Технический обзор PlayStation 5 от Digital Foundry » Community
Специалисты Digital Foundry опубликовали технический обзор игровой консоли нового поколения PlayStation 5 от Sony, где рассказали о поддержке HDMI 2.1, температурах игровой консоли в объективе тепловизора, энергопотреблении в различных режимах, контроллере DualSense и возможности установки дополнительного SSD-накопителя формата M.2. Выписали ключевые моменты из этой статьи:
Загрузка системы и интерфейс
- Холодная загрузка PlayStation 5 занимает менее 14 секунд, а при выходе из режима ожидания консоль включается примерно на 7 секунд.
- Дашборд выводится в нативном 4K-разрешении, так что мы имеем чёткий текст, иконки и изображения. Причём он поддерживает HDR, что делает его ещё более красивым.
- В целом, дашборд выглядит футуристичным, изысканным и доведённым до совершенства.
- Настройки системы во многом напоминают вариант из PlayStation 4 с небольшими изменениями.
- Режимы «Качество» и «Производительность» можно выставить в настройках по умолчанию, и все игры будут запускаться именно в этом режиме. Изменять настройки графики для каждой конкретной игры не потребуется.
HDMI 2.1, 120 Гц и т. д.
- PlayStation 5 поддерживает стандарт HDMI 2.1, который позволяет выводить изображение в 4K 120 Гц, однако пользователь, похоже, не сможет самостоятельно включать режим 120 Гц на своей консоли. Этот режим будет включаться автоматически, если это потребуется игре.
- На текущий момент нет признаков, что PlayStation 5 поддерживает технологию Variable Refresh Rate (VRR). Эта технология позволяет адаптивно синхронизировать частоту обновления монитора и частоту смены кадров в игре (FPS).
- Заявлено, что PlayStation 5 поддерживает разрешение 8K, однако на деле максимальным разрешением является 4K.
- Не обнаружена поддержка технологии ALLM, благодаря которой телевизоры могут автоматически переключаться в игровой режим с низкой задержкой вывода.
- Нет нативной поддержки мониторов с разрешением 1440p. Правда если монитор поддерживает стандарт HDMI 2.0, то можно надеяться на даунскейл с 4K до 1440p.
Система охлаждения
- Консоль явно спроектирована для размещения в вертикальном положении, и так она выглядит футуристично и элегантно. А вот в горизонтальном положении всё не так хорошо.
- Подставка в горизонтальном положении легко слетает при попытке переместить консоль.
- Учитывая существенный рост производительности, остро встал вопрос о выделении и рассеивании тепла. Microsoft постаралась сделать компактное устройство максимально увеличить воздушный поток, тогда как Sony сделала больше простора, позволив теплу выводиться из корпуса в нескольких направлениях с помощью 120 мм вентилятора. Одна и та же проблема решается по-разному, но оба варианта работают.
- Вблизи консоли можно услышать лёгкий шум вентилятора, но в условиях гостиной, офиса или спальни он полностью растворяется в окружающем вас фоновом шуме.
Температуры
- Верхняя часть консоли практически не нагревается и имеет комнатную температуру.
- Даже в центре, где расположен процессор консоли, температура корпуса составляет около 30°C.
- Часть избыточного тепла покидает консоль через вентиляционные отверстия в центре, где температура поднимается до 40°C.
- Задняя часть консоль является основным местом для вывода тепла, и температура здесь достигает максимум 50°C.
- Самой горячей точкой на тепловизоре оказался LAN-порт, который нагрелся до 57°C. Но, похоже, дело просто в использующемся металле, так что беспокоиться вряд ли стоит.
Энергопотребление
- Энергопотребление в дашборде составляет около 70 Вт, хотя вскоре снижается до 60 Вт.
- После загрузки в Spider-Man: Miles Morales энергопотребление возрастает до 200 Вт.
- Предварительно, PlayStation 5 потребляет больше, чем Xbox Series X. Правда Xbox тестировался на игре Gears 5, так как пока это самая требовательная игра для этой консоли. Требуется дополнительное тестирование.
