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
1.6w累计阅读
1.7w+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
unity通过GetVector，GetColor，GetFloat等获取。
SetVector,SetColor,SetFloat等设置。
这里我要修改Transparency_Value的值。
使用setfloat修改值 code renderer.material.SetFloat("_TransVal", TranValue);
这是shader里面的一句_TransVal("Transparency_Value", Range(0,1)) = 0.5
code renderer.material.shader = Shader.Find("Custom/SimpleAlpha");代码控制切换shader。
Unity | 渡鸦避难所-8 | URP 中利用 Shader 实现角色受击闪白动画
查看怪物的 Inspector，材质使用的 Shader 是 URP 的 Lit.shader。Lit.shader 可让您以照片般逼真的质量渲染真实世界的表面，如石头、木头、玻璃、塑料和金属。
Unity中C#如何访问并修改Shader材质
我们写好Shader后，很多效果是需要结合脚本来控制显示的。我们在这篇文章中，使用C#脚本来访问修改材质中的属性，来体验一下脚本怎么控制Shader材质在游戏中互动时变化
车辆TBOX科普 第64次 TBOX系统集成测试与文档编写
汽车电子开发中，TBOX作为核心网关面临独特挑战：需处理多网络接口、满足严苛安全标准并确保10年以上可靠性。项目文档是开发流程的核心资产，必须与编码同步更新，构建从需求到测试的完整闭环。系统集成测试需分层进行，结合硬件在环测试和自动化工具，并严格管理缺陷。文档与测试深度协同，通过追溯矩阵确保每个需求都被覆盖验证。最终交付不仅是软件包，更是一套包含完整验证报告的信任体系。这种严谨的工程纪律，是将代码转化为车规级可靠产品的关键保障。
Unity 代码动态更改SHADER的相关属性（如颜色、SMOOTHNESS、材质……）
Unity 代码动态更改SHADER的相关属性（如颜色、SMOOTHNESS、材质……）
海康机器人ID5000 系列智能读码器（三）
又過了兩個月，漸漸的對這個攝像頭的功能更加熟悉了，而實際上，我要做的功能也越來越複雜，從一開始的讀碼，到後來的通過讀二維碼控制設備，再到未讀到二維碼控制設備等，下面就對具體的細項做一個總結。了解完這些就能對ID5000這個設備，乃至很多海康的設備都能做一個二次開發。
RK3588设备树调试实战：解决NPU不加载、USB3.0识别异常与DP显示问题
本文深入探讨了RK3588设备树调试中的三大典型问题：NPU不加载、USB3.0识别异常与DP显示问题。通过详细的问题定位步骤、关键设备树修改和调试技巧，帮助开发者快速解决硬件适配中的挑战，提升RK3588平台的开发效率。
（五·二）计算机图形学 之 Unity代码调用Shader并修改属性值
Color是在shader中，Properties{}里定义好的属性，名称要一直，然后就是给他赋值。我这里使用material.SetColor("_Color", Color.red);这里注意的是，要先给脚本绑定(关联)好材质球（Material）。结构是SetColor(shader属性名称，属性值设置）;
大模型应用开发 100 天：Python + LLM 从入门到精通 day01~环境搭建与开发工具
Day 1 正式开启《大模型应用开发 100 天》实战旅程。本文聚焦 AI 开发最容易被忽视却至关重要的环境搭建环节，系统讲解基于 pyenv、uv、VS Code 构建一套可复现、项目隔离的标准化 Python 开发工具链。你将掌握多 Python 版本管理、极速依赖安装、虚拟环境隔离、代码规范配置完整流程，配套可直接运行的环境校验脚本与 Mermaid 架构图，规避版本冲突、环境污染等高频踩坑问题，为后续 99 天 LLM 项目开发筑牢底层基础。来自华北理工大学段一凡的博客文章
Unity中Shader的材质属性
Unity中Shader的材质属性
个人量化系统的策略集合与赚钱之道：全栈深度解析 + 与主流开源框架对比
前三篇把系统的"骨架"拆完了——架构、工程化、部署。本篇回答最关键的问题：一句话：别人的系统是"程序员的系统"（写代码才能加策略），daily_stock_analysis 是"股民的 YAML"（写中文就能加策略）。这个差异决定了它能在多大程度上真的帮你赚钱。如果你用过 、、，加一个策略的流程是： 问题在哪？在 daily_stock_analysis 里，“策略” = 一个文件。每个 YAML 是一个自然语言描述的交易策略，包括： 看到没？ ——整个策略就是一段中文，零代码。任何会写字的人都能加新策略
一文入门车载以太网：从原理到实战，看完就能上手开发
新手选型遵循“适配场景、兼顾成本、优先车规”的原则：普通场景（车载娱乐、普通诊断）：100Base-T1 PHY（LAN8742）+ 非TSN交换机（SJA1105）+ STM32H743 ECU + 普通STP线缆；ADAS场景：1000Base-T1 PHY（TJA1101）+ TSN交换机（SJA1110）+ NXP S32G399 ECU + 高抗干扰STP线缆；避免过度选型：如普通娱乐场景无需选择TSN交换机、ASIL-B级芯片，否则会增加成本；
【Unity100个实用小技巧】如何修改UI上材质的Shader
如何修改UI上材质的Shader
YOLO蒸馏原理篇之---MGD、CWD蒸馏
本文详细介绍了特征蒸馏中的两种经典有效方法，MGD和CWD蒸馏
Material 材质 u3d学习总结笔记本
1.更换网格 2.物体发光（静态） //===================================== 1.更换网格 private Material mat; etComponent<MeshFilter>().sharedMesh = mesh;//返回网格过滤器的共享网格。 Debug.Log(GetComponent<MeshFilter>()...
