SuperMap工作空间文件sxw的文件格式说明

developer2016 developer2016 博客等级 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 1.5k累计阅读 1.5k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 码龄10年
关注
转载 最新推荐文章于 2026-04-13 09:45:28 发布 1.5k 阅读 AI 写同款· GEO 优化 ›

使用SuperMap 尤其使用桌面平台（SuperMap Deskpro）处理数据的时候，经常会听到或者用到SXW工作空间。那么SXW工作空间到底是什么样的，它存储的内容是什么意思呢？
SXW文件其实是就是一个XML格式的文件，SuperMap利用XML的规范将工作空间中的相关信息（数据源，地图，布局，资源）记录下来保存为一个文件，由于此文件是XML格式的，这样用户了解了文件结构以及规范后就可以比较方便读取及修改(比如用记事本打开修改)。
下面以一个SXW工作空间文件内容作一个详细的说明（看 ' 后的注释）
<?xml version="1.0" encoding="GB2312"?>   ' 文件头 包含了XML版本以及使用的编码
<SuperMapWorkspace xmlns:sml=" http://www.supermap.com/sml" sml:Version="20031211" sml:Deion="Created by SuperMap GIS 5"> '工作空间信息 包括保存此工作空间的SuperMap版本
<sml:DataSources> '数据源集合
     <sml:Datasource> '数据源
         <sml:EngineType>14</sml:EngineType> '数据源的引擎类型 这里为SDB PLUS的
         <sml:Server>.\watch.sdb</sml:Server> ' 数据源文件的地址
         <sml:Instance/>
         <sml:Database/>
         <sml:User/> ' 数据源用户名信息
         <sml:Password/> ' 数据源密码
         <sml:Alias>watch</sml:Alias> ' 打开此数据源的别名
         <sml:Options sml:ReadOnly="FALSE" sml:Encrypt="FALSE" sml:Exclusive="TRUE" sml:Transacted="FALSE"/> ' 打开数据源的方式包括只读，事务等
         <sml:AutoConnection>TRUE</sml:AutoConnection> ' 是否自动连接
     </sml:Datasource>
</sml:DataSources>
<sml:Maps> ' 工作空间中的地图集合
     <sml:Map> ' 地图
         <sml:Name>DAWS@watch</sml:Name> ' 地图名字
         <sml:Deion/> ' 地图描述信息
         <sml:DefaultScale>0.004947</sml:DefaultScale> ' 地图默认比例尺
         <sml:CoordinateRatio>49.4741616108</sml:CoordinateRatio>
         <sml:DefaultCenter sml:x="116.6559722222" sml:y="26.2706944444"/> ' 默认地图中心点坐标
         <sml:RotationOptions> ' 地图旋转属性
             <sml:Angle>0.0000000000</sml:Angle> ' 旋转角度
             <sml:RotateSymbol>TRUE</sml:RotateSymbol> ' 是否旋转符号
             <sml:RotateText>TRUE</sml:RotateText> ' 是否旋转文本
         </sml:RotationOptions>
         <sml:FixedTextOrientation>FALSE</sml:FixedTextOrientation> ' 是否固定文本方向
         <sml:AllowTextOverlap>TRUE</sml:AllowTextOverlap> ' 是否允许文字避让
         <sml:MinVisibleTextSize>1</sml:MinVisibleTextSize> ' 最小可见文字尺寸
         <sml:MaxVisibleTextSize>10000</sml:MaxVisibleTextSize> ' 最大可见文字尺寸
         <sml:DynamicProjection>FALSE</sml:DynamicProjection> ' 地图是否动态投影
         <sml:PJDeion/> ' 投影描述信息
         <sml:CoordinateReferenceSystem> ' 地图坐标系相关信息
              <sml:Nameset>
              <sml:name>平面坐标系---m</sml:name> ' 坐标系名称
              </sml:Nameset>
              <sml:Type>0</sml:Type>
              <sml:Units>METER</sml:Units> ' 距离单位
         </sml:CoordinateReferenceSystem>
         <sml:ColorMode>0</sml:ColorMode>
         <sml:BackStyle> ' 地图背景风格
              <sml:FillStyle>0</sml:FillStyle> ' 填充模式
              <sml:FillForeColor>#ffffff</sml:FillForeColor> ' 地图前景色
              <sml:FillBackColor>#ffffff</sml:FillBackColor> ' 地图背景色
              <sml:BackTransparent>FALSE</sml:BackTransparent> ' 背景是否透明
         </sml:BackStyle>
         <sml:Layers> ' 地图中的图层集合
         <sml:Layer> ' 图层
         <sml:Caption>DAWS@watch</sml:Caption> ' 图层名字
