9款堪稱神器的谷歌插件，你不想試試嗎？

為互聯(lián)網(wǎng)人，永遠在尋找新的靈感、接受新的訊息，這也是互聯(lián)網(wǎng)的美妙之處，會在信息汪洋里，能夠收獲一些驚喜。

平時在工作中，我總喜歡收集一些新的有趣有用的工具神器，好處是能夠幫自己提高工作效率，事半功倍。今天整理分享出來，請謹慎使用?。ㄒ驗橛行┕ぞ咭坏┯昧朔路鹁拖翊蜷_了新世界大門再也回不去了。）

NO.1 瀏覽器窗口調(diào)整大小

（https://chrome.google.com/webstore/detail/window-resizer/kkelicaakdanhinjdeammmilcgefonfh）

如果你是一名設計師 - 當你讀到這篇文章時，你最有可能盯著27英寸的iMac。然而，我們的大多數(shù)用戶都沒有那么大的顯示器。

因此給你推薦這個工具—Window Resizer。

您需要查看不同尺寸的瀏覽器外觀，只需打開擴展程序，然后單擊預設視口或輸入自定義視圖。

NO.2 動圖記錄

https://chrome.google.com/webstore/detail/loom-video-recorder-scree/liecbddmkiiihnedobmlmillhodjkdmb

他們說一張圖片勝過千言萬語，所以視頻價值一萬美元？1M？誰知道 - 雖然很多。Loom是一款真正令人驚嘆的免費軟件，它可以幫助您記錄動畫，用戶流或錯誤，并與您的團隊分享。

在過去的幾個月里，我經(jīng)常使用這個工具。當你試圖通過屏幕截圖來傳達無法捕捉的東西時，這非常棒。只需安裝擴展程序并按記錄即可。完成后，您可以分享您的視頻并獲取有關查看過的人的統(tǒng)計信息等。

NO.3 一鍵檢查網(wǎng)頁錯誤

https://www.toyboxsystems.com/

您是否花費大量時間檢查元素，抓取屏幕截圖以及記錄網(wǎng)站上的錯誤？好吧，看看Toybox chrome擴展程序。這是在您的網(wǎng)站上直接留下反饋和檢查CSS的最快方法。

您可以將其視為InVision評論和Zeplin Inspecting - 但是在您的網(wǎng)站上而不是設計文件。不僅如此，當您發(fā)表評論時，它會自動截取屏幕截圖，記錄瀏覽器數(shù)據(jù)，操作系統(tǒng)信息，視口大小等等 - 使復制問題變得輕而易舉。對于任何產(chǎn)品團隊或代理商來說，這都是一個非常必要的東西。

NO.4 logo神器

https://www.logosc.cn/

嚴格來說，這不算是一款谷歌插件，但是我依然想推薦給身邊的朋友使用，因為它實在太方便了。通過logo神器可以完完全全不依賴設計師，為自己的品牌創(chuàng)建logo，設計名片、完成品牌設計，甚至營銷海報，這一套工作在以前可能需要很多設計師才可以做完，但是技術發(fā)展到今天，我們可以借助這樣一個智能設計工具獨立完成。

NO.5 靈感聚合導航

https://chrome.google.com/webstore/detail/muzli-2-stay-inspired/glcipcfhmopcgidicgdociohdoicpdfc

當你在喝早晨咖啡（或茶）時，是不是需要瀏覽一些打發(fā)時間的靈感網(wǎng)站？Muzli Chrome擴展就是為你準的。每當您打開一個新的瀏覽器窗口時，您都會看到所有令人敬畏的設計的最新供稿。他們從眾多設計資源中汲取靈感，為您提供新穎，時尚和酷炫的產(chǎn)品。

我已經(jīng)使用這個擴展多年了，它真的很棒。

NO.6 圖標抓取神器

https://chrome.google.com/webstore/detail/svg-grabber-get-all-the-s/ndakggdliegnegeclmfgodmgemdokdmg

你有沒有遇到過需要抓取頁面上的徽標/圖標的時候呢，如果這聽起來像你做的事 - 那么歡迎SVG Grabber進入你的生活。單擊一個按鈕，它將自動拉出頁面上的所有SVG。它能夠捕獲并快速下載所需的內(nèi)容。

它不一定是我一直使用的擴展程序，但是對于那些棘手的時刻而言，這是非常棒的。

NO.7 頁面標尺

http://chrome.google.com/webstore/detail/page-ruler/emliamioobfffbgcfdchabfibonehkme

測量頁面上對象的大小可能會非常痛苦。如果您是經(jīng)常打開屏幕截圖工具的人 - 我肯定會建議您自己使用Page Ruler擴展名。

打開擴展程序，拖動框進行測量，你就完成了！其他不多。

NO.8 網(wǎng)頁取色器

https://chrome.google.com/webstore/detail/colorzilla/bhlhnicpbhignbdhedgjhgdocnmhomnp

有時您只需要快速查看正在使用的顏色 - 而ColorZilla就是一個很好的解決方案。只需將鼠標懸停在頁面上的元素上即可查看正在使用的十六進制和rgb顏色值。單擊以快速將其復制到剪貼板。它快速，簡單，高效。

