整合营销服务商
电脑端+手机端+微信端=数据同步管理
免费咨询热线：
电脑端+手机端+微信端=数据同步管理
免费咨询热线：
为互联网人，永远在寻找新的灵感、接受新的讯息，这也是互联网的美妙之处，会在信息汪洋里，能够收获一些惊喜。
平时在工作中，我总喜欢收集一些新的有趣有用的工具神器，好处是能够帮自己提高工作效率，事半功倍。今天整理分享出来，请谨慎使用！（因为有些工具一旦用了仿佛就像打开了新世界大门再也回不去了。）
（https://chrome.google.com/webstore/detail/window-resizer/kkelicaakdanhinjdeammmilcgefonfh）
如果你是一名设计师 - 当你读到这篇文章时，你最有可能盯着27英寸的iMac。然而，我们的大多数用户都没有那么大的显示器。
因此给你推荐这个工具—Window Resizer。
您需要查看不同尺寸的浏览器外观，只需打开扩展程序，然后单击预设视口或输入自定义视图。
https://chrome.google.com/webstore/detail/loom-video-recorder-scree/liecbddmkiiihnedobmlmillhodjkdmb
他们说一张图片胜过千言万语，所以视频价值一万美元？1M？谁知道 - 虽然很多。Loom是一款真正令人惊叹的免费软件，它可以帮助您记录动画，用户流或错误，并与您的团队分享。
在过去的几个月里，我经常使用这个工具。当你试图通过屏幕截图来传达无法捕捉的东西时，这非常棒。只需安装扩展程序并按记录即可。完成后，您可以分享您的视频并获取有关查看过的人的统计信息等。
https://www.toyboxsystems.com/
您是否花费大量时间检查元素，抓取屏幕截图以及记录网站上的错误？好吧，看看Toybox chrome扩展程序。这是在您的网站上直接留下反馈和检查CSS的最快方法。
您可以将其视为InVision评论和Zeplin Inspecting - 但是在您的网站上而不是设计文件。不仅如此，当您发表评论时，它会自动截取屏幕截图，记录浏览器数据，操作系统信息，视口大小等等 - 使复制问题变得轻而易举。对于任何产品团队或代理商来说，这都是一个非常必要的东西。
https://www.logosc.cn/
严格来说，这不算是一款谷歌插件，但是我依然想推荐给身边的朋友使用，因为它实在太方便了。通过logo神器可以完完全全不依赖设计师，为自己的品牌创建logo，设计名片、完成品牌设计，甚至营销海报，这一套工作在以前可能需要很多设计师才可以做完，但是技术发展到今天，我们可以借助这样一个智能设计工具独立完成。
https://chrome.google.com/webstore/detail/muzli-2-stay-inspired/glcipcfhmopcgidicgdociohdoicpdfc
当你在喝早晨咖啡（或茶）时，是不是需要浏览一些打发时间的灵感网站？Muzli Chrome扩展就是为你准的。每当您打开一个新的浏览器窗口时，您都会看到所有令人敬畏的设计的最新供稿。他们从众多设计资源中汲取灵感，为您提供新颖，时尚和酷炫的产品。
我已经使用这个扩展多年了，它真的很棒。
https://chrome.google.com/webstore/detail/svg-grabber-get-all-the-s/ndakggdliegnegeclmfgodmgemdokdmg
你有没有遇到过需要抓取页面上的徽标/图标的时候呢，如果这听起来像你做的事 - 那么欢迎SVG Grabber进入你的生活。单击一个按钮，它将自动拉出页面上的所有SVG。它能够捕获并快速下载所需的内容。
它不一定是我一直使用的扩展程序，但是对于那些棘手的时刻而言，这是非常棒的。
http://chrome.google.com/webstore/detail/page-ruler/emliamioobfffbgcfdchabfibonehkme
测量页面上对象的大小可能会非常痛苦。如果您是经常打开屏幕截图工具的人 - 我肯定会建议您自己使用Page Ruler扩展名。
打开扩展程序，拖动框进行测量，你就完成了！其他不多。
https://chrome.google.com/webstore/detail/colorzilla/bhlhnicpbhignbdhedgjhgdocnmhomnp
有时您只需要快速查看正在使用的颜色 - 而ColorZilla就是一个很好的解决方案。只需将鼠标悬停在页面上的元素上即可查看正在使用的十六进制和rgb颜色值。单击以快速将其复制到剪贴板。它快速，简单，高效。
他们有一些其他功能，但是使用的次数不多。
https://chrome.google.com/webstore/detail/custom-cursor-for-chrome/ogdlpmhglpejoiomcodnpjnfgcpmgale
