#電路分析 #類比元件 #模擬套件

【模擬仿真有捷徑！】

模擬工作總是要苦苦等上數小時才獲知結果？或許，可以試試這套高性能 SPICE 模擬軟體！它具有非常廣泛的原理圖符號編輯器，可使用波形觀測器來分析數據並使用大量函式庫。一起來看看操作演示吧！

演示視頻：
《Benefits of using LTspice》
https://www.analog.com/en/design-center/design-tools-and-calculators/ltspice-simulator.html?ADICID=BNAD_AP_P325602-LTspice_484830627-291429270-6366906-143373440

#亞德諾ADI #LTspice

P.S.《COMPOTECHAsia 電子與電腦》在 YouTube 也有專屬頻道哦！歡迎各位朋友訂閱＋開啟小鈴鐺。
https://www.youtube.com/user/compotechasia/videos

來自創新工場大灣區人工智慧研究院的兩篇論文入選了自然語言處理領域（NLP）頂級學術會議 ACL 2020 。
這兩篇論文均聚焦中文分詞領域，是深度學習引入知識後的有益嘗試，將該領域近年來廣泛使用的各資料集上的分數全部刷至新高，在工業中也有著可觀的應用前景。

本文來自創新工場公眾號
……………………………………………………………………

創新工場兩篇論文入選ACL 2020，將中文分詞性能刷至新高

“土地，我的金箍棒在哪裡？”
“大聖，你的金箍，棒就棒在，特別配你的髮型。”

感謝神奇的中文分詞，給我們帶來了多少樂趣。豐富多變的中文行文，給人的理解造成歧義，也給AI分詞帶來挑戰。

近日，自然語言處理領域（NLP）頂級學術會議 ACL 2020 (https://acl2020.org/)正在火熱舉行。

令人振奮的是，來自創新工場大灣區人工智慧研究院的兩篇論文入選。這兩篇論文均聚焦中文分詞領域，是深度學習引入知識後的有益嘗試，將該領域近年來廣泛使用的各資料集上的分數全部刷至新高，在工業中也有著可觀的應用前景。

分詞及詞性標注是中文自然語言處理的基本任務，尤其在工業場景對分詞有非常直接的訴求，但當前沒有比較好的一體化解決方案，而且中文分詞普遍存在歧義和未登錄詞的難題。

基於此，兩篇論文各自提出了“鍵-值記憶神經網路的中文分詞模型”和“基於雙通道注意力機制的分詞及詞性標注模型”，將外部知識（資訊）創造性融入分詞及詞性標注模型，有效剔除了分詞“噪音”誤導，大幅度提升了分詞及詞性標注效果。

兩篇文章的作者有：華盛頓大學博士研究生、創新工場實習生田元賀，創新工場大灣區人工智慧研究院執行院長宋彥，創新工場科研合夥人張潼，創新工場CTO兼人工智慧工程院執行院長王詠剛等人。

ACL（The Association for ComputationalLinguistics）國際計算語言學協會是自然語言處理領域影響力最大、最具活力的國際學術組織之一，自1962年創立以來已有58年歷史，其每年夏天舉辦的年會是該領域學術頂會。

與往年不同的是，受新冠疫情影響，ACL2020全部轉為線上進行，不過這絲毫沒有減弱熱度。根據之前公佈的資料，今年大會投稿數量超過3000篇，共接收 779 篇論文，包括 571 篇長論文和 208 篇短論文，接收率為 25.2%，在全球疫情衝擊下反而是有史以來最盛大的一屆ACL會議，創新工場的技術大牛們也頂著時差連續數晚熬夜參會。

▌利用記憶神經網路，將中文分詞性能刷到歷史新高

中文分詞目的是在中文的字序列中插入分隔符號，將其切分為詞。例如，“我喜歡音樂”將被切分為“我/喜歡/音樂”(“/”表示分隔符號)。

中文語言因其特殊性，在分詞時面臨著兩個主要難點。一是歧義問題，由於中文存在大量歧義，一般的分詞工具在切分句子時可能會出錯。例如，“部分居民生活水準”，其正確的切分應為“部分/居民/生活/水準”，但存在“分居”、“民生”等歧義詞。“他從小學電腦技術”，正確的分詞是：他/從小/學/電腦技術，但也存在“小學”這種歧義詞。