- В режиме ожидания консоль потребляет всего 1,5 Вт, что впечатляет. Конечно, если в фоне загружается игра, то энергопотребление будет выше.
PlayStation 5 | PlayStation 4 Pro | |
Выключена | 1,3 Вт | 1,5 Вт |
Режим ожидания (сеть не используется) | 1,5 Вт | 5 Вт |
Режим ожидания (загрузка игры) | 36 Вт | 50 Вт |
Дашборд | 47 Вт | 63 Вт |
Marvel’s Spider-Man: Miles Morales (пик) | 203 Вт | н/д |
Rise of the Tomb Raider (пик, ограничение 30 FPS) | 107 Вт | 147 Вт |
Knack (пик, на PS5 ограничение 60 FPS) | 135 Вт | 148 Вт |
DualSense и 3D Audio
- Новый контроллер DualSense превосходит все ожидания.
Правда журналистам очень сложно описать, насколько он прекрасен.
- Конструкция геймпада потрясающая, и она отражает высокое качество и потрясающее ощущение от использования.
- По-началу адаптивные триггеры кажутся немного странными, но стоит просто запустить Astro’s Playroom, как всё становится на свои места. DualSense выглядит революционным устройством.
- Геймпад позволяет почувствовать ветер, песчаную бурю и даже дождь, при котором отдельные капли будто падают на героя игры. Тактильная обратная связь дополняется звуками из внутреннего динамика DualSense, что выводит выводит ощущение от игры на совершенно новый уровень.
- Astro’s Playroom, вероятно, создан специально для того, чтобы продемонстрировать все возможности DualSense. В Spider-Man: Miles Morales эти эффекты не так сильно меняют ощущение от игры.
- Сочетание тактильной обратной связи и звуков в шутерах кажется настолько естественным, что экспертам приходилось подносить геймпад к уху, чтобы точно определить, как звук и обратная связь работают вместе.
- Технология 3D-аудио в сочетании с обычными наушниками не кажется какой-то революционной, а скорее похоже на имитацию нескольких динамиков. Возможно, что-то изменится в будущем.
Хранилище и возможность расширения
- Переход от HDD к SSD действительно может стать революционным для игровой индустрии, но затраты на расширение памяти консоли оказываются слишком высоки. Карта расширения памяти Xbox ёмкостью 1 ТБ стоит почти столько же, сколько консоль Xbox Series S.
- Внутренний SSD-накопитель в PlayStation 5 имеет ёмкость 825 ГБ, но лишь 667 ГБ будет доступно пользователю для установки игр. Для сравнения, на Xbox Series X и Xbox Series S будет доступно 802 ГБ и 364 ГБ соответственно. Так что рано или поздно, вероятно, придётся расширять хранилище.
- Sony обещает, что в PlayStation 5 можно будет устанавливать SSD-накопители PCIe 4.0 формата M.2. И сделать это совершенно несложно. Белые боковые панели снимаются легко, а дальше нужно всего лишь снять крышку отсека, вставить и закрепить накопитель M.
- Специалисты установили накопители Samsung 980 Pro NVMe, который теоретически соответствует пропускной способности 7 ГБ/с, необходимой для PlayStation 5. Однако пока это не даёт результатов.
- Если установить любой диск M.2 в слот, то PlayStation 5 начинает жаловаться на ваши действия и попросту отказывается включаться до момента, пока вы не уберёте диск из слота.
- Надеемся, что вскоре после начала продаж Sony внесёт в список совместимых несколько SSD M.2.
- Игры по обратной совместимости можно перенести на внешний USB-накопители, но для игр нового поколения пока вариантов нет.
- Похоже, отсек для M.2 не имеет какого-либо охлаждения, но Sony наверняка знает о тепловыделении накопителей NVMe, и каких-либо проблем быть не должно.