         <sml:DataSourceAlias>watch</sml:DataSourceAlias> ' 图层数据所在数据源的别名
         <sml:DatasetName>DAWS</sml:DatasetName> ' 图层数据对应数据集的名字
         <sml:GeoStyle> ' 矢量图层风格
              <sml:SymbolStyle>0</sml:SymbolStyle> ' 符号风格
              <sml:SymbolSize>20</sml:SymbolSize> ' 符号大小
              <sml:SymbolAngle>0</sml:SymbolAngle> ' 符号角度
              <sml:LineStyle>0</sml:LineStyle> ' 线型风格
              <sml:LineWidth>1</sml:LineWidth> ' 线型宽度
              <sml:LineColor>#000000</sml:LineColor> ' 线颜色
              <sml:FillStyle>0</sml:FillStyle> ' 填充风格
              <sml:FillForeColor>#000000</sml:FillForeColor> ' 填充前景色
              <sml:FillBackColor>#000000</sml:FillBackColor> ' 填充背景色
              <sml:BackTransparent>FALSE</sml:BackTransparent> ' 填充是否透明
              <sml:FillOpaqueRate>100</sml:FillOpaqueRate> ' 填充透明度
              <sml:FillGradientType>0</sml:FillGradientType> ' 填充渐变模式
              <sml:FillGradientAngle>0.000000</sml:FillGradientAngle> ' 渐变角度
              <sml:FillCenterOffsetX>0</sml:FillCenterOffsetX> ' 渐变X偏移量
              <sml:FillCenterOffsetY>0</sml:FillCenterOffsetY> ' 渐变Y偏移量
         </sml:GeoStyle>
         <sml:RasterOpaqueRate>100</sml:RasterOpaqueRate> ' 影像透明度
         <sml:RasterBrightness>0</sml:RasterBrightness> ' 影像亮度
         <sml:RasterContrast>0</sml:RasterContrast> ' 影像对比度
         <sml:QueryDef> ' 图层过滤条件
              <sml:QueryType>0</sml:QueryType> ' 查询类型
              <sml:Options>3</sml:Options>
              <sml:Mode>0</sml:Mode> ' 查询模式
              <sml:CursorType>2</sml:CursorType> ' 游标类型
              <sml:CursorLocation>2</sml:CursorLocation> ' 查询时游标位置类型
         </sml:QueryDef>
         <sml:Options>
              <sml:Visible>TRUE</sml:Visible> ' 图层可见性
              <sml:Selectable>TRUE</sml:Selectable> ' 图层可选性
              <sml:Editable>FALSE</sml:Editable> ' 图层可编辑性
              <sml:EditableLock>FALSE</sml:EditableLock> ' 图层是否设置了编辑锁定
              <sml:Snapable>TRUE</sml:Snapable> ' 图层可捕捉性
              <sml:SymbolScalable>FALSE</sml:SymbolScalable> ' 图层是否符号随图缩放
              <sml:AllowTextOverlap>FALSE</sml:AllowTextOverlap> ' 文字是否可以避让
              <sml:ThemeVisibleOptions/>
         </sml:Options>
         <sml:VisibleObjectMinimum>4</sml:VisibleObjectMinimum> ' 几何对象最小可见尺寸
         <sml:VisibleScaleMin>0.0000000000000000</sml:VisibleScaleMin> ' 图层最小可见比例
         <sml:VisibleScaleMax>0.0000000000000000</sml:VisibleScaleMax> ' 图层最大可见比例
         <sml:SymbolScaleDefinition>-1.0000000000000000</sml:SymbolScaleDefinition> ' 图层符号缩放比例参数
         <sml:Themes/> ' 图层专题图相关信息
         </sml:Layer>
         </sml:Layers>
     </sml:Map>
</sml:Maps>
<sml:Resources> ' 工作空间资源信息
     <sml:SymbolLibrary> ' 符号库信息
         <sml:src>.\AAB.sym</sml:src> ' 符号库文件路径
     </sml:SymbolLibrary>
     <sml:LineStyleLibrary> ' 线型库信息
         <sml:src>.\AAB.lsl</sml:src> ' 线型库文件路径
     </sml:LineStyleLibrary>
     <sml:BrushStyleLibrary> ' 填充库信息
         <sml:src>.\AAB.bru</sml:src> ' 填充库文件路径
     </sml:BrushStyleLibrary>
</sml:Resources>
<sml:Scenes/> ' 三维信息
...
</SuperMapWorkspace>

