《QGIS快速入门与应用基础》230:添加图例工具

QGIS快速入门与应用基础
专栏收录该内容
¥19.90
¥99.00
329 篇文章

作者:翰墨之道,毕业于国际知名大学空间信息与计算机专业,获硕士学位,现任国内时空智能领域资深专家、CSDN知名技术博主。多年来深耕地理信息与时空智能核心技术研发,精通 QGIS、GrassGIS、OSG、OsgEarth、UE、Cesium、OpenLayers、Leaflet、MapBox 等主流工具与框架,兼具学术深度与工程实践经验。
专注于时空数据可视化、地理信息系统开发、三维场景搭建等方向,持续在CSDN分享技术干货与实战案例,累计产出多篇高质量原创内容,深受行业开发者认可。诚邀对时空智能、GIS技术、三维技术感兴趣的朋友添加微信(Lucky-Matrix),共探技术前沿、交流实践心得,携手推动相关领域技术落地与创新!

📚 查看《QGIS快速入门与应用基础》系列专栏完整目录


7.2.2 图例添加与优化

   在前序小节中,我们已经完整掌握了地图框的全流程设置,完成了地图核心地理内容的搭建,一张地图的“骨架”已经成型。但对于一张专业、规范、可读的地图而言,仅有地理内容是远远不够的——如果看地图的人不知道红色实线代表什么、蓝色面域对应什么含义、不同大小的圆点指代哪类要素,再精美的符号化也毫无意义。

   而图例(Legend),就是地图的“官方说明书”,是地图整饰要素中最核心的组成部分之一。它通过「符号+文字标注」的一一对应关系,清晰解释地图中每一个符号、每一种颜色、每一类样式代表的地理含义,是读图者理解地图内容的核心桥梁,也是区分“随手绘制的示意图”和“专业GIS地图成果”的关键标志。

   90%的QGIS新手在图例制作中,都会陷入三大核心困境:一是自动生成的图例杂乱无章,把底图、辅助线等不需要展示的图层全部堆砌进去;二是图例样式不规范,符号大小、字体、间距混乱,毫无专业度,甚至出现符号与文字错位、导出后模糊的问题;三是多地图框布局中,图例与对应地图框脱节,出现「图例有内容、地图中不显示」的致命问题。

   本小节我们将从最基础的图例工具添加讲起,完整拆解图例的创建、项目管理、样式精细化优化、标题与格式设置全流程,从新手一键生成的基础图例,到符合国土、规划、测绘行业规范的专业图例,手把手带你完成从“能看懂”到“专业规范”的进阶。


7.2.2.1 添加图例工具

   本小节是图例制作的核心基础,我们将先讲透QGIS图例与地图框的绑

QGIS绘制一张地图——建立打印布局在地图中添加图例和比例尺后,将地图保存为图片(出图) 真实案例讲解功能方法的使用,简洁易懂! 4.6k 阅读·1 点赞·2 收藏 阅读详情

相关推荐

《QGIS快速入门与应用基础》231:图例项目管理(添加/删除/排序)

摘要: 本文详细解析了QGIS中图例项目管理的核心操作与规范,重点解决图例冗余、顺序混乱、层级不清等痛点问题。首先剖析了新手易错的自动与手动两大控制模式差异及适用场景,强调自动模式适用于动态调整阶段,手动模式用于最终图纸固定。随后系统讲解了四种删除冗余条目的方法(可见性过滤、规则过滤、图层禁用及手动删除)与自定义排序技巧,并提供了行业标准的分组模板。全文以实操步骤为主,配合示意图与避坑指南,帮助用户快速掌握专业图例制作方法,适用于测绘、规划等需规范出图的领域。 关键词: QGIS图例管理、自动模式、手动模式

LuckyHanMo的博客 646

《QGIS快速入门与应用基础》263:模板元素添加(固定图例/比例尺样式)

介绍了QGIS布局模板的制作与复用方法,重点解决地图制作中样式不统一、效率低下的问题。指导读者将图例、比例尺等固定元素样式固化到模板中,同时保留动态内容的灵活性。文章通过步骤化教程,从模板基础框架搭建、固定图例样式设置、比例尺关联到标准图框添加,系统讲解专业模板制作全流程。特别针对新手常见误区,如错误固化图例内容、未关联比例尺等问题,提供实用避坑指南。该模板方案可将单张地图制作时间缩短80%,确保成果符合行业规范标准,适用于国土、规划、测绘等领域的技术人员提升制图效率与质量。