他們有一些其他功能，但是使用的次數(shù)不多。

NO.9 自定義光標

https://chrome.google.com/webstore/detail/custom-cursor-for-chrome/ogdlpmhglpejoiomcodnpjnfgcpmgale

最后一個工具，推薦一個有趣的吧～你可以自定義光標，通過Custom Cursor for Chrome這個插件，你可以把原本的黑色光標換成任何你喜歡的顏色、形象～

非常有趣，非常時髦，非常新鮮 - 來試試吧。

感謝您的閱讀，希望您也和我一樣，享受這些有趣又有用的小工具～

logo品牌神器，是一款智能在線設計logo、名片VI、海報圖片以及辦公文檔的實用工具。我們專注于智能品牌設計領域，通過技術驅(qū)動，讓創(chuàng)業(yè)者能夠自主完成品牌創(chuàng)建，覆蓋從logo標志、品牌VI到營銷推廣等多種場景，旨在解決創(chuàng)業(yè)初期品牌建設不足、成本高等諸多痛點。

本節(jié)中，將結合一些示例。所有這些示例都適用于多種模型，并利用了不同模型之間非常相似的API。

重要：要運行示例的最新版本，你必須從源代碼安裝并為示例安裝一些特定要求。在新的虛擬環(huán)境中執(zhí)行以下步驟：

git clone https://github.com/huggingface/transformers
cd transformers
pip install .
pip install -r ./examples/requirements.txt

Section Description TensorFlow 2.0 GLUE模型在GLUE任務上運行BERT TensorFlow 2.0模型的示例。語言模型訓練對文本數(shù)據(jù)集上的庫模型進行微調(diào)(或從頭開始訓練)。GPT/GPT-2的因果語言建模，BERT/RoBERTa的掩碼語言建模。語言生成使用庫的自回歸模型生成條件文本：GPT、GPT-2、Transformer XL和XLNet。 GLUE 在9個GLUE任務上運行BERT/XLM/XLNet/RoBERTa的示例。示例使用分布式訓練和半精確性。 SQuAD 使用BERT/RoBERTa/XLNet/XLM回答問題，示例使用分布式訓練。多項選擇在SWAG/RACE/ARC任務上運行BERT/XLNet/RoBERTa的示例。命名實體識別在CoNLL 2003數(shù)據(jù)集上使用BERT進行命名實體識別(NER)，示例使用分布式訓練。 XNLI 在XNLI基準上運行BERT/XLM的示例。模型性能的對抗性評估在NLI系統(tǒng)(HANS)的數(shù)據(jù)集(McCoy等人，2019年)的啟發(fā)式分析上測試自然語言推理的對抗性評估模型

GLUE上的TensorFlow 2.0 Bert模型

基于腳本run_tf_glue.py的GLUE上的TensorFlow 2.0 Bert模型。

微調(diào)TensorFlow 2.0 Bert模型以對GLUE基準的MRPC任務進行序列分類。

該腳本具有用于在Tensor Core(NVIDIA Volta/Turing GPU)和將來的硬件上運行模型的混合精度(Automatic Mixed Precision / AMP)選項，以及XLA的選項，該選項使用XLA編譯器來減少模型運行時間。在腳本中使用"USE_XLA"或"USE_AMP"變量來切換選項。這些選項和以下基準由@tlkh提供。

腳本快速測試結果(無其他修改)：

GPU 模式時間(第二個epoch) 準確度(3次) Titan V FP32 41s 0.8438 / 0.8281 / 0.8333 Titan V AMP 26s 0.8281 / 0.8568 / 0.8411 V100 FP32 35s 0.8646 / 0.8359 / 0.8464 V100 AMP 22s 0.8646 / 0.8385 / 0.8411 1080 Ti FP32 55s -

對于相同的硬件和超參數(shù)(使用相同的批次大小)，混合精度(AMP)大大減少了訓練時間。

語言模型訓練

基于腳本run_language_modeling.py。

在GPT，GPT-2，BERT和RoBERTa(即將添加DistilBERT )的文本數(shù)據(jù)集上微調(diào)(或從頭訓練)用于語言建模的庫模型。GPT和GPT-2使用因果語言建模(CLM)損失進行微調(diào)，而BERT和RoBERTa 使用掩碼語言建模(MLM)損失進行微調(diào)。

在運行下面的示例之前，你應該獲取一個包含文本的文件，在該文件上將訓練或微調(diào)語言模型。此類文本的一個很好的例子是WikiText-2數(shù)據(jù)集(https://blog.einstein.ai/the-wikitext-long-term-dependency-language-modeling-dataset/)。

我們將參考兩個不同的文件：$ TRAIN_FILE，其中包含用于訓練的文本，以及$ TEST_FILE，其中包含將用于評估的文本。

GPT-2/GPT和因果語言建模

以下示例對WikiText-2上的GPT-2進行了微調(diào)。我們正在使用原始的WikiText-2(在標記化之前沒有替換任何標記)。這里的損失是因果語言建模的損失。

export TRAIN_FILE=/path/to/dataset/wiki.train.raw
export TEST_FILE=/path/to/dataset/wiki.test.raw

python run_language_modeling.py \
    --output_dir=output \
    --model_type=gpt2 \
    --model_name_or_path=gpt2 \
    --do_train \
    --train_data_file=$TRAIN_FILE \
    --do_eval \
    --eval_data_file=$TEST_FILE