最后一个工具，推荐一个有趣的吧～你可以自定义光标，通过Custom Cursor for Chrome这个插件，你可以把原本的黑色光标换成任何你喜欢的颜色、形象～
非常有趣，非常时髦，非常新鲜 - 来试试吧。
感谢您的阅读，希望您也和我一样，享受这些有趣又有用的小工具～
logo品牌神器，是一款智能在线设计logo、名片VI、海报图片以及办公文档的实用工具。我们专注于智能品牌设计领域，通过技术驱动，让创业者能够自主完成品牌创建，覆盖从logo标志、品牌VI到营销推广等多种场景，旨在解决创业初期品牌建设不足、成本高等诸多痛点。
本节中，将结合一些示例。所有这些示例都适用于多种模型，并利用 了不同模型之间非常相似的API。
重要 ：要运行示例的最新版本，你必须从源代码安装并为示例安装一些特定要求。在新的虚拟环境中执行以下步骤：
git clone https://github.com/huggingface/transformers
cd transformers
pip install .
pip install -r ./examples/requirements.txtSection Description TensorFlow 2.0 GLUE模型 在GLUE任务上运行BERT TensorFlow 2.0模型的示例。 语言模型训练 对文本数据集上的库模型进行微调(或从头开始训练)。GPT/GPT-2的因果语言建模，BERT/RoBERTa的掩码语言建模。 语言生成 使用库的自回归模型生成条件文本：GPT、GPT-2、Transformer XL和XLNet。 GLUE 在9个GLUE任务上运行BERT/XLM/XLNet/RoBERTa的示例。示例使用分布式训练和半精确性。 SQuAD 使用BERT/RoBERTa/XLNet/XLM回答问题，示例使用分布式训练。 多项选择 在SWAG/RACE/ARC任务上运行BERT/XLNet/RoBERTa的示例。 命名实体识别 在CoNLL 2003数据集上使用BERT进行命名实体识别(NER)，示例使用分布式训练。 XNLI 在XNLI基准上运行BERT/XLM的示例。 模型性能的对抗性评估 在NLI系统(HANS)的数据集(McCoy等人，2019年)的启发式分析上测试自然语言推理的对抗性评估模型
基于脚本run_tf_glue.py的GLUE上的TensorFlow 2.0 Bert模型。
微调TensorFlow 2.0 Bert模型以对GLUE基准的MRPC任务进行序列分类。
该脚本具有用于在Tensor Core(NVIDIA Volta/Turing GPU)和将来的硬件上运行模型的混合精度(Automatic Mixed Precision / AMP)选项，以及XLA的选项，该选项使用XLA编译器来减少模型运行时间。在脚本中使用"USE_XLA"或"USE_AMP"变量来切换选项。这些选项和以下基准由@tlkh提供。
脚本快速测试结果(无其他修改)：
GPU 模式 时间(第二个epoch) 准确度(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 -
对于相同的硬件和超参数(使用相同的批次大小)，混合精度(AMP)大大减少了训练时间。
基于脚本run_language_modeling.py。
在GPT，GPT-2，BERT和RoBERTa(即将 添加DistilBERT )的文本数据集上微调(或从头训练)用于语言建模的库模型。GPT和GPT-2使用因果语言建模(CLM)损失 进行微调，而BERT和RoBERTa 使用掩码语言建模(MLM)损失进行微调。
在运行下面的示例之前，你应该获取一个包含文本的文件，在该文件上将 训练或微调语言模型。此类文本的一个很好的例子是WikiText-2数据集(https://blog.einstein.ai/the-wikitext-long-term-dependency-language-modeling-dataset/)。
我们将参考两个不同的文件：$ TRAIN_FILE，其中包含用于训练的文本，以及$ TEST_FILE，其中包含将用于评估的文本。
以下示例对WikiText-2上的GPT-2进行了微调。我们正在使用原始的WikiText-2(在标记化之前没有替换任何标记)。这里的损失是因果语言建模的损失。
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单个K80 GPU训练大约需要一个半小时，然后大约一分钟的时间评估运行。它微调的结果在数据集上困惑度大约20。
以下示例对WikiText-2上的RoBERTa进行了微调。在这里，我们也使用原始的WikiText-2。这里损失不一样，因为BERT/RoBERTa具有双向机制。我们所使用的损失与训练前的损失相同，都为掩码语言建模。
