3D渲染three学习材料整理及实例。
基于three.js+html所实现的3D模型案例，可用于研究学习参考

代码包括遥感影像的单图裁剪、批量裁剪；
训练集、验证集和测试集的切分；
目标检测和语义分割影像的数据增强；
32/16位深度转8位深度。
1、主要用于深度学习领域的遥感影像数据处理，主要针对输入数据为tif，转为jpg、png格式，并将数据裁剪为网络可以训练的大小，可以手动调理裁剪步长（即有重叠或无重叠），可以对单张图像进行裁剪，也可对文件夹内的所有图片进行裁剪。
2、可以根据想要划分的训练集、验证集和测试集的比例进行划分，如9:1:1.3、本代码还提供了用于目标检测和语义分割任务的数据的增强，主要包括仿射变换、平移翻转等。
4、此外，代码还针对遥感影像位深度32或者16的转为8位的操作。
本代码可修改性强，为方便理解，每部分代码都进行的标注。
本文件共包含10个python文件。

要解决的是一个医学图像的二分类问题，有AK和SK两种病症，根据一定量数据，进行训练，对图像进行预测。
给定图片数据的格式：解决思路整体上采用迁移学习来训练神经网络，使用InceptionV3结构，框架采用keras.具体思路：读取图片数据，保存成.npy格式，方便后续加载标签采用one-hot方式，由于标签隐藏在文件夹命名中，所以需要自行添加标签，并保存到.npy文件中，方便后续加载将数据分为训练集、验证集、测试集使用keras建立InceptionV3基本模型，不包括顶层，使用预训练权重，在基本模型的基础上自定义几层神经网络，得到最后的模型，对模型进行训练优化模型，调整超参数，提高准确率在测试集上对模型进行评估，使用精确率、召回率对单张图片进行预测，并输出每种类别的概率如何加载实际数据，如何保存成npy文件，如何打乱数据，如何划分数据，如何进行交叉验证如何使用keras进行迁移学习keras中数据增强、回调函数的使用，回调函数涉及：学习速率调整、保存最好模型、tensorboard可视化如何使用sklearn计算准确率，精确率，召回率，F1_

通过该实验理解VLAN的基本原理,掌握按端口划分VLAN的方法,理解VLAN间通讯的基本原理。

TELEMAC系统是一套适用于模仿河流、河口和海岸二、三维水动力、泥沙、水质和生态等问题的模型系统，由法国国家水力学与环境实验室开发，基于有限单元或有限体积数值求解。
TELEMAC-2D作为TELEMAC系统中的一个二维模块，可以用于研究水流、风暴潮、波浪、泥沙和污染物输移等。
模型功能包括:考虑非线性影响的波浪传播、底摩阻、科氏力影响、气压和风、紊流、河流入流、水平温盐密度梯度、干湿网格判断等。
其网格划分为非结构化的三角形网格，考虑到近岸水流、地形梯度的差异，对于重要区域可进行局部加密，对复杂地形的适用性比较强。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。