用word快速将数字字体换成新罗马详细简单方法

简介: 用word快速将数字字体换成新罗马详细简单方法

前几天写材料,材料写好后发现对材料格式中有要求,要把材料中的所有的数字全部变成新罗马字体(Times New Roman),我当时很懵,因为材料中涉及数字的地方实在太多了,如果一处处的更改,那工程量不可想象,所以我查阅了许多网上资料加上亲自操作最终找到一种比较简便快捷的方法去实现完成。

一、启动Word软件打开你要操作更改的word文档。

二、在文档中查看数字字体明显不是新罗马字体(Times New Roman),而是其他字体(见红色箭头2指向的红色框内容)。

三、在操作栏找到并点击“查找”,然后选择点击“高级查找”。

四、点击“更多(M)>>”。

五、点击选择“使用通配符(U)”选框。

六、点击“替换(P)”,然后在“查找内容(N)”框中输入“[0-9]”。

七、先点击“格式(O)”,然后选择点击“字体(F)”。

八、在“西方字体(F)”中输入“Times New Roman”。

九、点击“确定”。

十、点击“全部替换”。

十一、这时候会弹出弹框,选择点击“是”。

十二、成功替换,点击“确定”。

十三、点击“X”。

十四、最后,可以查看材料中的所有的数字全部变成新罗马字体(Times New Roman)。

相关文章
|
Windows
mathtype7产品激活密钥最新
MathType是强大的数学公式编辑器,MathType公式编辑器可以说是专门为理科生准备的软件,它可以帮助用户快速的在各种文档中插入符号和公式,不论是简单的公式和符号,还是复杂的都可以非常轻松的输入,并且在与office文档结合使用时,表现的非常完美,是非常好的一款软件,与常见的文字处理软件和演示程序配合使用,能够在各种文档中加入复杂的数学公式和符号,可用在编辑数学试卷、书籍、报刊、论文、幻灯演示等方面,是编辑数学资料的得力工具。
62482 0
|
Ubuntu Linux
Linux:查看服务器信息,CPU、内存、系统版本、内核版本等
Linux:查看服务器信息,CPU、内存、系统版本、内核版本等
8187 0
Linux:查看服务器信息,CPU、内存、系统版本、内核版本等
|
Ubuntu Linux Python
Linux(15)Ubuntu安装ninja构建工具
Linux(15)Ubuntu安装ninja构建工具
4697 0
|
9月前
|
机器学习/深度学习 人工智能 监控
番茄叶片病害检测数据集(千张图片已划分)| AI训练适用于目标检测任务
在农业领域,植物病害检测是确保作物健康和提高农业生产效率的关键任务之一。随着计算机视觉技术的快速发展,基于深度学习的目标检测方法成为了病害识别的主流手段。为此,专门针对番茄叶片病害检测任务,我们推出了一个经过精心设计的番茄叶片病害检测数据集。该数据集包含了10,853张带标签的图像,覆盖了10种常见的番茄叶片病害类型,支持YOLO等先进的目标检测模型训练,旨在帮助研究人员和开发者提高农作物病害自动化检测的能力。
1388 40
番茄叶片病害检测数据集(千张图片已划分)| AI训练适用于目标检测任务
|
存储 人工智能 自然语言处理
LangChain RAG入门教程:构建基于私有文档的智能问答助手
本文介绍如何利用检索增强生成(RAG)技术与LangChain框架构建基于特定文档集合的AI问答系统。通过结合检索系统和生成机制,RAG能有效降低传统语言模型的知识局限与幻觉问题,提升回答准确性。文章详细展示了从环境配置、知识库构建到系统集成的全流程,并提供优化策略以改进检索与响应质量。此技术适用于专业领域信息检索与生成,为定制化AI应用奠定了基础。
4389 5
LangChain RAG入门教程:构建基于私有文档的智能问答助手
|
机器学习/深度学习 编解码 计算机视觉
YOLOv11改进策略【Head】| ASFF 自适应空间特征融合模块,改进检测头Detect_ASFF
YOLOv11改进策略【Head】| ASFF 自适应空间特征融合模块,改进检测头Detect_ASFF
2687 13
YOLOv11改进策略【Head】| ASFF 自适应空间特征融合模块,改进检测头Detect_ASFF
|
机器学习/深度学习 存储 TensorFlow
YOLOv11改进策略【Head】| (独家改进)轻量化检测头:利用 EfficientNet 中的移动倒置瓶颈模块 MBConv 改进检测头
YOLOv11改进策略【Head】| (独家改进)轻量化检测头:利用 EfficientNet 中的移动倒置瓶颈模块 MBConv 改进检测头
3371 11
YOLOv11改进策略【Head】| (独家改进)轻量化检测头:利用 EfficientNet 中的移动倒置瓶颈模块 MBConv 改进检测头
|
机器学习/深度学习 资源调度 算法
图卷积网络入门:数学基础与架构设计
本文系统地阐述了图卷积网络的架构原理。通过简化数学表述并聚焦于矩阵运算的核心概念,详细解析了GCN的工作机制。
1293 3
图卷积网络入门:数学基础与架构设计
|
机器学习/深度学习 人工智能 编解码
【AI系统】GhostNet 系列
本文介绍了GhostNet系列网络,重点讲解了GhostNet V1和V2的改进。V1提出了Ghost Module,通过廉价操作生成更多特征图,构建轻量级网络。V2在此基础上引入了解耦全连接注意力(DFC)机制,增强了模型捕捉长距离依赖的能力,同时保持了高效的计算性能,特别适合移动设备。文章详细对比了V2与V1的区别,包括结构改进和性能提升。
1221 4
【AI系统】GhostNet 系列