根据RoBERTa的论文，我们使用动态掩码而不是静态掩码。因此，模型收敛的 速度可能会稍微慢一些(过拟合会花费更多的时间)。
我们使用--mlm标志，以便脚本可以更改其损失功能。
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基于该脚本run_generation.py。
使用库的自动回归模型生成条件文本：GPT，GPT-2，Transformer-XL，XLNet，CTRL。我们的官方演示(https://transformer.huggingface.co)使用了类似的脚本，你可以在其中试用库中提供的各种模型。
用法示例：
python run_generation.py \
--model_type=gpt2 \
--model_name_or_path=gpt2基于该脚本run_glue.py。
在GLUE基准上微调用于序列分类的库模型。该脚本可以微调以下模型：BERT，XLM，XLNet和RoBERTa。
GLUE由9个不同的任务组成。我们在不带大小写的BERT基本模型("bert-base-uncased")的基准开发集上获得以下结果。所有实验都运行单个V100 GPU，总训练批次大小在16至64之间。其中一些任务的数据集较小，训练可能导致结果差异很大。在不同的运行之间。我们针对每个指标报告取5次运行(随机数种子不同)的中位数。
任务 度量 结果 CoLA Matthew's 相关系数 49.23 SST-2 准确度 91.97 MRPC F1/准确度 89.47/85.29 STS-B Person/Spearman 相关系数 83.95/83.70 QQP 准确度/F1 88.40/84.31 MNLI 匹配准确度/不匹配准确度 80.61/81.08 QNLI 准确度 87.46 RTE 准确度 61.73 WNLI 准确度 45.07
其中一些结果与网站上GLUE基准测试集上报告的结果有显着差异。有关QQP和WNLI，请参阅网站上的FAQ12(https://gluebenchmark.com/faq)。
在运行这些GLUE任务中的任何一项之前，你应该通过运行此脚本(https://gist.github.com/W4ngatang/60c2bdb54d156a41194446737ce03e2e)下载GLUE数据(https://gluebenchmark.com/tasks) 并解压缩将其保存到$ GLUE_DIR目录中。
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/$TASK_NAME/其中任务名称可以是CoLA，SST-2，MRPC，STS-B，QQP，MNLI，QNLI，RTE，WNLI之一。
开发集结果将显示在指定output_dir中的文本文件eval_results.txt中。 对于MNLI，由于有两个单独的开发集(匹配和不匹配)，所以除了/tmp/MNLI/之外，还有一个单独的输出文件夹，称为/tmp/MNLI-MM/。
除MRPC、MNLI、CoLA、SST-2外，apex在任何GLUE任务中都没有进行过半精确训练。以下部分提供了如何使用MRPC运行半精确训练的详细信息。尽管如此，使用剩余的GLUE任务运行半精度训练也不应该有任何问题，因为每个任务的数据处理器都继承自基类数据处理器。
以下示例对Microsoft Research Paraphrase Corpus(MRPC)语料库上的BERT进行微调，并且在单个K-80上运行不到10分钟，在单个tesla V100 16GB上，仅用27秒钟安装了apex。
在运行这些GLUE任务中的任何一项之前，你应该下载运行此脚本(https://gist.github.com/W4ngatang/60c2bdb54d156a41194446737ce03e2e) 来下载GLUE数据(https://gluebenchmark.com/tasks)，并将其解压缩到某个目录`$ 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/ 我们的测试基于原始实现的超参数(https://github.com/google-research/bert#sentence-and-sentence-pair-classification-tasks)得出的评估，结果介于84％和88％。
使用Apex和16位精度，在MRPC上的微调仅需27秒。首先安装apex(https://github.com/NVIDIA/apex)，然后运行以下示例：
