布置工作这么做

运用arcGIS做程老师布置的CAD描图作业,不到十分钟完成百分之九十五的工作量!!! 写在前面 进来的应该都是上程效军老师的数字地形测量课的同学,相信描图作业做得不是很轻松吧(CAD大神略过),本人也是辛辛苦苦描完图后,才学到的arcscan,在创新项目队友的提醒和指导下,完成了快速描图,现在跟大家分享一波。 所需要的工具 看标题大家也都知道了吧,第一, ArcGIS ,第二,就是CAD。 具体步骤 为了提高数字化的采集效率和质量,ArcGIS提供了ArcScan扩展模块。通过Ar... 阅读详情

  经理人往往会碰到这样的情况:安排给员工一项工作任务,本以为他有能力独立做好这个事情,谁知最后员工还需要依靠自己的帮助才能完成工作,而且完成的结果也不如自己所期望的那么好。

  问题是出在员工那里吗?也许不是。《大雁的力量--信任创造绩效》一书(广东经济出版社2006年5月出版)的作者、英国著名的咨询师拉里·雷诺兹指出:如果员工得到的指示是模糊的,他就得学会猜测别人的心思,揣摩出领导到底期望自己怎么做。员工只有接收到了明确的信息,才有可能真正对工作负责。作为经理人,在刚开始布置任务时,就要向员工说明你期望他做什么,做出什么样的结果。

  结果。经理人应该让员工知道你到底期望从他们那里得到什么。有时候,人们对相同的话有不同的理解。经理人在和员工讨论期望的结果时,不要只使用抽象的字眼,还要用看得见、听得见、摸得着的东西来描述它,以便让员工真正理解你的意思。

  尺度。告诉员工完成任务应该遵循的基本准则,给他们一个广泛的可操作的尺度,即指导方针,并提醒他们要注意按照价值观行事。当然,经理人不需要详细讲解完成任务的每条措施和细节,否则,员工不会真正感觉到被委以责任。

  影响。经理人要向员工说明,他们的个人行为将会对实现整体的任务做出什么样的贡献,完成或者没有完成任务的影响或后果是什么。员工在了解这些影响和后果后,就会开始为完成任务付出努力。

  资源。经理人要了解,员工有多少可用资源,包括物质资源、财务资源、人力资源和时间资源。在许多组织中,最宝贵的资源是时间,你对员工的最大帮助是多给他们一点时间完成任务。如果你不肯定员工拥有完成工作所需的资源,那么你其实是在使他们走向失败。

  负责。确定让员工对任务负责。经理人要和员工讨论,他们将在什么时间、什么地点、以及以怎样的方式来向你汇报工作进展。经理人要注意的是,员工应该对结果负责,而不是对方法负责。他们具体用什么方法完成任务由他们自己决定。

  在明确了这五件事情之后,经理人就要接受一个大考验--放手,让员工独立完成任务。不要经常在背后监视别人,这不光有损信任,还会打击别人的自信心。如果工作任务重大,你可以和员工一起,在任务的不同责任阶段加以回顾。但是你一定要在开始工作之前,就和员工商定好要举行这样的会议。当员工需要你的时候,才应该出面助一臂之力,否则不应当干涉他的工作。

BIM机电插件【管线排布】管间间隔并快速实现横向排布   如何在Revit中快速设置管线排布?对BIM机电工程师来说,平时最常做的工作就是管道布置和管道综合这一块。但是,由于缺乏CAD底图,这就需要我们自行设计管道方案,在一些普通设备与设备连接时,布管思路也大同小异,有很多成熟的方案。   下面要说的,就是大家想要了解的,如何用BIM机电插件实现,快速管线排布的方法。   【BIM机电插件管线排布】   快速将管线按指定间隔进行横向排布   需求场景:在管线综合调整时,我们经常需要将区域的管线进行等距的横向排布,来达到合理利用空间以及预留检修. 阅读详情

相关推荐

无领导小组讨论题目汇总及部分参考答案

面试等,无领导小组讨论题目的汇总,及部分收集的参考答案

Python进阶-Numpy科学计算库

Numpy是python最基本最常用的科学计算库,在数据分析,机器学习,深度学习等领域经常被使用,可以说是学习python必学的一个库。本课程会讲解到numpy中最核心的一些知识点,包括numpy的属性,创建array,numpy的运算,矩阵运算,随机数生成,numpy的索引,array的合并与分割,numpy的浅拷贝深拷贝等内容。帮助大家快速掌握numpy的使用。

