窗戶玻璃12 倉儲與運輸
窗戶玻璃12 倉儲與運輸
玻璃裝箱後，會被送往倉庫儲存，或依出貨訂單發送出貨。若製造商與經銷商將玻璃存放在潮濕或通風不良的倉庫中，即使成分再優良，玻璃也必然會出現嚴重的失光發霧問題。任何需要長期儲存玻璃的人，都應仔細探詢其成分分析，並查明其是否曾經過鹽酸浴浸泡處理，以確保其能夠安全存放。若成分不當或未經妥善處理，玻璃一旦接觸濕氣，必定會在極短時間內變色或失去光澤。
LEED GA
LEED GA
這個網誌中的熱門文章
WhisperDesktop可以用MP4格式檔案轉文字
WhisperDesktop也可以用MP4轉文字，參用 台達電 的影片來測試。 還是有一些文字還是需要修改更換，數量已經算是很低了，幾乎不到1%。 [00:00:00.000 --> 00:00:07.000] 瑞光大樓於2014年經改造成為LEED白金級綠建築 [00:00:07.000 --> 00:00:11.000] 其中應用了許多台達的解決方案 [00:00:11.000 --> 00:00:15.000] 它一直隨著台達不斷地成長創新 [00:00:15.000 --> 00:00:20.000] 我們與潘冀聯合建築師事務所合作 [00:00:20.000 --> 00:00:24.000] 計畫以台達樓宇自動化解決方案 [00:00:24.000 --> 00:00:28.000] 打造一個極健康、智慧、節能於一身 [00:00:28.000 --> 00:00:34.000] 呼應全球領先的WELL健康建築標準概念的共用辦公室 [00:00:34.000 --> 00:00:37.000] 我們將以人為本的健康建築概念 [00:00:37.000 --> 00:00:40.000] 融入智慧節能的建築設計當中 [00:00:40.000 --> 00:00:43.000] 透過開放的物聯網平臺 [00:00:43.000 --> 00:00:49.000] 整合包括空調、照明、安防、門禁、能源管理等系統 [00:00:49.000 --> 00:00:54.000] 來打造直覺便利、回應使用者身心需求的辦公空間 [00:00:54.000 --> 00:00:58.000] 也希望大家撥空能夠來到台達親自體驗 [00:00:58.000 --> 00:01:03.000] 走進智慧健康辦公室 [00:01:03.000 --> 00:01:09.000] 即可看到室內空氣品質、空間使用及能耗的即時資料 [00:01:09.000 --...
第二集：文字前處理、向量化與詞嵌入（L2101 自然語言處理技術與應用）
第二集：文字前處理、向量化與詞嵌入（L2101 自然語言處理技術與應用） 用文字怎麼變成模型看得懂的向量，把專注力準備好，我們馬上開始囉。 接下來短短幾分鐘，我們很快過一下作戰計畫。我們會依序搞定文字前處理的目標、基礎向量化跟詞頻的概念、還有靜態與語境型詞嵌入到底差在哪。接著我們會直接用 iPAS 實戰測驗來驗收，最後再幫大家濃縮出考場必備的關鍵字。跟著我的節奏走就對了。 第一部分，文字前處理與目標。 我們先來看看，到底怎麼讓 AI 真的看懂人類的文字。面對自然語言處理，大家心裡要先有個大前提：電腦其實就是個超級理科腦，它只看那種數字和數學運算。所以我們馬上會遇到一個巨大的瓶頸，那就是文字絕對不能直接丟進模型，你必須透過前處理，把那些原始、雜亂無章的文字，轉換成 AI 能夠消化處理的格式。 你要知道，這個步驟做得好不好，會直接決定後續 AI 分類、搜尋、甚至生成的準確度。這感覺就像是大廚要做高級料理前，食材總得先經過嚴格的清洗跟裁切，對吧。 那這個洗菜、切菜的流程到底包含哪些步驟呢？第一步是斷句，就是把長篇大論先切成一個個獨立的句子。第二步是分詞，用一句話解釋，就是把一個句子精準地切成一個個有意義的詞彙單位。接著第三步，清理與去除雜訊，我們會把那些沒用的標點符號、亂碼，或是毫無意義的停用詞通通濾掉。最後一步是正規化，簡單來說就是讓文字格式標準化，比方說把英文字母統一轉成小寫，這樣模型才不會笨笨地把大寫的 Apple 跟小寫的 apple 當成兩個完全不相干的詞。 好的，第二部分，基礎向量化與詞頻。 文字清理乾淨了，接下來看看怎麼把它們變成數字。早期最直觀的做法有兩種。第一種叫做 One-Hot 編碼，這有點像是在給每個詞發一個超長的專屬條碼，這個向量裡面只有一個位置是 1，其他全都是 0，這在術語上叫做稀疏向量。它最大的致命傷，就是完全沒辦法表達詞跟詞之間的語意相似度。 第二種叫做 Bag of Words，簡稱 BOW。你可以想像成把句子打散，全部丟進一個大袋子裡，然後只去算每個詞出現的頻率。準備考試的時候，請大家記住這個官方判斷口訣：看到「詞頻袋子」想到 BOW。不過要小心喔，BOW 雖然看重詞頻，但它完全忽略了文字的先後順序，這點很吃虧。 既然 BOW 會忽略語序，那我們就有了它的升級版，叫做 N-grams。簡單來講，N-grams 就是把相鄰的連續詞組綁在...
留言