LuckyHanMo的博客 362

《QGIS快速入门与应用基础》220:工具栏:布局元素添加/编辑

摘要: 本文详细解析QGIS布局工具栏的核心功能与操作技巧,帮助用户高效完成专业地图排版。布局工具栏是地图整饰的“一站式操作集合”,包含元素添加、编辑、视图调整等核心功能。文章从工具栏的界面定位、显示/隐藏设置入手,分模块拆解高频工具(如地图框、图例、比例尺、指北针的添加与绑定),并配以标注示意图和避坑指南。通过优先级排序(核心→进阶)和自定义设置建议,即使是新手也能快速掌握毫米级精准排版,避免常见操作误区,充分发挥QGIS的自动化联动优势,提升地图制作效率与规范性。

LuckyHanMo的博客 348

《QGIS快速入门与应用基础》280:地图框、图例、比例尺、指北针添加

本文详细介绍了在乡镇行政地图中添加地图框、图例、比例尺和指北针四大法定要素的操作规范。地图框作为核心载体,需严格遵循A4竖版的尺寸和位置标准;图例应精简有效,仅保留核心要素并按规范排序;比例尺和指北针必须准确关联地图框。文章提供了分步操作指南、国标参数设置和常见错误警示,帮助用户制作符合《测绘成果质量检查与验收》标准的专业地图,特别强调各要素间的关联性以避免新手常见错误。通过规范设置这些要素,可确保地图的专业性、合规性和可读性。

LuckyHanMo的博客 410

《QGIS快速入门与应用基础》188:分类标签与图例优化

本文系统讲解了GIS制图中分类标签与图例的优化方法。标签优化需遵循“简洁清晰”原则,通过精简内容、调整位置、避免重叠及统一样式提升可读性;图例优化则强调准确性与逻辑性,需筛选核心分类、规范排序、确保符号一致性。二者需保持逻辑统一,共同提升地图信息传达效率。文中结合QGIS实操步骤、优化对比图及行业规范,帮助开发者快速掌握专业地图制作技巧,解决标签冗余、图例混乱等常见问题。

LuckyHanMo的博客 315

《QGIS快速入门与应用基础》233:图例标题与副标题设置

本文系统介绍了QGIS中图例标题与副标题的设置规范与操作方法。文章首先提出GIS行业通用的4级标题体系规范,包括主标题、副标题、分组标题和备注说明,明确了各级标题的功能定位、内容要求和样式标准。随后详细讲解了两种主标题设置方法:内置联动式设置(适合新手)和独立文本框设置(适合进阶美化),通过图文并茂的方式展示操作步骤与效果对比。最后强调了副标题的内容规范与常见问题,为读者提供了一套完整的图例标题设计解决方案。本文内容专业规范,操作步骤清晰,特别适合GIS制图人员参考使用。

LuckyHanMo的博客 277

《QGIS快速入门与应用基础》238:添加指北针工具

本文详细介绍了在QGIS中添加与设置指北针的专业方法。作者作为时空智能领域专家,从行业规范、工具使用到实操步骤全面解析指北针的正确创建流程。重点包括:指北针的强制规范要求(真北基准、样式规范等)、QGIS内置工具的两种激活方式、创建指北针的四步操作流程(前置准备、创建对象、绑定地图框、位置调整),特别强调地图框绑定的重要性以避免方向错误。通过规范对照表和正误示例,帮助用户掌握制作合规指北针的关键技巧,确保地图成果符合专业标准。

LuckyHanMo的博客 724

《QGIS快速入门与应用基础》232:图例样式设置(字体/颜色/符号大小)

讲解QGIS图例样式设置的核心技巧,从字体、符号、排版到边框背景四大维度,帮助用户打造专业级图例。文章首先强调全局样式与分项样式的区别,推荐新手优先使用全局设置确保统一性,再针对特定需求进行分项微调。在字体设置部分,提供了不同场景(如学术论文、正式图纸、演示汇报)的规范参数模板;符号样式部分则重点讲解如何与地图图层同步,避免错位问题。此外,还详细介绍了间距、边框和背景的优化方法,并附常见问题解决方案,帮助用户快速实现出版级图例效果。无论是GIS新手还是专业人士,均可通过本文掌握高效、规范的图例美化技巧。

