ubuntu16.04 qgis3.1.0编译

Ubuntu下编译Quantum GIS(QGIS) 前言:QGIS是一个用Qt框架写的开源桌面GIS工具。无论从学习GIS还是学习QT的角度它都是一个很好的工具。本文简介在ubuntu环境下编译QGIS源代码的方法。 参考链接: http://gvision.info/using-qtcreator-with-qgis/ http://hub.qgis.org/projects/quantum-gis/repository/revisions 阅读详情

参考 https://stackoverflow.com/questions/26305097/setup-gdb-with-qtcreator

https://blog.youkuaiyun.com/lovefqing/article/details/7568533

https://blog.youkuaiyun.com/u014124220/article/details/51901638

一、前期准备

建议入门者全程使用root用户!!!

1.编辑软件源文件 /etc/apt/sources.list

解注所有以 "deb"开头的行,为了是所有的软件都能下载

2.为了解决gdal版本过低的问题,需要添加ubtuntugis支持,在终端输入以下命令即可

sudo apt-get install python-software-properties
sudo add-apt-repository ppa:ubuntugis/ppa

更新源

sudo apt-get update

3.安装环境:

直接在终端输入该命令即可

apt-get install bison ca-certificates ccache cmake cmake-curses-gui dh-python doxygen expect flex gdal-bin git graphviz grass-dev libexpat1-dev libfcgi-dev libgdal-dev libgeos-dev libgsl-dev libpq-dev libproj-dev libqca-qt5-2-dev libqca-qt5-2-plugins libqt5opengl5-dev libqt5scintilla2-dev libqt5sql5-sqlite libqt5svg5-dev libqt5webkit5-dev libqt5xmlpatterns5-dev libqwt-qt5-dev libspatialindex-dev libspatialite-dev libsqlite3-dev libsqlite3-mod-spatialite libzip-dev lighttpd locales ninja-build pkg-config poppler-utils pyqt5-dev pyqt5-dev-tools pyqt5.qsci-dev python3-all-dev python3-dateutil python3-dev python3-future python3-gdal python3-httplib2 python3-jinja2 python3-markupsafe python3-mock python3-nose2 python3-owslib python3-plotly python3-psycopg2 python3-pygments python3-pyproj python3-pyqt5 python3-pyqt5.qsci python3-pyqt5.qtsql python3-pyqt5.qtsvg python3-requests python3-sip python3-sip-dev python3-six python3-termcolor python3-tz python3-yaml qt5-default qt5keychain-dev qtbase5-dev qtpositioning5-dev qttools5-dev qttools5-dev-tools spawn-fcgi txt2tags xauth xfonts-100dpi xfonts-75dpi xfonts-base xfonts-scalable xvfb

4.设置ccache加快编译时间:

cd /usr/local/bin
sudo ln -s /usr/bin/ccache gcc
sudo ln -s /usr/bin/ccache g++

5.创建存放qgis路径并进入该目录:

mkdir -p ${HOME}/dev/cpp
cd ${HOME}/dev/cpp

二、编译过程

1.将qgis3.1.0版本移动到${HOME}/dev/cpp目录下,开始编译配置:

cd QGIS
mkdir build-master
cd build-master
ccmake ..

进入cmake界面后,CMAKE_BUILD_TYPE 设置成 Debug,按c进行配置检查,按g生成代码

2.make进行编译

make -jX

此时可能会出现找不到"setObsolete"的错误,这是因为该方法时qt5.9以后才出现的,而开始安装的qt版本为5.5,因此不支持该方法。进入QGIS/src/core/qgsvectorlayer.cpp将该句话注释即可。

3.pyuic-wrapper.sh: Permission denied 错误

没有使用root用户的情况下,在快编译完成时会提示错误,错误信息如下

[ 94%] Generating ui_widgetMerge.py 
/bin/sh: 1: ../../../../../scripts/pyuic-wrapper.sh: Permission denied 
make[2]: * [python/plugins/GdalTools/tools/ui_widgetMerge.py] Error 126

解决方法: 
修改文件权限为777

chmod 777 pyuic-wrapper.sh

三、运行

1.运行可以通过以下方法进行:

1)当前目录直接运行

./output/bin/qgis

2)make安装运行

make install
qgis

四、qtcreator编译

1.安装qtcreator

2.在qtcreator中打开qgis项目的CMakeLists.txt

3.进行configure和build即可


自己动手编译QGIS 3.18源代码,含出错大全和解决办法 从2月19日开始打包,到2月23日,QGIS 3.18的安装包经过漫长的4天才完成打包,在这等待的4天里,大家有没有像我一样萌生出自己动手编译源代码的想法呢?今天想分享的是QGIS3.18源代码编译的过程,并在最后整理出编译过程遇到的错误和解决办法。 01编译环境 操作系统 本次编译选用Ubuntu 20.04操作系统,理由如下: 从第一个版本开始,QGIS大部分开发是在Linux环境下进行的,与Linux系统的兼容性更好(实际上,我在Windows系统也试着编译过... 阅读详情

