- 博客(62)
- 资源 (7)
- 收藏
- 关注
RSS订阅原创 深度学习概念——端对端
而端到端深度学习就是忽略所有这些不同的阶段，用单个神经网络代替它,输入为未经任何人为加工的原始样本形式，经过神经网络，输出结果（“就是输入一头猪，输出的是香肠”————来自知乎）。比如在一个典型的自然语言处理（Natural Language Processing）问题中，包括分词、词性标注、句法分析、语义分析等多个独立步骤，每个步骤是一个独立的任务，其结果的好坏会影响到下一步骤，从而影响整个训练的结果，这是非端到端的。相比分治策略，“端到端”的学习方式具有协同增效的优势，有更大可能获得全局最优解。
2023-09-26 19:28:48
1468
原创 训练、验证和测试一句话搞懂
a和b是模型的参数，在训练模型前我们需要设定很多参数，即超参数：函数空间，损失函数，优化函数。类比课后习题，纠正和强化知识点，评估不同超参数训练出的模型效果，优化模型。类比课堂知识，训练模型得到参数，让你知道这个知识点是什么。这里我们使用了T1,T2两个点实现了模型，y=ax+b。使用了T3的x3来测试模型的拟合效果。x横坐标就是特征向量，y就是目标标签。考试，评估最终模型的效果。
2023-08-09 23:03:30
380
原创 arcgis实现DEM镶嵌和去白点
解决办法：可以使用arcgis中的焦点统计，计算邻域进行插值，注意最后nodata打勾的地方选一下,这一步相当于对图进行了整体的平滑，为了对nodata值进行插值，就需要麻烦一下啦。然后使用栅格计算器进行Con(IsNull(“dem_cai”),“jiao”,“dem_cai”)arcgis中直接选择镶嵌就行，然后选择其中一幅进行输出就好。镶嵌好之后，就会出现白色的，好像没有数据，为nodata。
2023-06-27 21:21:53
1735
原创 尚硅谷课程vue学习（一）
课程地址：https://www.bilibili.com/video/BV1Zy4y1K7SH?vm中的 data是什么就是什么,methods是什么就是什么，但是methods需要注意选择的是返回值。（2）先创建vue实例，然后再通过vm.$mount(‘#root’)指定el的值。index作为键key就会出现问题，如果顺序打乱就会混乱，id作为key就会更好。模板（原html中的），实例（data中的，也可以说是vm）computed中的get和set方法，set不是必须的。只读不改就可使用简写。
2023-06-22 21:29:06
997
原创 GEE页面介绍
文档：可用函数列表，具体的函数有定义和要求，如果您只能记住部分函数名称，则可以通过按 ctrl-space（Mac 上为cmd-space）调出建议列表来避免查找它 资产：您上传到 GEE的所有文件都将在此选项卡中列出。可以区分土地覆盖类别（即森林覆盖与农田）以及类别内的条件，例如区域较深红色的更活跃的植被，用彩色红外图像替换我们的真彩色图像，以识别加拿大蒙特利尔和周边陆地区域的活跃植被和水道区域。这是 GEE 加载时的默认选项卡，包含与在脚本编辑器中访问的数据相关的有用信息以及统计打印输出和错误消息。
2023-03-25 21:00:08
3156
原创 注意力机制
QKt就是多个查询和多个物品向量来计算相似性 转置是便于相乘，得到一个相似性的实数值。自注意力机制将注意力机制包含在里面，qkv全在source部分。关注重点，找出重点，发现更多细节信息，抑制无用信息。没有用注意力的情况，各个权重一样，就不合理了。注意力机制的q\k\v是分布在两侧的。1、注意力机制和子注意力机制的区别。多头注意力机制的情况是多个单层的。p指的是不足的填充p,超出的不要。s指的是开始，e指的结束。不同的头提取的信息不同。使用注意力机制的情况。1指的是只有一个例子。
2023-03-23 22:38:43
961
原创 pytorch学习
卷积层：中间有一个空洞卷积，不经过pooling层就可以增大感受野，groups是分组卷积，一个channal一个分组，bisa指的是b。Tensor: 张量（一个个数字）可以描述任意维度的物体，例如0阶的标量（0，1，2），1阶的向量【1，2，3】，2阶的矩阵。torch.layout: 内存布局对象，稠密的张量（内存中一块集中的区域），稀疏的张量（记录非零响亮的坐标）分类（离散值）：预测10类别就是十维的向量，哪一个向量对应的最大就是该类，概率加起来就是1。卷积运算来进行特征提取（从图片中进行提取）
2023-03-23 22:23:52
1057
原创 深度学习概念合集(二)
56层比20层要错误要高很多，那多的36层怎么搞，需要来进行同等映射，不能剔除，那就把有用的层保持，无用的层权重参数变成0。感受野的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在输入图片上映射的区域大小。原来卷积结果+最初的，旧和新的相加，里面可能有白玩的，好的用，错的白玩，这样就能保证至少不比原来差。一种用来学习类别特征的神经网络结构，主要由两部分组成，生成网络、判别网络。插值算法还包括了传统插值，基于边缘图像的插值，还有基于区域的图像插值。在传统神经网络上改进的，有圈。