二是未登錄詞問題。未登錄詞指的是不在詞表，或者是模型在訓練的過程中沒有遇見過的詞。例如經濟、醫療、科技等科學領域的專業術語或者社交媒體上的新詞，或者是人名。這類問題在跨領域分詞任務中尤其明顯。

對此，《ImprovingChinese Word Segmentation with Wordhood Memory Networks》這篇論文提出了基於鍵-值記憶神經網路的中文分詞模型。

該模型利用n元組（即一個由連續n個字組成的序列，比如“居民”是一個2元組，“生活水準”是一個4元組）提供的每個字的構詞能力，通過加（降）權重實現特定語境下的歧義消解。並通過非監督方法構建詞表，實現對特定領域的未標注文本的利用，進而提升對未登錄詞的識別。

例如，在“部分居民生活水準”這句話中，到底有多少可能成為詞的組塊？單字可成詞，如“民”；每兩個字的組合可能成詞，如“居民”；甚至四個字的組合也可能成詞，例如“居民生活”。

把這些可能成詞的組合全部找到以後，加入到該分詞模型中。通過神經網路，學習哪些詞對於最後完整表達句意的幫助更大，進而分配不同的權重。像“部分”、“居民”、“生活”、“水準”這些詞都會被突出出來，但“分居”、“民生”這些詞就會被降權處理，從而預測出正確的結果。
在“他從小學電腦技術” 這句話中，對於有歧義的部分“從小學”（有“從/小學”和“從小/學”兩種分法），該模型能夠對“從小”和“學”分配更高的權重，而對錯誤的n元組——“小學”分配較低的權重。

為了檢驗該模型的分詞效果，論文進行了嚴格的標準實驗和跨領域實驗。

實驗結果顯示，該模型在5個資料集（MSR、PKU、AS、CityU、CTB6）上的表現，均達了最好的成績（F值越高，性能越好）。（注：所選擇的五個資料集是中文分詞領域目前全世界唯一通用的標準資料集）

創新工場大灣區人工智慧研究院執行院長宋彥表示，與前人的模型進行比較發現，該模型在所有資料集上的表現均超過了之前的工作，“把中文分詞領域廣泛使用的標準資料集上的性能全部刷到了新高。”

在跨領域實驗中，論文使用網路博客資料集（CTB7）測試。實驗結果顯示，在整體F值以及未登陸詞的召回率上都有比較大提升。

▌“雙通道注意力機制”，有效剔除“噪音”誤導

第二篇論文《Joint ChineseWord Segmentation and Part-of-speech Tagging via Two-way Attentions ofAuto-analyzed Knowledge》提供了一種基於雙通道注意力機制的分詞及詞性標注模型。

中文分詞和詞性標注是兩個不同的任務。詞性標注是在已經切分好的文本中，給每一個詞標注其所屬的詞類，例如動詞、名詞、代詞、形容詞。詞性標注對後續的句子理解有重要的作用。

在詞性標注中，歧義仍然是個老大難的問題。例如，對於“他要向全班同學報告書上的內容”中，“報告書”的正確的切分和標注應為“報告_VV/書_N”。但由於“報告書”本身也是一個常見詞，一般的工具可能會將其標注為“報告書_NN”。

句法標注本身需要大量的時間和人力成本。在以往的標注工作中，使用外部自動工具獲取句法知識是主流方法。在這種情況下，如果模型不能識別並正確處理帶有雜音的句法知識，很可能會被不準確的句法知識誤導，做出錯誤的預測。

例如，在句子“他馬上功夫很好”中，“馬”和“上”應該分開（正確的標注應為“馬_NN/上_NN”）。但按照一般的句法知識，卻可能得到不準確的切分及句法關係，如“馬上”。

