墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
300+累计阅读
398平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
本文一共有4个部分：
1 前言
2 ArcMap中干沟符号的实现方法
3 GeoScene Pro中干沟符号的实现方法
4 ArcMap中的干沟符号在GeoScene Pro中的显示方法
本文关键词：ArcMap，GeoScene Pro，混列线符号，制图线符号，制图干沟
制图在GIS学习中是一项基础的操作，上手也比较容易。在实际工作中，我们会遇到很多与符号相关的问题，例如要求特定比例尺下，制作指定大小的符号，符号的单位如何设置？再比如制作的符号预览正常，但是渲染结果与预计的不同等等。
预览中的符号
【ArcGIS微课1000例】0036：分式标注案例教程
本文介绍了在ArcGIS Pro中实现属性字段分式标注的方法。首先通过符号系统对话框设置唯一值标注，然后通过标注表达式功能创建分式标注。具体步骤包括：右键图层选择符号系统→设置唯一值字段→在图层属性中设置标注表达式。分式标注采用VBScript解析程序，表达式格式为将分子（行政代码）和分母（省份名称）用特定标签组合。文中配有详细操作截图，展示了从设置到最终效果的完整流程，包括普通标注与分式标注的对比效果。该方法适用于需要显示上下结构属性信息的GIS标注场景，属于ArcGIS Pro的实用技巧。
3D制图教程：GeoScene Pro+Blender
这一步稍作解释，我们添加到场景里的dem目前呈现出来是只有四个节点的矩形，blender制作的时候实际上让地形起伏的是通过上下移动节点实现的，四个节点的数量显然是不够的，设置成adaptive会使Blender根据我们的dem动态来增加和减少节点数量绘制地形效果。视图窗口里现在能看到三个元素，我用框给标记出来了，红色框里的是相机，绿色框里是模型，黄色框里是光源，我们制图也需要用到这三个元素，但是当前我们先全部清掉，重头开始，点击键盘字母a，选中所有视图内的元素，点击delete，清除所有元素。
【ArcGIS微课1000例】0034：地图线状符号设计案例教程
本文介绍了ArcGIS中线状符号的设计方法。首先讲解了如何新建符号样式文件，建议自定义保存路径以避免丢失。随后详细展示了6种线状符号的设计案例，包括点划线、双点划线、长短间隔虚线、图框线、带轮廓道路和虚线铁路符号。每种符号都配有属性编辑器参数截图，说明不同图层的组合方式、颜色选择、间隔设置等关键参数。这些符号设计方法适用于制作各类地图元素，如道路、铁路、边界线等，帮助用户快速掌握ArcGIS图形语言的应用技巧。
ArcGis中的标注技巧，实现上下标注、换行标注或分式标注的实用技巧
具体的表达式为: “”&" “& [分子字段] &” “&”"&vbnewline& [分母字段]倾斜标注、加粗标注、下划线标注（以倾斜标注为例）倾斜标注可以直接在文本符号里选择倾斜标注实现，但是这样设置的问题是它会将整个标注都变为倾斜标注，如果我们只是需要将标注内容中的一部分字段进行倾斜标注，那么就还是需要通过编写表达式来实现。倾斜标注的表达式为： “”&[字段]&"“加粗标注的表达式为： “”&[字段]&”“下划线标注的表达式为：”"&[字段]&""。3、上下位置的标注。
新疆河流水系shp矢量数据下载、坐标系处理与ArcGIS实操全指南
GIS数据是空间分析的基石，而矢量图层中的Shapefile格式因结构灵活、兼容性强，成为水文学、生态学和国土规划等领域最常用的数据载体。一份高质量的shp数据不仅包含几何形状，还隐含着属性编码、投影坐标系等关键信息，其完整性直接影响分析结果的可靠性。在实际工程中，数据源分散、坐标系错标、属性乱码、格式转换困难是常见痛点。从基础概念入手，理解shp文件组、CGCS2000与WGS84的差异，掌握河流水系数据的合规下载渠道，再到ArcGIS中的裁剪、拆分、符号化出图，以及转3dtiles、CAD等下游操作，是