2023-03-22 11:53:21
338
原创 Transformer代码分析
最早的词向量是很冗长的，它使用是词向量维度大小为整个词汇表的大小，对于每个具体的词汇表中的词，将对应的位置置为1。比如我们有下面的5个词组成的词汇表，词"Queen"的序号为2， 那么它的词向量就是(0,1,0,0,0)。同样的道理，词"Woman"的词向量就是(0,0,0,1,0)。比如下图我们将词汇表里的词用"Royalty",“Masculinity”, "Femininity"和"Age"4个维度来表示，King这个词对应的词向量可能是(0.99,0.99,0.05,0.7)。
2023-03-22 11:52:28
616
原创 全卷积网络FCN
与经典CNN在卷积层使用全连接层得到固定长度的特征向量进行分类不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷基层的特征图（feature map）进行上采样，使它恢复到输入图像相同的尺寸，从而可以对每一个像素都产生一个预测，同时保留了原始输入图像中的空间信息，最后奇偶在上采样的特征图进行像素的分类。3的图像，前5层是卷积层，第5层的输出是256个特征图，大小是66，即25666，第6、7、8层分别是长度是4096、4096、1000的一维向量。反卷积上采样需要训练，但能更好的还原特征图；
2023-03-22 11:50:52
279
原创 Geopandas 包安装
资源：geopandas的官网一、下载包到这个地址有各种包需要下载的依赖,注意python的版本要和在cmd中进行安装上四个包之后，再需要进行问题一、报错如下：此问题是没有python相应的内核，在cmd中和anaconda prompt中输入python都不同解决办法重新建一个环境，还需要将对应的python填入环境变量。
2022-10-15 23:16:44
836
原创 jupyter Notebook安装
1、anaconda里面是一个集装包，可以安装多个软件，这次的jupyter也是其中的一个。1）打开上面图中的anacoda powershell prompt 中的类似于cmd的窗口，然后输入。4、修改路径，我们发现他的默认盘在系统盘，这就很麻烦，我们需要更改。找到c.NotebookApp.notebook_dir。3、安装完毕即可打开start——在jupyter中点击进入即可打开。然后复制路径，找到下图文件，打开。2、双击安装包，一路安装即可。安装对应版本就行，如下。大概要花十几二十几分钟。
2022-10-02 15:59:34
663
原创 GEE例子分析_植被覆盖度计算
一、植被覆盖度计算课程：https://www.bilibili.com/video/BV1zr4y1k7L8?spm_id_from=333.999.0.0博客：https://blog.csdn.net/qq_44589327/article/details/107443958?spm=1001.2014.3001.5502讲解代码：准备数据，基于哨兵2号的SR数据来进行初始数据集筛选//导入行政矢量数据，在GEE中是FeatureCollection类型var wuhan = ee.F
2022-09-06 16:31:50
2692
5
原创 springboot运行项目报错Caused by: java.lang.NullPointerException: null
springboot项目报错
2022-07-22 12:37:00
4044
原创 GEE参数学习
1.Image在GEE中每个image包含若干个band（波段），每个波段包含四个要素：name（名称，为了调用方便而建立的索引）Pixel Value（像素值，记录了地物反射的信息）Resolution（分辨率，记录每个像素值代表多大的地物）Projection（投影信息，记录了像素与对应地物的几何关系）2.图像可视化参数第一个参数bands就是要展示的波段，输入类型是一个list，输入的图像波段将对应展示的RGB三个通道中去。第二个参数min代表可视化图像的最小值，输入一个number
2022-07-17 23:38:42
994
原创 GEE学习笔记（基础篇）更新中
一、GEE基础Image：基础的栅格（raster）数据；ImageCollection：一系列或一段时间的Image数据集；Geometry：基础的向量（vector）数据；Feature：有属性的Geometry数据；FeatureCollection：一系列Feature数据集；Reducer：计算统计数据或聚合数据的objectJoin：通过时间空间或者属性来组合数据；Array：可以进行多维的数据分析 作者：还行圣母院 https://www.bilibili.com/read/c
2022-07-17 23:37:57
