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
300+累计阅读
312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
在修改项目的时候，我需要把一个文本Igeo中的geo三个字母以下标的形式展现，于是我在网上找各种各样的方法和资源
因为在项目框架中都是使用的传统的Text插件，如果是用的TMP则可以用以下方法实现
例如：Igeo I<sub>geo</sub>
其中sub是下标sup是上标
但是！！！我不能用这种方法！！！！
所以我的解决方法是：
利用更改字体大小来实现，将geo替换为<size=18>geo</size>
这样子在视觉上也是将geo变为了下标，缺点就是不能改成上标
补充一点，我因为是调用xml文件来获取文本内容的，在xml中无法在内容中使用<和>符号，会报错，所以
在xml中将 < 替换成 <
将 > 替换成 >
比如：
<size=18>geo</size>
在xml中的内容则是
<size=18>geo</size>
以上就是全部内容，在这里只是提供一种解决方法，如果有其他的欢迎在评论里告诉我
text显示下标的字体 unity_Text Mesh Pro中文版
Text Mesh Pro中文版是一款免费的unity文字特效插件，为用户提供了改进的文字格式和布局设计功能，包括字距调整、文本链接、文本标记、段落间距等参数设置，支持字体和风格自定义，需要的朋友可以下载！软件特色格式和样式选项*动态字体大小*增强的富文本标签，包括支持上标，下标，下划线，删除线，缩进，对齐，等宽，线的高度，和更多。*文本锚定-通常的9个位置*文本对齐-左，中心，权利和理由*字符、...
Unity解决Text文本框上下标问题
Unity 解决Text文本框上下标显示问题 Text 控件也称为标签，Text 区域用于输入将显示的文本。它可以设置字体、样式、字号等内容，但是有时候我们需要输入上下标的时候会发现正常情况下Text是不能输入上标或者下标的，虽然说可以通过富文本的形式把某个字符缩小使其看起来像下标，但是，上标却没有很好的体现方式，今天介绍一种方式可以进行上下标的显示。 Unicode 先来一段百度的解释吧 Unicode（统一码、万国码、单一码）是计算机科学领域里的一项业界标准，包括字符集、编码方案等。Unicode
Unity数学公式渲染插件TEXDraw：LaTeX语法实时渲染与交互实现
在游戏开发与交互式应用领域，数学公式的实时渲染是一个常见的技术挑战。传统UI文本组件难以处理复杂的数学符号与动态布局，这催生了基于LaTeX语法规则的专用渲染引擎。其核心原理是通过解析-构建-布局的管线，将文本命令转换为抽象的盒子树，再根据数学排版规则动态计算位置并生成网格数据，从而实现从分数、积分到矩阵等复杂结构的精准渲染。这一技术为教育软件、科研可视化、数据标注等场景提供了关键支持，使得动态、可交互的公式展示成为可能。TEXDraw作为Unity的专用插件，通过LaTeX语法支持与实时渲染能力，有效解决
Unity中在Text上显示水分子式和碳酸根离子式——富文本的【上标】和【下标】使用
学着使用富文本的上下标
Unity TextMeshPro标签系统与动态字体生成实战指南
在Unity UI开发中，文本渲染是构建交互界面的基础。传统位图字体在缩放时容易出现模糊和锯齿，而基于有向距离场（SDF）的渲染技术则通过数学描述字形轮廓，实现了任意分辨下的锐利显示。这项技术不仅提升了视觉质量，还大幅优化了性能，成为现代游戏和应用的工业标准。其核心价值在于通过一套强大的富文本标签系统，开发者可以在单个文本组件内动态控制颜色、大小、字体、材质甚至内嵌图标，极大地提升了UI制作的灵活性与效率。结合动态字体生成技术，它能按需从源字体文件中提取字符轮廓，完美应对多语言支持、生僻字显示和用户生成内容
tiktok算法协议研究
经过上述分析，可以确定目标字符串来源于一段 JSON 数据，而这段 JSON 数据来自于一个经过加密的本地文件。对字符串 "sdi_v2" 进行 SHA-1 计算，得到 20 字节的结果；将第一步得到的数据进行MD5计算，生成16字节的结果；将第二步的结果转换为十六进制字符串，从而得到 32 字节的密钥。写这种算法分析的帖子真的是太无聊了，就先分析到这里吧，后续有机会再来谈下被加密的本地文件是怎么来的！！自我感觉TT的算法并不难，就是量太大了，所以我想问问有没有感兴趣的朋友来一起分析，欢迎联系。
text显示下标的字体 unity_Unity解决Text文本框上下标问题
Unity 解决Text文本框上下标显示问题Text 控件也称为标签，Text 区域用于输入将显示的文本。它可以设置字体、样式、字号等内容，但是有时候我们需要输入上下标的时候会发现正常情况下Text是不能输入上标或者下标的，虽然说可以通过富文本的形式把某个字符缩小使其看起来像下标，但是，上标却没有很好的体现方式，今天介绍一种方式可以进行上下标的显示。Unicode先来一段百度的解释吧Unicode...
ATGM332D模块串口配置保姆级教程：从9600波特率到NMEA数据过滤，一次搞定
本文提供ATGM332D模块串口配置的详细教程，涵盖从基础硬件连接到高级NMEA数据过滤的全过程。内容包括波特率优化、数据输出频率调整、NMEA语句过滤等实用技巧，帮助开发者快速掌握GNSS模块配置，提升定位系统性能。
text显示下标的字体 unity_Unity 中的 10个代码优化小技巧
Unity 中的 10个代码优化小技巧又到了开学导员开会的时候。满屋子的学生听着比讲课还无聊空洞的东西，于是整齐地打开了手机。于是就在知乎看到了 默然的这篇文章：https://zhuanlan.zhihu.com/p/208634789该文翻译了 Unite 2016 《INSIDE》开发人员的演讲。其中介绍了 10 个 Unity 代码优化技巧。我觉得非常有意思和有启发性，但里面有些地方我持存...
