数据分析Tableauhttps://www.bilibili.com/video/BV1tK4y1x74W?from=search&seid=18343094153577913819https://www.bilibili.com/video/BV1qQ4y1N7LD?from=search&seid=7850891874425723586https://www.bilibili

通过 [get_qs()](https://www.mindspore.cn/mindquantum/docs/zh-CN/master/simulator/mindquantum.simulator.Simulator.html#mindquantum.simulator.Simulator.get_qs) 查看模拟器状态可以发现，当前模拟器状态即为我们希望设置的$\frac{\sqrt{3}}

仓颉使用vscode创建项目。

数据分析Tableauhttps://www.bilibili.com/video/BV1tK4y1x74W?from=search&seid=18343094153577913819https://www.bilibili.com/video/BV1qQ4y1N7LD?from=search&seid=7850891874425723586https://www.bilibili

ppt_powerbi转ppt，数据分析ppthttps://www.bilibili.com/video/BV1oW411f7TB?p=20&spm_id_from=pageDriverhttps://www.bilibili.com/video/BV1Vi4y1b76o?from=search&seid=1091876864834231068&spm_id_from=3

Padding 是在较短的序列末尾添加特殊标记（如。

序列标注指给定输入序列，给序列中每个Token进行标注标签的过程。序列标注问题通常用于从文本中进行信息抽取，包括分词(Word Segmentation)、词性标注(Position Tagging)、命名实体识别(Named Entity Recognition, NER)等。输入序列清华大学座落于首都北京输出标注BIIIOOOOOBI如上表所示，清华大学和北京是地名，需要将其识别，我们对每个输

MobileNet网络是由Google团队于2017年提出的专注于移动端、嵌入式或IoT设备的轻量级CNN网络，相比于传统的卷积神经网络，MobileNet网络使用深度可分离卷积（Depthwise Separable Convolution）的思想在准确率小幅度降低的前提下，大大减小了模型参数与运算量。并引入宽度系数 α和分辨率系数 β使模型满足不同应用场景的需求。

FCN主要用于图像分割领域，是一种端到端的分割方法，是深度学习应用在图像语义分割的开山之作。通过进行像素级的预测直接得出与原图大小相等的label map。因FCN丢弃全连接层替换为全卷积层，网络所有层均为卷积层，故称为全卷积网络。全卷积神经网络主要使用以下三种技术：卷积化（Convolutional）使用VGG-16作为FCN的backbone。VGG-16的输入为224*224的RGB图像，输

BERT全称是来自变换器的双向编码器表征量（Bidirectional Encoder Representations from Transformers），它是Google于2018年末开发并发布的一种新型语言模型。与BERT模型相似的预训练语言模型例如问答、命名实体识别、自然语言推理、文本分类等在许多自然语言处理任务中发挥着重要作用。模型是基于Transformer中的Encoder并加上双向