針對這一問題，該論文提出了一個基於雙通道注意力機制的分詞及詞性標注模型。該模型將中文分詞和詞性標注視作聯合任務，可一體化完成。模型分別對自動獲取的上下文特徵和句法知識加權，預測每個字的分詞和詞性標籤，不同的上下文特徵和句法知識在各自所屬的注意力通道內進行比較、加權，從而識別特定語境下不同上下文特徵和句法知識的貢獻。

這樣一來，那些不準確的，對模型預測貢獻小的上下文特徵和句法知識就能被識別出來，並被分配小的權重，從而避免模型被這些有噪音的資訊誤導。

即便在自動獲取的句法知識不準確的時候，該模型仍能有效識別並利用這種知識。例如，將前文有歧義、句法知識不準確的句子（“他馬上功夫很好”），輸入該雙通道注意力模型後，便得到了正確的分詞和詞性標注結果。

為了測試該模型的性能，論文在一般領域和跨領域分別進行了實驗。

一般領域實驗結果顯示，該模型在5個資料集（CTB5，CTB6，CTB7，CTB9，Universal Dependencies）的表現（F值）均超過前人的工作，也大幅度超過了斯坦福大學的 CoreNLP 工具，和伯克利大學的句法分析器。

即使是在與CTB詞性標注規範不同的UD資料集中，該模型依然能吸收不同標注帶來的知識，並使用這種知識，得到更好的效果。

而在跨領域的實驗中，和斯坦福大學的CoreNLP 工具相比，該模型也有近10個百分點的提升。

▌主動引入和分辨知識，實現中文分詞技術突破

中文分詞在中國科研領域已經有幾十年的歷史。最初的中文分詞是基於詞典構建，詞典的好壞會直接影響到最後分析的效果。如果某個新詞在詞典裡沒有，那麼模型是死活都分不出來的。

這種方式的局限性還在於，詞典和分詞兩件事情中間始終有一條鴻溝，儘管詞典可以編撰得非常全面，但在處理分詞的時候，因為每一句話都有上下文語境，往往會產生多種不同的切分方法，從而無法有效地在當前語境下對分詞結構進行恰當的指導。

從2003年開始，分詞方法出現了新的突破。研究人員提出了打標籤的方式，通過給每一個字打詞首、詞尾、詞中的標籤，不再需要構建詞典，大幅度提升了未登錄詞的召回效果。

到了2014年左右，深度學習和神經網路開始被廣泛應用到中文分詞中，打標籤的模型從之前的淺層學習變成了深度學習，但演算法本質沒有發生變化，所以提升作用並不太大。

近兩年，學界開始研究怎麼在打標籤的過程中加入外部知識和資訊。創新工場的這兩篇文章就是沿著這個路徑，用記憶神經網路的方式記錄對分詞結果有影響的 n元組，並引入對詞性標注有影響的句法知識，將分詞結果和自動獲得的知識銜接起來，既發揮了神經網路的優勢，也把知識的優勢用上，實現了分詞技術上小而有效的改進和突破。

宋彥表示，“從技術創新的角度，我們的貢獻主要有兩點。一是在現有技術的基礎上，建立了一個一體化的模型框架，使用非監督方法構建詞表，並把知識（資訊）融入進來，使用更高層次的句法知識，來幫助詞性標注，起到'他山之石，可以攻玉’的效果。”

“二是主動吸收和分辨不同的外部知識（資訊）。通過鍵-值記憶神經網路和雙通道注意力機制，進行動態權重的分配，能夠有效分辨知識，區分哪些是有效的，哪些是無效的。雖然這些知識是自動獲取的、不準確的，但‘三個臭皮匠，頂個諸葛亮’，經過有效利用，總能湊出一些有用的資訊。如何實現模型的主動吸收和分辨，就變得更加重要。”

