深度学习代码示例：在办公场景中快速上手小模型

很多人以为深度学习只属于程序员或科研人员，离日常办公很远。其实不然——比如用几行代码自动识别报销单上的发票类型、批量分类会议纪要里的待办事项、甚至从客户邮件里抽取出紧急程度标签，这些都已能靠轻量级深度学习模型实现。

先跑通一个最简示例

下面这段代码用的是 TensorFlow + Keras，仅需安装 tensorflow 包（pip install tensorflow），不依赖GPU也能秒级运行：

import tensorflow as tf
from tensorflow import keras
import numpy as np

# 模拟50条办公文本数据（如邮件标题）
texts = [
    "请审批Q3差旅报销",
    "会议纪要：产品上线时间确认",
    "紧急：服务器故障需立即处理",
    "周报汇总（8.12-8.16）",
    "客户投诉反馈整理"
] * 10  # 扩充到50条

# 简单规则打标：含"紧急"或"故障"为高优先级（1），其余为低（0）
labels = [1 if "紧急" in t or "故障" in t else 0 for t in texts]

# 文本向量化（用Keras内置Tokenizer，适合小样本）
tokenizer = keras.preprocessing.text.Tokenizer(num_words=100)
tokenizer.fit_on_texts(texts)
seqs = tokenizer.texts_to_sequences(texts)
X = keras.preprocessing.sequence.pad_sequences(seqs, maxlen=10)

# 构建极简模型
model = keras.Sequential([
    keras.layers.Embedding(100, 8, input_length=10),
    keras.layers.GlobalAveragePooling1D(),
    keras.layers.Dense(16, activation='relu'),
    keras.layers.Dense(1, activation='sigmoid')
])
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 训练3轮，快得像打开一个Excel表格
model.fit(X, np.array(labels), epochs=3, verbose=0)

# 测试新文本
new_text = ["系统响应缓慢，请尽快排查"]
new_seq = tokenizer.texts_to_sequences(new_text)
new_X = keras.preprocessing.sequence.pad_sequences(new_seq, maxlen=10)
pred = model.predict(new_X)[0][0]
print(f"预测优先级得分：{pred:.2f}（＞0.5视为紧急）")

它能帮你做什么？

别小看这二十几行代码。把它套进Excel宏调用Python的流程里（比如用 xlwings），你就能让Excel自动给收件箱摘要打标；嵌入到Outlook VBA脚本中，可实时过滤高优邮件；再配上简单的UI（用Gradio几行就能搭），行政同事点点鼠标就能批量处理扫描件OCR后的文本分类。

不需要从头造轮子

办公场景不求模型多先进，而求稳、快、易改。上面例子中的 Embedding 层可直接换成预训练的小模型，比如 HuggingFace 的 distilbert-base-uncased-finetuned-sst-2-english 中文版轻量分支，替换掉 Tokenizer 和 Embedding 部分，准确率立刻提升一截——但代码结构几乎不用动。

真正卡住人的，从来不是算法多难，而是第一行 import 能不能顺利执行，第一个 model.fit() 能不能跑出结果。先把示例粘贴进 Python 文件按 Ctrl+R，看到终端打出 预测优先级得分：0.93，你就已经站在深度学习办公化的起点上了。