單個K80 GPU訓練大約需要一個半小時，然后大約一分鐘的時間評估運行。它微調(diào)的結果在數(shù)據(jù)集上困惑度大約20。

RoBERTa / BERT和掩碼語言建模

以下示例對WikiText-2上的RoBERTa進行了微調(diào)。在這里，我們也使用原始的WikiText-2。這里損失不一樣，因為BERT/RoBERTa具有雙向機制。我們所使用的損失與訓練前的損失相同，都為掩碼語言建模。

根據(jù)RoBERTa的論文，我們使用動態(tài)掩碼而不是靜態(tài)掩碼。因此，模型收斂的速度可能會稍微慢一些(過擬合會花費更多的時間)。

我們使用--mlm標志，以便腳本可以更改其損失功能。

export TRAIN_FILE=/path/to/dataset/wiki.train.raw
export TEST_FILE=/path/to/dataset/wiki.test.raw

python run_language_modeling.py \
    --output_dir=output \
    --model_type=roberta \
    --model_name_or_path=roberta-base \
    --do_train \
    --train_data_file=$TRAIN_FILE \
    --do_eval \
    --eval_data_file=$TEST_FILE \
    --mlm

語言生成

基于該腳本run_generation.py。

使用庫的自動回歸模型生成條件文本：GPT，GPT-2，Transformer-XL，XLNet，CTRL。我們的官方演示(https://transformer.huggingface.co)使用了類似的腳本，你可以在其中試用庫中提供的各種模型。

用法示例：

python run_generation.py \ 
    --model_type=gpt2 \ 
    --model_name_or_path=gpt2

GLUE

基于該腳本run_glue.py。

在GLUE基準上微調(diào)用于序列分類的庫模型。該腳本可以微調(diào)以下模型：BERT，XLM，XLNet和RoBERTa。

GLUE由9個不同的任務組成。我們在不帶大小寫的BERT基本模型("bert-base-uncased")的基準開發(fā)集上獲得以下結果。所有實驗都運行單個V100 GPU，總訓練批次大小在16至64之間。其中一些任務的數(shù)據(jù)集較小，訓練可能導致結果差異很大。在不同的運行之間。我們針對每個指標報告取5次運行(隨機數(shù)種子不同)的中位數(shù)。

任務度量結果 CoLA Matthew's 相關系數(shù) 49.23 SST-2 準確度 91.97 MRPC F1/準確度 89.47/85.29 STS-B Person/Spearman 相關系數(shù) 83.95/83.70 QQP 準確度/F1 88.40/84.31 MNLI 匹配準確度/不匹配準確度 80.61/81.08 QNLI 準確度 87.46 RTE 準確度 61.73 WNLI 準確度 45.07

其中一些結果與網(wǎng)站上GLUE基準測試集上報告的結果有顯著差異。有關QQP和WNLI，請參閱網(wǎng)站上的FAQ12(https://gluebenchmark.com/faq)。

在運行這些GLUE任務中的任何一項之前，你應該通過運行此腳本(https://gist.github.com/W4ngatang/60c2bdb54d156a41194446737ce03e2e)下載GLUE數(shù)據(jù)(https://gluebenchmark.com/tasks) 并解壓縮將其保存到$ GLUE_DIR目錄中。

export GLUE_DIR=/path/to/glue
export TASK_NAME=MRPC

python run_glue.py \
  --model_type bert \
  --model_name_or_path bert-base-cased \
  --task_name $TASK_NAME \
  --do_train \
  --do_eval \
  --do_lower_case \
  --data_dir $GLUE_DIR/$TASK_NAME \
  --max_seq_length 128 \
  --per_gpu_train_batch_size 32 \
  --learning_rate 2e-5 \
  --num_train_epochs 3.0 \
  --output_dir /tmp/$TASK_NAME/

其中任務名稱可以是CoLA，SST-2，MRPC，STS-B，QQP，MNLI，QNLI，RTE，WNLI之一。

開發(fā)集結果將顯示在指定output_dir中的文本文件eval_results.txt中。對于MNLI，由于有兩個單獨的開發(fā)集(匹配和不匹配)，所以除了/tmp/MNLI/之外，還有一個單獨的輸出文件夾，稱為/tmp/MNLI-MM/。

除MRPC、MNLI、CoLA、SST-2外，apex在任何GLUE任務中都沒有進行過半精確訓練。以下部分提供了如何使用MRPC運行半精確訓練的詳細信息。盡管如此，使用剩余的GLUE任務運行半精度訓練也不應該有任何問題，因為每個任務的數(shù)據(jù)處理器都繼承自基類數(shù)據(jù)處理器。

MRPC

微調(diào)示例

以下示例對Microsoft Research Paraphrase Corpus(MRPC)語料庫上的BERT進行微調(diào)，并且在單個K-80上運行不到10分鐘，在單個tesla V100 16GB上，僅用27秒鐘安裝了apex。

