PyTorch卷积神经网络各层实现与介绍

本文将讲解，PyTorch卷积神经网络各层实现与介绍，包括：基本骨架–nn.Module的使用、卷积操作、卷积层、池化层、激活函数、全连接层的介绍。

😜 对于相关原理，可以跳转👉卷积神经网络CNN各层基本知识

😜 后续会以CIFAR10数据集作为案例，关于CIFAR10数据集在上篇中有详细的介绍，可以跳转👉Pytorch公共数据集、tensorboard、DataLoader使用。

基本骨架–nn.Module的使用

torch.nn模块包含着torch已经准备好的层，方便使用者调用构建网络，一下内容包括nnModule而极少、卷积操作的简单操作、卷积层、池化层、激活函数、全连接层以及其他层的相关使用方法

neural network

在这里插入图片描述

torch.nn模块包含着torch已经准备好的层，方便使用者调用构建网络。后文将介绍卷积层、池化层、激活函数层、循环层、全连接层的相关使用方法。

Module：位于containers容器中

在这里插入图片描述

'''神经网络模板'''
#https://beishan.blog.csdn.net/
import torch.nn as nn
import torch.nn.functional as F


class Model(nn.Module):  # nn.Module为其父类，Model继承它

    def __init__(self):
        super().__init__()  #调用父类的初始化函数
        self.conv1 = nn.Conv2d(1, 20, 5)
        self.conv2 = nn.Conv2d(20, 20, 5)

    def forward(self, x):  #用于定义神经网络的前向传播过程
        x = F.relu(self.conv1(x))  #卷积->非线性处理
        return F.relu(self.conv2(x))  #卷积->非线性处理->return

代码解释如下：

forward 函数是深度学习框架中常见的一个函数，用于定义神经网络的前向传播过程。

forward 函数的作用是将输入数据经过网络中各个层的计算和变换后，得到输出结果。

在这里插入图片描述

在这里插入图片描述

在上述代码中，forward函数：对输入的x进行第一次卷积，再进行第一次非线性操作；再第二次进行卷积，然后第二次非线性操作。最后返回结果。

搭建自己的网络

import torch.nn as nn
import torch

class Beishan(nn.Module):

    def __init__(self):
        super().__init__()

    def forward(self, input):
        output = input * 2
        return output


bs = Beishan()
x = torch.tensor(1.0)
print(bs(x))

tensor(2.)

卷积操作

卷积可以看作输入和卷积核之间的内积运算，是两个实值函数之间的一种数学运算

在Pytorch中针对卷积操作的对象和使用场景的不同，有一维卷积、二维卷积、三位卷积与转置卷积(可以简单理解为卷积操作的逆操作)，但他们的使用方法类似，都可以从torch.nn模块中调用

在这里插入图片描述
在这里插入图片描述

接下来将以torch.nn.functional.conv2d()为例进行讲解，后续的层的讲解，将以torch.nn作为案例

torch.nn.functional.conv2d(input,
                           weight, 
                           bias=None,
                           stride=1,
                           padding=0,
                           dilation=1, 
                           groups=1)

在这里插入图片描述

参数解释
input输入图像的通道数
weight卷积核的大小
bias可选的偏置张量的形状(输出通道)(输出通道)，默认值:无
stride卷积的步长，默认为1
padding在输入两边进行0填充的数量，默认为0
dilation控制卷积核之间的间距

需要注意的是：在这里插入图片描述

input中的shape：

  • minibatch：batch中的样例个数,
  • in_channels：每个样例数据的通道数,
  • iH：每个样例的高（行数）,
  • iW：每个样例的宽（列数）

weight中的shape：

  • out_channels：卷积核的个数
  • in_channels/groups：每个卷积核的通道数
  • kH：每个卷积核的高（行数）
  • kW：每个卷积核的宽（列数）
  1. padding
    就是填充的意思，将图像数据的边缘部分填充的大小，通过padding可以使得卷积过程中提取到图像边缘部分的信息
  2. stride
    卷积核移动的步长，即卷积核完成局部的一次卷积后向右移动的步数，步长增大可以减小特征图的尺寸计算速度提升。适用于高分辨率的图像

