User实体来建模。但是,如果会经常地添加消息,更好的办法可能是把Message提取出来作为独立实体,并在查询时再将其与User进行连接:

    适用性:键值存储,文档数据库, BigTable风格数据库,图形数据库

    5.一般建模技术

    在本节中,我们将讨论适用于各种NoSQL实现的一般建模技术。

    1、 原子聚合(Atomic Aggregates)

    许多NoSQL解决方案提供了有限的事务支持,虽然有些NoSQL不支持。在某些情况下,人们还可以使用分布式锁或应用程序管理的MVCC机制实现事务行为,但常见的是使用聚合技术来对数据建模,以保证一些ACID特性。

    强大的事务处理机制对于关系型数据库而言是不可或缺的,其中原因之一就是规范化的数据通常需要在多个地方进行更新。另一方面,聚合允许一个单个业务实体存储为一个文件,行或键值对,从而可以对其进行原子性的更新:

    当然,做为一种数据建模技术,原子聚合并不是一个完善的事务型解决方案,但如果存储能提供原子性、锁或者TAS(test-and-set,测试并设置)指令上的一些担保,那原子聚合就是可行的。

    (译者注:即将需要事务性操作的业务数据聚合放在一起,存储在一个NoQSQL提供或者应用能提供原子性操作的数据结构中。使用HBase时,将某个用户某个业务的所有数据,如上图,用一行存储就是这种模式的应用。)

    适用性:键值存储,文档数据库, BigTable风格数据库

    2、 可枚举主键(Enumerable Keys)

    也许无序键-值数据模型最大的好处就是可以通过将主键哈希的办法把实体数据分别存储在多个服务器上。排序使事情变得更加复杂,但是即使存储不提供这样的功能,有时应用程序也能利用到有序主键的优势。让我们将对电子邮件建模作为一个例子:

    某些NoSQL存储提供原子计数器,能生成一个顺序化的ID。在这种情况下,可以使用userID_messageID作为一个复合键来存储消息。如果最新的消息ID是已知的,那就可以遍历以前的消息。另外,对于任何一个给定的消息ID,也可以向前或向后进行遍历。

    也可以将消息分桶(bucket),例如,每天的数据放到一个桶里。这样就允许从任何指定日期或当前日期开始,向前或向后遍历一个邮箱。

    适用性:键值存储

    (译者注:能利用主键的一些自然或业务维度的特征,将随机读写转换为顺序读写能提高遍历性能,同时能方便应用逻辑编写。但需要注意对分布式部署时并发写的影响以及对于业务的过度耦合。对于无序主键和有序主键的讨论可以参见《HBase权威指南》中Schema设计章节。)

    3、 降维(Dimensionality Reduction)

    降维这种技术允许将一个多维数据模型映射到一个键-值模型或其他非多维模型。

    传统的地理信息系统使用四叉树(Quadtree)或R树(R-tree)的某种变形来做索引。这些结构需要就地完成更新操作,因此在数据量很大时,维护开销相当的大。另一种方法是对这个二维结构进行遍历,并将其扁平化为一个普通的条目列表。使用这种技术的一个众所周知的例子是Geohash。 Geohash使用类似Z形状的路线来扫描整个二维空间,每次移动根据行进方向被编码为0或1。交错位的经度和纬度上的变更移动以及移动。编码过程在下图中进行了说明,其中黑色和红色位分别代表经度和纬度:

    如图所示,Geohash的一个重要特性是能够通过这种逐位编码的近似程度来估计区域之间的距离。Geohash编码允许使用简单普通的数据模型来存储地理信息,比如用有序键值保存空间上的联系。[6.1]讲述了BigTable中的降维技术。更多有关Geohash及其相关技术的信息可以在[6.2]和[6.3]中找到。

    (译者注:通过交织编码方式来能将原本需要多维度标示的数据,如cube,存储到一维的键值存储系统中,这是一种非常重要的建模模式:提供了不同缩放等级下在多维空间中邻接的数据仍然顺序存储,遍历高效;同时不同主键从前向后的相似度和空间距离的远近相一致,能通过键值的简单顺序比较判断其位置“相似度”。

    它的应用远远不只地理信息的表示,有多个维度属性不同粒度的数据表示都能用到这个技术,比如线下销售交易数...

  • ?

    黑科技!自制Excel目录生成系统!高效办公从现在开始!

    从霜

    展开

    我们都知道Word文档是可以自动生成目录的,那么Excel里如何制作目录自动生成系统呢?今天就教给大家一个简单的方法!真的很实用!

    第一步:新建一到五个Excel表格,并根据自己的喜好来命名。

    第二步:紧接着使用鼠标选中A1输入内容“1”;之后点击一下B1.之后使用鼠标切换选项卡;找到并点击“名称管理器”,之后选择“新建”,就会出现一个编辑器框。

    步骤三:我们在弹出的对话框里输入“list”,在引用的位置里输入“=INDEX(GET.WORKBOOK(1),$A1)&T(NOW())”这一串代码,如果显示错误我们就要换一种代码了“INDEX(array,row_num,column_num)”。

    操作四:进行到这一步没有什么问题的话,我们就可以在B1里输入以下代码了

    “=IFERROR(HYPERLINK(List&"!A1"),""),”,之后再使用鼠标选中A1和B1,直接拖动表格就可以了!

