墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
2.9k累计阅读
2.9k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
该原创文章首发于微信公众号：字节流动
其实利用 Android Canvas 实现类似刮刮卡或者手写板功能比较方便，通过自定义 View 绘制 2 个图层，位于上层的图层在手指划过的位置将透明度置为 0 ，这样下层图层的颜色便可以显示出来。
不过话又说回来，Android Canvas 实现类似刮刮卡功能虽然方便，但是性能一言难尽，通常在复杂的应用界面不宜采用此类方法，此时就不得不考虑使用 OpenGL 进行优化。
本文尝试使用 OpenGL 来实现类似刮刮卡的功能，简而言之就是**利用 OpenGL 根据手指滑动的坐标去构建一条一条的带状网格，然后基于此网格实现纹理映射。**为了使带状图形（网格）看起来平滑自然，我们还需要在起点和终点位置构建 2 个半圆，使滑动轨迹看起来平滑自然。
我们基于 2 点之间滑动轨迹构建的形状如上图所示，形状由一个矩形和 2 个半圆组成，设 P0、P1 为手指在屏幕上滑动时前后相邻的 2 个点（注意屏幕坐标需要进行归一化转换为纹理坐标），r 为圆的半径，同时也用于控制矩形的宽度。<
Android OpenGL ES FFmpeg 从入门到精通系统性学习教程
为什么要写这个教程 目前这个 OpenGL ES 极简教程的更新暂时告一段落，说是教程，其实自知有种吹嘘的味道，很荣幸获得了阮一峰老师的推荐。 因为在工作中频繁使用 OpenGL ES 做一些特效、滤镜之类的效果，加上平时学到的的知识点也比较细碎，就想着去系统地学习下 OpenGL ES 相关开发知识，并将学习过程记录下来。 另外，这个 Android OpenGL ES 极简教程也是为音视频开发做准备的，它的内容涵盖了 OpenGL ES 3.0 的核心知识点，包含了 GLES3.0 的新特性，如 Tra
OpenGL ES 3.0 从入门到精通系统性学习教程
因为在工作中频繁使用 OpenGL ES 做一些特效、滤镜之类的效果，加上平时学到的的知识点也比较细碎，就想着去系统地学习下 OpenGL ES 相关开发知识，并将学习过程记录下来。
基于canvas 的网页签名组件，支持毛笔字模式和普通模式，或导出图片.zip
html5开发
releases_htm5毛笔笔锋效果_
htm5毛笔笔锋效果 web，毛笔笔锋代码，手写毛笔笔锋源码，需要的朋友可以参考一下
Windows 10 下 DockerToolbox 安装全攻略：从下载到配置阿里云镜像加速
本文详细介绍了在Windows 10系统上安装和配置DockerToolbox的完整流程。从下载安装包、执行初步安装，到关键步骤——修改虚拟机存储路径以及配置阿里云镜像加速器，旨在帮助开发者，尤其是初次接触Docker的新手，快速搭建高效的本地容器开发环境，并解决国内镜像下载缓慢的痛点。
基于NXP1778的CAN自动波特率检测
一、概念 NXP1778芯片内部自带一个CAN控制器。CAN模块由两部分组成：控制器和验收滤波器。所有的寄存器和RAM都以32位字宽度来访问。 CAN自动波特率检测主要用于以一种CAN的转换的产品中。产品中CAN部分的波特率以前都是通过网页中修改然后配置下去的，依据实际情况的考虑，如果CAN部分的波特率能够根据客户设备的改变而自动改变，将会增加其灵活性。 二、原理 根据CAN控制器的
灵魂三问：因果推断
什么是因果推断？为什么研究因果推断？怎么进行因果推断研究？
信号削峰CFR基础知识介绍(一)
接下来，将得到的峰值分成若干段，在每一段中，仅保留该段内所有峰值中幅度最大的峰值。为了减少不必要的带外泄露，削峰后的信号将通过一个低通滤波器，以减少对应于削峰后信号中尖锐拐角的高频信号。首先，它识别出高于由目标PAPR确定的阈值的峰值。在峰值加窗算法中，削峰是通过在峰值区域将原始信号与一个加窗函数相乘来实现的，如下图所示。其中，w(n) 是一种常见的加窗函数，如凯撒窗、高斯窗和汉明窗等，而 p(n) 是一个加权系数。如上图所示，削峰会导致削峰后的信号出现尖锐的拐角，从而引发不必要的带外辐射（ACP增加）。
大尺寸智能车的CAN驱动控制器制作(一)
本驱动板使用8个半H桥BTS7960驱动，使用CAN接口于车体主控制器通讯，最大承受电压48V 电流20A ,主控为STM32F103VET6，电机控制频率为18KHz,CAN通讯芯片为TJA1042T，全驱动板6-24V宽电压供电，采用24V降5V，5V降3.3V的方案供电，其中经过AMS1117作为降压芯片，可以有效降低主控损毁几率。在这里可以看到555电机相比于其他电机的功率大很多，所以需要大功率的电机驱动，在以往的电机驱动选型中选择了TB6612,L298N等小功率电机驱动。
PPT高清导出秘籍：如何轻松设置600dpi图片分辨率
本文详细解析了PPT导出图片模糊的根本原因，并提供了通过修改Windows注册表将导出分辨率从默认的96dpi提升至600dpi的完整教程。该方法能显著提升图片清晰度，满足学术出版与高质量印刷需求，文中还包含效果对比、进阶设置及常见问题解答。
Palantir 产品架构深度解析：从本体到AI的决策智能平台
本文深度解析了Palantir决策智能平台的核心产品架构。其核心在于构建企业级的“本体”（Ontology），即业务世界的“数字孪生”，通过数据、逻辑、操作三层抽象统一语义。平台以此为基础，通过Foundry构建数字孪生，并通过AIP（人工智能平台）实现本体增强生成（OAG），将AI深度融入业务，形成从数据感知、智能分析到行动执行的完整决策闭环。
【Arduino 动手做】六舵机自平衡 Rotary Stewart 平台
《Arduino六舵机自平衡Rotary Stewart平台项目》 该项目展示了一个基于Arduino的六自由度Rotary Stewart平台，通过六个舵机实现动态平衡控制。设计采用激光切割框架和TAMIYA 70171套件，提供详细组装指南和开源固件（GitHub可获取）。开发者丹·罗耶分享了3D打印文件、视频演示及运动学优化需求，强调该平台可扩展应用于游戏控制（如Kerbal Space Program）或教育领域。项目链接包含完整资源包，鼓励用户参与改进并分享创作成果。该案例体现了Arduino在机
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
5万+
扫一扫