在運行這些GLUE任務中的任何一項之前，你應該下載運行此腳本(https://gist.github.com/W4ngatang/60c2bdb54d156a41194446737ce03e2e) 來下載GLUE數(shù)據(jù)(https://gluebenchmark.com/tasks)，并將其解壓縮到某個目錄`$ GLUE_DIR`中。

export GLUE_DIR=/path/to/glue

python run_glue.py \
  --model_type bert \
  --model_name_or_path bert-base-cased \
  --task_name MRPC \
  --do_train \
  --do_eval \
  --do_lower_case \
  --data_dir $GLUE_DIR/MRPC/ \
  --max_seq_length 128 \
  --per_gpu_train_batch_size 32 \
  --learning_rate 2e-5 \
  --num_train_epochs 3.0 \
  --output_dir /tmp/mrpc_output/

我們的測試基于原始實現(xiàn)的超參數(shù)(https://github.com/google-research/bert#sentence-and-sentence-pair-classification-tasks)得出的評估，結果介于84％和88％。

使用Apex和混合精度

使用Apex和16位精度，在MRPC上的微調(diào)僅需27秒。首先安裝apex(https://github.com/NVIDIA/apex)，然后運行以下示例：

export GLUE_DIR=/path/to/glue

python run_glue.py \
  --model_type bert \
  --model_name_or_path bert-base-cased \
  --task_name MRPC \
  --do_train \
  --do_eval \
  --do_lower_case \
  --data_dir $GLUE_DIR/MRPC/ \
  --max_seq_length 128 \
  --per_gpu_train_batch_size 32 \
  --learning_rate 2e-5 \
  --num_train_epochs 3.0 \
  --output_dir /tmp/mrpc_output/ \
  --fp16

分布式訓練

下面是一個在8個V100 GPU上使用分布式訓練的例子。使用的模型是BERT whole-word-masking模式，在MRPC上達到F1> 92。

export GLUE_DIR=/path/to/glue

python -m torch.distributed.launch \
    --nproc_per_node 8 run_glue.py \
    --model_type bert \
    --model_name_or_path bert-base-cased \
    --task_name MRPC \
    --do_train \
    --do_eval \
    --do_lower_case \
    --data_dir $GLUE_DIR/MRPC/ \
    --max_seq_length 128 \
    --per_gpu_train_batch_size 8 \
    --learning_rate 2e-5 \
    --num_train_epochs 3.0 \
    --output_dir /tmp/mrpc_output/

這些超參數(shù)訓練給了我們結果如下

acc=0.8823529411764706
acc_and_f1=0.901702786377709
eval_loss=0.3418912578906332
f1=0.9210526315789473
global_step=174
loss=0.07231863956341798

MNLI

下面的示例使用了BERT-large, uncased, whole-word-masking模型并在MNLI任務上對其進行微調(diào)。

export GLUE_DIR=/path/to/glue

python -m torch.distributed.launch \
    --nproc_per_node 8 run_glue.py \
    --model_type bert \
    --model_name_or_path bert-base-cased \
    --task_name mnli \
    --do_train \
    --do_eval \
    --do_lower_case \
    --data_dir $GLUE_DIR/MNLI/ \
    --max_seq_length 128 \
    --per_gpu_train_batch_size 8 \
    --learning_rate 2e-5 \
    --num_train_epochs 3.0 \
    --output_dir output_dir \

結果如下：

***** Eval results *****
  acc=0.8679706601466992
  eval_loss=0.4911287787382479
  global_step=18408
  loss=0.04755385363816904

***** Eval results *****
  acc=0.8747965825874695
  eval_loss=0.45516540421714036
  global_step=18408
  loss=0.04755385363816904

多項選擇題

基于該腳本run_multiple_choice.py。

在SWAG上進行微調(diào)

下載swag(https://github.com/rowanz/swagaf/tree/master/data)數(shù)據(jù)

#在4個tesla V100(16GB)GPU上進行訓練
export SWAG_DIR=/path/to/swag_data_dir
python ./examples/run_multiple_choice.py \
--model_type roberta \
--task_name swag \
--model_name_or_path roberta-base \
--do_train \
--do_eval \
--do_lower_case \
--data_dir $SWAG_DIR \
--learning_rate 5e-5 \
--num_train_epochs 3 \
--max_seq_length 80 \
--output_dir models_bert/swag_base \
--per_gpu_eval_batch_size=16 \
--per_gpu_train_batch_size=16 \
--gradient_accumulation_steps 2 \
--overwrite_output

與所定義的超參數(shù)訓練產(chǎn)生了以下結果

***** Eval results *****
eval_acc=0.8338998300509847
eval_loss=0.44457291918821606

SQuAD

基于該腳本run_squad.py。

在SQuAD1.0上對BERT進行微調(diào)

此示例代碼在SQuAD1.0數(shù)據(jù)集上微調(diào)BERT。在單個tesla V100 16GB上，它可以在24分鐘(基于BERT-base上)或68分鐘(對于BERT-large上)上運行?？梢酝ㄟ^以下鏈接下載SQuAD的數(shù)據(jù)，并將其保存在$ SQUAD_DIR目錄中。

train-v1.1.json(https://rajpurkar.github.io/SQuAD-explorer/dataset/train-v1.1.json)
dev-v1.1.json(https://rajpurkar.github.io/SQuAD-explorer/dataset/dev-v1.1.json)
evaluate-v1.1.py(https://github.com/allenai/bi-att-flow/blob/master/squad/evaluate-v1.1.py)