相关推荐

Qwen3.5源码深度解析:Linear Attention与全局—局部引导架构实战

大语言模型的注意力机制是影响推理效率与长文本理解能力的核心技术。Linear Attention通过线性复杂度降低显存压力,而全局—局部—局部引导架构则在保持全局语义连贯性的同时提升局部计算效率。这类混合注意力设计已成为现代高效LLM部署的关键范式,广泛应用于Ollama轻量服务、ComfyUI智能体编排及RTX 3090等消费级GPU的低资源推理场景。本文基于Qwen3.5-9B开源实现,深入剖析其动态注意力路由逻辑、RoPE位置编码嵌入方式、KV Cache分层复用策略等可落地的工程细节,帮助开发者真正

weixin_30399155的博客 359

QGIS在Linux下的编译——QGIS3.34 + Ubuntu 22.04.4 LTS(jammy)+ Clion 2024.1.4

qgis在Linux上的编译,结合Clion

Jisoo9527的博客 3004

TIMESAT V4.0时间序列分析与物候参数提取指南

时间序列分析是遥感数据处理的核心技术之一,通过数学模型对连续观测数据进行平滑、去噪和特征提取。TIMESAT作为专业的时间序列分析工具,其Savitzky-Golay滤波和物候参数提取算法在植被动态监测中具有重要价值。该软件特别适用于处理NDVI等植被指数数据,能够自动识别生长季开始、结束等关键物候参数。在农业遥感领域,TIMESAT V4.0的图形化界面大幅降低了使用门槛,同时保留了命令行批处理能力,使其成为从科学研究到业务化应用的桥梁。典型应用场景包括农作物长势监测、森林物候变化研究等,通过与Pytho

weixin_34364071的博客 451

QGis Ubuntu下编译

分别修改 1. CMAKE_BUILD_TYPE为Debug, 2. CMAKE_INSTALL_PREFIX为/home/t/dev/cpp/apps。mkdir -p ${HOME}/dev/cpp/apps //创建安装目录。根据QGis 源码中INSTALL.md文件描述,QGis编译需要的资源如下。输入ccmake..后出现以下界面。先输入c进行configure。然后选择e进行选项修改。

weixin_42709299的博客 395

地平线J6芯片端侧BEV建图实战:MapTR V2.0硬件级优化解析

BEV(鸟瞰图)建图是智能驾驶高精地图实时生成的核心技术,其本质是将多目环视图像通过视角变换与空间编码,映射为结构化矢量地图。实现高效BEV建图需突破Transformer模型在嵌入式平台的部署瓶颈,涉及Backbone轻量化、View Transformer内存优化、Head结构计算重写及SD Map前融合对齐等关键环节。技术价值在于以极低功耗达成26.68 FPS实时推理,同时保持98.36%的int8量化精度保持率。典型应用场景包括车载域控制器上的在线车道线/人行道/道路边界三要素矢量化输出。本文聚焦

weixin_30788619的博客 320

CARLA自定义地图构建全流程:从OSM到UE4仿真落地

CARLA自定义地图是自动驾驶仿真验证的核心基础设施,其本质是几何结构、交通规则与传感器语义的三维耦合体。理解OpenDRIVE规范与HD Map JSON生成原理,是实现高保真场景仿真的技术前提;掌握OSM数据清洗、xodr文件定制及UE4资源配置等关键环节,可显著提升地图可靠性与仿真一致性。该技术广泛应用于城市路口验证、极端天气测试、施工区仿真等工程场景,尤其在需要复现真实道路拓扑与动态交通逻辑的算法迭代中不可或缺。本文聚焦CARLA地图构建的实操瓶颈与底层机制,覆盖从地理数据预处理到PythonAPI

davy57345的博客 350

ubuntu16 下qgis 安装

https://gis.stackexchange.com/questions/133033/installing-latest-qgis-version-on-ubuntu The instructions on the QGIS download site are not as intuitive as I'd like, but they do work when you know ...