Видео-урок по видеомонтажу 4k 8k 16k на слабом компьютере
Бесплатный видео урок для начинающих и опытных видеомонтажёров, как монтировать видео 4к 8к 16к на слабом компьютере PC или Mac
Javascript
function filesChanged (files)
{
for (var i = 0; i
length; i ++) { downscale (files [i], 400, 400).
then (function (dataURL) {
var destInput = document.createElement ("input");
destInput.type = "hidden";
destInput.name = "image []";
destInput.значение = dataURL;
document.forms [0] .appendChild (destInput);
var destImg = document.createElement ("img");
destImg.src = dataURL;
document.body.appendChild (destImg);
})
}
}
Отправить данные изображения с помощью
FormData
Вы можете использовать еще более чистый интерфейс FormData
для отправки чистых данных blob
на сервер.
HTML
Javascript
var formData = новый FormData ();
var URL = window.
URL || window.webkitURL;
function filesChanged (files)
{
for (let i = 0; i
уменьшение масштаба (файлы [i], 400, 400, {returnBlob: 1}).
тогда (функция (blob) {
formData.append ("userpic []", blob, files [i] .name);
var destImg = document.createElement ("img");
destImg.src = URL.createObjectURL (blob);
document.body.appendChild (destImg);
})
}
}
функция submitForm ()
{
new request XMLHttpRequest ();
запрос.open ("POST", "http://foo.com/submitform.php");
request.send (formData);
}
Изменить размер
элемента
Обработка элемента
довольно проста. Функция будет ждать загрузки изображения, поэтому вам не о чем беспокоиться.
HTML
Javascript
var sourceImg = document.
getElementById ('источник');
уменьшение масштаба (sourceImg, 400, 400).
, затем (функция (dataURL) {
var destImg = document.createElement ('img');
destImg.src = dataURL;
document.body.appendChild (destImg);
})
Загрузить изображение с URL
Функция может загружать исходное изображение с заданного URL без дополнительного кода. Имейте в виду, что изображение должно иметь общий источник с файлом кода.
var imageURL = "/public/1.jpg";
уменьшение масштаба (imageURL, 400, 400).
, затем (функция (dataURL) {
var destImg = document.createElement ('img');
destImg.src = dataURL;
document.body.appendChild (destImg);
})
Другие библиотеки
Ознакомьтесь с другими замечательными библиотеками для изменения размера изображений в браузере:
Лицензия
MIT
Увеличьте свой анализ: статистическое масштабирование для повышения пространственного разрешения
От понимания динамики бизнеса до моделирования физических и биологических процессов — масштаб имеет значение. Для пространственных данных понятие масштаба тесно связано с понятием формы. Данные с привязкой к точкам, такие как точки интереса (POI), безразмерны и, как таковые, не могут быть связаны с каким-либо масштабом. С другой стороны, имея дело с данными, связанными с дискретными единицами, нам обычно необходимо учитывать их масштаб, например, выбирая наиболее подходящие статистические единицы для данных переписи. В этом случае масштаб может возникать естественным образом, как на спутниковых снимках, где он определяется мгновенным полем обзора датчика, или в результате процесса измерения, например, для данных съемки, которые необходимо объединить в фиксированную единицу для получения значимая статистика.
Но вопрос в том, как правильно выбрать масштаб? Или, другими словами, через какую призму мы должны смотреть на нашу проблему? Выбор подходящей шкалы чрезвычайно важен, во-первых, потому что механизмы, жизненно важные для процесса на одном уровне, могут быть неинформативными на другом. Кроме того, выводы могут зависеть от уровня агрегирования или, даже для одного и того же масштаба, от того, как мы выбираем агрегирование: этот источник агрегирования и / или зонального смещения является хорошо известной проблемой, так называемой проблемой изменяемых единиц площади (MAUP). .
Однако обычно мы не можем полностью контролировать этот выбор. По мере того как новые источники данных о местоположении становятся все более доступными, специалисты по обработке данных часто сталкиваются с проблемой, как лучше всего интегрировать пространственные данные в различных масштабах. Подумайте, например, о планировании сайта: здесь обычно основное внимание уделяется обобщению характеристик местоположения магазина с точки зрения демографических характеристик его клиентов (возраст, население, доход) и некоторых географических характеристик окружающей территории (плотность точек интереса, количество ежедневные посетители и т. д.). Как мы можем объединить источники, которые из-за разницы в масштабе не только представляют несовпадающие географические регионы, но и связаны с другим «объемом» данных? Решение этой проблемы, кажется, «преобразовывает» данные в общий пространственный масштаб.