對于SQuAD2.0，你需要下載：

train-v2.0.json(https://rajpurkar.github.io/SQuAD-explorer/dataset/train -v2.0.json)
dev-v2.0.json(https://rajpurkar.github.io/SQuAD-explorer/dataset/dev-v2.0.json)
evaluate-v2.0.py(https://worksheets.codalab.org/rest/bundles/0x6b567e1cf2e041ec80d7098f031c5c9e/contents/blob/)

export SQUAD_DIR=/path/to/SQUAD

python run_squad.py \
  --model_type bert \
  --model_name_or_path bert-base-cased \
  --do_train \
  --do_eval \
  --do_lower_case \
  --train_file $SQUAD_DIR/train-v1.1.json \
  --predict_file $SQUAD_DIR/dev-v1.1.json \
  --per_gpu_train_batch_size 12 \
  --learning_rate 3e-5 \
  --num_train_epochs 2.0 \
  --max_seq_length 384 \
  --doc_stride 128 \
  --output_dir /tmp/debug_squad/

與先前定義的超參數(shù)訓練產(chǎn)生以下結果

F1=88.52 
EXACT_MATCH=81.22

分布式訓練

下面是使用8個V100 GPU分布式訓練的示例和BERT Whole Word Masking uncased 模型在SQuAD1.1達到F1>93

python -m torch.distributed.launch --nproc_per_node=8 ./examples/run_squad.py \
    --model_type bert \
    --model_name_or_path bert-large-uncased-whole-word-masking \
    --do_train \
    --do_eval \
    --do_lower_case \
    --train_file $SQUAD_DIR/train-v1.1.json \
    --predict_file $SQUAD_DIR/dev-v1.1.json \
    --learning_rate 3e-5 \
    --num_train_epochs 2 \
    --max_seq_length 384 \
    --doc_stride 128 \
    --output_dir ./examples/models/wwm_uncased_finetuned_squad/ \
    --per_gpu_eval_batch_size=3   \
    --per_gpu_train_batch_size=3   \

使用先前定義的超參數(shù)進行訓練得到以下結果

F1=93.15 
EXACT_MATCH=86.91

此模型也在模型庫中，按以下字符串可引用 bert-large-uncased-whole-word-masking-finetuned-squad。

在SQuAD上微調(diào)XLNet

此示例代碼在SQuAD1.0和SQuAD2.0數(shù)據(jù)集上微調(diào)XLNet。參見上文，下載SQuAD的數(shù)據(jù)。

SQuAD1.0的命令：

export SQUAD_DIR=/path/to/SQUAD

python run_squad.py \
    --model_type xlnet \
    --model_name_or_path xlnet-large-cased \
    --do_train \
    --do_eval \
    --do_lower_case \
    --train_file $SQUAD_DIR/train-v1.1.json \
    --predict_file $SQUAD_DIR/dev-v1.1.json \
    --learning_rate 3e-5 \
    --num_train_epochs 2 \
    --max_seq_length 384 \
    --doc_stride 128 \
    --output_dir ./wwm_cased_finetuned_squad/ \
    --per_gpu_eval_batch_size=4  \
    --per_gpu_train_batch_size=4   \
    --save_steps 5000

SQuAD2.0的命令：

export SQUAD_DIR=/path/to/SQUAD

python run_squad.py \
    --model_type xlnet \
    --model_name_or_path xlnet-large-cased \
    --do_train \
    --do_eval \
    --version_2_with_negative \
    --train_file $SQUAD_DIR/train-v2.0.json \
    --predict_file $SQUAD_DIR/dev-v2.0.json \
    --learning_rate 3e-5 \
    --num_train_epochs 4 \
    --max_seq_length 384 \
    --doc_stride 128 \
    --output_dir ./wwm_cased_finetuned_squad/ \
    --per_gpu_eval_batch_size=2  \
    --per_gpu_train_batch_size=2   \
    --save_steps 5000

較大的批處理大小可以提高性能，同時消耗更多的內(nèi)存。

具有先前定義的超參數(shù)的SQuAD1.0的結果：

{
"exact": 85.45884578997162,
"f1": 92.5974600601065,
"total": 10570,
"HasAns_exact": 85.45884578997162,
"HasAns_f1": 92.59746006010651,
"HasAns_total": 10570
}

具有先前定義的超參數(shù)的SQuAD2.0的結果：

{
"exact": 80.4177545691906,
"f1": 84.07154997729623,
"total": 11873,
"HasAns_exact": 76.73751686909581,
"HasAns_f1": 84.05558584352873,
"HasAns_total": 5928,
"NoAns_exact": 84.0874684608915,
"NoAns_f1": 84.0874684608915,
"NoAns_total": 5945
}

XNLI

基于腳本run_xnli.py(https://github.com/huggingface/transformers/blob/master/examples/run_xnli.py)。

XNLI(https://www.nyu.edu/projects/bowman/xnli/)是基于MultiNLI(http://www.nyu.edu/projects/bowman/multinli/)的眾包數(shù)據(jù)集。它是跨語言文本表示形式的評估基準。成對的文本用15種不同語言(包括高資源語言(例如英語)和低資源語言(例如斯瓦希里語)進行文本注釋)。

XNLI上的微調(diào)

