Inhaltsverzeichnis
Deep Semi-Supervised Learning
Probleme und Herausforderungen in aktuellen Codebibliotheken für halbüberwachtes Lernen# 🎜🎜#
(1) Um die Aufgabenvielfalt zu verbessern, führte USB 5 CV-Datensätze, 5 NLP-Datensätze und 5 Audiodatensätze ein und stellte eine bereit Vielfältiger und herausfordernder Benchmark, der eine konsistente Bewertung mehrerer Aufgaben aus verschiedenen Bereichen ermöglicht. Tabelle 1 bietet einen detaillierten Vergleich der Aufgaben und Trainingszeiten zwischen USB und TorchSSL.
Heim Technologie-Peripheriegeräte KI USB: Der erste halbüberwachte Klassifizierungslern-Benchmark, der visuelle, sprachliche und akustische Klassifizierungsaufgaben vereint

USB: Der erste halbüberwachte Klassifizierungslern-Benchmark, der visuelle, sprachliche und akustische Klassifizierungsaufgaben vereint

Apr 13, 2023 pm 02:46 PM
视觉 任务

Derzeit ist die Entwicklung des teilüberwachten Lernens in vollem Gange. Bestehende halbüberwachte Lernbenchmarks beschränken sich jedoch meist auf Computer-Vision-Klassifizierungsaufgaben und schließen eine konsistente und vielfältige Bewertung von Klassifizierungsaufgaben wie der Verarbeitung natürlicher Sprache und der Audioverarbeitung aus. Darüber hinaus werden die meisten halbbetreuten Arbeiten von großen Institutionen veröffentlicht, und es ist für akademische Labore aufgrund begrenzter Rechenressourcen oft schwierig, sich an der Weiterentwicklung des Fachgebiets zu beteiligen.

Zu diesem Zweck haben Forscher von Microsoft Research Asia zusammen mit Forschern der Westlake University, dem Tokyo Institute of Technology, der Carnegie Mellon University, dem Max-Planck-Institut und anderen Institutionen den Unified SSL Benchmark (USB) vorgeschlagen: Der erste halb- Benchmark für überwachtes Klassifizierungslernen, der visuelle, sprachliche und akustische Klassifizierungsaufgaben vereint.

In diesem Artikel werden nicht nur vielfältigere Anwendungsfelder vorgestellt, sondern erstmals auch ein visuelles Pre-Training-Modell verwendet, um die Verifizierungszeit halbüberwachter Algorithmen erheblich zu verkürzen und die halbüberwachte Forschung insbesondere für Forscher benutzerfreundlicher zu gestalten kleine Forschungsgruppen. Relevante Beiträge wurden von NeurIPS 2022, der führenden internationalen akademischen Konferenz im Bereich der künstlichen Intelligenz, angenommen.

USB: Der erste halbüberwachte Klassifizierungslern-Benchmark, der visuelle, sprachliche und akustische Klassifizierungsaufgaben vereint

Artikellink: https://arxiv.org/pdf/2208.07204.pdf

Codelink: https://github.com/microsoft/Semi-supervised-learning

Überwachtes Lernen erstellt Modelle, die zu gekennzeichneten Daten passen. Wenn überwachtes Lernen zum Trainieren einer großen Menge hochwertiger gekennzeichneter Daten verwendet wird, liefert das neuronale Netzwerkmodell wettbewerbsfähige Ergebnisse.

Zum Beispiel können herkömmliche überwachte Lernmethoden laut Statistiken der Website Paperswithcode im millionenschweren Datensatz von ImageNet eine Genauigkeit von mehr als 88 % erreichen. Allerdings ist die Beschaffung großer Mengen gekennzeichneter Daten oft zeitaufwändig und mühsam.

Um die Abhängigkeit von beschrifteten Daten zu verringern, wird beim halbüberwachten Lernen (SSL) darauf geachtet, eine große Menge unbeschrifteter Daten zu verwenden, um die Verallgemeinerung des Modells zu verbessern, wenn nur eine kleine Menge beschrifteter Daten vorhanden ist. Auch halbüberwachtes Lernen ist eines der wichtigen Themen des maschinellen Lernens. Vor Deep Learning schlugen Forscher auf diesem Gebiet klassische Algorithmen wie halbüberwachte Support-Vektor-Maschinen, Entropie-Regularisierung und kollaboratives Training vor.