在这里插入图片描述

接下来将以下图的卷积操作，其中padding和stride都是默认值。即padding=0，stride=1，利用Pytorch进行验证运算

在这里插入图片描述

import torch.nn.functional as F
import torch

# input
input_ = torch.tensor([[3, 3, 2, 1, 0], 
                       [0, 0, 1, 3, 1], 
                       [3, 1, 2, 2, 3],
                       [2, 0, 0, 2, 2], 
                       [2, 0, 0, 0, 1]])
# 卷积核
kernel = torch.tensor([[0, 1, 2], 
                       [2, 2, 0],
                       [0, 1, 2]])

# print,input_.shape,kernel.shape
print(input_.shape)
print(kernel.shape)
# 由上面可以知道.shape不满足需求，而是只有h和w的2个数据，利用reshape进行变换

input_ = torch.reshape(input_, (1, 1, 5, 5))  # 表示样例个数1，每一个样例数据的通道数1，高5，宽5
kernel = torch.reshape(kernel, (1, 1, 3, 3))

# 进行conv2d卷积运算
output = F.conv2d(input_, kernel, stride=1)  # stride=1即每一次只进行一步移动操作
print(output)

torch.Size([5, 5])
torch.Size([3, 3])
tensor([[[[12, 12, 17],
          [10, 17, 19],
          [ 9,  6, 14]]]])

在后续的层的讲解中，将以torch.nn作为案例。后续会更新

在这里插入图片描述

卷积层

这里主要介绍代码部分，对于相关原理，可以查看 https://beishan.blog.csdn.net/article/details/128058839

import torch.nn as nn

#其中in_channels,ut_channels,kernel_size需要进行设置，其他均有默认值
torch.nn.Conv2d(in_channels,
                out_channels,
                kernel_size, 
                stride=1, 
                padding=0, 
                dilation=1,
                groups=1, 
                bias=True, 
                padding_mode='zeros',
                device=None, 
                dtype=None)

在这里插入图片描述

常用的参数为：in_channels 、out_channels 、kernel_size 、stride 、padding

Conv2d参数说明
in_channels表示输入的图片通道数目。
out_channels表示输出的图片通道数目。
kernel_size表示卷积核的大小，当卷积是正方形的时候，只需要一个整数边长即可，卷积不是正方形，要输入一个元组表示高和宽。
stride表示每次卷积核移动的步长值。
padding表示是否添加边界，一旦设置就是四周都添加。在原始的行列基础上，行增加2行，列增加2列。
dilation表示控制卷积核之间的间距。
groups表示控制输入和输出之间的连接。
bias表示是否将一个 bias 增加到输出。
padding_mode表示接收’zeros’, ‘reflect’, ‘replicate’ or ‘circular’. Default: ‘zeros’，默认是’zeros’，即默认在padding操作时，在外一圈是填充的0。

卷积层操作实战
下面代码以CIFAR10数据集为例进行实践

关于CIFAR10数据集在上篇中有详细的介绍，可以跳转☞Pytorch公共数据集、tensorboard、DataLoader使用。后续的操作也是以CIFAR10数据集为案例

import torch
import torchvision
import torch.nn as nn
from torch.utils.data import DataLoader

dataset = torchvision.datasets.CIFAR10("dataset",train=False,transform=torchvision.transforms.ToTensor(),download=True)
dataloader = DataLoader(dataset,batch_size=64)

Files already downloaded and verified

class BS(torch.nn.Module):
    def __init__(self):
        super().__init__()
        # 即输入通道设定为RGB3层，输出通道设定为6，卷积核大小为3，步长设定1，不进行填充
        self.conv1 = nn.Conv2d(in_channels=3,
                               out_channels=6,
                               kernel_size=3,
                               stride=1,
                               padding=0)

    def forward(self,x):
        return self.conv2(x)
bs = BS()
print(bs)  # 打印创建的卷积参数