转载于:https://www.cnblogs.com/j3eee/archive/2009/08/03/1537273.html

标签
#数据库
原文链接：http://www.cnblogs.com/j3eee/archive/2009/08/03/1537273.html>
SuperMap基本概念 开发工具与关键技术：SuperMap概念 作者：汪 撰写时间：2020年5月18日 一、有关数据方面的概率 （1）工作空间：是用于保存用户工作环境，主要完成数据的组织和管理，包括打开、关闭、创建、保存工作空间文件。 文件方式存储（.sxwu,.smwu,.sxw,.smw） 数据库方式存储（SQL Server、Oracle） （2）数据源：由各种类型数据集组成，是空间数据集的物理存储方式。 文件方式存储（*.udb/udd） 数据库方式存储（SQL、Oracle、PostgreSQL、DB2、BeyonD 阅读详情

相关推荐

SuperMap配置文件

SuperMap配置文件

SuperMap S3M规范中的属性数据文件格式解析

SuperMap S3M规范中的属性数据文件格式解析 属性数据存储格式概述 在三维地理信息系统领域，属性数据的存储和管理是至关重要的环节。SuperMap S3M规范定义了两种主要的属性数据文件格式：.s3md和.attribute。这两种格式各有特点，适用于不同的应用场景。 S3MD格式详解 S3MD格式采用JSON结构存储属性数据，具有以下显著特点： 开放标准：基于JSON的文本格式，符合行...

gitblog_07968的博客 547

AllMediaFixerPro4.6_SXW多格式视频修复软件

★ （软件修复类·视频类）AllMediaFixerPro4.6_SXW多格式视频修复软件，全能格式，一键修复。

SuperMap iDesktopX模型数据集生成S3MB的GP模型Q&A

作者：姜尔 业务项目中，当大量模型数据汇总，需要统一发布前端浏览时，普通功能中需要多次添加数据分批缓存数据，难以避免人力损耗。此时，处理自动化GP模型的好处即可显现。构建自动化模型后，一键生成，不必人员跟随，省时省力。 本文主要介绍使用SuperMapiDesktopX搭建处理自动化模型，实现一键生成模型缓存S3MB。

SuperMap技术控 930

SuperMap iDesktop8c 进行矢量、栅格格式转换的方法

学习要求： （1）掌握使用 SuperMap iDesktop8c 进行矢量、栅格格式转换的方法（CAD 转 Shapefile；GeoTiff 转 ECW）； 包含 1 个思考题。 （2）掌握使用 SuperMap iDesktop8c 创建点、线、多边形数据集的方法； （3）掌握使用 SuperMap iDesktop8c 在点、线、多边形数据集中追加行、追加列 的方法； （4）掌握使用 SuperMap iDesktop8c 进行矢量数据编辑的方法，包括修改几何图 形、修改属性数据；