Deep Semi-Supervised Learning

Mit dem Aufstieg des Deep Learning haben auch Deep Semi-Supervised Learning-Algorithmen große Fortschritte gemacht. Gleichzeitig haben auch Technologieunternehmen wie Microsoft, Google und Meta das enorme Potenzial des halbüberwachten Lernens in praktischen Szenarien erkannt.

Google nutzt beispielsweise „Noisy Student Training“, einen halbüberwachten Algorithmus, um seine Leistung bei der Suche zu verbessern [1]. Die repräsentativsten halbüberwachten Algorithmen nutzen derzeit Kreuzentropieverlust für das Training auf gekennzeichneten Daten und Konsistenzregularisierung auf unbeschrifteten Daten, um invariante Vorhersagen für Eingabestörungen zu fördern.

Zum Beispiel verwendet der von Google auf der NeurIPS 2020 vorgeschlagene FixMatch[2]-Algorithmus Augmentationsverankerungs- und feste Schwellenwerttechnologien, um die Verallgemeinerung des Modells auf verbesserte Daten mit unterschiedlichen Stärken zu verbessern und Rauschartefakte zu reduzieren. Der Einfluss verrauschter Pseudoetiketten. Während des Trainings filtert FixMatch unbeschriftete Daten unterhalb eines vom Benutzer bereitgestellten/vordefinierten Schwellenwerts heraus.

FlexMatch[3], gemeinsam vorgeschlagen von Microsoft Research Asia und dem Tokyo Institute of Technology auf der NeurIPS 2021, berücksichtigt die unterschiedlichen Lernschwierigkeiten zwischen verschiedenen Kategorien und schlägt daher eine Pseudo-Labeling-Technologie für den Lehrplan vor, die unterschiedliche Schwellenwerte übernehmen sollte.

Insbesondere für leicht zu erlernende Kategorien sollte das Modell einen hohen Schwellenwert festlegen, um die Auswirkungen verrauschter Pseudobezeichnungen zu reduzieren; für schwer zu erlernende Kategorien sollte das Modell einen niedrigen Schwellenwert festlegen, um die Anpassung zu fördern dieser Kategorie. Die Bewertung der Lernschwierigkeiten jeder Klasse hängt von der Anzahl der unbeschrifteten Datenproben ab, die in diese Klasse fallen und über einem festen Wert liegen.

Gleichzeitig haben Forscher von Microsoft Research Asia auch zusammengearbeitet, um eine einheitliche Pytorch-basierte halbüberwachte Methodencodebibliothek TorchSSL[4] vorzuschlagen, die tiefgreifende Methoden, häufig verwendete Datensätze und Benchmark-Ergebnisse in diesem Bereich vereint. Unterstützung.

USB: Der erste halbüberwachte Klassifizierungslern-Benchmark, der visuelle, sprachliche und akustische Klassifizierungsaufgaben vereintAbbildung 1: Prozess des FlexMatch-Algorithmus

Probleme und Herausforderungen in aktuellen Codebibliotheken für halbüberwachtes Lernen# 🎜🎜#

Obwohl die Entwicklung des halbüberwachten Lernens in vollem Gange ist, haben Forscher festgestellt, dass sich die meisten aktuellen Arbeiten in halbüberwachter Richtung nur auf Klassifizierungsaufgaben für Computer Vision (CV) konzentrieren. Für andere Bereiche wie die Verarbeitung natürlicher Sprache (NLP) und die Audioverarbeitung (Audio) können Forscher nicht wissen, ob diese Algorithmen, die bei Lebenslaufaufgaben wirksam sind, auch in anderen Bereichen noch wirksam sind.

Darüber hinaus werden die meisten halbbetreuten Arbeiten von großen Institutionen veröffentlicht, und es ist für akademische Labore aufgrund begrenzter Rechenressourcen oft schwierig, sich an der Förderung dieses Themas zu beteiligen . Das Feld entwickelt sich. Generell weisen halbüberwachte Lernbenchmarks derzeit die folgenden zwei Probleme auf:

(1) Unzureichende Diversität. Die meisten der bestehenden Benchmarks für halbüberwachtes Lernen beschränken sich auf CV-Klassifizierungsaufgaben (d. h. CIFAR-10/100, SVHN, STL-10 und ImageNet-Klassifizierung) und schließen eine konsistente und vielfältige Bewertung von Klassifizierungsaufgaben wie NLP, Audio usw. aus. , während in NLP Der Mangel an ausreichend beschrifteten Daten in und Audio ist ebenfalls ein häufiges Problem.