LuckyHanMo的博客 416

《QGIS快速入门与应用基础》295:图例、标题、说明文本添加

摘要:本文为QGIS双地图对比布局的文本元素添加指南,详细讲解符合国内行业标准的标题系统、图例和说明文本设置规范。涵盖主标题三级结构、分图(a)(b)编号规则、差异化图例制作等核心要素,提供参数化模板与避坑技巧。重点包括:1)标题系统搭建的三级规范与字体/字号标准;2)双图对比布局特有的对称性图例设置方法;3)半透明背景、自动更新关闭等专业技巧。通过表格化参数和可视化示意图,帮助用户快速掌握符合《遥感影像地图制作规范》的专业地图制作方法,适用于学术论文、项目报告等严谨场景。

LuckyHanMo的博客 276

《QGIS快速入门与应用基础》249:分布工具(等间距分布)

QGIS布局排版:分布工具详解 本文详细介绍了QGIS布局管理器中分布工具的使用方法,重点讲解了等间距分布功能在地图排版中的应用。 核心要点 分布工具本质:在保持元素对齐基础上,实现毫米级均匀排布,仅改变位置不修改大小样式 两种间距类型: 元素边缘间距:适用于文本、图例等元素 元素中心间距:适用于尺寸一致的图标、Logo等 操作基准: 元素锚定基准:以最外侧两个元素为固定基准 页面基准:以页边距为固定基准 工具使用 激活方式:通过工具栏按钮、右键菜单或快捷键(Ctrl+Shift+H/V)调用。

LuckyHanMo的博客 395

《QGIS快速入门与应用基础》【专栏完整目录】

《QGIS快速入门与应用基础》第一卷专栏完整目录,覆盖 001–328 全部篇目与附录,逐篇可跳转。

LuckyHanMo的博客 1306

《QGIS快速入门与应用基础》234:添加比例尺工具

本文详细介绍了QGIS中比例尺的添加与设置方法。文章首先区分了数字比例尺和图形比例尺的差异,强调正式图纸必须使用图形比例尺。然后分步讲解了在QGIS布局窗口中添加比例尺的具体操作流程,包括工具定位、创建方法、地图框绑定等关键步骤。特别指出了新手常见的比例尺未绑定、单位错误等问题,并提供了规范放置位置的建议。最后给出了初始创建后的必查清单,确保比例尺符合专业制图要求。全文通过清晰的步骤说明和实用提示,帮助读者掌握专业比例尺的制作方法。

LuckyHanMo的博客 373

《QGIS快速入门与应用基础》021:插件仓库 URL 获取与添加

详细介绍了在QGIS中添加第三方插件仓库的方法。首先强调必须从官方推荐、开源社区等可靠渠道获取插件仓库URL以确保安全性,并列出了4类可信获取渠道。文章分步骤讲解了URL添加流程,包括打开插件管理器设置面板、填写仓库信息、刷新缓存验证等操作。针对常见问题如URL格式错误、连接失败等提供了具体解决方案。最后总结指出,成功添加第三方仓库后即可直接搜索安装各类专业插件,从而扩展QGIS功能边界。全文注重实操指导,特别适合需要安装行业专用插件的QGIS用户参考。

LuckyHanMo的博客 469

《QGIS快速入门与应用基础》024:Mini GIS Toolkit — 基础工具集补充

Mini GIS Toolkit是一款轻量级QGIS插件,专为新手设计,整合10+高频基础功能(如批量重命名、要素计算、格式转换等),通过图形化界面实现“一键操作”。其核心优势是简化流程(操作路径缩短80%),无需代码即可完成:①批量图层管理(前缀/后缀统一);②要素几何属性自动计算(面积/长度/坐标);③多格式批量转换(SHP/GPKG等);④字段批量增删改;⑤空间关系快速筛选。插件安装简单,工具栏即开即用,配套速查表和避坑指南帮助新手快速上手,显著提升日常GIS操作效率,是QGIS入门必备“效率神器”。

LuckyHanMo的博客 1047

《QGIS快速入门与应用基础》154:点要素添加(编辑→添加要素)