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下面是一个在8个V100 GPU上使用分布式训练的例子。使用的模型是BERT whole-word-masking模式，在MRPC上达到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/这些超参数训练给了我们结果如下
acc=0.8823529411764706
acc_and_f1=0.901702786377709
eval_loss=0.3418912578906332
f1=0.9210526315789473
global_step=174
loss=0.07231863956341798下面的示例使用了BERT-large, uncased, whole-word-masking模型并在MNLI任务上对其进行微调。
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 \结果如下：
***** 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基于该脚本run_multiple_choice.py。
下载swag(https://github.com/rowanz/swagaf/tree/master/data)数据
#在4个tesla V100(16GB)GPU上进行训练
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 $SWAG_DIR \
--learning_rate 5e-5 \
--num_train_epochs 3 \
--max_seq_length 80 \
--output_dir models_bert/swag_base \
--per_gpu_eval_batch_size=16 \
--per_gpu_train_batch_size=16 \
--gradient_accumulation_steps 2 \
--overwrite_output与所定义的超参数训练产生了以下结果
***** Eval results *****
eval_acc=0.8338998300509847
eval_loss=0.44457291918821606基于该脚本run_squad.py。
此示例代码在SQuAD1.0数据集上微调BERT。在单个tesla V100 16GB上，它可以在24分钟(基于BERT-base上)或68分钟(对于BERT-large上)上运行。可以通过以下链接下载SQuAD的数据，并将其保存在$ SQUAD_DIR目录中。
对于SQuAD2.0，你需要下载：
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/ 与先前定义的超参数训练产生以下结果
F1=88.52
EXACT_MATCH=81.22 下面是使用8个V100 GPU分布式训练的示例和BERT Whole Word Masking uncased 模型在SQuAD1.1达到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 \使用先前定义的超参数进行训练得到以下结果
F1=93.15
EXACT_MATCH=86.91 此模型也在模型库中，按以下字符串可引用 bert-large-uncased-whole-word-masking-finetuned-squad。
此示例代码在SQuAD1.0和SQuAD2.0数据集上微调XLNet。参见上文，下载SQuAD的数据。
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 5000export 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 $SQUAD_DIR/dev-v2.0.json \
--learning_rate 3e-5 \
--num_train_epochs 4 \
--max_seq_length 384 \
--doc_stride 128 \
--output_dir ./wwm_cased_finetuned_squad/ \
--per_gpu_eval_batch_size=2 \
--per_gpu_train_batch_size=2 \
--save_steps 5000较大的批处理大小可以提高性能，同时消耗更多的内存。
{
"exact": 85.45884578997162,
"f1": 92.5974600601065,
"total": 10570,
"HasAns_exact": 85.45884578997162,
"HasAns_f1": 92.59746006010651,