    小编在尝试几次之后才成功的,如果最后一步发生问题,我们直接回到上一步再试一次就可以了!这个方法不知道大家学会了没!是不是很简单呢?

    那么除了这个还有其他可以帮助到我们提高效率的办法吗?当然有了,小编这里有一个非常好用的办公软件,转换文件很多人工作中肯定都会遇到,所以这一款软件同时可以转换多个文件,效率提高的可不止一倍!大家可要看好咯!

    这个方法不管你有多少个文件都可以直接转换哦!是不是很方便呢?喜欢的朋友就快点去试一试吧!记得关注小编哦!

  • ?

    分析用户推文自动生成简历,Entelo获2000万美元C轮融资

    托尔尼奥

    展开

    6月16日上午,宣布了一笔2000万美元的C轮融资,此次融资由U.S. Venture Partners领投、Shasta Ventures和Correlation Ventures参投。Entelo

    Entelo是一家致力于解决企业人才需求问题的创业公司。Entelo主要依托人工智能,通过算法和数据进行模式化分析,让招聘公司能尽快招到合适的人才。

    具体来说,Entelo旨在破解两个问题:第一,正确的时机,如何率先发现“想换工作的人”并和他们取得联系;第二,正确的人。

    正确的时机就是根据实时新闻(例如,一个公司收购或被收购)和一些社交网站上的求职信息,判断是否会有人才流动。而正确的人则是Entelo会从社交网站、专业社区中做个人信息的检索,通过每个人分散在Twitter、Google+、Facebook、LinkedIn中的信息,构建用户肖像,再与企业的招聘要求做匹配。

    Entelo的强大在于:它比起一般的求职招聘网更进了一步——把求职招聘提早到了萌芽期。这无论对于招聘者还是求职者都十分有益。企业家们能在Entelo简历数据库中快速找到最适合的人才,普通用户也可在Entelo上输入个人相关求职信息。

    不过Entelo现在也面临了来自多方的竞争压力,除了那些以人工智能为卖点的初创公司,还有像 LinkedIn这样的传统公司。

    就在刚刚过去的几周内,Entelo的竞争对手Workey()和Mya()便都完成了新一轮的融资。这些公司纷纷将扩大资本视为寻求行业优势的不二法宝,Entelo也不例外。Workey和Mya在完成新一轮融资后风头正劲。800万美金的A轮融资1140万美元A轮融资

    是以色列的一家创业公司,它使用人工智能技术帮助求职者找到科技行业工作。Workey网站追踪、记录求职者的背景信息,对比百万条职业生涯道路,继而提供以数据为基础的工作推荐。Workey

    则是美国一家做聊天机器人的公司,但主要应用在招聘领域。Mya的业务是,告知候选人应聘规模、招聘公司的信息等,同时向应聘者提问,考核其能力,并为招聘双方安排电话会议。在这个过程中,自然语言处理是Mya使用的核心技术。Mya的价值就在于帮招聘专员节约人力成本,用机器去做繁琐、初级的工作,尽量标准化招聘流程。因技术原因,Mya应用与Entelo有所不同,它主要适用于蓝领群体,在白领招聘方面表现平平。Mya

    而与传统招聘平台LinkedIn相比,Entelo对普通用户来说更方便,因为它不要求用户创建个人账户,且所有相关操作都在后台,不过当用户想删除个人相关资料时,还是能在平台上申请。

    为确保在业内的优势,各大公司除了竭尽所能去融资外,似乎别无它法。但Entelo的创始人Bischke始终坚信,精准的定位就能让Entelo保持长久的活力。他向媒体透露,Entelo的目前首要的任务是改善后台的匹配程序。要实现该目标,Entelo还要通过GitHub等平台额外搜集一些非结构化数据。

    截至目前,Entelo已与600多家公司达成合作,其中包括Facebook、通用电气、Northrop Grumman, 和Target等知名企业。Entelo还将聘请更多的数据科学家,并进一步扩充其销售队伍。

  • ?

    7个在线网站制作工具,职场设计最好的福利!

    萧易梦

    展开

    工作的过程中,很多时候需要的工具不一定要下载,直接在网站上就可以进行使用。当你在寻找安装包的时候,别人已经使用在线网站做好工作了。接下来就给大家整理,共计7个在线就可以使用的网站工具。

    1、迅捷在线PS(作图)

    比如抠图、编辑修改、图像制作、广告创意等PS操作,都可以在线进行使用,方法快捷键一致,会PS的直接上手就可以操作。

    2、DesignCap(海报)

    免费的海报在线设计制作,上面有很多种高大上的模板,根据根据你喜欢的风格或类型选择,分分钟就能制作出大气高端的海报。

    3、简历本(简历)

    这个免费在线制作简历的平台,可以5分钟快速制作一份简历,而且样式看起来大气美观,拿出手就会让别人印象深刻!

