Lua-- 协程

本文深入探讨 Lua 中的协程概念,详细解释其工作原理和在 Unity 开发中的应用,帮助开发者理解如何利用协程优化游戏逻辑和提高性能。
print("******* Coroutine *******")
-- 协程:协同程序

-- print("******* 协程的创建 *******")
-- 常用方式:coroutine.create() —— 返回线程对象
fun = function ()
    print("123")
end
co = coroutine.create(fun)
--[[
    等效于
co = coroutine.create(function ()
    print("123")
end)
]]
-- 协程的本质是一个线程对象
print(co)
print(type(co))

-- coroutine.wrap(f) —— 返回函数对象
co2 = coroutine.wrap(fun)
print(co2)
print(type(co2))

-- print("******* 协程的运行 *******")
-- 第一种方式,对应的 是通过 create 创建的协程
coroutine.resume(co)
-- 第二种方式
co2()

-- print("******* 协程的挂起 *******")
fun2 = function ()
    local i = 1
    while true do
        print(i)
        i = i + 1
        -- 协程的挂起函数
        coroutine.yield()
    end
end

co3 = coroutine.create(fun2)
-- 只输出一次,因为 resume 只启动一次函数,挂起后不再执行,与C#不同
coroutine.resume(co3)
-- 但是如果多次执行协程,会继续在上一次挂起的后面代码执行
coroutine.resume(co3)

co4 = coroutine.wrap(fun2)
co4()
co4()

-- yield 可以传参,即为返回值
fun3 = function ()
    local i = 1
    while true do
        print(i)
        i = i + 1
        -- 协程的挂起函数
        co
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化训练,到执行分类及结果优化的完整流程,并介绍了精度评价通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置结果后处理环节,充分利用ENVI Modeler进行自动化建模参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值