2731
2
原创 wordcloud python实现
1.先安装包再file中的setting中python intepreterimport jiebafrom matplotlib import pyplot as plt #绘图，数据可视化，具体生成图片from wordcloud import WordCloud #词云from PIL import Image #图片处理，图形虚化，验证码，后期处理等import numpy as np #矩阵运算import sqlite3 #数据库有些安不上的可以从terminal中安装p
2022-06-25 17:23:21
111
原创 GEE图像可视化参数
重采样，投影和尺度：https://www.cnblogs.com/yhpan/p/14160221.htmlhttps://www.jianshu.com/p/e7b8435066f1图像可视化map.addLayer()函数对image做可视化，如果你不加任何参数使用这一函数，默认地，GEE会按照红-绿-蓝的次序依次加入。默认的归一值基于数据终端波段信息实现，例如，floats被限制在[0,1]的范围内，16-bit的数据则可以投射到可能值的全域，但是，这样的默认值可能不是特别合适。bands
2022-04-30 10:58:53
2176
原创 python函数
一def 函数名(): 代码#调用函数名() 带参数的def happy(a,b): c=a+b print(c) #return a+b#调用happy(2,5)#result=happy(2,5)返回多个值的函数def divide(a,b): shang=a//b yushu=a%b return shang,yushu#调用sh,yu=divide(5,2)二、例子#打印一条线def printline(): print("-"*30)#根据输
2022-04-30 10:57:44
68
原创 PYTHON文件操作
1.文件打开使用open打开一个已存在的文件，或者创建一个新文件open(文件名，访问方式)f=open('test.txt',"w")默认在当前文件夹下打开或新建2.文件关闭f.close()3.访问模式3.写文件写字符串f.write("hello world, i am here")4.读文件读字符，开始定位在头部，每执行一行，向后移动指定字符数f=open("test.txt","r")content= f.read(5)f.close()全都读出来变成列
2022-04-30 10:57:10
58
原创 python错误和异常
1.异常可以预测，可以修改所有异常名字：ExceptionFileNotFoundError：no such file or directory:" "文件没找到NameError : 名字异常2.异常捕获需要配对异常类型try: 平常语句except (IOError,NameError): #文件没找到输入IOError（输入输出异常）,将可能出现的异常都写在此处 出现错误干啥获取错误描述try: 平常语句except Exception as result: #所有异
2022-04-27 15:35:39
370
原创 GEE中常用方法的区别
1.分析了影像合成与影像镶嵌的两种不同影响合成方法，其中影像合成composite更多的表现在同一区域不同时间影像的组合，多使用的合成方法有最大化合成（MVC，max value composite）、中值合成（median）、均值合成（mean）等合成方法，在具体工作中可根据实际需要采用不同的合成方法；镶嵌（mosaic）更多的表现在不同区域上的多幅影像的合成。2.镶嵌的特点是最后的图层位于最上层，这也是Mosaic的特点之一。原文链接：https://blog.csdn.net/qq_3249710
2022-04-19 10:31:40
1154
原创 GEE学习笔记ImageCollection
文章目录1.ee.ImageCollection()2.ImageCollection.filterBounds/filterDate/filterMetadata()3.ImageCollection.limit() 可以限制条数4.ImageCollection.select()挑选波段5.ImageCollection.distinct() 去重复字段6.ImageCollection.combine() 两个数据集合并7.ImageCollection.mosaic() 镶嵌8.ImageColle
2022-04-18 16:29:39
1193
原创 GEE学习笔记一
注意：Geometry矢量图形Feature加着属性的矢量图形Feature collection加着属性的矢量图形集Image 栅格图像Image Collection 栅格图像集geometry和feature类型可以zip上传，但是image类型不行，可以转化为tif等格式上传1.Geometry.transform坐标系转换var China_Geo = ee.Geometry.Rectangle(65.9, 19.8,134.5, 50.9);var China_Planr