CAD到Supermap GIS的数据格式转换

CAD数据到Supermap GIS的数据格式转换方法

从ArcGIS、MapInfo、SuperMap保存文档看地图文档与数据文件的关系

 在使用GIS软件时，经常会遇到一些人问为什么拷贝了地图了却总是无法打开，尤其是在ArcGIS和SuperMap中遇到的为多，这是为什么呢？究其原因，通常都只是有“地图”没数据，这个“地图”说的是ArcGIS、SuperMap各自桌面产品能够默认保存的格式的文档，比如，使用ArcGIS DeskTop的时候有些人总是会询问已经有mxd文档了为什么打开之后都是空白，使用SuperMap的时候有了

zhanlanhai的专栏 5108

SuperMap Objects .NET 合并工作空间及地图

合并指定工作空间，同时合并指定的地图，从而将所有的数据和地图显示整合在一个工作空间中。

(转) 从ArcGIS、MapInfo、SuperMap保存文档看地图文档与数据文件的关系

在使用GIS软件时，经常会遇到一些人问为什么拷贝了地图了却总是无法打开，尤其是在ArcGIS和SuperMap中遇到的为多，这是为什么呢？究其原因，通常都只是有“地图”没数据，这个“地图”说的是ArcGIS、SuperMap各自桌面产品能够默认保存的格式的文档，比如，使用ArcGIS DeskTop的时候有些人总是会询问已经有mxd文档了为什么打开之后都是空白，使用SuperMa...

weixin_30292745的博客 374

西门子200SMART PID温控实战：从配置到避坑（附加热棒控制案例）

本文详细介绍了西门子200SMART PLC在PID温控系统中的实战应用，涵盖硬件配置、PID参数整定及工程避坑技巧。通过加热棒控制案例，重点解析了信号处理、固态继电器选型、断电保持和无扰切换等关键问题，为工业自动化领域的温度控制提供可靠解决方案。

weixin_28727975的博客 357

从光猫到机顶盒：H10G-13融合网关双系统网络配置全解析（含超密获取技巧）

本文详细解析了中国移动H10G-13融合网关的双系统网络配置，涵盖光猫路由与安卓电视盒子的协同工作。通过晶晨S905L3芯片的优化，设备实现高效网络接入与安卓9.0系统的定制化应用，特别适合酒店和民宿行业的智能化改造。文章还提供了超密获取技巧和线刷固件包的实用指南。

weixin_42525264的博客 952

SuperMap iDesktop操作方法

SuperMap iDesktop操作方法 &amp;amp;gt; SuperMap iDesktop &amp;amp;gt; 下载链接：http://support.supermap.com.cn/DownloadCenter/ProductPlatform.aspx 工作空间文件存储后缀： 保存工作空间，工作空间有后缀四种，保存数据库 SuperMap GIS基本概念： 工作空间，数据源，数据集，图层，三维，地...

weixin_44600235的博客 1万+

Python入门基础教程（非常详细）

Python是一门开源免费、通用型的脚本编程语言，它上手简单，功能强大，坚持「极简主义」。Python类库（模块）极其丰富，这使得Python几乎无所不能，不管是传统的Web开发、PC软件开发、Linux运维，还是当下火热的机器学习、大数据分析、网络爬虫，Python都能胜任。这套Python基础教程不是教科书，不会玩弄概念，而是力求口语化和通俗化，让读者尽快入门。如果有小朋友出于兴趣学习Python，请引导他阅读本教程的前半部分，这是基础，可以降低学习成本；...

Yuki1127918的博客 34万+

SuperMap 开发WebGIS的一些经验

SuperMap系列产品作为GIS开发平台，比较符合中国人习惯，操作也比较便利，自己做了一段时间，感觉有点郁闷，也不妨将一些经验写下来。SuperMap DeskPro中制图的一些词语：工作空间：WorkSpace，实际上就是集中一些地图数据集，并在此基础上面进行地图制作、地图分析的环境。在IS.NET中，配置一个MapServer实际上就是对应一个工作空间。并且由于目前在IS.NET中Super

情来自有方 3186

用STM32手搓一个体温计

市面上大多额温计、测温计精度。

m0_61687959的博客 2375

别再让COGI拖慢你的SAP接口！手把手教你配置BAPI_PRODORDCONF_CREATE_TT的同步货物移动

本文深入解析SAP生产订单报工接口中的COGI问题，通过BAPI_PRODORDCONF_CREATE_TT的同步配置实战，解决异步更新导致的性能瓶颈。文章详细介绍了增强点配置和性能验证，帮助用户彻底消除COGI堆积，提升接口效率。

weixin_29214691的博客 482

SuperMap 开发WebGIS的经验总结

SuperMap系列产品作为GIS开发平台，比较符合中国人习惯，操作也比较便利，自己做了一段时间，感觉有点郁闷，也不妨将一些经验写下来。 SuperMap DeskPro中制图的一些词语： 工作空间：WorkSpace，实际上就是集中一些地图数据集，并在此基础上面进行地图制作、地图分析的环境。在IS.NET中，配置一个MapServer实际上就是对应一个工作空间。并且由于目前在IS.NET中S...