本文系统讲解QGIS中点要素编辑的核心操作,重点解析点要素添加的完整流程。作为矢量数据的基础类型,点要素编辑需满足图层可编辑、类型匹配等前提条件。QGIS提供菜单、工具栏、快捷键三种添加路径,操作包含定位、点击添加、属性填写等步骤,支持属性预设实现批量添加。文章详细列举了6类常见问题解决方案,并针对不同矢量格式(如SHP/GPKG)给出操作建议,帮助用户掌握从单点添加到批量处理的高效方法,为后续复杂要素编辑奠定基础。

LuckyHanMo的博客 513

基于python的奥运会历史数据分析【120年】

数据分析实战案例

xff123456_的博客 3339

别光看文档了!手把手带你用Habitat-Lab跑通第一个PointNav任务(附完整代码与避坑指南)

本文详细介绍了如何使用Habitat-Lab快速跑通第一个PointNav任务,包括环境配置、依赖安装、数据集下载与路径配置等关键步骤,并提供了完整的代码实现与常见问题排查指南。特别适合刚接触Habitat-Lab的开发者,帮助避开官方Quickstart未提及的坑,快速上手具身AI任务。

weixin_42662293的博客 273

基于深度学习的图像去雨(Opencv,Pytorch,Cnn)

最近做了一个图像去雨项目,使用的语言为Python,深度学习框架为Pytorch。去雨效果不错,具体请看效果视频!图像去雨(GAN,Opencv,Pytorch)

Czqqwer的博客 2619

避开SAM3安装大坑:手把手教你用国内镜像和Modelscope权重快速跑通Demo

本文详细介绍了如何在国内环境下快速部署SAM3视觉大模型,包括使用国内镜像加速Python包安装、通过Modelscope获取权重文件以及解决CUDA 11.8等低版本适配问题。手把手教你避开常见安装陷阱,实现高效Demo运行。

weixin_30642561的博客 1408

别再只调OpenCV参数了!手把手教你用Python bm3d库搞定图像去噪(附完整代码与效果对比)

本文详细介绍了BM3D算法在图像去噪中的高级应用,通过Python bm3d库实现超越OpenCV传统方法的去噪效果。文章包含完整代码示例、参数调优技巧及工程化应用场景,帮助开发者掌握这一被称为'传统方法天花板'的技术,显著提升图像信噪比和细节保留能力。

weixin_28362173的博客 369

GD32F303实战:用定时器4触发ADC2+DMA,实现10ms精准采样1024点的完整流程

本文详细介绍了在GD32F303微控制器上使用Timer4触发ADC2配合DMA传输,实现10ms精准采样1024点的完整方案。从硬件架构设计、时钟树配置到定时器参数计算,提供了完整的工程实现流程和常见问题排查方法,适用于工业传感器监测等高实时性场景。

weixin_29194693的博客 433

Investigating Bi-Level Optimization for Learning and Vision from a Unified Perspective: A Survey and

文章首先从双层优化的角度统一表示了超参数优化、多任务和元学习等复杂学习和视觉问题,建立了一个基于最佳响应的单层重构和一个统一的算法框架,来制定一个基于梯度的双层优化方法,最后讨论了该框架的潜力和未来研究方向。...

dawnyi_yang的博客 1112

Google AI Skills Badge 30天实战路径:从Prompt工程到AI工作流落地

提示工程(Prompt Engineering)是人机协同的核心能力,本质是将模糊业务意图精准转译为机器可执行、可验证的指令流。其原理植根于大语言模型的token匹配机制与上下文理解范式,技术价值在于突破传统自动化边界,实现低代码、高适应性的AI应用构建。典型应用场景覆盖客户服务归类、财报摘要生成、邮件智能分析等企业高频任务。本路径以Google官方AI Skills Badge为载体,融合神经科学验证的30天学习节拍、结构化输出设计、AI响应可信度评估等关键实践,突出Prompt Engineering与

weixin_30410119的博客 389

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

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")

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

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: 《QGIS快速入门与应用基础》229:多地图框添加(对比地图)
下一篇: 《QGIS快速入门与应用基础》231:图例项目管理(添加/删除/排序)
翰墨之道
博客等级 码龄5年 3944粉丝 1414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

打赏作者

翰墨之道

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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