2022-04-18 15:47:43
2653
1
原创 PIE-engine组件
1.UI界面——用户界面2.作用：降低使用门槛，方便没有编程基础的方便分享成果高效开发3.再参考示例下面的user interface中
2022-04-10 15:19:31
489
原创 PIE-engine机器学习监督分类
1.监督分类又称训练场地法，训练分类法是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类，根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数对各待分类影像进行的图像分类。分有 正态贝叶斯分类、支持向量机分类、随机森林分类、K最近邻分类、决策树分类1）正态贝叶斯分类 Normal Bays Classifier可以处理特征值是连续数值的分类问题，核心对象是pie.Classifier.normalBayes2)支持向量机分类 Supprot Vector
2022-04-10 15:18:51
538
原创 VI,NDVI,EVI
引用https://blog.sciencenet.cn/blog-3424049-1264006.html1.植被指数VI根据波段间的比值运算能够提取植被的算法，称为植被指数(Vegetation Index，VI)。植被指数有归一化植被指数(NDVI，Normalized Vegetation Index)、比值植被指数(RVI，Ratio Vegetation Index)、差值植被指数(DVI，Difference Vegetation Index)、调整土壤亮度植被指数(SAVI)、土壤调整
2022-04-09 22:59:25
2971
原创 JDBC学习笔记
3.JDBC API提供者：JAVA官方内容：供开发者调用的接口在java.sql和javax.sql包中DriverManager 类Connection接口Statement接口ResultSet接口4.DriverManager提供者：Java官方作用：管理不同的JDBC驱动5.JDBC 驱动提供者：数据库厂商作用：负责连接不同的数据库6.JDBC的使用1）加载数据库驱动，JAVA程序和数据库之间的桥梁（想象成基站）2）获取Connection ,J
2022-04-03 23:44:04
88
原创 JAVA编程小点（五）
1.大小写转化import java.util.Scanner;public class Main{ public static void main(String args[]){ Scanner re=new Scanner(System.in); String s=re.next(); char[] c=s.toCharArray(); //将字符串转换为字符数组 ...
2022-04-03 23:42:40
54
原创 城市位序-规模法
城市位序-规模法一.定义一个城市的规模和该城市在国家中所有城市按人口排序的位序（排名）有关系。就起了个名字：城市位序-规模法是城市地理中关于城市规模分布研究中的理论基础二.公式α一定条件下为常数A为最大城市的人口规模，x,y可以从数据中找出来，计算阿尔法???????????????? = ????????????1 − ????????????????????????????为第????个城市建成区内的灯光总量，????1为建成区内的灯光总量最大值（首位城市的人口规模），??????
2022-04-03 23:40:55
4683
1
原创 软件测试——黑盒测试
黑盒测试：1.边界值测试1）例子1<=x1<=x250<=x2<=300相加的测试用例：2）2.等价类测试1）划分等价类有效等价类——有效等价类对应有效输入域的数据，有效等价类设计的测试用例用于检验被测系统是否能够正确完成指定功能。无效等价类——对应无效输入域中的数据，用来考察被测系统的容错性。2）设计测试用例一般有两种常见的覆盖要求：弱覆盖——测试用例应覆盖所有的有效等价类强覆盖——测试用例应覆盖所有的有效等价类的组合弱覆盖例子强覆盖例子：
2022-03-30 10:20:48
142
原创 python学习
学习python中的一些小点1.>>> str=r'C:\now\first\a' >>>print(str) C:\now\first\a >>> str'C:\\now\\first\\a'注意：原始字符串的使用非常简单，加一个字符r即可，但是最后一个字符后不能加/2.如果希望得到一个跨越多行的字符串，需要用到三重引号字符串3.字符都需要用英文符号...
2022-03-30 10:18:56
55
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人