"HasAns_total": 10570
}{
"exact": 80.4177545691906,
"f1": 84.07154997729623,
"total": 11873,
"HasAns_exact": 76.73751686909581,
"HasAns_f1": 84.05558584352873,
"HasAns_total": 5928,
"NoAns_exact": 84.0874684608915,
"NoAns_f1": 84.0874684608915,
"NoAns_total": 5945
}基于脚本run_xnli.py(https://github.com/huggingface/transformers/blob/master/examples/run_xnli.py)。
XNLI(https://www.nyu.edu/projects/bowman/xnli/)是基于MultiNLI(http://www.nyu.edu/projects/bowman/multinli/)的众包数据集。它是跨语言文本表示形式的评估基准。成对的文本用15种不同语言(包括高资源语言(例如英语)和低资源语言(例如斯瓦希里语)进行文本注释)。
此示例代码在XNLI数据集上微调了mBERT(多语言的BERT)。它在单个tesla V100 16GB上需要运行106分钟。可以通过以下链接下载XNLI的数据，并且应将其同时保存(并解压缩)在$ XNLI_DIR目录中。
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与先前定义的超参数训练产生以下结果
ACC=0.7093812375249501 基于脚本run_mmimdb.py(https://github.com/huggingface/transformers/blob/master/examples/mm-imdb/run_mmimdb.py)。
MM-IMDb(http://lisi1.unal.edu.co/mmimdb/)是一个多模式数据集，包含大约26,000部电影，包括图像，剧情和其他元数据。
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这是一个使用自然语言推理的对抗性评估和NLI系统启发式分析(HANS)数据集评估模型的示例。该示例由Nafise Sadat Moosavi(https://github.com/ns-moosavi)提供。
可以从此位置(https://github.com/tommccoy1/hans)下载HANS数据集。
这是使用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 \这将在MODEL_PATH中创建hans_predictions.txt文件，然后可以使用HANS数据集中的hans/evaluate_heur_output.py对其进行评估。
使用batch大小8和HANS数据集上的随机种子42在MNLI上训练的基于BERT的模型的结果如下：
们说爆款腕表的设计秘诀是整体式设计，这里的表耳中段=整体式设计标志，意味着表壳到表链的一体式视觉效果
?除了线条比例，还多了一些看点，就是构成颜值的创新工艺，比如CLM、二级钛表壳、陶瓷表圈跟链带一起，共同诠释独特的色彩美学
?我们说腕表讲究的是.传统的符号+技术文化的象征，这款表大有来头
?造型细节很有讲究的，比如用帆船甲板和风帆缝线致敬航海大发现，世界时功能的背后，是“旅行、发现、进步”。
【世界时的讲究】
这款表的世界时区名称与业界常用的模板不一样，比如，UTC1时区，比尔vs.日内瓦；因为比尔是欧米茄总部所在地，比尔作为瑞士腕表的重要产区，它的地位堪比日内瓦，但是在某些方面超过了日内瓦。这是因为这地方集中了法语区和德语区的两大制表优势。
中国实际上跨越了5个时区! 但在世界时上只有一个时区，采用北京时间为标准时间。欧米茄中国有30家直营店，5家在北京。所以，这款世界时腕表的UTC8时区是北京。
【提问】表盘上唯一的一处不是激光上色的时区名，你能指出是哪个吗？提示一下，转印的。
GMT、UTC和世界时腕表
17世纪，英国人写出了一个方程式，把真太阳时间换算成了平均太阳时间，就是我们钟表上的时间，格林威治成了当时天文学家的标准。
18世纪，航海家把格林威治时间默认为0°经度。
19世纪，各地都用当地时间，没有统一的标准，所以火车无法准点。
后来，格林威治被设为世界本初子午线，全球被划分为24个时区
格林威治在伦敦，所以这款表把伦敦手工标红：致敬GMT，致敬世界时区的划分。
1972年以前，GMT是国际民用时间标准，专业上叫UTC，在钟表上，仍分GMT和世界时。腕表都发的专业测评，世界时功能优于GMT
其实，早在1927年，欧米茄就做过一块可以导航的怀表。