(2) Zeitaufwändig und unfreundlich gegenüber der Wissenschaft. Bestehende Benchmarks für halbüberwachtes Lernen wie TorchSSL sind oft zeitaufwändig und umweltschädlich, da sie oft das Training tiefer neuronaler Netzwerkmodelle von Grund auf erfordern. Konkret erfordert die Evaluierung von FixMatch[1] mit TorchSSL etwa 300 GPU-Tage. Solche hohen Ausbildungskosten machen SSL-bezogene Forschung für viele Forschungslabore (insbesondere im akademischen Bereich oder in kleinen Forschungsgruppen) unerschwinglich und behindern so den Fortschritt von SSL.

USB: Eine neue Benchmark-Bibliothek mit vielfältigen Aufgaben und benutzerfreundlicher für Forscher

Um die oben genannten Probleme zu lösen, haben Forscher von Microsoft Research Asien Wir haben uns mit Forschern der Saiko University, des Tokyo Institute of Technology, der Carnegie Mellon University, des Max-Planck-Instituts und anderen Institutionen zusammengetan, um den Unified SSL Benchmark (USB) vorzuschlagen, der als erster Vision-, Sprach- und Audioklassifizierungsaufgaben kombiniert Einheitlicher Benchmark für halbüberwachtes Klassifizierungslernen.

Im Vergleich zu früheren halbüberwachten Lernbenchmarks (wie TorchSSL), die sich nur auf eine kleine Anzahl von Sehaufgaben konzentrierten, führt dieser Benchmark nicht nur zu vielfältigeren Anwendungsfeldern, Aber auch zum ersten Mal wird die Verifizierungszeit halbüberwachter Algorithmen durch die Verwendung eines vortrainierten Vision-Transformators erheblich verkürzt (von 7000 GPU-Stunden auf 900 GPU-Stunden), wodurch die halbüberwachte Forschung für Forscher, insbesondere für kleine Forschungsgruppen, benutzerfreundlicher wird.

Relevante Beiträge wurden von NeurIPS 2022, der führenden akademischen Konferenz im Bereich der internationalen künstlichen Intelligenz, angenommen. (Klicken Sie auf „Originaltext lesen“, um mehr zu erfahren) Aufsichtsproblem auf einen Schlag? Was ist mit den Problemen mit Benchmarks? Die Forscher haben hauptsächlich die folgenden Verbesserungen vorgenommen:

(1) Um die Aufgabenvielfalt zu verbessern, führte USB 5 CV-Datensätze, 5 NLP-Datensätze und 5 Audiodatensätze ein und stellte eine bereit Vielfältiger und herausfordernder Benchmark, der eine konsistente Bewertung mehrerer Aufgaben aus verschiedenen Bereichen ermöglicht. Tabelle 1 bietet einen detaillierten Vergleich der Aufgaben und Trainingszeiten zwischen USB und TorchSSL.

Tabelle 1: Aufgaben und Aufgaben von USB und TorchSSL Frameworks Trainingszeitvergleich USB: Der erste halbüberwachte Klassifizierungslern-Benchmark, der visuelle, sprachliche und akustische Klassifizierungsaufgaben vereint

(2) Um die Trainingseffizienz zu verbessern, führten Forscher vorab trainierte Vision Transformer in SSL ein, anstatt ResNets von Grund auf zu trainieren. Insbesondere fanden die Forscher heraus, dass die Verwendung vorab trainierter Modelle die Anzahl der Trainingsiterationen erheblich reduzieren kann, ohne die Leistung zu beeinträchtigen (z. B. Reduzierung der Anzahl der Trainingsiterationen für eine CV-Aufgabe von 1 Million Schritten auf 200.000 Schritte).

