Go语言学习笔记二

package main

import (
"fmt"
"math"
)

func main() {
	//
	//constes()
	//elumn()
	sqm()

}
//可以定义公共常量
const(
	sex int = 1
	public string = "公共的"
)
func constes() {
	const names = "常量"
	const a, b = 3, 4
	const(
		name = "测试name"
		auth = "111"
		databases = "Mysql"
	)
	var c float64

	c = math.Sqrt(a*a + b*b)
	//+ 只能拼接字符串
	fmt.Println(c, name + "\n", auth + "\n", databases + "\n", public + "\n", sex)
}
//定义公共的枚举类型
const(
	kb  = iota   //自增枚举类型

	tb
	pb
	ub
	fb
)
func elumn() {
	fmt.Println(fb, kb, tb, pb, ub)
}

func sqm() {
	const(
		rm = 1 << (iota * 10)   //<< >> 移位符
		km
		um
		cm
		dm
	)
	fmt.Println(rm, km, um, cm, dm,)
}

常量与枚举

常量分为普通常量和枚举常量

1:常量可以规定类型,也可以不规定类型

2:常量名称建议用小写,大写在go中代表public

3:常量可以定义常量组()包含,可以定义成包内常量

4:iota自增枚举类型,也是一个表达式

变量类型写在变量名之后 例:age int := 20
编译器可推测变量类型   name := "张三"
没有char,只有rune   rune是32位的
原生支持复数类型   complex64 complex128
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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