BS(
  (conv1): Conv2d(3, 6, kernel_size=(3, 3), stride=(1, 1))
)

#input:torch.Size([64, 3, 32, 32])
#output:torch.Size([64, 6, 32, 32])

从输出结果可知，输入通道为3，输出通道为6，卷积核结构为3×3，步长为1

在这里插入图片描述

按计算可得，输出特征图的尺寸：

（ 32 − 3 + 2 ∗ 0 ) 1 （32 - 3 + 2*0)\over1 1（32−3+2∗0)​ + 1 = 30

完整代码如下：

import torch
import torchvision
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

dataset = torchvision.datasets.CIFAR10(
    "dataset",
    train=False,
    transform=torchvision.transforms.ToTensor(),
    download=True)
# 加载数据集,每次从数据集中取64
dataloader = DataLoader(dataset, batch_size=64)


class BS(torch.nn.Module):

    def __init__(self):
        super().__init__()
        # 即输入通道设定为RGB3层，输出通道设定为6，卷积核大小为3，步长设定1，不进行填充
        self.conv2 = torch.nn.Conv2d(in_channels=3,
                                     out_channels=6,
                                     kernel_size=3,
                                     stride=1,
                                     padding=0)

    def forward(self, x):
        return self.conv2(x)
step = 0
writer = SummaryWriter('logs')
for data in dataloader:
    img, target = data
    # 卷积前
    print(img.shape)
    # 卷积后
    output = BS().conv2(img)
    #print(output.shape)
    #input:torch.Size([64, 3, 32, 32])
    #output:torch.Size([64, 6, 32, 32])
    output=output.reshape(-1,3,30,30) #output的channel为6，此时在Tensorboard可视化中无法显示通道为6的图片，所以需要进行reshape进行重新设定。
    print(output.shape)
    writer.add_images('input',img,step)
    writer.add_images('output',output,step)
    step += 1
writer.close()

Files already downloaded and verified
torch.Size([64, 3, 32, 32])
torch.Size([128, 3, 30, 30])
torch.Size([64, 3, 32, 32])
torch.Size([128, 3, 30, 30])
.......

tensorboard显示如下
在这里插入图片描述

池化层

池化操作主要用于减小特征图的尺寸，并提取出最重要的特征

它通过在特定区域内进行汇总或聚合来实现这一目标。

在这里插入图片描述

池化层的常见操作包含以下几种：最大值池化，均值池化，随机池化，中值池化，组合池化等。后续以torch.nn.MaxPool2d为例，进行介绍

torch.nn.MaxPool2d(kernel_size, 
                   stride=None,
                   padding=0, 
                   dilation=1,
                   return_indices=False, 
                   ceil_mode=False)

在这里插入图片描述

在这里插入图片描述

其他参数与池化层中相似，有些默认参数不同而已，这次讲解dilation、ceil_mode

dilation:表示设置核的膨胀率，默认 dilation=1，即如果kernel_size =3，那么核的大小就是3×3。如果dilation = 2，kernel_size =3×3，那么每列数据与每列数据，每行数据与每行数据中间都再加一行或列数据，数据都用0填充，那么核的大小就变成5×5。
在这里插入图片描述

ceil_mode:floor or ceiling,表示计算输出结果形状的时候，是使用向上取整还是向下取整。即要不要舍弃无法覆盖核的大小的数值。True为保留，False为舍弃
在这里插入图片描述