(3) Um für Forscher freundlicher zu sein, haben Forscher 14 SSL-Algorithmen als Open Source implementiert und eine modulare Codebibliothek und zugehörige Konfigurationsdateien als Open Source bereitgestellt, damit Forscher die Ergebnisse einfach im USB-Bericht reproduzieren können. Für einen schnellen Einstieg stellt USB außerdem ausführliche Dokumentationen und Tutorials zur Verfügung. Darüber hinaus stellt USB auch das Pip-Paket bereit, mit dem Benutzer den SSL-Algorithmus direkt aufrufen können. Die Forscher versprechen, in Zukunft weiterhin neue Algorithmen (z. B. unausgeglichene halbüberwachte Algorithmen usw.) und anspruchsvollere Datensätze zu USB hinzuzufügen. Tabelle 2 zeigt die bereits in USB unterstützten Algorithmen und Module. Tabelle 2: Unterstützte Algorithmen und Module in USB Forscher von Microsoft Research Asia freuen sich darauf, diese USB-Arbeit zu nutzen, um Hochschulen und Industrie dabei zu helfen, größere Fortschritte im Bereich des halbüberwachten Lernens zu erzielen.

Das obige ist der detaillierte Inhalt vonUSB: Der erste halbüberwachte Klassifizierungslern-Benchmark, der visuelle, sprachliche und akustische Klassifizierungsaufgaben vereint. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn

Heiße KI -Werkzeuge

Undresser.AI Undress

Undresser.AI Undress

KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover

AI Clothes Remover

Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool

Undress AI Tool

Ausziehbilder kostenlos

Clothoff.io

Clothoff.io

KI-Kleiderentferner

AI Hentai Generator

AI Hentai Generator

Erstellen Sie kostenlos Ai Hentai.

Heiße Werkzeuge

Notepad++7.3.1

Notepad++7.3.1

Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version

SublimeText3 chinesische Version

Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1

Senden Sie Studio 13.0.1

Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6

Dreamweaver CS6

Visuelle Webentwicklungstools

SublimeText3 Mac-Version

SublimeText3 Mac-Version

Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

So schließen Sie die Horrorkorridor-Mission in Goat Simulator 3 ab So schließen Sie die Horrorkorridor-Mission in Goat Simulator 3 ab Feb 25, 2024 pm 03:40 PM

Der Terrorkorridor ist eine Mission in Goat Simulator 3. Wie können Sie die detaillierten Räumungsmethoden und entsprechenden Prozesse meistern und die entsprechenden Herausforderungen dieser Mission meistern? Leitfaden zum Erlernen verwandter Informationen. Goat Simulator 3 Terror Corridor Guide 1. Zuerst müssen die Spieler zum Silent Hill in der oberen linken Ecke der Karte gehen. 2. Hier sehen Sie ein Haus mit der Aufschrift „RESTSTOP“ auf dem Dach. Um dieses Haus zu betreten, müssen die Spieler die Ziege bedienen. 3. Nachdem wir den Raum betreten haben, gehen wir zunächst geradeaus und biegen dann rechts ab. Hier befindet sich am Ende eine Tür, von hier aus gehen wir direkt hinein. 4. Nach dem Betreten müssen wir auch zuerst vorwärts gehen und dann rechts abbiegen. Wenn wir hier die Tür erreichen, müssen wir umkehren und sie finden.

So bestehen Sie die Imperial Tomb-Mission im Goat Simulator 3 So bestehen Sie die Imperial Tomb-Mission im Goat Simulator 3 Mar 11, 2024 pm 01:10 PM

Goat Simulator 3 ist ein Spiel mit klassischem Simulationsspiel, das es den Spielern ermöglicht, den Spaß einer Gelegenheits-Action-Simulation in vollen Zügen zu genießen. Das Spiel hat auch viele spannende Spezialaufgaben. Unter anderem erfordert die Goat Simulator 3 Imperial Tomb-Aufgabe, dass die Spieler den Glockenturm finden. Einige Spieler sind sich nicht sicher, wie sie die drei Uhren gleichzeitig bedienen sollen. Hier ist die Anleitung zur Tomb of the Tomb-Mission in Goat Simulator 3. Die Anleitung zur Tomb of the Tomb-Mission in Goat Simulator 3 besteht darin, die Glocken zu läuten in Ordnung. Detaillierte Schritterweiterung 1. Zuerst müssen die Spieler die Karte öffnen und zum Wuqiu-Friedhof gehen. 2. Gehen Sie dann hinauf zum Glockenturm. Dort befinden sich drei Glocken. 3. Folgen Sie dann 222312312 in der Reihenfolge vom größten zum kleinsten, um sich mit dem wütenden Klopfen vertraut zu machen. 4. Nachdem Sie das Klopfen abgeschlossen haben, können Sie die Mission abschließen und die Tür öffnen, um das Lichtschwert zu erhalten.