    4、包图网(广告设计)

    这是一个在线设计广告制作工具,其中也包括很多的素材,都是当前最时尚与流行的创意,能够给自己设计提供很多的灵感!

    5、免费的艺术字体在线生成器(字体)

    不管是设计什么,都需要比较有创意的新颖字体,而网上很多字体都要会员,所以这个免费字体生成器是非常值得推荐的。

    6、草料二维码生成器(二维码)

    正如名字所说,可以生成二维码,非常的有趣。可以制作名片、微信、网址、文本、音视频等众多的二维码,别人手机扫描立刻找到你需要传递的信息。

    有了这几个在线网站设计工具,做设计的都不用愁,也能够带来更多的灵感,帮助你设计出高端大气的新颖创意!

  • ?

    学会这2招,1秒就能生成Word简历

    乐蕊

    展开

    在工作中,时常需要添加一些固定的内容,若每次手动输入肯定很麻烦,那复制粘贴吗?其实也麻烦,因为你要保存下来再使用。那有没有更加便捷的方式呢?答案是肯定的。本期与大家分享如何在秒钟内生成简历的技巧。

    注意:想要生成简历,重要前提是你已经制作模板。

    1、自动更正的妙用

    选中简历内容,之后点击文件——选项——校对——自动更正,打开相应的对话框,在替换中输入“简历”,点击添加并确定,之后在空白文档中输入“简历”并回车就可以自动生成。

    具体操作如下:

    PS:想要删除自动更正内容,以同样的方式进入,在替换中输入文本后,就可以知道自动更正的内容,之后选中点击删除并确定即可。

    具体操作如下:

    2、构建基块管理器

    选中内容,点击插入——文本——浏览文档部件——将所选内容保存到文档部件库,之后重新命名点击确定,要使用时直接插入就可以。

    具体操作如下:

    PS:想要删除时,只要选中内容右击选择整理和删除,进入相应的对话框之后选择删除即可。

    具体操作如下:

    怎么样,这2找技巧是不是很实用呢?

  • ?

    还在熬夜做简历?Word自带功能,1秒自动生成简历!

    玉蝴蝶

    展开

    最近这个实习季,好多朋友都在准备Word简历,准备实习,想要面试一个好的实习岗位,简历的重要性可是不容小觑哦,今天小编就在这里给大家分享一个制作Word简历的小技巧,1秒就能做好一份简历,让你从此告别熬夜做简历的烦恼哦。

    1. 准备工作

    想要自动生成简历,首先需要自己制作一个简历模板,将其命名为“简历”保存好。(可长期备用)

    2. 利用Word【自动更正】,1秒自动生成简历

    方法:全选简历内容,鼠标点击文件——选项——校对——自动更正,打开相应的对话框,在替换中输入“简历”,点击添加并确定,然后在空白文档中输入“简历”并按回车键就可以自动生成啦。

    具体操作如下:

    怎么样?这个方法你学到了吗?如果你还在为制作Word简历而熬夜,可以试试这个方法哦。今天的分享就到这里,感谢大家支持!

  • ?

    简历链:一键就能自动生成简历模板

    两岸

    展开

    每一年的毕业季都会催生大批的简历制作,甚至可以成为高校附近文印店里最主要的年底利润来源。但正如同缺乏进步、缺乏改变的高校教育一样,大量的简历还是因循守旧式地沿袭着十年前、甚至二十年前的老套路,说不出毕业生的特点,的不准用人单位的需求,当然也就得不到HR的青睐。还有一些毕业生,觉得大学没有做过什么,写出一份漂亮的简历就成了最大的难题。

    “简历链”或许可以帮助你解决这个问题。它提供专业的的免费在线简历编辑器,用于创建属于你的优秀的简历。提供丰富的面试技巧参考,并有强大的实时预览功能,支持iOS和安卓系统,精美而小巧。

    制作过程非常简便,打开APP后,根据提示填好个人信息,例如姓名学校实习经历等,选择喜欢的简历模板,简历就一键生成了。还可以轻松导出到手机和邮箱中。

    据了解,此外应用中的专用求职攻略,干货等也汇聚阿里、百度、腾讯等公司内推资源和校招咨询。包含了校招信息,内推信息,笔试面试题目以及经验分享等内容,为应届生求职提供帮助。

    一份精美简历究竟对招聘单位有没有吸引力?记者在采访中了解到,其实很多招聘方还是更加愿意应聘者能注重自己的简历,特别是一份详细而又精美的简历。

    “与传统简历相比,“简历链” 模板自动生成除了传达求职者的个人信息外,还会展示他的个人才华和思维方式等更加立体的东西,这样更利于我们全方位地了解求职者本人,也有利于我们招到适合本单位的人才。”一家招聘企业向记者表示,他们更加欢迎这种新的APP自动生成功能。

所有视频需要登录后,才能观看

请先登录您的帐号,即可完整播放,如果您尚未注册帐号,请先点击注册。