Преобразование в общий пространственный масштаб
Проблема преобразования данных из одного пространственного масштаба в другой имеет название в статистике: она называется проблемой изменения поддержки (COSP), где поддержка определяется как размер или объем, связанный с каждым значением данных.
Изменение поддержки переменной — сложная задача, с которой мы в CARTO постоянно сталкиваемся. Наша Обсерватория данных, в настоящее время находится в версии 2.0, содержит исчерпывающий набор пространственных данных из различных источников, к которым специалисты по данным могут легко получить доступ с помощью наших API-интерфейсов для более быстрой и эффективной интеграции в свои рабочие процессы. Проектирование и создание этого репозитория сопряжено с некоторыми проблемами: данные не только трудно найти и представлены в разных форматах, требующих длительных и болезненных процессов ETL, но также возникает вопрос о том, как мы должны обслуживать данные с потенциально разной географической поддержкой для наших пользователей. Именно тогда мы начали думать о COSP и о том, как решить эту проблему. Наше решение — попытаться преобразовать наши данные в наилучшем пространственном масштабе, пригодном для анализа. Затем мы всегда можем выполнить агрегирование, чтобы сделать выводы в более грубых масштабах.
Вот когда нам пригодятся статистические методы: обычно мы не можем обратиться к поставщикам данных с просьбой предоставить данные с более высокой разрешающей способностью, поскольку самый точный пространственный масштаб может быть ограничен существующей технологией, такой как спутниковые изображения, доступом к необработанным источникам, поскольку для данных переписи или в соответствии с правилами конфиденциальности, как в случае данных, полученных с помощью GPS.
Данные переписи особенно проблематичны в этом отношении: высокая стоимость сбора данных с помощью традиционных методов обследования затрудняет изучение характеристик населения в мелких пространственных масштабах. Например, данные переписи в США доступны в самом мелком масштабе на уровне блочной группы: блочные группы существенно различаются по форме и размеру и, особенно в пригородных и сельских районах, могут представлять большие географические регионы, как показано на этой карте. :
Чтобы преодолеть этот барьер, были предприняты международные усилия по увеличению пространственного масштаба распределения человеческих популяций.Однако эти инициативы ограничиваются только демографическими данными (общая численность населения, по возрастным и гендерным категориям) и не распространяются на другие социально-экономические переменные, доступные в ходе переписи. Это ограничивает действия и идеи, которые могут иметь лица, определяющие политику, для улучшения распределения ресурсов, доступности и планирования действий в случае бедствий, среди прочего. Но активы не ограничиваются государственным сектором: от того, где сосредоточить маркетинговые кампании, до планирования участка и анализа рынка для розничных продавцов, до сегментации клиентов для коммунальных компаний или для выявления новых возможностей для инвестиционных фондов, имея возможность получить Подробная картина вашего населения имеет решающее значение для выявления взаимосвязи между местоположением и эффективностью бизнеса.
Пространственный масштаб для политических кампаний
Рассмотрим, например, случай проведения местной политической кампании: насколько хорошо вы знаете свой электорат? Поразительным результатом недавних выборов в Западной Европе и Северной Америке является то, что политика, похоже, все больше превращается в борьбу между городскими и сельскими избирателями, о чем свидетельствуют результаты последних президентских выборов в США. Хотя причины этого географического разделения могут быть очень сложными, мелкомасштабные демографические и социально-экономические данные могут улучшить планирование политических кампаний и уменьшить эти различия, которые приводят к своего рода пространственной сегрегации.Популярная мантра планирования сайта — местоположение, местоположение, местоположение — может быть легко применена здесь: от обхода до дверей до размещения рекламных щитов, исследование и понимание вашего электората имеет решающее значение. Чтобы продемонстрировать понимание демографических и социально-экономических характеристик населения в увеличенном масштабе, здесь мы будем:
- Использовать статистический метод для повышения пространственного разрешения данных переписи в США (масштабирование)
- Применить многомерный анализ для вычисления показателя сходства между выбранным местоположением и остальной территорией
Сравнивая результаты для сельских и городских районов, полученные как из данных переписи (по группам блоков), так и из их уменьшенной версии, мы показываем, насколько подробная информация о граждан можно использовать для информирования избирательной стратегии и руководства тактическими усилиями.