Fix: Fehler „Operator verweigert Anforderung' im Windows-Taskplaner Fix: Fehler „Operator verweigert Anforderung' im Windows-Taskplaner Aug 01, 2023 pm 08:43 PM

Um Aufgaben zu automatisieren und mehrere Systeme zu verwalten, ist Missionsplanungssoftware ein wertvolles Werkzeug in Ihrem Arsenal, insbesondere als Systemadministrator. Der Windows-Taskplaner erledigt seine Aufgabe perfekt, aber in letzter Zeit berichten viele Leute über Fehler, bei denen der Operator eine Anforderung abgelehnt hat. Dieses Problem besteht in allen Iterationen des Betriebssystems, und obwohl ausführlich darüber berichtet und behandelt wurde, gibt es keine wirksame Lösung. Lesen Sie weiter, um herauszufinden, was für andere Menschen tatsächlich funktionieren könnte! Welche Anfrage im Taskplaner 0x800710e0 wurde vom Bediener oder Administrator abgelehnt? Der Taskplaner ermöglicht die Automatisierung verschiedener Aufgaben und Anwendungen ohne Benutzereingaben. Sie können damit bestimmte Anwendungen planen und organisieren, automatische Benachrichtigungen konfigurieren, bei der Zustellung von Nachrichten helfen und vieles mehr. Es

So führen Sie die Steve-Rettungsmission im Goat Simulator 3 durch So führen Sie die Steve-Rettungsmission im Goat Simulator 3 durch Feb 25, 2024 pm 03:34 PM

Steve zu retten ist eine einzigartige Aufgabe in Goat Simulator 3. Was genau muss getan werden, um sie abzuschließen? Diese Aufgabe ist relativ einfach, aber wir müssen aufpassen, dass wir die Bedeutung von Steve nicht falsch verstehen Simulator 3-Aufgabenstrategien können Ihnen dabei helfen, verwandte Aufgaben besser zu erledigen. Goat Simulator 3 Rescue Steve Mission Strategie 1. Kommen Sie zuerst zur heißen Quelle in der unteren rechten Ecke der Karte. 2. Nachdem Sie an der heißen Quelle angekommen sind, können Sie die Aufgabe auslösen, Steve zu retten. 3. Beachten Sie, dass es in der heißen Quelle einen Mann gibt, der zwar Steve heißt, aber nicht das Ziel dieser Mission ist. 4. Finden Sie in dieser heißen Quelle einen Fisch namens Steve und bringen Sie ihn an Land, um diese Aufgabe abzuschließen.

Jenseits von ORB-SLAM3! SL-SLAM: Szenen mit wenig Licht, starkem Jitter und schwacher Textur werden verarbeitet Jenseits von ORB-SLAM3! SL-SLAM: Szenen mit wenig Licht, starkem Jitter und schwacher Textur werden verarbeitet May 30, 2024 am 09:35 AM

Heute diskutieren wir darüber, wie Deep-Learning-Technologie die Leistung von visionbasiertem SLAM (Simultaneous Localization and Mapping) in komplexen Umgebungen verbessern kann. Durch die Kombination von Methoden zur Tiefenmerkmalsextraktion und Tiefenanpassung stellen wir hier ein vielseitiges hybrides visuelles SLAM-System vor, das die Anpassung in anspruchsvollen Szenarien wie schlechten Lichtverhältnissen, dynamischer Beleuchtung, schwach strukturierten Bereichen und starkem Jitter verbessern soll. Unser System unterstützt mehrere Modi, einschließlich erweiterter Monokular-, Stereo-, Monokular-Trägheits- und Stereo-Trägheitskonfigurationen. Darüber hinaus wird analysiert, wie visuelles SLAM mit Deep-Learning-Methoden kombiniert werden kann, um andere Forschungen zu inspirieren. Durch umfangreiche Experimente mit öffentlichen Datensätzen und selbst abgetasteten Daten demonstrieren wir die Überlegenheit von SL-SLAM in Bezug auf Positionierungsgenauigkeit und Tracking-Robustheit.

