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
600+累计阅读
610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
在Google Earth Engine中，geemap库提供了丰富的功能和工具，用于可视化和分析地理空间数据。其中，矢量样式和栅格样式是在地图上呈现矢量数据和栅格数据时常用的技术。本文将详细介绍如何使用geemap库来设置矢量样式和栅格样式，并提供相应的源代码。
矢量样式
矢量样式是用于呈现矢量数据的图形样式，例如点、线和面。在geemap库中，我们可以使用ee.FeatureCollection.style()方法来为矢量数据设置样式。下面是一个使用geemap库设置矢量样式的示例代码：
import geemap
# 创建地图对象
Map = geemap.Map()
# 加载矢量数据
countries = ee.FeatureCollection('Google Earth Engine（GEE）—geemap矢量样式和栅格样式
地球引擎矢量数据 # !pip install geemap import ee import geemap # geemap.update_package() 使用默认样式¶ Map = geemap.Map() states = ee.FeatureCollection("TIGER/2018/States") Map.addLayer(states, {}, "US States") Map 使用 Image.paint()¶ Map = geemap.Map() states
Google Earth Engine：使用geemap进行地理数据分析和可视化
通过结合Google的大规模计算能力和地理空间数据集，用户可以进行广泛的地理数据分析和可视化，从而洞察地球上的各种现象和变化。geemap是一个基于Google Earth Engine的Python库，它提供了简单易用的工具，帮助用户在Jupyter Notebook中进行地理数据分析和可视化。当然，geemap还提供了更多高级功能和工具，方便用户进行更复杂的地理数据分析和可视化。geemap提供了强大的地理数据分析功能，可以进行各种地理空间操作和计算。使用geemap进行地理数据分析和可视化非常简单。
Google Earth Engine(GEE) 03-矢量数据类型
Google Earth Engine(GEE) 03-矢量数据类型（GEE基本语法、Geometry, Dictionary, Feature和FeatureCollection之间的关系、Dictionary、Feature—常用函数、FeatureCollection—常用函数、实例1— 陆丝经济带与成渝经济圈、实例2— 一带一路沿线国家与城市、实例3— 影像可用性分析条带号（研究区的图幅范围）、实例4— 研究区分块运算原理（解决算力不足的问题））...
GOOGLE在线/离线浏览 矢量地图
本软件 可以实现 连接网络的时候 浏览GOOGLE地图数据，并将浏览过的地图数据 保存在电脑的E盘里； 在电脑断开网络后，可以正常浏览曾经浏览过的区域的地图数据。 实现GOOGLE地图与矢量地图的结合， 可以添加矢量点，线，面， 有兴趣点的触发事件。
Google 地图数据下载工具 （Terra Incognita）
这个工具可以用来下载网络上的地图数据源（Google的Maps和Satelite，OpenStreetMap，BingMap，等等），自动拼接成大图，以供其它软件使用。 同类型的软件有稻歌的，还有Google Map Downloader，Universal Maps Downloader，等等，但是用过之后你会觉得这个更好用。 - 支持框选设定地图范围 - 支持自定义多边形设定地图范围 这是个开源项目，个人觉得很好用。搬过来放在这里，一是方便大家，二是我实在穷的没资源分了。
qt实现程序密钥注册功能，MD5加密+AES加密，并实现一台电脑系统一个密钥
qt实现了一个给自己软件加密的功能。 原理是： 需要被注册的软件第一次运行的时候，在系统的注册表里面注册一个键值，如下： 这个值作为生成密钥的用户识别号，然后生成密钥文件key.db，把这个key.db文件放到软件执行目录下，即可完成软件的注册并正常使用软件。 软件第一次打开的界面及密钥生成工具软件界面如下： 将密钥生成工具软件生成的key.db放到软件执行目录下之后，软件即可正常使用，如下图： 代码使用了MD5加密 外加 AES加密， 解密和加密的核心代码如下： QSt.
C# 开发 WPS 插件实战：从环境搭建到功能实现（附完整代码）
本文提供了一份详尽的C#开发WPS插件实战指南，涵盖从环境搭建到功能实现的完整流程。通过COM技术，开发者可以创建自定义插件，为WPS Office扩展自动化功能，如文档处理与格式转换。文章包含核心概念解析、Ribbon界面集成、调试部署方法及完整代码示例，帮助开发者快速上手。
SPSS_Process—简单&平行&链式中介模型
本篇文章介绍采用SPSS的插件Process对简单中介、链式中介、平行中介模型进行检验的操作方法及结果解读。
Coze HTTP请求节点实战：5分钟搞定天气API对接（含动态参数技巧）
本文通过一个天气预报API对接的实战案例，详细讲解了如何在Coze平台使用HTTP请求节点实现外部数据交互。文章重点演示了动态参数传递、JSON响应解析与错误处理等核心技巧，帮助开发者在5分钟内快速构建稳定可靠的智能体外部服务调用能力。
自抗扰（ADRC）控制原理及控制器设计
自抗扰控制原理以及控制器设计
衡山派Luban-Lite系统SDIO无线网络配置实战：以D133CBV-QFN88开发板与RTL8189模组为例
本文详细介绍了在衡山派D133CBV-QFN88开发板上，为Luban-Lite系统配置SDIO无线网络的完整实战流程。通过配置SDMC接口、RTL8189 Wi-Fi驱动、lwIP协议栈及内核参数，并解决编译分区问题，最终实现Wi-Fi网络连接与测试，为嵌入式设备联网提供清晰指导。
进阶篇第8节：寄存器压力——寄存器溢出对性能的影响及优化
**摘要：GPU寄存器是最快的存储单元（1周期访问），但数量有限。过高的寄存器使用会导致溢出（变量存入慢速本地内存）或降低占用率（减少并发线程数），严重影响性能。优化方法包括复用变量、使用共享内存替代寄存器数组、限制寄存器数量（--maxrregcount）等。实际测试显示，将寄存器使用从48个降至24个可使性能提升37%。分析工具如Nsight Compute可帮助检测寄存器压力。面试常见问题涉及寄存器溢出的检测与优化策略。
2026 Claude Code 标准化前端UI SKILL——Frontend Design
是 Anthropic 官方开源的技能包，在 Claude 官方插件站中排名第一，超过 52k 的下载量。场景推荐方案快速体验批量安装官方 Skills深度设计策略叠加完整打磨流程集成终端跑claude一句话总结：Frontend Design 不是给 AI 加新能力，而是给 AI 加审美标准。它让 AI 从“能画”变成“会设计”——先想清楚风格，再动手写代码。
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
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
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")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
718
扫一扫