Перед тем, как приступить к этому анализу, давайте посмотрим на практике, как можно использовать статистические методы для увеличения пространственного масштаба, эффективно уменьшая масштаб ваших данных.
Построение общей сетки
Сначала нам нужно создать общую сетку , которая в зависимости от выбранного масштаба может содержать огромное количество ячеек: данные для определенного местоположения необходимо быстро извлекать и эффективно хранить. Для этого используются квадранты: вместо хранения многоугольников Земля делится на квадранты, каждый из которых однозначно определяется цепочкой цифр, длина которой зависит от уровня масштабирования.Подобно ячейкам Google S2 или шестиугольникам h4, разработанным Uber, квадрациклы захватывают иерархию родительско-дочерних ячеек и не привязаны к какому-либо конкретному типу границ, что позволяет использовать одно и то же устройство в любой точке земного шара. Вот как выглядит сетка, построенная с квадратами с уровнем масштабирования 17 (около 300 м x 300 м на экваторе) около Олбани, штат Нью-Йорк:
Далее нам понадобится модель с уменьшением масштаба , чтобы преобразовать случайную переменную из ее поддержки. () к support (), сетке с четырьмя клавишами, которую мы только что создали, где эта переменная недоступна или никогда не наблюдалась.Для расширенных переменных (то есть таких, значение которых для блока можно рассматривать как сумму значений субблоков, как в случае совокупности), идея состоит в том, чтобы использовать данные с расширенными свойствами, доступными на уровне точек или на более тонком уровне. -масштабировать, чем целевая поддержка, как ковариаты для моделирования интересующей переменной. Использование этих ковариат более мелкого масштаба (красные булавки на рисунке ниже) имеет то преимущество, что они доступны как на исходной, так и на целевой опоре, поскольку для изменения их опоры требуется только суммирование.
Здесь мы предполагаем, что эта модель не зависит от масштаба, что не обязательно верно. Это может означать, например, что когда мы преобразуем данные обратно в исходную поддержку, их агрегированное значение не обязательно будет равно соответствующему фактическому значению. Если () и () вложены, мы всегда можем восстановить согласованность между двумя опорами путем «корректировки» прогнозов модели таким образом, чтобы при суммировании всех элементарных ячеек на целевой опоре мы обязательно получали соответствующее значение на исходная поддержка.Когда исходная и целевая опоры не вложены, для задачи прогнозирования нам вместо этого нужно прибегнуть к гибридной опоре (), полученной в результате их пересечения. Например, если исходная опора представлена группами блоков, эта гибридная опора будет выглядеть так:
Чтобы окончательно получить прогнозы для целевой опоры, нам просто нужно просто просуммировать все единичные ячейки на гибридной опоре, что соответствует ячейка на целевой опоре.
Для неэквивалентных переменных (например,грамм. средний доход домохозяйства), мы все еще можем использовать аналогичный подход, основанный на мелкомасштабных обширных ковариатах, обучая модель на исходной поддержке и прогнозируя гибридную поддержку. Однако в этом случае специальная корректировка интерпретируется как схема взвешивания, основанная на модели, обученной на исходной поддержке для «перераспределения» данных, а не как поправка на изменение масштаба. Кроме того, нам также необходимо указать соответствующую операцию (например, среднее арифметическое) для преобразования прогнозов из гибридного в целевую поддержку.