9 HAL库驱动框架简述(STM32HAL库)

HAL库外设的使用步骤总结如下:1、定义并填充xxx外设句柄结构体。2、如果遵循HAL库规范,通过HAL_xxx_MspInit()函数,实现外设底层资源的初始化,包括但不限于GPIO、时钟、DMA、中断等资源的初始化。3、调用HAL库的对应外设初始化函数,形如:HAL_xxx_Init()。4、初始化完成,开始使用外设。5、使用方法具体查看对应外设的HAL库驱动包中的说明:补充:HAL库使用主线外设初始化外设使用。

qq_25218501的博客 1982

360机试题:挑选镇长

题目的描述如下所示: 输入输出要求如下: 我写的C语言程序如下所示: #include #include #define MAXn 1000 void manager(int *rt,int N,int M){ /* 根据输入人数和认识关系数,得出满足条件的镇长个数和镇长编号 这里我把镇长个数放在了数组的最后,便于计算 */ int i,j,k=0;

在路上...... 1887

SillyTavern 向量存储配置踩坑记:从卡死到本地部署 Ollama 跑通

用此命令看到镜像就算成功。

qq_62483451的博客 1260

【Unity报错】Unity导入海康SDK 报错 DllNotFoundException: PlayCtrl assembly

2.尝试按网上其他的办法(包括使用depengs查看dll依赖等)1.先检查Plugins文件夹中是否存在PlayCtrl文件。3.如果网上查阅的办法都不能解决,请继续往下看。更换低版本的SDK库文件。

weixin_42968584的博客 1127

不用比较运算符,判断int型的a,b两数的大小。

       这是justinavril一道面试题:   public class TestCompare {  public static String compare(Integer x,Integer y){  String [] buf={">","   int result=(x-y)>>>31;  System.out.println(result);  return buf[

bolink5的专栏 1262

发票OFD格式转换成PDF

发票OFD格式转换成PDF

Be_insighted的博客 934

(笔试题)镇长选举

题目:   360员工桂最近申请了一个长假,一个人背着包出去自助游了。  路上,他经过了一个小镇,发现小镇的人们都围在一棵树下争吵。桂上前询问情况,得知小镇的人们正缺一个镇长,他们希望能选一个知名又公正的镇长,即,大家希望能选出一个人,所有人都认识他,但同时他不认识镇上除自己以外的其他人(在此,我们默认每个人自己认识自己)。可是小镇里的人太多了,一下子大家谁也说服不了谁。  “这简单啊。”桂表示...

weixin_34303897的博客 349

信息学奥赛一本通高手训练1680:序列

题目 代码 #include<cstdio> #include<iostream> #include<cmath> #define LL long long using namespace std; const LL N = 1400000+7; const LL mod = 1e9+7; int n, t; LL pos[N], sum[N], ans[N]; struct node{ LL ll, rr; }a[N]; int main(){ p

qingfeixueyue的博客 468

博途的HMI(触摸屏)的应用

触摸屏(HMI):用于控制PLC,可认为是小型上位机(用于控制PLC的都可认为是上位机)上位机(PC Station):将触摸屏升级为电脑----工控机(工业控制的机器)用博途编写西门子的触摸屏和上位机。

王阿妹小天才的博客 2677

领导布置任务不明确,确耗时耗力且事后不检查,我还应该做吗?|智测优聘总结

你们遇到过这种情况吗? 领导随口说要整理一些数据汇报给他,但之后就忘了不会再主动询问。我虽然费时费力的整理好了,但是不知道该不该主动汇报。需要主动提醒领导这件事吗? 今天,人才初筛招聘网智测优聘就来给大家分析一下这种情况出现,该如何解决和处理。 一、领导交代的事情,问清楚再做 这个职场新人的困惑,很大程度上在于任务布置不明确。领导只是随口安排了一个任务,却没有明确是否需要有实际的产出和交付任务的时间。 对于下属来说,在这个时候,重要的不是研究任务怎么做,而是应先明确你需要交付的结果...

Fuusu的博客 1006

PostgreSQL 异常排查:读取流时发生异常 (x80004005)

通过以上步骤,您应该能够解决在 .NET Core 中与 PostgreSQL 数据库进行交互时出现异常 (x80004005) 的问题。确保数据库连接正确,查询语句准确,并使用兼容的驱动程序版本。如有必要,可以捕获异常并查看详细的错误信息,以便更好地排查问题。在使用 .NET Core 开发应用程序时,如果在与 PostgreSQL 数据库进行交互时遇到异常,例如在读取数据流时发生异常 (x80004005),我们需要进行排查和修复。另外,还可以尝试捕获异常并打印异常信息,以便更好地了解问题所在。

XwlyVue的博客 1623

什么叫工作到位?