weixin_34208185的博客 1100

从机械到数字：EC11旋转编码器与ESP32的PWM控制艺术

本文详细解析了EC11旋转编码器与ESP32的PWM控制技术，探讨了如何将机械旋转动作转换为精确的数字信号控制。通过硬件连接、信号处理和软件优化等实践技巧，开发者可以构建高效的人机交互系统，适用于智能照明、电机控制等多种应用场景。

android的专栏 786

superMap的错误总结

今天在做superMap的示例程序时，出现了错误 1、本机服务中没有IsuperMapService的服务 一看，原来是许可文件没有验证保存。注意：验证有效还要保存 2.关于本机中的查看地图中出现的错误：image is null，多半是由于工作空间没有保存为 .sxw格式的类型的文件，通过IserverJava6来做的时候，一定要注意，它只支持数据库格式的文件，还有格式必须是...

zengqun89的专栏 656

工业缺陷检测：基于深度学习的表面缺陷分类

工业缺陷检测：基于深度学习的表面缺陷分类 ，人工智能，计算机视觉，大模型，AI，在现代工业生产中，产品质量直接影响企业的竞争力和声誉，工业缺陷检测作为质量把控的重要环节，其技术的发展至关重要。传统的人工检测方式效率低、成本高且易受主观因素影响，难以满足大规模、高精度的生产需求。随着深度学习技术的蓬勃发展，基于深度学习的工业表面缺陷分类方法凭借强大的特征提取和模式识别能力，成为解决工业缺陷检测难题的有效途径。本文将深入探讨基于深度学习的工业表面缺陷分类技术，结合详细的代码示例和概念解析。

不踩坑，不知道坑有多深；不总结，踩过的坑白踩。 3万+

手把手教你学Simulink--基于微电网的建模与仿真场景实例：独立运行模式下微电网的能量管理系统设计

本文详细介绍了使用Simulink对独立运行微电网能量管理系统进行建模与仿真的完整流程。主要包括：系统结构设计（分布式能源、储能系统、负荷等模块）、建模步骤（从创建项目到实现能量管理策略）、仿真设置与结果分析。通过建立基于规则的控制逻辑和优化调度算法，实现微电网的自主运行和能量优化管理。文章还提供了参数优化和多目标改进建议，为新能源和智能电网领域的研究与应用提供了实用指导。

MHD0815的博客 8588

Supermap的基本概念

文献种类：专题技术文献； 开发工具与关键技术：Supermap && Supermap的基本概念 作者： 邱青菁 ；年级： 1804 ；撰写时间： 2020 年 4 月 18 日 文献编号：1 归档时间：2020 年 4月 28 日 Supermap的基本概念 本次任务完成时间：2020年04月28日 作者：邱青菁 开发工具与关键技术...

weixin_44542781的博客 1516

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

SuperMap iDesktop的软件激活和创建工作空间

开发工具与关键技术：SuperMap 作者：卢惠圳 撰写时间：2020年4月28日 首先是下载完SuperMap iDesktop 9D之后打开一般软件会有一段时间的试用期可以让你使用，如果试用期过期了就重新上网去下载激活的文件重新激活一下，如果不知道去那下载就打开软件找到选项下面的关于里面有一个SuperMap技术支持与服务的选项点击就可以跳转到页面，直接滚轮滚到最下面有试用许可几个字点击进去将...

weixin_44561044的博客 1945

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。

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，
上一篇： extjs事件监听方法
下一篇： SuperMap数据存储方式，sdb，sdd，dwg等的含义
点赞 0
评论 0
书签 书签 1
developer2016
developer2016
博客等级 码龄10年 2粉丝 0原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值