Какие ковариаты более мелкого масштаба доступны для масштабирования данных переписи? Мы могли бы представить, что по крайней мере некоторые из основных социально-экономических характеристик населения США могут быть выведены из распределения населения плюс географические характеристики области, например плотность дорог или POI для различных категорий, как показано на этой карте. :
На этой карте распределение населения было получено из Worldpop, который предоставляет данные о населении с привязкой к сетке (общее количество, возраст и пол) в мелком масштабе (прибл.100 м х 100 м на экваторе).
Чтобы уменьшить размерность модели, мы начали с выбора только подмножества этих ковариат, запустив для каждой переменной переписи Обобщенную линейную модель с минимальным абсолютным сжатием и регуляризацией оператора выбора (или LASSO). Учитывая отрицательную логарифмическую вероятность для наблюдения и параметр, который контролирует общую силу штрафа, мы можем оценить коэффициенты модели, решив
По мере уменьшения размера включаются новые ковариаты вплоть до полной модели (или самой большой идентифицированная модель, когда у нас больше переменных, чем наблюдений).Чтобы определить оптимальный параметр регуляризации, мы используем перекрестную проверку в K-кратном размере и выбираем так, чтобы среднеквадратическая ошибка перекрестной проверки находилась в пределах одного стандартного отклонения от ее минимума, как показано пунктирными черными линиями на этих графиках, где последовательность выше указывает количество ковариат, выбранных для каждого значения.
Но насколько хорошо демографические и географические ковариаты могут предсказать социально-экономические характеристики места? Ясно, что ответ зависит от переменной.Хотя можно ожидать, что распределение населения, точки интереса и дороги будут хорошими предикторами количества домохозяйств или среднего возраста, они показывают гораздо меньшую прогностическую способность для переменных, связанных с доходом. Это хорошо иллюстрируется панелью слева (а) на этом рисунке:
На этой панели показаны K-кратные прогнозы перекрестной проверки по сравнению с фактическими значениями в исходной поддержке для среднего дохода домохозяйства. Ясно, что модель плохо справляется со своей задачей, так как в идеале все точки должны быть близки к диагональной линии.Учитывая, что наша цель — получить прогнозы в более мелком масштабе, чтобы преодолеть недоступность «лучших» ковариат, мы применяем подход трансфертного обучения.
В рамках этой структуры мы можем добавить второй шаг, на котором мы добавляем в качестве ковариат другие переменные отклика, для которых модель, зависящая от выбранных ковариат с высоким разрешением, имеет лучшие навыки прогнозирования. Например, мы можем обучить исходную поддержку модели, зависящей от мелкомасштабных ковариат для, а затем обучить вторую модель для мелкомасштабных функций и в качестве ковариат.Таким образом, мы «учимся» на исходной опоре для передачи мелкомасштабных функций, которые прогнозируют вариации для до, и затем мы можем использовать эти модели для прогнозирования на целевой опоре (в предположении независимости от пространственного масштаба) . Обратите внимание, что для уменьшения размерности модели мы также применяем регуляризацию LASSO на этом втором этапе. Результаты после применения этого подхода к трансфертному обучению для моделирования медианного дохода домохозяйства показаны на панели в середине рисунка выше (b): точность перекрестной проверки заметно улучшилась с более чем удвоенным псевдо-коэффициентом.
Наконец, для дальнейшего улучшения нашей модели мы можем учесть нелинейные зависимости переменной отклика от выбранных ковариат, используя модель дерева ансамбля (например, случайный лес), как показано на правой панели (c) на рисунке выше. для среднего дохода домохозяйства и в таблице ниже для других выбранных переменных ответа.
Оценка точности прогнозирования
До сих пор мы тестировали возможности прогнозирования нашей модели на исходной поддержке, где доступны фактические значения переменных, которые мы пытаемся моделировать.Однако как мы можем получить представление о качестве прогнозов для целевой опоры, если точные значения отсутствуют? Только для обширных переменных мы можем сравнить распределение нескорректированных агрегированных прогнозов на исходной поддержке (то есть на уровне группы блоков) с распределением фактических значений, как показано на рисунке ниже.