據瞭解，今年的ACL大會，在分詞領域一共收錄了18篇論文，創新工場人工智慧工程院同時有2篇入選，也表現出ACL官方對這一貢獻的認可。

▌具備跨領域分詞能力，提升工業應用效率

中文分詞和詞性標注是最底層的應用，對於接下來的應用和任務處理非常重要。例如對於文本分類、情感分析，文本摘要、機器翻譯等，分詞都是不可或缺的基本“元件”。

宋彥表示，做此項研究的目的是主要為了拓展其工業場景的應用，正確的分詞能夠平衡公司應用開發的效率和性能，同時方便人工干預及（預）後處理。

這也是創新工場人工智慧工程院的努力方向之一。工程院成立於2016年9月，宗旨是銜接科技創新和行業賦能，做嫁接科研和產業應用的橋樑，為行業改造業務流程、提升業務效率。

工程院下設北京總部、南京研究院和大灣區研究院。大灣區研究院再下設資訊感知和理解實驗室，專注于對自然語言處理（NLP）領域的研究。執行院長宋彥本人也有超過15年的NLP領域的科研經驗。

“在工業場景使用的時候，跨領域的模型能力是一個非常直接的訴求。”宋彥表示，在某個領域的訓練模型，大概率也需要應用到其他領域。

“如何在新領域缺少資料，或者新領域只有少量未標注資料的情況下，實現模型的冷開機，依然是項巨大的挑戰。如果能利用外部知識，提高模型性能，就能有效地召回很多在訓練集中沒有出現過的新詞。”

例如搜尋引擎的廣告系統，最初也是通過組詞匹配的方式，在某個特定領域訓練其分詞模型，但在進入一個新的領域時，例如從新聞領域進入醫療領域或體育領域，效果往往會大打折扣，甚至頻頻出錯。

而使用跨領域特性後，廣告系統在進入新領域時，便無需額外的資料，就可以對它進行比較準確的分詞和標注，從而有效匹配廣告和客戶，大大提升系統運行的效率和穩定性。

目前，這兩篇論文的工具都已經開源，在下面兩個連結中，可以找到對應的所有代碼和模型，各位朋友可按需自取：

分詞工具：https://github.com/SVAIGBA/WMSeg
分詞及詞性標注工具：https://github.com/SVAIGBA/TwASP

【老闆不藏私房菜】— 活用 Chrome 開發者工具看透網頁動畫的魔術手法 🧙‍♂️

大家在研究案例或是 debug 的時候都是怎麼進行的呢？

除了最基礎的使用開發者工具查看 elements 與 console，Chrome 也內建更多工具可以協助我們理解網站架構的設計喔！

打開 Chrome 的開發者工具之後點擊右上角的 ... 符號 -> 更多工具 -> Layers，就可以開啟 Layers 工具，透過 3D 的方式理解元件在瀏覽器上的層級關係與移動順序。如此一來，就像是打開了魔術師的遮布，一窺各式動畫是怎麼實現的。（雖然這個方式不適用在以 Canvas 實現的動畫上😂，但依舊非常的實用喔）

對於案例與細節有興趣的客人們可以進一步到 Chrome 的 Youtube 影片（https://www.youtube.com/watch?v=6je49J67TQk）瞭解，老闆也用了這個工具解析了上週分享的拆字動畫，是不是每個元件的移動與層級關係在這裡變得一目了然呢？你也知道什麼解析網站的好用工具嗎？快點在留言跟老闆與其他朋友分享吧！

拆字動畫範例請往這邊：https://codepen.io/frank890417/pen/dyPbgWW

#devtools #chrome #webdevelopment #css #debug

#加入會員支持真心話 #詳細產品請看說明 #C300 #車主分享 #BENZ #330i #coupe #敞篷 #320i #mazda6 #mondeo #V90 #A6 #es200 #新北

Eddie的賴：0963319953

#空氣好人就好
最近空氣品質實在太差了，還好有這款家用及車用空氣清淨機，除了可打出1200萬負離子以外，並配有13級HEPA濾網，還可以加上自己喜歡的香香片或精油，原價1490元，粉絲優惠價只要890元，歡迎多加利用唷！原廠提供連結如下：
https://lihi1.com/yOHXV