此示例代碼在XNLI數(shù)據(jù)集上微調(diào)了mBERT(多語言的BERT)。它在單個tesla V100 16GB上需要運行106分鐘。可以通過以下鏈接下載XNLI的數(shù)據(jù)，并且應將其同時保存(并解壓縮)在$ XNLI_DIR目錄中。

XNLI 1.0(https://www.nyu.edu/projects/bowman/xnli/XNLI-1.0.zip)
XNLI-MT 1.0(https://www.nyu.edu/projects/bowman/xnli/XNLI-MT-1.0.zip)

export XNLI_DIR=/path/to/XNLI

python run_xnli.py \
  --model_type bert \
  --model_name_or_path bert-base-multilingual-cased \
  --language de \
  --train_language en \
  --do_train \
  --do_eval \
  --data_dir $XNLI_DIR \
  --per_gpu_train_batch_size 32 \
  --learning_rate 5e-5 \
  --num_train_epochs 2.0 \
  --max_seq_length 128 \
  --output_dir /tmp/debug_xnli/ \
  --save_steps -1

與先前定義的超參數(shù)訓練產(chǎn)生以下結果

ACC=0.7093812375249501

MM-IMDB

基于腳本run_mmimdb.py(https://github.com/huggingface/transformers/blob/master/examples/mm-imdb/run_mmimdb.py)。

MM-IMDb(http://lisi1.unal.edu.co/mmimdb/)是一個多模式數(shù)據(jù)集，包含大約26,000部電影，包括圖像，劇情和其他元數(shù)據(jù)。

訓練MM-IMDB

python run_mmimdb.py \
    --data_dir /path/to/mmimdb/dataset/ \
    --model_type bert \
    --model_name_or_path bert-base-uncased \
    --output_dir /path/to/save/dir/ \
    --do_train \
    --do_eval \
    --max_seq_len 512 \
    --gradient_accumulation_steps 20 \
    --num_image_embeds 3 \
    --num_train_epochs 100 \
    --patience 5

模型性能對抗性評估

這是一個使用自然語言推理的對抗性評估和NLI系統(tǒng)啟發(fā)式分析(HANS)數(shù)據(jù)集評估模型的示例。該示例由Nafise Sadat Moosavi(https://github.com/ns-moosavi)提供。

可以從此位置(https://github.com/tommccoy1/hans)下載HANS數(shù)據(jù)集。

這是使用test_hans.py的示例：

export HANS_DIR=path-to-hans
export MODEL_TYPE=type-of-the-model-e.g.-bert-roberta-xlnet-etc
export MODEL_PATH=path-to-the-model-directory-that-is-trained-on-NLI-e.g.-by-using-run_glue.py

python examples/hans/test_hans.py \
        --task_name hans \
        --model_type $MODEL_TYPE \
        --do_eval \
        --do_lower_case \
        --data_dir $HANS_DIR \
        --model_name_or_path $MODEL_PATH \
        --max_seq_length 128 \
        --output_dir $MODEL_PATH \

這將在MODEL_PATH中創(chuàng)建hans_predictions.txt文件，然后可以使用HANS數(shù)據(jù)集中的hans/evaluate_heur_output.py對其進行評估。

使用batch大小8和HANS數(shù)據(jù)集上的隨機種子42在MNLI上訓練的基于BERT的模型的結果如下：

們說爆款腕表的設計秘訣是整體式設計，這里的表耳中段=整體式設計標志，意味著表殼到表鏈的一體式視覺效果

?除了線條比例，還多了一些看點，就是構成顏值的創(chuàng)新工藝，比如CLM、二級鈦表殼、陶瓷表圈跟鏈帶一起，共同詮釋獨特的色彩美學

?我們說腕表講究的是.傳統(tǒng)的符號+技術文化的象征，這款表大有來頭

?造型細節(jié)很有講究的，比如用帆船甲板和風帆縫線致敬航海大發(fā)現(xiàn)，世界時功能的背后，是“旅行、發(fā)現(xiàn)、進步”。

【世界時的講究】

這款表的世界時區(qū)名稱與業(yè)界常用的模板不一樣，比如，UTC1時區(qū)，比爾vs.日內(nèi)瓦；因為比爾是歐米茄總部所在地，比爾作為瑞士腕表的重要產(chǎn)區(qū)，它的地位堪比日內(nèi)瓦，但是在某些方面超過了日內(nèi)瓦。這是因為這地方集中了法語區(qū)和德語區(qū)的兩大制表優(yōu)勢。

中國實際上跨越了5個時區(qū)! 但在世界時上只有一個時區(qū)，采用北京時間為標準時間。歐米茄中國有30家直營店，5家在北京。所以，這款世界時腕表的UTC8時區(qū)是北京。

【提問】表盤上唯一的一處不是激光上色的時區(qū)名，你能指出是哪個嗎？提示一下，轉印的。

GMT、UTC和世界時腕表

17世紀，英國人寫出了一個方程式，把真太陽時間換算成了平均太陽時間，就是我們鐘表上的時間，格林威治成了當時天文學家的標準。

18世紀，航海家把格林威治時間默認為0°經(jīng)度。

19世紀，各地都用當?shù)貢r間，沒有統(tǒng)一的標準，所以火車無法準點。

后來，格林威治被設為世界本初子午線，全球被劃分為24個時區(qū)

