《AutoCAD 2014中文版超级学习手册》——1.3 设置绘图环境

简介:

本节书摘来自异步社区《AutoCAD 2014中文版超级学习手册》一书中的第1章,第1.3节,作者:黄志刚 , 朱爱华著,更多章节内容可以访问云栖社区“异步社区”公众号查看

1.3 设置绘图环境

AutoCAD 2014中文版超级学习手册
在AutoCAD中,可以利用相关命令对图形单位和图形边界进行具体设置。

1.3.1 图形单位设置
1.执行方式
命令行:DDUNITS(或UNITS)

菜单栏:“格式”→“单位”

2.操作步骤
执行上述命令后,系统打开“图形单位”对话框,如图1-29所示。该对话框用于定义单位和角度格式。

screenshot

3.选项说明
(1)“长度”与“角度”选项组

指定测量的长度与角度以及当前单位和当前单位的精度。

(2)“插入时的缩放单位”下拉列表框

控制使用工具选项板(如DesignCenter或i-drop)拖入当前图形块的测量单位。如果块或图形创建时使用的单位与该选项指定的单位不同,则在插入这些块或图形时,将对其按比例缩放。插入比例是源块或图形使用的单位与目标图形使用的单位之比。如果插入块时不按指定单位缩放,可以选择“无单位”。

(3)“输出样例”

显示用当前单位和角度设置的例子。

(4)“光源”下拉列表框

控制当前图形中光度控制光源的强度测量单位。

(5)“方向”按钮

单击该按钮,系统弹出“方向控制”对话框,如图1-30所示,可以在该对话框中进行方向控制设置。

screenshot

1.3.2 图形边界设置
1.执行方式
命令行:LIMITS

菜单栏:“格式”→“图形界限”

2.操作步骤
命令行提示如下:

命令:LIMITS↙
重新设置模型空间界限:
指定左下角点或 [开(ON)/关(OFF)] <0.0000,0.0000>:(输入图形边界左下角的坐标后回车)
指定右上角点<12.0000,9.0000>:(输入图形边界右上角的坐标后回车)

3.选项说明
(1)开(ON)

使绘图边界有效。系统在绘图边界以外拾取的点视为无效。

(2)关(OFF)

使绘图边界无效。用户可以在绘图边界以外拾取点或实体。

(3)动态输入角点坐标

它可以直接在屏幕上输入角点坐标,输入了横坐标值后,按【,】键,接着输入纵坐标值,如图1-31所示。也可以按光标位置直接单击以确定角点位置。

screenshot

相关文章
|
安全 算法
Higres 改造传统网关适合什么场景
Higres 改造传统网关适合什么场景
|
机器学习/深度学习 PyTorch TensorFlow
TensorRT 模型加速——输入、输出、部署流程
本文首先简要介绍 Tensor RT 的输入、输出以及部署流程,了解 Tensor RT 在部署模型中起到的作用。然后介绍 Tensor RT 模型导入流程,针对不同的深度学习框架,使用不同的方法导入模型。
2947 1
MyBatisPlus+PostGIS实现Geometry数据的通用读写
MyBatisPlus+PostGIS实现Geometry数据的通用读写
1125 0
|
算法 Java
java多线程实现体重跟踪
java多线程实现体重跟踪
java多线程实现体重跟踪
|
4月前
|
运维 Prometheus 监控
运维别瞎忙,先把“看板”整明白!——运维数据可视化的最佳实践
运维别瞎忙,先把“看板”整明白!——运维数据可视化的最佳实践
220 1
|
9月前
|
关系型数据库 数据库 数据安全/隐私保护
云数据库实战:基于阿里云RDS的Python应用开发与优化
在互联网时代,数据驱动的应用已成为企业竞争力的核心。阿里云RDS为开发者提供稳定高效的数据库托管服务,支持多种数据库引擎,具备自动化管理、高可用性和弹性扩展等优势。本文通过Python应用案例,从零开始搭建基于阿里云RDS的数据库应用,详细演示连接、CRUD操作及性能优化与安全管理实践,帮助读者快速上手并提升应用性能。
|
11月前
|
运维 物联网 数据处理
TDengine vs InfluxDB:谁的“流式计算”功能是真的?
随着物联网、车联网、工业物联网等领域的快速发展,时序数据的处理需求也在不断增加。为了满足这一需求,时序数据库应运而生,为高频数据写入和实时分析提供了强有力的支持。在这一领域,TDengine 和 InfluxDB 是两大领先的解决方案。尽管两者都具有强大的时序数据处理能力,但在流式计算方面,二者存在显著差异。
273 5
|
算法 网络架构
距离矢量与链路状态路由协议的区别
【8月更文挑战第25天】
1178 0
|
人工智能 自然语言处理 计算机视觉
Meta发布混合多模态模型—Chameleon
【8月更文挑战第5天】Meta AI团队近期发布了Chameleon,一种基于早期融合的混合多模态模型,能在任意顺序下理解和生成图像与文本。此34B参数模型经10万亿token训练,展现出卓越的多模态处理能力。Chameleon在视觉问答、图像字幕生成等任务中成绩亮眼,特别是在图像字幕生成上表现优异,文本生成上亦具竞争力,且有一定的图像生成能力。其性能在新混合模态生成评估中媲美甚至超越大型模型。尽管如此,Chameleon仍面临特定任务处理及计算资源需求等方面的挑战。论文已发布于arXiv。
339 11
|
机器学习/深度学习 自然语言处理 算法
面向自然语言处理的迁移学习(一)(2)
面向自然语言处理的迁移学习(一)
115 1