ArGIS符号库-1：1万地形图线型符号库.zip
ArGIS符号库-1：1万地形图线型符号库.zip
Isaac Sim 6 利用Replicator实现高效语义分割与实例分割（实践指南5.10）
本文详细介绍了如何利用Isaac Sim 6的Replicator工具高效生成语义分割和实例分割数据集。通过虚拟环境自动标注，效率提升20倍以上，特别适用于农业机器人等计算机视觉项目。文章包含环境配置、场景构建、批量标注技巧及实例分割处理等实战指南，帮助开发者快速掌握合成数据生成技术。
Halcon手眼标定实战：九点标定法从入门到精通（附完整代码）
本文详细介绍了Halcon环境下九点标定法的完整实现流程，从基础概念到实战技巧，帮助开发者快速掌握手眼标定技术。通过精确采集图像坐标与机械坐标，计算仿射变换矩阵，实现相机与机械臂坐标系的精确映射，适用于工业自动化中的平面定位场景。
Vue3实战：企业级应用集成钉钉扫码登录全流程解析
本文详细解析了在Vue3企业级应用中集成钉钉扫码登录的全流程。从钉钉开放平台应用创建与配置，到Vue3前端如何优雅地嵌入并管理扫码组件，再到后端如何安全地处理OAuth 2.0授权码以换取用户信息并完成登录，提供了完整的实战代码与避坑指南。该方案能有效实现安全便捷的单点登录，统一企业身份认证。
android 运动目标检测_MindSpore应用案例：AI对篮球运动员目标的检测
MindSpore作为一个端边云协同的开源的全场景AI框架，今年3月份开源以来，受到了业界的广泛关注和应用，欢迎大家参与开源贡献、模型众智合作、行业创新与应用、学术合作等，贡献您在云侧、端侧 (HiMindSpore 应用程序)、边侧以及安全领域的应用案例。MindSpore与您在AI领域共同成长，让AI使能千行百业，释放出强大的生产力。本文讲述的是MindSpore对篮球运动员目标的检测应用，通...
Python - 多页pdf 合称为一页
尝试使用 ReportLab 来重画 pdf，但探索起来有点麻烦。重要的是解决手头这个问题，所以就算方法蠢，但简单完事。以下生成结果，最有一页 pdf 可能会显示在第一页，手动编辑下 pdf 即可；或者你也可以修改代码逻辑来完善。打印ppt，一页占用A4纸比较浪费，想多页合成一个 A4大小；安装 fitz，单独安装 fitz 使用可能会报错。将 PDF 拆分为 图片来保存。
python爬虫项目（一百九十八）：电商平台用户行为数据分析与推荐系统、爬取电商平台用户行为数据
本文详细介绍了如何通过爬虫技术抓取电商平台的用户行为数据，并结合数据分析技术，构建一个简单的推荐系统。使用Selenium模拟用户操作抓取动态网页数据，并通过API接口直接获取用户行为数据，能够为后续的用户行为分析提供基础数据。我们结合了基于用户协同过滤、基于商品协同过滤和矩阵分解等方法，构建了不同的推荐系统。实际应用中，可以进一步优化推荐算法，利用更复杂的深度学习技术和更高效的数据处理方法，提升推荐的准确性和个性化程度。
华为od 面试手撕代码题【完成任务最少小时】
华为od 面试手撕代码题【完成任务最少小时】
利用Dify构建文档内容的分析对比
本次主要做了一些workflow和Agent的应用实现，供大家参考。主要目的是为了进行两个内部报告文件的内容对比，特别是报告中的各类审批表、申请表、推荐表和流程对比，本地数据通过知识库方式分别加载到两个知识库中，编制工作流针对同一个问题进行知识库检索，之后将查询结果进行合并，再一起提交给LLM进行对比，最终将对比分析结果以markdown方式返回显示。主要包括如何构建知识库，如何设计workflow、如何将工作流发布为工具、如何设计提示词、如何在agent中引入前面发布的工具，最终通过agent实现与用户交
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
3593
扫一扫