下图为max_pooling的动态演示图

在这里插入图片描述

利用pytorch演算结果

import torch
from torch import nn

input = torch.tensor(
    [[3, 0, 1, 5, 1, 3], [5, 7, 3, 4, 4, 6], [7, 7, 1, 8, 3, 5],
     [6, 1, 7, 0, 0, 5], [0, 4, 5, 5, 7, 2], [3, 2, 0, 2, 0, 2]],
    dtype=float)  # 使用dtype将此矩阵的数字变为浮点型
# 准备的参数情况
print(input.shape)
# 进行reshape
input = torch.reshape(input, (1,1,6,6))  # input:(N,C,H,W)or(C,H,W)
print(input.shape)


# 搭建神经网络并进行池化操作
class BS(nn.Module):

    def __init__(self):
        super().__init__()
        self.maxpool2 = nn.MaxPool2d(kernel_size=2, ceil_mode=True)

    def forward(self, input):
        output = self.maxpool2(input)
        return output


# 实例化
bs = BS()
output = bs(input)
print(output)

torch.Size([6, 6])
torch.Size([1, 1, 6, 6])
tensor([[[[7., 5., 6.],
          [7., 8., 5.],
          [4., 5., 7.]]]], dtype=torch.float64)

利用最大池化处理CIFAR10数据集图片，并利用tensorboard可视化

#https://beishan.blog.csdn.net/
import torch
import torch.nn as nn
import torchvision
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

dataset = torchvision.datasets.CIFAR10(
    "dataset",
    train=False,
    transform=torchvision.transforms.ToTensor(),
    download=True)
# 加载数据集,每次从数据集中取64
dataloader = DataLoader(dataset, batch_size=64)


class BS(nn.Module):

    def __init__(self):
        super().__init__()
        self.maxpool1 = nn.MaxPool2d(kernel_size=2, ceil_mode=True)

    def forward(self, input):
        output = self.maxpool1(input)
        return output


step = 0
bs = BS()
writer = SummaryWriter('logs')
for data in dataloader:
    img, target = data
    output = bs(img)
    writer.add_images('input_maxpool', img, step)
    writer.add_images('output_maxpool', output, step)
    step += 1
writer.close()

Files already downloaded and verified

tensorboard显示如下
在这里插入图片描述

非线性激活

激活函数的作用在于提供网络的非线性建模能力,如果不用激励函数，每一层输出都是上层输入的线性函数，无论神经网络有多少层，输出都是输入的线性组合，这种情况就是最原始的感知机。

激活函数给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数，这样神经网络就可以应用到众多的非线性模型中。

常见的包括：sigmoid、relu和tanh，后续将以relu进行介绍
在这里插入图片描述

在这里插入图片描述

使用relu处理矩阵

import torch

# 准备数据
input = torch.tensor([[1, -1, 0], [-2, 3, -6]])


# 搭建自己的一个神经网络
class BS(torch.nn.Module):

    def __init__(self):
        super().__init__()
        # 默认inplace参数为False
        self.relu1 = torch.nn.ReLU(inplace=False) #inplace保留原始数据

    def forward(self, input):
        output = self.relu1(input)
        return output


# 实例化
l = BS()
output = l(input)
print('转换前:', input)
print('relu转换后:', output)

转换前: tensor([[ 1, -1,  0],
        [-2,  3, -6]])
relu转换后: tensor([[1, 0, 0],
        [0, 3, 0]])

利用Sigmoid来处理CIFAR10数据集

在这里插入图片描述

import torch
import torch.nn as nn
import torchvision
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

dataset = torchvision.datasets.CIFAR10(
    "dataset",
    train=False,
    transform=torchvision.transforms.ToTensor(),
    download=True)
# 加载数据集,每次从数据集中取64
dataloader = DataLoader(dataset, batch_size=64)


class BS(nn.Module):

    def __init__(self):
        super().__init__()
        self.sigmoid1 = nn.Sigmoid()

    def forward(self, input):
        output = self.sigmoid1(input)
        return output


step = 0
bs = BS()
writer = SummaryWriter('logs')
for data in dataloader:
    img, target = data
    output = bs(img)
    writer.add_images('input_sigmoid', img, step)
    writer.add_images('output_sigmoid', output, step)
    step += 1
writer.close()