HETONGDE的博客 2443

Ubuntu 20.04免安装点云查看器:PCDViewer 4.9.1一键启动,支持地面滤波与多字段着色

直接解压就能用的PCD点云可视化工具,专为Ubuntu 20.04定制,不依赖系统PCL或VTK环境。兼容PCD、PLY、LAS格式,加载速度快,能稳定显示千万级点云。支持按X/Y/Z坐标、强度、反射率、类别等字段自动着色,鼠标点击实时显示点坐标与属性值;提供三维距离测量、角度量测、矩形/多边形裁剪、点云标注等交互功能。内置形态学地面滤波模块,适合SLAM建图结果验证、高精地图质检和测绘数据预处理。所有运行依赖(含PCL 1.10、VTK 7.1、OpenNI、Boost、GLEW、libusb等)已静态链

app77的博客 267

Ubuntu系统编译调试QGIS源码保姆级教程

在之前的文章中,我详细介绍了怎么在Windows下编译QGIS源码,也得到了不错的反馈。但是不足的是Windows下只能编译QGIS的Release模式和RelWithDebInfo模式,想要分析源码,Debug模式下的“断点调试”肯定是少不了的,虽然这两种模式虽然也能做到调试程序,但是总有种种不足,例如,因为代码是优化过的,某些调试操作可能会有所不同或略显困难。另外由于某些变量可能被优化掉,它们在调试过程中可能不可见等等。所以,为了调试程序更方便,决定在Unbuntu下编译一个Debug模式的QGIS。

KK_2018的技术博客_程序员不止是程序员 2730

第1节 QGIS源码获取和编译(QGIS)QGIS预编译二次开发包

第1节 QGIS源码获取和编译(QGIS)中,笔者提供的预编译开发包(Debug版本),方便读者学习和使用笔者编译好的QGIS进行二次开发或者学习。

告别激活烦恼:Lattice Diamond 3.13 永久免费License申请与配置全攻略(Windows 64位)

本文详细介绍了Lattice Diamond 3.13永久免费License的申请与配置全流程,特别针对Windows 64位系统用户。从官网导航的隐藏路径到Host ID的获取方式,再到License文件的高级处理技巧和环境变量的深度配置,提供了全面的安装教程和疑难问题解决方案,帮助开发者彻底告别激活烦恼。

weixin_28736335的博客 429

Qgis3.0.0 乌班图(Ubuntu 16.04)编译教程

QGIS项目主页:http://www.qgis.orgQGIS官方编译教程:https://htmlpreview.github.io/?https://github.com/qgis/QGIS/blob/master/doc/INSTALL.html#toc11博主配置环境说明系统环境:Ubuntu 16.04 + 64bit软件版本:QGIS3.0.0环境搭建依赖库与编译工具的安装根据自己的...

sailleed的知识存储库 1943

Carla自动驾驶仿真一:快速安装与运行Carla

网上有不少的Windows版本的Carla的安装教程,这里简单记录下自己安装过程,写的也比较详细,基本不用看其他文章。

zataji的博客 2万+

Ubuntu 编译QGIS

由于上一篇在Windows下编译的是QGIS3.18.3版本,因此本次在Ubuntu上也选择编译该版本。经测试,在Ubuntu 20.04上面编译比较顺利。除了Ubuntu和QGIS,其他的都不需要刻意单独下载,按照教程来即可。

a374682949的博客 113

yolov7模型部署流程

yolov7部署流程

算法的猫 1397

MODIS 遥感数据批量下载(使用Cygwin)

MODIS 遥感数据批量下载(使用Cygwin)包含Cygwin的下载教程

weixin_45913084的博客 917

3步搞定QGIS编译:从零到精通的终极指南

想要真正掌握开源地理信息系统QGIS的核心能力?源码编译是你的必经之路。不同于简单的二进制安装,编译QGIS让你能深度定制功能、优化性能,甚至参与开源贡献。想象一下,你不仅能使用QGIS处理地理数据,还能根据需求裁剪模块、开启实验性功能,这才是真正的GIS开发者体验。 ## 为什么选择源码编译? 你可能在想:"直接下载安装包不是更方便吗?"确实,但源码编译给你带来的价值远超想象。首先,你可以针

gitblog_00124的博客 425

uniapp - web-view嵌套H5网页白屏问题,<web-view>页面跳转出现白屏情况,强力解决uniapp嵌套webview页面时出现无法加载并白屏(无论本地还是线上H5网页链接都能解决)

uniapp微信小程序,uniapp APP端,uni-app web-view嵌套H5项目白屏问题分析及解决,uniapp嵌套webview页面时,出现白屏,uniapp <web-view>页面跳转出现白屏解决方法,uniapp <web-view>页面跳转出现白屏解决方法,解决uniapp的web-view打开网页在老手机上出现白屏的问题,uni-app web-view白屏处理,引入本地网页白屏,WebView 加载不出网页,一片空白webview白屏加载不出来,使用webview加载链接后白屏,u

🏆 前端领域优质创作者 1万+

全开源数字孪生系统搭建方案:全套技术文档

本文介绍了一套全开源、零商用授权的数字孪生系统搭建方案,覆盖从三维建模到Web端渲染的全流程技术栈。方案包含七大核心模块:三维建模(Blender、QGIS、IfcOpenShell)、数据传输、数据存储与仿真、Web3D渲染引擎、前端可视化及容器化部署。重点推荐Blender作为通用建模工具,QGIS处理地理信息数据,IfcOpenShell解析BIM模型。整套方案采用Vue3、Three.js、ECharts等技术,支持MQTT物联网协议和Docker部署,适用于智慧园区、工业产线等场景,具有零成本、可