格林威治在倫敦，所以這款表把倫敦手工標紅：致敬GMT，致敬世界時區(qū)的劃分。

1972年以前，GMT是國際民用時間標準，專業(yè)上叫UTC，在鐘表上，仍分GMT和世界時。腕表都發(fā)的專業(yè)測評，世界時功能優(yōu)于GMT

其實，早在1927年，歐米茄就做過一塊可以導航的懷表。

1969年，歐米茄Flightmaster腕表，是第一款為洲際飛行員和旅行者開發(fā)的。這些腕表是歐米茄為旅行者而生產(chǎn)的腕表。

2017年，歐米茄真正的世界時腕表誕生，在海馬Aqua Terra的基礎上，歐米茄在復雜設計和與海洋精神之間實現(xiàn)了完美的平衡。

海馬Aqua Terra世界時腕表有什么特殊？

它體現(xiàn)了對精準的雙重定義：

1、走時精準：天文臺，METAS ，你知道METAS認證有多麻煩嗎？

2、地形精準：激光蝕刻的地球表面；CLM與琺瑯的關系

海馬系列Aqua Terra世界時鈦金屬腕表，在制表工藝，不改變傳統(tǒng)造型的前提下提升顏值等維度，開創(chuàng)腕表設計的新賽道。

材質(zhì)的創(chuàng)新，我覺得有以下4點：

1、此陶瓷非彼陶瓷，

2、2級鈦和5級鈦

3、獨特性：Moonshine金

4、有機玻璃Hesalite 藍寶石 sapphire怎么選？

陶瓷是一種比琺瑯更傳統(tǒng)的材質(zhì)，傳統(tǒng)的陶瓷，如砂巖，瓷器，輝石，是以石英礦物為基礎的。主要用來做藝術品、禮器、建材。傳統(tǒng)陶瓷，堅硬但易碎。世界上最早的陶器出現(xiàn)在中國的仙人洞，距今約2萬年。

但高科技陶瓷不一樣，鈦金屬款的表圈的黑色陶瓷是二氧化鋯陶瓷，精鋼款的表圈是用綠色/藍色（Summer Blue款）陶瓷的，這些陶瓷，加工工藝復雜，比鋼硬、輕而且抗刮擦。有一種大膽前衛(wèi)、充滿運動風尚的大格局。

陶瓷表圈復合打磨，也就是拉絲和拋光。

“氧化鋯陶瓷比鋼硬6倍，用腳都能想象打磨有多累。”

內(nèi)表盤是5級鈦材質(zhì)。用最前沿技術實現(xiàn)了表盤上的地球的地形精準，先是3D深雕，用飛秒激光雕出紋理。內(nèi)表盤是拱形設計，模擬地球的弧度。然后，用CLM（Colour Laser Marking激光彩色標記印，文本表示）著色。這個生產(chǎn)環(huán)節(jié)不是飛秒激光，而是納秒激光。

說到飛秒激光表盤，你想到了什么？但“歐米茄不是“素餡”的”

通過激光照射形成多層氧化膜，最終色彩是上層的光干涉效應和底層固有顏色產(chǎn)生的疊加效果。

顏色是通過調(diào)節(jié)曝光溫度來控制的。比如，如果想要藍色，大約1870°C 的溫度。如果想要增加黃色調(diào)，就降到1670°C 左右。

激光著色與琺瑯的關系簡單聊兩句

琺瑯，被認為是一種高級的工藝，主要是手工和成品率的問題，微繪琺瑯更強調(diào)大師的工藝。但歐米茄這個CLM工藝，不論從精確性和耐久性，哪怕是復雜程度，已經(jīng)遠超微繪琺瑯。而一致性就更不用說了。

“不管是山國還是島國，您不能因為畫不出來就讓人家消失啊。”

琺瑯微繪，即使是大師想畫成一樣的，琺瑯那種物料也不支持。而CLM工藝，可以保證每個人手上的世界時腕表上的地球地形一致，如果不一致的話，會犯政治錯誤的，尤其是這年月。精準、可靠，關鍵時刻還得靠科技。

這就是為什么比爾所在的伯爾尼產(chǎn)區(qū)在某些方面超過日內(nèi)瓦產(chǎn)區(qū)。造幾千塊表與造幾十萬塊表，實力不是一個量級的，這也是為什么某日內(nèi)瓦品牌的機芯廠也在比爾。

為了把世界地圖與外表盤連起來，歐米茄在用了Hesalite有機玻璃刻度環(huán)。

為什么不用藍寶石？Hesalite有機玻璃是熱塑性材料，比藍寶石更抗沖擊，而且歐米茄在表面做了防刮擦處理。

指針和小時刻度是Moonshine 18K金的，一說Moonshine，我老是想到北美的某種【Moonshine whisky，呃，飲料?！巴婀兹菀讓W壞，尤其是跟著老外?！?/span>