Wo finde ich Douyin-Fangruppenaufgaben? Wird der Douyin-Fanclub an Niveau verlieren? Wo finde ich Douyin-Fangruppenaufgaben? Wird der Douyin-Fanclub an Niveau verlieren? Mar 07, 2024 pm 05:25 PM

Als eine der derzeit beliebtesten Social-Media-Plattformen hat TikTok eine große Anzahl von Nutzern zur Teilnahme angezogen. Auf Douyin gibt es viele Fangruppenaufgaben, die Benutzer erledigen können, um bestimmte Belohnungen und Vorteile zu erhalten. Wo finde ich die Aufgaben des Douyin-Fanclubs? 1. Wo kann ich die Aufgaben des Douyin-Fanclubs einsehen? Um die Aufgaben einer Douyin-Fangruppe zu finden, müssen Sie die persönliche Homepage von Douyin besuchen. Auf der Startseite sehen Sie eine Option namens „Fanclub“. Klicken Sie auf diese Option und Sie können die Fangruppen, denen Sie beigetreten sind, und die damit verbundenen Aufgaben durchsuchen. In der Spalte „Fanclub-Aufgaben“ sehen Sie verschiedene Arten von Aufgaben, wie z. B. Likes, Kommentare, Teilen, Weiterleiten usw. Für jede Aufgabe gibt es entsprechende Belohnungen und Anforderungen. Im Allgemeinen erhalten Sie nach Abschluss der Aufgabe eine bestimmte Menge an Goldmünzen oder Erfahrungspunkten.

Die erste rein visuelle statische Rekonstruktion des autonomen Fahrens Die erste rein visuelle statische Rekonstruktion des autonomen Fahrens Jun 02, 2024 pm 03:24 PM

Eine rein visuelle Annotationslösung nutzt hauptsächlich die visuelle Darstellung sowie einige Daten von GPS, IMU und Radgeschwindigkeitssensoren für die dynamische Annotation. Für Massenproduktionsszenarien muss es sich natürlich nicht nur um visuelle Aspekte handeln. Einige in Massenproduktion hergestellte Fahrzeuge verfügen über Sensoren wie Festkörperradar (AT128). Wenn wir aus Sicht der Massenproduktion einen geschlossenen Datenkreislauf erstellen und alle diese Sensoren verwenden, können wir das Problem der Kennzeichnung dynamischer Objekte effektiv lösen. Aber in unserem Plan gibt es kein Festkörperradar. Aus diesem Grund stellen wir diese gängigste Etikettierungslösung für die Massenproduktion vor. Der Kern einer rein visuellen Annotationslösung liegt in der hochpräzisen Posenrekonstruktion. Wir verwenden das Posenrekonstruktionsschema von Structure from Motion (SFM), um die Genauigkeit der Rekonstruktion sicherzustellen. Aber pass

So stoppen Sie Prozessaktualisierungen im Task-Manager und beenden Aufgaben einfacher in Windows 11 So stoppen Sie Prozessaktualisierungen im Task-Manager und beenden Aufgaben einfacher in Windows 11 Aug 20, 2023 am 11:05 AM

So unterbrechen Sie Task-Manager-Prozessaktualisierungen in Windows 11 und Windows 10. Drücken Sie STRG+Fenstertaste+Entf, um den Task-Manager zu öffnen. Standardmäßig öffnet der Task-Manager das Fenster „Prozesse“. Wie Sie hier sehen können, sind alle Apps endlos in Bewegung und es kann schwierig sein, auf sie zu zeigen, wenn Sie sie auswählen möchten. Drücken Sie also die STRG-Taste und halten Sie sie gedrückt. Dadurch wird der Task-Manager angehalten. Sie können weiterhin Apps auswählen und sogar nach unten scrollen, müssen jedoch jederzeit die STRG-Taste gedrückt halten.

See all articles