HFSS仿真中如何提取最大E/H场强与频率关系曲线
本文详细讲解了在HFSS仿真中提取最大E/H场强与频率关系曲线的完整流程。通过使用场计算器（Field Calculator）和创建场报告，工程师可以准确获得器件在整个频带内的电场或磁场强度峰值，并进一步推导出关键的功率容量曲线，为高功率射频器件（如滤波器、耦合器）的设计提供至关重要的安全评估依据。
pytorch-cifar100学习资料汇总 - 基于PyTorch的CIFAR-100图像分类实践
pytorch-cifar100是一个基于PyTorch实现CIFAR-100数据集图像分类的开源项目。该项目实现了多种经典的深度学习网络模型,如ResNet、DenseNet、VGG等,为开发者提供了在CIFAR-100数据集上进行图像分类实验的代码范例。pytorch-cifar100项目为我们提供了在CIFAR-100数据集上进行图像分类实验的完整代码实现。无论你是想要学习PyTorch的使用,还是研究不同网络模型在CIFAR-100上的表现,这个项目都是一个很好的起点。
Unity(6)-通过脚本修改图片sprite
通过脚本修改图片sprite
模型优化系列——模型剪枝/量化概述
模型优化目的：通过减少模型大小，提高推理速度等使模型成功部署在各个硬件中并实时有效运作。
Unity Text 插入图片
转载https://blog.youkuaiyun.com/akof1314/article/details/49028279 当前测试版本：Unity 5.2.0 Unity 新 UI 系统中的 Text 组件支持富文本标签，标签包括 b（黑体）、i（斜体）、size（大小）、color（颜色），并不支持图片的直接插入。但官方文档提到可以对 Text Mesh 插入贴图，文档说明如下： qua...
Python爬虫实战：逆向工程与异步处理攻克Pinterest无限滚动瀑布流
我们将从零开始，逐步分析其数据接口，构建一个功能完整的爬虫，并深入探讨反爬虫策略的应对、性能优化以及数据存储等高级主题。： 在实际爬取中，你需要先访问一次Pinterest主页，获取初始的Cookie和CSRF Token，然后再发起API请求。： Python爬虫，Pinterest，无限滚动，瀑布流，异步IO，httpx，逆向工程，API接口，动态内容，反爬虫。你会很快发现一些关键的请求模式。：页面初始加载有限内容，随着用户滚动，新的图片块通过AJAX动态加载，实现“永无止境”的浏览。
OpenDataLab 大模型训练数据集下载记录
大模型 训练数据集
Unity中Text Mesh Pro研究说明
Unity中UGUI的文本效果研究笔记，重点介绍了Text Mesh Pro这个文字控件的一些参数设置。
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_UI_NGUI_三大基础控件
NGUI三大基础控件详解：Sprite用于显示中小尺寸图片，支持多种显示模式(Simple/Sliced/Tiled/Filled)和属性设置；Label提供丰富的文本控制功能，包括字体样式、溢出处理、对齐方式以及富文本支持；Texture适合直接显示大尺寸图片，无需打图集。三种控件均支持颜色调整、翻转、渐变等效果，其中Sprite和Texture还共享相似的显示模式设置。这些组件构成了NGUI界面开发的基础元素，满足不同UI场景的需求。
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
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
Unity 四元数
在场景中新建一个Cube用鼠标在Inspector窗口中朝向的x、y、z这三个字母上拖拽，不要在场景中用鼠标直接旋转物体，这样可以看到3个轴分别是如何旋转的将x的旋转改为90，y和z的旋转改为0用鼠标在旋转的y和z上拖拽，修改y和z的旋转。这是会发现，绕y和绕z旋转方向变成一样了，缺少了一个自由度按照上述步骤操作，会顺利进入"万向节锁定"状态。一旦进入此状态，物体旋转就会受限制。
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
在Unity中C#使用基础学习
unity提供的父类，包含很多生命周期的方法，可以覆盖（点击MonoBehavior，点击control出现下划线，然后再点进行查看）
Unity打包安卓配置注意事项
我使用的Unity版本： Unity2019.3.0f6，使用UnityHub方式安装，使用Unity自带的安卓SDK，我在Unity2019往上的版本，选择自己安装的JDK和AndroidSDK的话，打包始终会报错SDK版本号小于要求的版本号。 之前当我用Unity2018或者更低的版本打包安卓的时候都是比较顺利的，自己机器上装了JavaSDK和AndroidSDK之后，使用Unity2018设置选定自定义的SDK路径打包还是挺顺利的，自动加装了Unity2019系列，就怎么都读不到本机的自定义.
用unity开发教学辅助软件---幼儿绘本英语拼读
开发教学小游戏，并应用到实际
TextMeshPro 使用笔记
介绍TextMeshPro使用方法，帮助开发者快速入门学习
【Unity笔记】Lua基础语法
Lua基础，语法
Unity开发之C#基础-String类型与StringBuilder类型
前言 本篇，我们介绍编程语言中的一个比较重要的类型，String类型与StringBuilder。 制作不易还请各位一键三连哦！ 文章目录前言String类型简介String类型简介String类型方法 String类型简介 String类型，又叫字符串类型，是编程语言中常见的引用类型之一，通常作用于对程序中的字符串的操作。它将一组字符视为一个整体进行处理，使用起来很像是一个字符数组。 String类型简介 上面我们说到，String类型是将一组字符视为一个整体进行处理，很像一个字符数组
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
463
扫一扫