Moonshine金是一種歐米茄研發(fā)的獨特的18K金，獨特的色澤靈感源自深邃夜空的月光。

【鈦金屬款】

表殼由2級鈦金屬制成。表冠、表背、中凸表耳和折疊式表扣也是。

2級鈦金屬比5級鈦金屬顏色更深，而且只能進行啞光處理。這種特性讓它與黑色表圈和橡膠表帶完美搭配！

另外，2級鈦是99%的鈦 (準確地說，是98.925%)，可以說目前量產(chǎn)腕表上最純的金屬，【thug】另外一種金屬是什么？950鉑金比鋼重，而二級鈦幾乎比精鋼輕一倍。

【提問】鈦算不算貴金屬？

鈦，論儲量并不稀有，但由于鈦與其他地表材料的分離過程存在困難，因此仍然是一種昂貴的金屬。鈦的其它優(yōu)點就不用說了吧，最值得一提的是生化惰性，你懂的。

直徑43毫米，厚度14.12毫米，縱向表耳間距50毫米。防水性達到15個大氣壓(150米)。

精鋼款，更適合喜歡經(jīng)典風格的環(huán)球旅行者。其中一款搭配精鋼表鏈、蝴蝶扣。另一枚則配有灰色縫線的綠色橡膠表帶、折疊扣。

橡膠表帶是抗菌配方。表帶的紋理靈感是環(huán)游世界的船只上使用的纜繩?？p合線是灰色的，就像縫在船帆上的線。與5級鈦表盤2級鈦表殼色澤協(xié)調(diào)。

綠色/藍色（Summer Blue款）PVD表盤，太陽射線打磨效果。

鈦金屬款各方面性能優(yōu)越，又由于其材質(zhì)和工藝的獨特性，更適合收藏，真戴著玩水也沒有問題。

精鋼款適合商務正裝場合和通勤和休閑運動場合。

【機芯】有人質(zhì)疑說，這款世界時的機芯跟前款沒什么區(qū)別。

“機芯沒毛病干嘛要換呢？”

8938同軸至臻天文臺機芯，2019年推出，是歐米茄卓越的同軸至臻天文臺機芯系列之一。

“歐米茄的機械表新款里，想找不是至臻天文臺認證的還真有一定難度?！?/span>

動力儲存為60小時，可抵抗15000高斯的強磁場。需要注意的是，8900和9900系列機芯有跳時指針結構的時區(qū)功能?？梢栽诓煌Ｃ氲那闆r下設置本地時間。在旅行中，還想要保持腕表的精確性，這是一個優(yōu)勢。

調(diào)速系統(tǒng)由非磁性部件組成，比如：硅游絲、Nivagauss、LIGA工藝制成的磷酸鎳材質(zhì)和非晶態(tài)金屬合金的Nivachoc減震。

- Si14硅游絲

- 機芯核心零部件均采用Nivagauss?材料制成

- 全部由磷酸鎳制成的主機板均采用LIGA技術制成

- Nivachoc減震器彈簧由非晶態(tài)金屬合金制成

說到精準，咱們看看歐米茄是如何把麻煩留給自己，把精準留給你的——METAS認證

機芯組裝后，機芯先送到瑞士官方天文臺 (COSC)測試，在15天內(nèi)完成ISO 3159的走時標準測試。

“天文臺認證居然包含ISO標準？”

然后，再進行精調(diào)，從天文臺標準的-4到+6提升到0到+5秒。最后再送至METAS 也就是(瑞士聯(lián)邦計量研究院)做10天的更嚴苛認證測試。

【總結】

歐米茄海馬Aqua Terra世界時這三款腕表，用創(chuàng)新的材質(zhì)和技術，詮釋獨特的色彩美學；還體現(xiàn)了對精準的雙重定義：

而世界時功能的背后，則是“旅行、發(fā)現(xiàn)、進步”。把腕表的核心價值觀：傳統(tǒng)的符號和技術文化的象征，拓展到全新的維度。

在線咨詢

上一篇：有狀態(tài)部署慢？使用 openkruise 實現(xiàn)容器應
下一篇：JavaScript 二級省市聯(lián)動add方法使用

您的項目需求

*請認真填寫需求信息，我們會在24小時內(nèi)與您取得聯(lián)系。

整合營銷服務商

9款堪稱神器的谷歌插件，你不想試試嗎？

NO.1 瀏覽器窗口調(diào)整大小

NO.2 動圖記錄

NO.3 一鍵檢查網(wǎng)頁錯誤

NO.4 logo神器

NO.5 靈感聚合導航

NO.6 圖標抓取神器

NO.7 頁面標尺

NO.8 網(wǎng)頁取色器

NO.9 自定義光標

GLUE上的TensorFlow 2.0 Bert模型

語言模型訓練

GPT-2/GPT和因果語言建模

RoBERTa / BERT和掩碼語言建模

語言生成

GLUE

MRPC

微調(diào)示例

使用Apex和混合精度

分布式訓練

MNLI

多項選擇題

在SWAG上進行微調(diào)

SQuAD

在SQuAD1.0上對BERT進行微調(diào)

分布式訓練

在SQuAD上微調(diào)XLNet

SQuAD1.0的命令：

SQuAD2.0的命令：

具有先前定義的超參數(shù)的SQuAD1.0的結果：

具有先前定義的超參數(shù)的SQuAD2.0的結果：

XNLI

XNLI上的微調(diào)

MM-IMDB

訓練MM-IMDB

模型性能對抗性評估

您的項目需求

9款堪稱神器的谷歌插件，你不想試試嗎？