Files already downloaded and verified

tensorboard显示如下
在这里插入图片描述

全连接层

在这里插入图片描述

线性层它也被称为全连接层,通常所说的全连接层是指一个由多个神经元所组成的层，其所有的输出和该层的所有输入都有连接,即每个输入都会影响所有神经元的输出，在Pytorch中nn.Linear()表示线性变换

全连接层可以看作是nn.Linear()表示线性层再加上一个激活函数所构成的结构。

全连接层的应用范围非常广泛，只有全连接层组成的网络是全连接神经网络，可以用于数据的分类或回归任务，卷积神经网络和循环神经网络的末端通常会由多个全连接层组成

在这里插入图片描述

torch.nn.Linear(in_features,
				out_features, 
				bias=True, 
 			    device=None, 
				dtype=None)

其中最重要的三个参数为in_features, out_features, bias

  • in_features:表示输入的特征值大小，即输入的神经元个数
  • out_features:表示输出的特征值大小，即经过线性变换后输出的神经元个数
  • bias:表示是否添加偏置

以VGG16网络结构为例进行介绍
在这里插入图片描述

in_features为1,1,x形式，out_features为1,1,y的形式

import torch
import torchvision
from torch.utils.data import DataLoader

# 准备数据
test_set = torchvision.datasets.CIFAR10("dataset",
                                        train=False,
                                        transform=torchvision.transforms.ToTensor(),
                                        download=True)
# 加载数据集
dataloader = DataLoader(test_set,batch_size=64)

# 查看输入的通道数
# for data in dataloader:
#     imgs, target = data
#     print(imgs.shape)  # torch.Size([64, 3, 32, 32])
#     # 将img进行reshape成1,1，x的形式
#     input = torch.reshape(imgs,(1,1,1,-1)) # 每次一张图，1通道，1*自动计算x
#     print(input.shape) # torch.Size([1, 1, 1, 196608])

# 搭建神经网络，设置预定的输出特征值为10
class BS(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.linear1 = torch.nn.Linear(196608,10)  # 输入数据的特征值196608，输出特征值10
    def forward(self, input):
        output = self.linear1(input)
        return output

l = BS()
for data in dataloader:
    imgs, target = data
    print(f"原先的图片shape:{imgs.shape}")  # torch.Size([64, 3, 32, 32])
    # 将img进行reshape成1,1,x的形式
    input = torch.flatten(imgs) # 每次一张图,1通道,1*自动计算x
    print(f"flatten后的图片shape:{input.shape}")
    output = l(input)
    print(f"经过线性后的图片shape:{output.shape}") # torch.Size([1, 1, 1, 10])

Files already downloaded and verified
原先的图片shape:torch.Size([64, 3, 32, 32])
flatten后的图片shape:torch.Size([196608])
经过线性后的图片shape:torch.Size([10])
原先的图片shape:torch.Size([64, 3, 32, 32])
flatten后的图片shape:torch.Size([19660

关于神经网络的层结构远不止这些，例如dropout layers、transformer layers、recurrent layers等，大家可以去官网自行学习

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/105658.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

vscode不显示横滚动条处理

vscode不显示横滚动条处理

最近发现vscode打开本地文件不显示水平的滚动条，但是打开一个临时文件是有水平滚动条的。 解决方案 可以一个个试 vscode配置 左下角设置–设置–搜索Scrollbar: Horizontal auto 自动visible 一直展示hidden 一直隐藏 拖动底部状态栏 发现是有的，但是…
阅读更多...
LRU算法

LRU算法

1. 算法介绍 LRU（Least Recently Used）算法是一种常见的缓存替换算法，用于管理缓存中的数据项。它的核心思想是将最近最少使用的数据项（最久未被访问的数据项）替换出缓存，以便为新的数据项腾出空间。 LRU…
阅读更多...
windows 离线安装 vue 环境

windows 离线安装 vue 环境

由于公司要求在内网开发项目，而内网不能连接外网，因此只能离线安装 vue 环境，在网上找过很多的离线安装方法，但都没有成功，于是在不断的尝试中找到了以下方法。 1、找一台与内网电脑相同系统的有网电脑。 2、在有网的电…
阅读更多...
提升日期处理效率：day.js 实战经验分享