使用 MATLAB/Simulink + Communications Toolbox + 5G Toolbox，构建一个2×2 MIMO-OFDM通信系统
本文通过Simulink+CommunicationsToolbox构建2×2 MIMO-OFDM通信系统，重点实现信道均衡滤波器（ZF与MMSE）的设计与应用。详细介绍了系统架构、建模步骤（包括信道估计、均衡器实现）和仿真场景设计，通过BER、星座图和EVM对比分析验证了MMSE均衡器在抑制噪声和信号恢复方面的优势。文章总结了MIMO均衡的核心原理与实践经验，并提出了扩展至大规模MIMO、深度学习均衡器等优化方向，为无线通信系统设计提供实用指导。
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
关于Unity中如何代码动态修改天空盒
在Unity中动态修改天空盒有两种方法： 一、为每个Texture建立天空盒材质球，需要更换时直接将对应材质球作为天空盒，缺点是建立的材质球太多 private void ChangeSkybox(Material newSkybox) { RenderSettings.skybox = newSkybox; } 二...
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
Unity开发：游戏过程中修改物体的颜色
"_MainColor", "_TintColor", "_SpecularColor", "_SpecColor", "_TextColor", "_EmissiveColor",
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
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")
Unity批量换Shader全攻略：从属性迁移到URP适配一次讲透
渲染管线升级与性能优化是Unity项目开发中绕不开的工程议题，而材质作为连接资源与渲染表现的载体，其Shader更换往往牵一发而动全身。许多开发者面对场景中成片洋红色材质或全项目几百个材质球需要统一替换时，往往陷入手动操作的低效与脚本迁移的陷阱。理解材质本质上是一个属性容器，Shader则是解释这些属性的规则，是解决批量替换问题的前提。通过编辑器脚本遍历材质资源，结合新旧Shader属性名的显式映射，可在替换Shader的同时保留贴图、颜色与浮点参数，实现无损迁移。此类技术不仅适用于Built-in管线向U
Unity地形材质贴图随高度变化
地形材质贴图随高度变化1. 导入Amplify Shader Editor插件2. 进行可视化Shader编写3. 给地形赋值材质球进行测试4. 继续编写Shader5. 最终效果PS. 设置材质编辑属性 参考自: https://zhuanlan.zhihu.com/p/72410143. 由于项目情况，一些特效插件不能在LWRP渲染管道下运行，因此导入了Amplify Shader Editor 可视化Shader插件完成 1. 导入Amplify Shader Editor插件 2. 进行可视化Sh
关于Unity运行时动态修改材质的小秘密
美术那边给了三个材质球，让我动态加载物体时，切换该物体的材质，最开始想的方案是，直接把三个材质球加载的内存中，直接修改物体的材质球属性不就可以了吗。转念一想，这万一给我一百个材质球，或者更多，难道我都要加载到内存中吗？这显然是不行的。我一看这三个材质球只有一个地方是不一样的，那就是颜色和透明度。我就想了，那我直接获取物体材质球，直接修改材质球相关的属性不就完事了吗，于是就出现了本文中的一系列问题。
unity 纹理压缩格式‘_Unity中修改材质shader，属性数据未清除
相关内容最早发布于我的简书，由于反馈有帮助的童鞋挺多的，再加上Unity迭代更新了许多版本，因此对文章内容进行了整理与更新，希望可以对大家有所帮助。本文基于Unity2019.3.0f1进行测试。缘起在Unity中，可以为材质赋予要使用的纹理贴图。在如下示例中，为"Standard"材质指定了一张Albedo贴图以及Occlusion贴图：材质对贴图的引用关系是保存在".mat"文件中的，如图所示...
随笔-Unity中修改Spine材质
UnitySpine修改单独动画的材质属性
【Unity Shader】如何修改LineRenderer与TrailRenderer 中的颜色
LineRender和TrailRender是两个好东西，很多Unity拖尾特效都会使用到它们。一些简单的介绍可以参见官方的API文档。 在这里探讨一下它们具体的渲染方式，而后给出一些Shader以便更好地控制它们。
Unity中更换游戏对象Shader以及Shader属性
using UnityEngine; public class changeColor : MonoBehaviour { public GameObject obj; private Renderer renderer; void Start () { renderer = obj.GetComponent&lt;Renderer&gt;(); } public void onClick()...
Unity3D研究院之共享材质的巧妙用法(修改renderQueue 必须看看这个)
转载https://blog.youkuaiyun.com/z9895512/article/details/47610427 如果你需要修改模型材质的颜色，或者是修改材质Shader的一些属性， 通常情况是用获取模型的Renderer组件，然后获取它的material属性。 举个简单的例子，修改颜色或者直接更换shader material.color=Color.red; material.sh...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2252
扫一扫