1969年，欧米茄Flightmaster腕表，是第一款为洲际飞行员和旅行者开发的。这些腕表是欧米茄为旅行者而生产的腕表。
海马Aqua Terra世界时腕表有什么特殊？
它体现了对精准的双重定义：
1、走时精准：天文台，METAS ，你知道METAS认证有多麻烦吗？
2、地形精准：激光蚀刻的地球表面；CLM与珐琅的关系
海马系列Aqua Terra世界时钛金属腕表，在制表工艺，不改变传统造型的前提下提升颜值等维度，开创腕表设计的新赛道。
材质的创新，我觉得有以下4点：
1、 此陶瓷非彼陶瓷，
2、2级钛和5级钛
3、独特性：Moonshine金
4、有机玻璃Hesalite 蓝宝石 sapphire怎么选？
陶瓷是一种比珐琅更传统的材质，传统的陶瓷，如砂岩，瓷器，辉石，是以石英矿物为基础的。主要用来做艺术品、礼器、建材。传统陶瓷，坚硬但易碎。世界上最早的陶器出现在中国的仙人洞，距今约2万年。
但高科技陶瓷不一样，钛金属款的表圈的黑色陶瓷是二氧化锆陶瓷，精钢款的表圈是用绿色/蓝色（Summer Blue款）陶瓷的，这些陶瓷，加工工艺复杂，比钢硬、轻而且抗刮擦。有一种大胆前卫、充满运动风尚的大格局。
“氧化锆陶瓷比钢硬6倍，用脚都能想象打磨有多累。”
说到飞秒激光表盘，你想到了什么？但“欧米茄不是“素馅”的”
通过激光照射形成多层氧化膜，最终色彩是上层的光干涉效应和底层固有颜色产生的叠加效果。
颜色是通过调节曝光温度来控制的。比如，如果想要蓝色，大约1870°C 的温度。如果想要增加黄色调，就降到1670°C 左右。
激光着色与珐琅的关系简单聊两句
珐琅，被认为是一种高级的工艺，主要是手工和成品率的问题，微绘珐琅更强调大师的工艺。但欧米茄这个CLM工艺，不论从精确性和耐久性，哪怕是复杂程度，已经远超微绘珐琅。而一致性就更不用说了。
“不管是山国还是岛国，您不能因为画不出来就让人家消失啊。”
珐琅微绘，即使是大师想画成一样的，珐琅那种物料也不支持。而CLM工艺，可以保证每个人手上的世界时腕表上的地球地形一致，如果不一致的话，会犯政治错误的，尤其是这年月。精准、可靠，关键时刻还得靠科技。
这就是为什么比尔所在的伯尔尼产区在某些方面超过日内瓦产区。造几千块表与造几十万块表，实力不是一个量级的，这也是为什么某日内瓦品牌的机芯厂也在比尔。
为什么不用蓝宝石？Hesalite有机玻璃是热塑性材料，比蓝宝石更抗冲击，而且欧米茄在表面做了防刮擦处理。
Moonshine金是一种欧米茄研发的独特的18K金，独特的色泽灵感源自深邃夜空的月光。
【钛金属款】
表壳由2级钛金属制成。表冠、表背、中凸表耳和折叠式表扣也是。
另外，2级钛是99%的钛 (准确地说，是98.925%)，可以说目前量产腕表上最纯的金属，【thug】另外一种金属是什么？950铂金比钢重，而二级钛几乎比精钢轻一倍。
【提问】钛算不算贵金属？
钛，论储量并不稀有，但由于钛与其他地表材料的分离过程存在困难，因此仍然是一种昂贵的金属。钛的其它优点就不用说了吧，最值得一提的是生化惰性，你懂的。
橡胶表带是抗菌配方。表带的纹理灵感是环游世界的船只上使用的缆绳。缝合线是灰色的，就像缝在船帆上的线。与5级钛表盘2级钛表壳色泽协调。
绿色/蓝色（Summer Blue款）PVD表盘，太阳射线打磨效果。
钛金属款各方面性能优越，又由于其材质和工艺的独特性，更适合收藏，真戴着玩水也没有问题。
精钢款适合商务正装场合和通勤和休闲运动场合。
【机芯】有人质疑说，这款世界时的机芯跟前款没什么区别。
“机芯没毛病干嘛要换呢？”
“欧米茄的机械表新款里，想找不是至臻天文台认证的还真有一定难度。”
动力储存为60小时，可抵抗15000高斯的强磁场。需要注意的是，8900和9900系列机芯有跳时指针结构的时区功能。可以在不停秒的情况下设置本地时间。在旅行中，还想要保持腕表的精确性，这是一个优势。
调速系统由非磁性部件组成，比如：硅游丝、Nivagauss、LIGA工艺制成的磷酸镍材质和非晶态金属合金的Nivachoc减震。
- Si14硅游丝
- 机芯核心零部件均采用Nivagauss?材料制成
- 全部由磷酸镍制成的主机板均采用LIGA技术制成
- Nivachoc减震器弹簧由非晶态金属合金制成
说到精准，咱们看看欧米茄是如何把麻烦留给自己，把精准留给你的——METAS认证
“天文台认证居然包含ISO标准？”
然后，再进行精调，从天文台标准的-4到+6提升到0到+5秒。最后再送至METAS 也就是(瑞士联邦计量研究院)做10天的更严苛认证测试。
【总结】
欧米茄海马Aqua Terra世界时这三款腕表，用创新的材质和技术，诠释独特的色彩美学；还体现了对精准的双重定义：
而世界时功能的背后，则是“旅行、发现、进步”。把腕表的核心价值观：传统的符号和技术文化的象征，拓展到全新的维度。
*请认真填写需求信息，我们会在24小时内与您取得联系。