提升日期处理效率：day.js 实战经验分享

本文简介 点赞 关注 收藏 学会了 本文主要介绍我在工作中使用 day.js 较多的方法。 本文并不能代替 day.js 官方文档，日常工作中该查文档的还是要查文档。 本文是写给刚接触 day.js 的工友，让这部分工友能更顺利上手 day.js。 本文不涉及 day.js 插件…
阅读更多...
STM32中除零运算，为何程序不崩溃？

STM32中除零运算，为何程序不崩溃？

在 C 语言中，除零运算会导致异常吗？ 在 C 语言中，当一个数除以零时，会导致除法运算错误，通常表现为“除以零”错误或被称为“浮点异常”（floating-point exception）。 对于整数除法&#xff0c…
阅读更多...
Unity的galgame形式对话系统工具

Unity的galgame形式对话系统工具

这段代码用于读取表格 using System; using System.Collections; using System.Collections.Generic; using UnityEngine; using OfficeOpenXml; using System.IO; using UnityEngine.Networking; using UnityEngine.UI; using Random UnityEngine.Random;public class Plots…
阅读更多...
Java中会出现内存泄漏吗

Java中会出现内存泄漏吗

这是一个老生常谈的面试题，本文就系统讲解一下吧 虽然Java有GC垃圾⾃动回收功能，但并不是说Java程序就不会内存泄漏。如果一个对象没有地⽅会使⽤到，但是却仍然有引用指向他，那么垃圾回收器就无法回收他，这种情况就属于…
阅读更多...
【哈士奇赠书活动 - 44期】- 〖从零基础到精通Flutter开发〗

【哈士奇赠书活动 - 44期】- 〖从零基础到精通Flutter开发〗

文章目录 ⭐️ 赠书 - 《从零基础到精通Flutter开发》⭐️ 内容简介⭐️ 作者简介⭐️ 编辑推荐⭐️ 赠书活动 → 获奖名单 ⭐️ 赠书 - 《从零基础到精通Flutter开发》 ⭐️ 内容简介 本书由浅入深地带领读者进入Flutter开发的世界，从Flutter的起源讲起&#xff0c…
阅读更多...
上海亚商投顾：沪指震荡反弹 华为汽车、卫星通信板块再度爆发

上海亚商投顾：沪指震荡反弹 华为汽车、卫星通信板块再度爆发

上海亚商投顾前言：无惧大盘涨跌，解密龙虎榜资金，跟踪一线游资和机构资金动向，识别短期热点和强势个股。 一、市场情绪 三大指数早盘低开低走，深成指、创业板指一度跌超1%，午后集体拉升翻红。 华为汽车概念…
阅读更多...
MySQL之事务、存储引擎、索引

MySQL之事务、存储引擎、索引

文章目录 前言一、事务1.概念2.操作（1）开启事务（2）提交事务（3）回滚事务 3.四大特性ACID（1）原子性（Atomicity）（2）一致性（Co…
阅读更多...
利用dns协议发起ddos反射攻击

利用dns协议发起ddos反射攻击

利用DNS服务器发起反射型DDOS，攻击带宽 基本思路： 1、利用any类型的dns查询，可完成发送少量请求数据，获得大量返回数据。 2、将原请求地址改为受害者地址，则dns会向受害者返回大量数据，占用带宽 警告&…
阅读更多...
Jenkins部署失败：JDK ‘jdk1.8.0_381‘ not supported to run Maven projects