-［HP行車記錄器］如果車子沒配車道偏移警示，剛好需要一台行車記錄器，可以考慮這台HP F560g！配備SONY感光元件及GPS，這次廠商針對Sillen哥提供優惠價以外還送一張Sandisk記憶卡，非常有誠意唷！原價：4990 頻道優惠：3480大家別錯過囉！原廠訂購連結👇👇👇
https://lihi1.com/Ygcsg

#媽_我有翻譯蒟蒻了
還在擔心英語不好沒辦法跟外國人聊天嗎？這顆AI無線滑鼠可以解決你這個問題，直接用講的就幫你翻譯成你要的語言，連標點符號都打了！這麼好用的好物怎麼可以錯過，原價：1990元，粉絲特惠價才1190元唷！千萬不要錯過囉...訂購連結👇👇👇
https://lihi1.com/xVNiQ

#這個不推不行了
超想來一杯「現磨」咖啡對不對，可以試試看這台Thomson電動研磨咖啡隨行杯，充飽一次電可以研磨10次，不鏽鋼保溫杯讓您衛生又環保！
原價1990元，現在粉絲特惠價990，歡迎多加利用唷！原廠連結如下👇
https://lihi1.com/qOq0a

終於千呼萬喚，這次的品種太特別，是印度香米跟台梗九號的混種，非常難種！產量比一般白米少很多，吃起來口感非常Q彈，就像在日本吃的白米飯一樣！數量非常有限，喜歡吃日本米口感的朋友別錯過這次機會唷！直接線上訂購👇
https://shopee.tw/product/26432930/6145818279?smtt=0.26434266-1608562670.9


-歡迎加入「小新新講」社團
https://www.facebook.com/groups/203086074081695/

-「小新新講房產」粉絲團
https://www.facebook.com/小新新講房產-104292895090323/

-小新新講嚴選-開箱嚴選好商品及優惠
https://www.facebook.com/sillengogo/

或是加我的賴ID:
https://lin.ee/3XZGid7
一鍵私訊
https://m.me/sillen.shih
手機號碼
0970-750-800
email:
sillenshih@gmail.com

我是JC老師
電腦相關課程授課超過6000小時的一位AutoCAD課程講師
由於實在太多同學向JC老師反映，希望可以有線上課程學習
所以就決定錄製一系列的AutoCAD線上影片教學
而且不加密、不設限、不販售，就是純分享，希望可以幫助到有需要的朋友們
如果這部AutoCAD教學影片對你有幫助的話
請幫我按個讚，給我點鼓勵，也多分享給需要的朋友們喔~

---------------------------------------------------------------------------------------------------------
多行文字MTEXT(MT)(T)：
● 和WORD差不多，屬於段落文字
● 執行指令，拉出文字框，開始打字
● 點下第一點後可設定：高度(H)、對正(J)、行距(L)、旋轉(R)、字型(S)、寬度(W)
● 可用性質控制
● 對正方式
● 文字大小、文字顏色、文字字型
● 縮排與標籤
● 變更大小寫
● 符號：有上標及下標
● 項目符號及編號
● 使用特殊字元指示選取文字的堆疊方式。
　◆ 反斜線 (/) 垂直堆疊文字，由水平線分隔。
　◆ 井字號 (#) 依對角方向堆疊文字，由對角線分隔。
　◆ 脫字記號 (^) 用於建立公差堆疊，此堆疊為垂直堆疊，而非由線分隔。
● 可以輸入1/2為直式，選取後右鍵
● 匯入純文字、匯入RTF文字、直接貼上、選擇性貼上/Microsoft WORD文件、選擇性貼上/AutoCAD元件、選擇性貼上/文字、右鍵匯入文字
● 背景遮罩：進入文字編輯狀態，右鍵，背景遮罩
● 現地編輯功能
● 設定欄位
　◆ 動態欄
　　★ 自動高度：設一個高度，只要超過高度就會自動增加欄數
　　★ 手動高度：可以分別對每一欄設定不同的高度
　◆ 靜態欄
　　★ 依設定的欄高與欄數分欄
　◆ 插入分欄符
　　★ 強制分欄符號
　◆ 欄設定
　　★ 設定欄寬、高度、間距