深耕 Java 后端与企业级软件架构设计,专注微服务、分布式系统、大模型 AI 应用架构落地。 1191

virtuoso:layout如何做flat修drc

有些drc在virtuoso layout中修更节省时间,比如遇到一些via array需要做删改时,发现工具把via array做成了一个cell,如图。去改cell可能会影响很多via,所以最好的办法是做flat,去调整cut,比如删除。我正在「拾陆楼」和朋友们讨论有趣的话题,你⼀起来吧?

m0_61544122的博客 342

【OCPP】ocpp1.6协议3.3章节:功能配置文件及接口

Smart Charging Profile中定义了4个接口请求,即GetCompositeSchedule、ClearChargingProfile、SetChargingProfile和ClearCache等。Smart Charging: 包含智能充电相关的功能,如计划充电,报告充电计划,并改变充电速度。Core: 包含电动汽车充电相关的基础功能,如启动和停止充电,更改充电配置,报告充电状态等。Reservation: 包含预约服务相关的功能,如创建,取消和更改预约。

qq_53871375的博客 2172

NASA ASP编译实战:行星遥感三维重建工具链的可信构建指南

Ames Stereo Pipeline(ASP)是NASA用于卫星影像立体匹配与三维重建的核心科学软件,其本质并非通用图像处理工具,而是深度耦合行星科学数据栈(如ISIS3)、地理空间基础库(GDAL/PROJ/GeoTIFF)和高性能计算中间件(OpenMP/MPI)的专用工具链。理解其依赖的ABI兼容性、C++标准一致性及RPATH动态链接机制,是实现高精度DEM生成的前提。该工具链对编译环境提出远超常规开源项目的严苛要求——需确保从火星MRO影像辐射定标到最终GeoTIFF格式数字高程模型(DEM)

aqc802886的博客 393

innovus: 如何让两个generate clock balance skew group?

如题,在sdc约束中两个generate clock被设置到同一个clock group中,工具虽然会生成对应的两个skew group,但是阅读ccoot_spec发现工具并没有让两个skew group进行balance,这时就需要手动设置balance skew group。我正在「拾陆楼」和朋友们讨论有趣的话题,你⼀起来吧?

m0_61544122的博客 4051

长沙红胖子Qt·西安(长沙创微智科)博文大全:开发技术集合(包含Qt实用技术、树莓派、三维、OpenCV、OpenGL、ffmpeg、OSG、单片机、软硬结合等等)持续更新中...

长沙红胖子 Qt・西安,本人拥有省级科研团队从业背景,研发团队产出所有项目、产品方案和研发无分包、无外包、无AI代笔,长期深耕双一流体系高精尖技术配套研发。博客主动剥离复杂底层工况机理,专注沉淀高端、特种行业领域Qt工程化落地实战经验。所有内容均为个人梳理总结的通用性工程方法论,只输出可公开的普适技术思路。

长沙红胖子 Qt・西安|省级科研团队从业背景,深耕双一流体系高精尖技术配套研发|剥离高精尖机理,沉淀高端特种行业领域 Qt 工程化落地经验|博文仅分享通用技术总结,输出公开普适工程思路。 164万+

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

EPSILON:高效自动驾驶规划系统入门指南 - 从零开始搭建高度交互环境中的车辆规划平台

EPSILON是一个基于ROS的轻量级多智能体自动驾驶规划系统,专为高度交互环境中的自动化车辆设计。本文将带你从零开始搭建这个强大的车辆规划平台,掌握自动驾驶规划的核心技术和实践方法。 ## 🚗 EPSILON系统简介:高效自动驾驶规划的核心优势 EPSILON(Efficient Planning System for Automated Vehicles in Highly Intera

gitblog_00511的博客 1004

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

MobilityDB上云部署指南:AWS、Azure、GCP三大云平台迁移全解析

MobilityDB 是一个构建在 PostgreSQL 和 PostGIS 之上的开源地理时空轨迹数据管理与分析平台,支持 GPS 轨迹、移动对象等时空类型的存储与查询。本指南带你完整走一遍 **MobilityDB 上云部署** 流程,覆盖 AWS、Azure、GCP 三大云平台的三条迁移路径,让轨迹数据库从本地笔记本平滑搬到云端,轻松获得弹性算力、高可用与自动备份。 ## 一、为什么要把轨

gitblog_00802的博客 328
上一篇: QGIS编译---QGIS2.18.18 + Qt5.8.0 + VS2015(X64) + Python3.6
下一篇: 贝叶斯公式
lebusini
博客等级 码龄14年 10粉丝 18原创
评论 6
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 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