Jenkins部署失败：JDK ‘jdk1.8.0_381‘ not supported to run Maven projects

Jenkins部署报错：JDK ‘jdk1.8.0_381’ not supported to run Maven projects提示使用的jdk有问题，启动的jdk版本不能满足项目启动。 登录Jenkins管理页面，系统管理——全局工具配置——JDK安装配置满足条件的JDK版本，保存配置&…
阅读更多...
TSINGSEE青犀老旧小区升级改造AI+视频监控方案

TSINGSEE青犀老旧小区升级改造AI+视频监控方案

一、背景与需求 近年来，政府高度重视城镇老旧小区改造工作，强调要加快老旧小区改造，不断完善城市管理和服务，彻底改变粗放型管理方式，让人民群众在城市生活得更方便、更舒心、更美好。老旧小区升级改造面临以下问题&a…
阅读更多...
ETO制造商目前面临的六大挑战，如何应对？

ETO制造商目前面临的六大挑战，如何应对？

与离散制造、库存制造不同，按订单设计制造（ETO）行业面临着一系列独特的挑战。从复杂的产品设计到与客户的密切联系，按订单生产的每件产品都不尽相同。 如果采用按订单生产方式制造产品，管理者总是会想方设法采购最好的…
阅读更多...
cmd 命令关闭占用端口

cmd 命令关闭占用端口

工作中还是偶尔会遇到端口号被占用的情况，之前也有写过另一种关闭方式，但是发现没有命令方便，所以记录一下。 1、 查看 8081 端口占用的 pid 。 命令：netstat -ano |findstr 8081 由上图可知，占用 8081 端口的进程 id…
阅读更多...
【ArcGIS模型构建器】05：批量为多个矢量数据添加相同的字段

【ArcGIS模型构建器】05：批量为多个矢量数据添加相同的字段

本文实现借助arcgis模型构建器，实现批量为多个土地利用矢量数据添加相同的字段，例如DLMC，DLTB等。 文章目录 问题分析模型构建问题分析 有多个土地利用数据矢量图层，每个图层中有很多个图斑，现在需要给每个图层添加一个或者多个字段，如DLCM，DLBM等。 属性表如下所示： …
阅读更多...
创建并启动华为HarmonyOS本地与远程模拟器及远程真机

创建并启动华为HarmonyOS本地与远程模拟器及远程真机

1.打开设备管理器 2.选择要添加的手机设备,然后点击安装 3.正在下载华为手机模拟器 4.下载完成 5.创建新模拟器 下载系统镜像 点击下一步,创建模拟器 创建成功 启动模拟器 华为模拟器启动成功 6.登陆华为账号并使用远程模拟器 7.使用远程真机
阅读更多...
实时数仓-Hologres介绍与架构

实时数仓-Hologres介绍与架构

本文是向大家介绍Hologres是一款实时HSAP产品，隶属阿里自研大数据品牌MaxCompute，兼容 PostgreSQL 生态、支持MaxCompute数据直接查询，支持实时写入实时查询，实时离线联邦分析，低成本、高时效、快速构筑企业实时数据仓…
阅读更多...
【MySQL索引与优化篇】InnoDB数据存储结构

【MySQL索引与优化篇】InnoDB数据存储结构

文章目录 1. 数据库的存储结构:页1.1 磁盘与内存交互基本单位:页1.2 页结构概述1.3 页的上层结构 2. 页的内部结构3. InnoDB行格式(或记录格式)3.1 Compact行格式3.2 Dynamic和Compressed行格式3.3 Redundant行格式 4. 区、段与碎片区4.1 为什么要有区？4.2 为什么要…
阅读更多...
vue手动拖入和导入excel模版

vue手动拖入和导入excel模版

1.列表按钮 <el-button click“importExcel(scope.row.id)” size“small” type“text”>导入excel模版 2.按钮弹框 3.data定义数据 data () { return { projectId: ‘’, importDialogVisible: false, fileList: [], //手动上传 upload_file: ‘’, //导入excel模版…
阅读更多...
最新文章

Copyright @ 2022~2023