В идеале эти два распределения должны выглядеть очень похожими, с любой разницей, указывающей на возможное завышение (занижение).Например, глядя на график для населения старше 16 лет, не занятого в рабочей силе (c), это сравнение предполагает, что модель не может предсказать самые низкие квантили для уменьшенных прогнозов, несмотря на низкую систематическую ошибку для прогнозов взаимной корреляции на исходная поддержка.
Чтобы количественно оценить сходство между фактическим распределением и распределением нескорректированных агрегированных прогнозов, мы можем вычислить расстояние Вассерштейна (первого порядка), которое измеряет минимальный объем работы для транспортировки одной единицы массы от
$$ W (\ mu, \ nu) = \ inf _ {\ pi \ in \ Pi (\ mu, \ nu)} \ int _ {\ mathbb {R} \ text {x} \ mathbb {R}} \ vert x -y \ верт \; d \ pi (x, y)% 0 $$
где — множество распределений вероятностей всех связей и.Чем больше, тем дальше два распределения и, следовательно, больше ошибка целевой поддержки из-за изменения масштаба. Например, как аннотировано на предыдущем рисунке, мы можем видеть, что расстояние Вассерштейна для переменной, вступившей в брак, больше, чем для переменной домохозяйств, что позволяет предположить для последней более точные прогнозы не только в отношении поддержки источника (см. Предыдущую таблицу), но также на целевой опоре.
Наконец, мы можем построить уменьшенные прогнозы, как показано на рисунке ниже для некоторых выбранных переменных переписи
Возвращаясь к нашему анализу электората США, учитывая уменьшенную перепись, мы можем применить результаты многомерного анализа для сравнения схожесть двух географических мест, как описано в предыдущем посте.На следующей карте показана оценка навыка сходства около Олбани (штат Нью-Йорк) по отношению к выбранному месту в сельской местности (обозначенному фиолетовой точкой): оценка положительна тогда и только тогда, когда элементарная ячейка более похожа на выбранное местоположение, чем средние векторные данные с оценкой навыка сходства 1, означающей идеальное соответствие.
Основываясь только на демографических и социально-экономических характеристиках населения США, мы обнаруживаем, что для выбранного местоположения все наиболее похожие сайты расположены в основном в малонаселенных районах, без явного включения местоположения в наш анализ.Точно так же, если мы вместо этого выберем городской район, характеризующийся более богатым и молодым населением, мы извлечем в основном только городские участки
Глядя на эти карты, становится ясно, что уменьшенные данные на основе модели могут уловить пространственную кластеризацию и неоднородность, что важно для лучшего понимания электорального поведения и планирования политических кампаний.
С другой стороны, эти мелкомасштабные местные идеи теряются, когда мы применяем тот же анализ к фактическим данным, просто преобразованным для соответствия целевой поддержке путем распределения, пропорционального площади (интерполяция площади) в качестве простой стратегии вменения.Это можно увидеть, когда мы сравним следующие карты с картами, показанными выше
. Очевидно, что различия, которые мы видим между двумя выбранными местоположениями, отражают не только географические различия, но и расхождение между сельской и городской экономикой. И, используя уменьшенные данные на основе модели, мы можем впервые зафиксировать это разделение в очень мелком масштабе. За счет установки рекламных щитов для проведения опросов по домам местные оценки демографических и социально-экономических характеристик населения могут помочь лучше ориентироваться на соответствующие домохозяйства и оптимизировать бюджет, повысить явку и эффективно преобразовать голоса в места.
Узнайте больше о потоках данных о местоположении CARTO сегодня и свяжитесь с нашей командой, если мы сможем помочь вам расширить ваши представления с помощью статистических моделей масштабирования CARTO.
Об авторе
Изменение масштаба, изменение размера и уменьшение — skimage v0.19.0.dev0 docs
Изменение масштаба, изменение размера и уменьшение — skimage v0.
Примечание
Нажмите здесь чтобы загрузить полный пример кода или запустить этот пример в своем браузере через Binder
Операция Rescale изменяет размер изображения на заданный коэффициент масштабирования.Масштабирование Фактор может быть либо одним значением с плавающей запятой, либо несколькими значениями — одним по каждой оси.