工作到位是个人成长的“法宝”。在职场中发展最快的人,永远是把工作做到位的人。工作到位要提高工作标准,标准不同,结果完全不一样。养成良好的职业素养,立即行动,从现在的事情做起,想尽一切办法去落实自己的责任、完成今天的目标,努力做到“日清日毕”,形成做事的良性循环。 汇报工作说结果 不要告诉老板工作过程多艰辛,你多么不容易!老板不傻,否则做不到今天。举重若轻的人老板最喜欢,一定要把结果给老板,结果

不积跬步无以至千里 887

【Settings随记:二】一级菜单,二级菜单的添加与隐藏,添加辅助功能

首先会去调用父类的onCreatePreferences(Bundle savedInstanceState, String rootKey)方法,然后调用addPreferencesFromResource(R.xml.assistant_function)方法(这个方法是父类的)加载二级菜单的xml配置文件,实现创建二级菜单,这个配置文件路径在res/xml/assistant_function.xml。controller:该item的控制器,控制它的内容展示,是否可用,也可以控制它的点击事件等。

镇元子的博客 1595

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!

谈谈工作与学习

谈谈工作与学习 是工作重要还是学习重要? 在对于学习,我发现我是喜欢的,一直以来都是这样.在学校里,我就很喜欢学习,但是各方面能力不佳,导致学习成绩不怎么样.有个这样的问题,虽然我喜欢学习,但很不喜欢做老师布置的作业,这同某种意义上来说等同于现在的工作,对于作业,我是能躲就躲,能拖则拖.但是若是我自己想做的话,就会一直做下去.那我为什么不喜欢老师布置的作业呢?这个也许应该从小时候开始思考.在小学的...

happmaoo的专栏 137

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

只学了C语言?试试做个扫雷游戏

(不过这里得考虑清楚了,这两个数组要多少行多少列,为了后面排雷的方便,我们要比看上去的多两行两列,不然排雷到边界的时候就无法计算边界之外的情况)为了方便修改和取用行列数,我们可以在头文件中定义行列数(两个.c文件都包含这头文件就能通用了)我们创建三个文件:work.c(放main函数),game.c(放自定义函数),game.h(放game.c中函数的声明,只要在文件中像包含库函数的头文件一样包含game.h就可以使用game.c中的函数)(看名字就知道两个是相关的,可以说是组合拳了),别急,最后一个。

2502_91433987的博客 814

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")

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

职场人生-会议支持

1网络,无论是teams会议或者现场会议,不少用户的ppt,视频,或者是现场连线都需要网络支持,如果屋里有两个以上网口的时候,用一根网线接交换机,并连接比开会要用的电脑多一根,另外一个网口连接网线并调成外网,因为工厂的网络一般都是内网,多备一个外网有备无患。2电脑,需要准备比实际要用的多一台,比如一台用来teams直播,一台放视频,一台放ppt,那就需要准备4个电脑,并且这第四个电脑要把视频,ppt都放在桌面,一旦哪台电脑出现问题了,马上替换。今天来给大家分享一下会议支持需要注意哪些东西及准备工作。

车轮的博客 685

微软中文技术论坛新年Party后记

2008年终于过去了~~~~ 用终于2字,其实是想表达过的真不容易。 今天写博客,我主要还是想说说2008-12-27微软中文技术论坛2009新年Party。 已经过了快一周的时间了。一直在忙活动后的诸多总结。终于可以抽空写写自己的感想了! Party是如何横空出世的~~~~~ 由于08年12月5日是WinHEC大会,因为论坛有邀请用户参加,所以...

weixin_33843409的博客 152

gd6371轻型客车设计总体设计【说明书+CAD图纸+外文文献及翻译+任务书】

社会发展的各个领域,包括工业,农业,商业,教育,科技,文化等,都与汽车紧密相连。汽车被称为“改变世界的机器”,它从1986年诞生至今已有100多年的历史,百余年来,特别是汽车产品的大批量生产及汽车工业的大发展以来,汽车已为世界经济的大发展,为人类进入现代生活,产生了无法估量的巨大影响,因此,无论是美国,日本,西欧等发达国家或地区无一例外的把发展汽车工业作为国家发展的支柱产业,我国也在“七五”期间提出“要把汽车制造业作为重要的支柱产业,争取有一个较大的发展”,由此可见汽车在世界经济发展的作用。

235

第一天 2010年7月14日

一张桌子,一台电脑,一根网线,一下午...  一星期以后正式开始,这个星期临阵磨枪吧!!

LRain.JAVA的专栏 394
上一篇: 招聘三原则
下一篇: 奖励努力,而非结果
wangchinaking
博客等级 码龄25年 256粉丝 1067原创
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
 
 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