---------------------------------------------------------------------------------------------------------

AutoCAD 2016 2D 線上教學影片目錄：http://bit.ly/2Y5F4Mw
AutoCAD 2016 2D 線上教學影片範例下載：https://bit.ly/3eOuKQR
AutoCAD 2D 常用快速鍵清單整理：http://bitly.com/2dUEJ9d
建築室內設計Arnold擬真呈現教學影片目錄：https://bit.ly/2VbZmmd
TQC AutoCAD 2008 2D 線上教學影片目錄：http://bitly.com/2dUGQtB
3ds Max 2015 線上教學影片目錄：http://bitly.com/2dUGqn3
JC老師個人網站：http://jc-d.net/
JC老師個人FB：https://www.facebook.com/ericjc.tw
JC-Design LINE ID：@umd7274k

我是JC老師
電腦相關課程授課超過6000小時的一位AutoCAD課程講師
由於實在太多同學向JC老師反映，希望可以有線上課程學習
所以就決定錄製一系列的AutoCAD線上影片教學
而且不加密、不設限、不販售，就是純分享，希望可以幫助到有需要的朋友們
如果這部AutoCAD教學影片對你有幫助的話
請幫我按個讚，給我點鼓勵，也多分享給需要的朋友們喔~

---------------------------------------------------------------------------------------------------------
多行文字MTEXT(MT)(T)：
● 和WORD差不多，屬於段落文字
● 執行指令，拉出文字框，開始打字
● 點下第一點後可設定：高度(H)、對正(J)、行距(L)、旋轉(R)、字型(S)、寬度(W)
● 可用性質控制
● 對正方式
● 文字大小、文字顏色、文字字型
● 縮排與標籤
● 變更大小寫
● 符號：有上標及下標
● 項目符號及編號
● 使用特殊字元指示選取文字的堆疊方式。
　◆ 反斜線 (/) 垂直堆疊文字，由水平線分隔。
　◆ 井字號 (#) 依對角方向堆疊文字，由對角線分隔。
　◆ 脫字記號 (^) 用於建立公差堆疊，此堆疊為垂直堆疊，而非由線分隔。
● 可以輸入1/2為直式，選取後右鍵
● 匯入純文字、匯入RTF文字、直接貼上、選擇性貼上/Microsoft WORD文件、選擇性貼上/AutoCAD元件、選擇性貼上/文字、右鍵匯入文字
● 背景遮罩：進入文字編輯狀態，右鍵，背景遮罩
● 現地編輯功能
● 設定欄位
　◆ 動態欄
　　★ 自動高度：設一個高度，只要超過高度就會自動增加欄數
　　★ 手動高度：可以分別對每一欄設定不同的高度
　◆ 靜態欄
　　★ 依設定的欄高與欄數分欄
　◆ 插入分欄符
　　★ 強制分欄符號
　◆ 欄設定
　　★ 設定欄寬、高度、間距

---------------------------------------------------------------------------------------------------------

AutoCAD 2016 2D 線上教學影片目錄：http://bit.ly/2Y5F4Mw
AutoCAD 2016 2D 線上教學影片範例下載：https://bit.ly/3eOuKQR
AutoCAD 2D 常用快速鍵清單整理：http://bitly.com/2dUEJ9d
建築室內設計Arnold擬真呈現教學影片目錄：https://bit.ly/2VbZmmd
TQC AutoCAD 2008 2D 線上教學影片目錄：http://bitly.com/2dUGQtB
3ds Max 2015 線上教學影片目錄：http://bitly.com/2dUGqn3
JC老師個人網站：http://jc-d.net/
JC老師個人FB：https://www.facebook.com/ericjc.tw
JC-Design LINE ID：@umd7274k