Resize служит той же цели, но позволяет указать форму выходного изображения вместо коэффициента масштабирования.
Обратите внимание, что при понижении частоты дискретизации изображения изменение размера и изменение масштаба должны выполняться Сглаживание по Гауссу для предотвращения артефактов наложения спектров. См. anti_aliasing и anti_aliasing_sigma аргументы этих функций.
Downscale служит для понижающей дискретизации n-мерного изображения с помощью
целочисленные факторы, использующие локальное среднее значение по элементам каждого блока размера
факторы, заданные в качестве параметра функции.
импортировать matplotlib.pyplot как plt из данных импорта изображения, цвет from skimage.transform import rescale, resize, downscale_local_mean изображение = color.rgb2gray (data.astronaut ()) image_rescaled = масштабировать (изображение, 0,25, anti_aliasing = False) image_resized = resize (изображение, (изображение.shape [0] // 4, image.shape [1] // 4), anti_aliasing = Истина) image_downscaled = downscale_local_mean (изображение, (4, 3)) fig, axes = plt.subplots (nrows = 2, ncols = 2) топор = axes.ravel () ax [0] .imshow (изображение, cmap = 'серый') ax [0] .set_title ("Исходное изображение") ax [1] .imshow (image_rescaled, cmap = 'серый') ax [1] .set_title ("Масштаб изображения с измененным масштабом (сглаживание)") ax [2] .imshow (image_resized, cmap = 'серый') ax [2] .set_title ("Размер изображения изменен (без алиасинга)") ax [3] .imshow (image_downscaled, cmap = 'серый') ax [3] .set_title («Уменьшенное изображение (без алиасинга)») топор [0].set_xlim (0, 512) ax [0] .set_ylim (512, 0) plt.tight_layout () plt.show ()
Общее время работы скрипта: (0 минут 0,526 секунды)
Галерея создана Sphinx-Gallery
Надеемся, что этот пример был вам полезен. Если у вас есть вопросы без ответов в нашей документации, вы можете задать их на Image.sc Форум, где присутствуют разработчики и пользователи scikit-image.downscale — определение и значение
В то время как потери Палаты представителей были самыми большими в менее масштабных округах синих воротничков, демократы также потеряли места для белых воротничков в пригородах Нью-Джерси, Нью-Гэмпшире и пригородах Филадельфии и не смогли нести место в пригороде, освобожденное успешным Марком Кирком. Претендент Республиканской партии Сената в Иллинойсе.
Дым рассеялся от обломков
Он также продается в очень маленькой нише, которая — с такими брендами, как Porsche и Mercedes, не говоря уже о Jaguar и даже Aston Martin, выходящем на рынок « downscale » — является трудным местом для GM, чтобы организовать борьбу.
2006 Кадиллак XLR
Клинтон продолжает преуспевать с « уменьшенных » белых.
Обзор первичных школ Пенсильвании — Реальная ясная политика — TIME.com
Швейцарский производитель часов Tag Heuer заявил в пятницу, что он «на уменьшит масштаб до » использования имиджа гольфиста Тайгера Вудса в своих рекламных кампаниях … var news_amount = 1;
Вивиан Norris де Монтегю: Тайгер Вудс и проблема Porn культуры в США Знаменитости Жизнь
Швейцарский производитель часов Tag Heuer заявил в пятницу, что он «на понизит масштаб на », используя имидж гольфиста Тайгера Вудса в своих рекламных кампаниях…
Илэйн Boosler: Тайгер Вудс IS Тайгер Вудс
Швейцарский производитель часов Tag Heuer заявил в пятницу, что он «на уменьшит масштаб до », используя изображение гольфиста Тайгера Вудса в своих рекламных кампаниях …
Илэйн Boosler: Тайгер Вудс IS Тайгер Вудс
Внутри страны Байден является чемпионом из низших избирателей, которых Обаме отчаянно нужно привлечь на свою сторону.