🔍 数据简介本数据集为，由（FAO） 联合开发，是目前的全球尺度土壤基础数据产品。HWSD v2.0 在初版基础上全面升级，整合了和，采用统一分类标准（WRB 2014）与空间建模方法，生成（30弧秒） 的栅格化土壤属性图层。每个像元最多包含（按面积占比排序），并提供对应的理化属性权重值，显著提升区域模拟精度。📦 数据详情✅✅：2023年（正式公开版）✅：全球陆地（含岛屿，不含南极洲冰盖）✅：

前两天学的卷积神经网络，今天学循环神经网络 RNN。之前在用卷积神经网络的是，一张图片上像素做卷积，所用到的卷积核明确且一整张都用这个卷积核（权重共享）。所以用到的权重少，而全连接层，每一个点对应下一个节点都有一个权重，所以整个网络，全链接层运算量占比大。RNN，专门处理带有 序列模式的数据(数据前后有序 ,或者本项数据需要前一项数据特征)，且采用了共享权重来减少运算量。RNN cell:其中下面

🔍 数据简介本数据集为（V2.0），由研发，并发布于。时间覆盖，空间分辨率达，是目前。传统被动微波（PM）遥感（如AMSR-E/AMSR-2）虽能反演土壤水分，但空间分辨率粗（>10 km），且受云雨影响小；而光学遥感（如MODIS）虽高分辨率，却无法穿透云层。该数据集创新性地（LST），通过先进降尺度模型，在，实现真正意义上的“”监测。经特别适用于：农业干旱监测、水文模型驱动、生态水文过程研究

文章目录local receptive fieldShared weightsspatial or temporal subsamplinglocal receptive field局部感受野，也叫感受视野域。这个 localreceptive field 就像一个小窗户一样叫感受视野，如下图。透过这个窗户能看到的视野就是 左边的 5 5 的矩形，其对应这右边这个矩形中的 11的点。显然这个窗户中

文章目录距离计算优化目标拉格朗日乘子法软间隔(soft-margin)核函数学习参考昨天整理了一下聚类算法的笔记----------各种聚类算法总结今天整理一下同为分类的另一个算法（有监督）:支持向量机(Support Vector Machine)距离计算分类都绕不开一个问题就是样本间距离的计算，看下面这张图。显然右边分隔线的间距更大，更加有容错率。如何计算距离？下图是一张三维图。假设样本点为X

数据集 (dataset): 应该支持索引取数据数据加载器 (dataloader)：主要用于拿出mini_batch前几节使用数据直接将数据用文件加载，然后将所有数据都放进去。像这样。。。。。。所有数据都放进去 叫batch。可以最大化向量计算优势(并行)，提高计算速度。只用一个样本， 随机梯度下降，帮助克服鞍点问题。但训练时间过长常用Mini_batch 均衡训练时间和性能的需求。Mini-b

文章目录local receptive fieldShared weightsspatial or temporal subsamplinglocal receptive field局部感受野，也叫感受视野域。这个 localreceptive field 就像一个小窗户一样叫感受视野，如下图。透过这个窗户能看到的视野就是 左边的 5 5 的矩形，其对应这右边这个矩形中的 11的点。显然这个窗户中

之前的分类都是只有两个分类，是或者不是。今天学一下多分类问题，比如下面这个图。识别这个图中的数字，当输出结果的时候 有 0-9 十个分类结果。比如第一个数字5，经过训练输出可能是 P(Y=5) = 0.9 ，即理解为等于5的概率是90%。但这样有一个问题，如果这个数字特别模糊，可能出现的情况是P(Y=1) = 0.8 ,P(Y=2) = 0.8, P(Y=5) = 0.9 ,也就是说，这个数字是1