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
800+累计阅读
857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
1. 新建画布，通道 新建通道，在通道中用钢笔工具 画出弧形
2.设置好画笔 像素、颜色 点击弧形 右键 选择描边路径
3.取消选区
4.在图层中 填充为蓝色
5.滤 径-》 平行光
6.光照效果设置
7.矩形选框工具勾出电线两头圆角，按 【delete 】减去电线两头圆角，新建图层，画出左金属头
8.新建图层2，画出右金属头
9.通过调整图层顺序，使金属线覆盖金属头
10.在交界处涂抹阴影
11.设置图层样式
Linux下Catapro酶动力学预测工具保姆级安装指南（PyTorch+CUDA11.8适配版）
本文提供了Linux系统下Catapro酶动力学预测工具的详细安装指南，特别适配PyTorch+CUDA11.8环境。从环境准备、源码获取到虚拟环境创建、依赖包安装和模型配置，逐步指导用户完成安装流程，并包含常见问题排查和性能优化建议，帮助研究者快速部署这一高效酶动力学参数预测工具。
ZBrush教程（一）：常用笔刷安装及运用
1⃣圆形遮罩（非正圆）：按住【Ctrl】单击选择——松开【Ctrl】——按住【空格】键，可以对圆形的位置进行移动。2⃣曲线遮罩：按住【Ctrl】后，黑色阴影方向所在区域为遮罩区，按下【Alt】键可以转弯，按住【Alt】可以减选。✔️还可以通过【首选项】——【热键】——【保存】保存文件，分享使用；
深入浅出SSD：固态存储核心技术、原理与实战（文末赠书）
作为经典畅销书的升级版，本书在第1版的基础上新增了大量新知识（如闪存、UFS、测试、文件系统等），并改写或删减了许多过时或不适用的内容，总修改量超过60%。本书由SSD技术社区SSDFans的核心团队成员联合业界、高校SSD方面的专家共同完成，相对于第1版，内容更全面、更新，也更有深度。本书从产品、技术和应用3个维度展开，全面、详细讲解了SSD的发展历史、产品形态、工作原理、整体架构，以及各个功能模块的原理和使用，从SSD的前端接口协议到FTL算法，再到后端的闪存和纠错，以及测试，本书都有涉及。
Zbrush导入笔刷
Zbrush笔刷目录: ...\Zbrush\ZStartup\BrushPresets。
ESP32-CAM搭建Arduino及简单使用
配置环境 方法一 文件 → 首选项 http://wechat.doit.am/package_esp8266com_index.json https://dl.espressif.com/dl/package_esp32_index.json 工具 → 开发板 → 开发板管理器 等待安装 方法二 https://github.com/espressif/arduino-esp32 Arduino安装目录下，找到hardware文件夹 建立文件夹espressif，然后在里面再建立一个esp32文件夹
LVI-SAM适配KITTI数据集避坑指南：IMU频率与数据同步问题解析
本文深入解析了将LVI-SAM框架适配KITTI数据集时，在IMU频率与多传感器数据同步方面遇到的核心挑战与解决方案。针对KITTI数据集中sync与extract两种数据包的差异，文章提供了从数据选择、参数调优到时间戳诊断与修复的完整避坑指南，帮助开发者实现稳定高效的SLAM系统部署。
ps钢笔路径转曲线
1.新建图层 2.选择钢笔工具画路径 3.选择画笔工具（粗细自定） 4.打开路径窗口选择该路径，描边路径 5.弹框选择画笔，勾选模拟压力 （曲线画好）
告别Mac自带终端：iTerm2 + Oh My Zsh 保姆级配置指南（含国内镜像源）
本文提供了一份详细的Mac终端优化指南，涵盖iTerm2、Oh My Zsh和Homebrew的配置流程，特别针对国内用户提供镜像源解决方案。通过安装现代化工具链和优化配置，帮助开发者打造高效、美观的终端工作环境，提升日常开发效率。
【ZBrush笔刷】实用笔刷和Alpah下载，及笔刷使用方法
今天给大家分享的是一套非常实用的ZB笔刷和Alpah，可以辅助大家高效高质量的完成各种细节的制作素材分为两种类型，一种是ZB直接可以用的笔刷格式，另外一种是可以配合着Alpha使用的格式为了方便大家查看和使用，在压缩包内提供了一个可以查看PSD缩略图的插件缩略图插件使用方法1、安装PSDico.exe2、重启电脑即可看到PSD文件以缩略图显示 【3D建模软件学习资料领取方式见文末】 ZB笔刷文件使用1、复制ZB笔刷文件夹下的所有文件到C:Program FilesPixologicZBrush 20
第2章 数据库关系模型-单元测验-数据库原理及应用
第2章 数据库关系模型---数据库与机器学习 作业 常用的关系查询操作包括选择、投影、连接、并、交等。 v 实体完整性是指关系表的属性组成必须是完整的。 x 自然连接是一种等值连接。 v 在参照完整性中，可以定义级联操作。 v 用户自定义完整性可以实施数据的业务约束。 v 每个关系是一个二维表，但二维表不一定是关系。 v 关系中复合键至少包含两个属性。 v 代理键是为了唯一标识关系的不同元组，需要在表单或报表中显示出来。 x ...
STM32CubeIDE开发环境搭建与GPIO控制实战
嵌入式开发中，MCU开发环境构建是软硬件协同的起点，其核心在于工具链选型、外设抽象层级与调试可靠性。HAL库作为ST官方标准硬件抽象层，通过统一接口屏蔽芯片差异，显著提升工程可移植性；而STM32CubeIDE则以图形化配置+自动生成代码的方式，实现‘配置即代码’的确定性开发范式。该组合在教学验证、原型迭代和中小规模量产中具备高性价比技术价值，广泛应用于智能传感、工业HMI及IoT终端等场景。本文聚焦STM32CubeIDE 1.15.0环境部署、MyST账户与固件包管理、ST-LINK驱动校验，以及基于H
一百多个实用ZBrush笔刷和Alpah，笔刷使用方法，让建模更简单！
【ZBrush笔刷收集】一百多个实用笔刷和Alpah下载，以及笔刷使用方法 今，天给大家分享的是一套非常实用的ZB笔刷和Alpah，可以辅助大家高效高质量的完成各种细节的制作 素材分为两种类型，一种是ZB直接可以用的笔刷格式，另外一种是可以配合着Alpha使用的格式 为了方便大家查看和使用，在压缩包内提供了一个可以查看PSD缩略图的插件 缩略图插件使用方法 1、安装PSDico.exe 2、重启电脑即可看到PSD文件以缩略图显示 ▼ ZB笔刷文件使用 1、复制ZB笔刷文件夹下的所有文件到C:\Progr
VI4302 1D dToF Sensor助力无人机定高避障：一场前所未有的飞行体验
另外，传感器因测量精度不够，产生的高度信息误差，会导致无人机无法精确定高，影响飞行稳定性和安全降落。芯视界于2022年发布的全新一代基于单光子探测技术的dToF激光雷达传感器芯片-VI4302，采用单电源低功耗系统，实现高性能测距、高稳定性，同时具备极强抗阳光能力以及兼容性等强大优势。无人机可以根据传感器提供的信息，快速调整飞行路径，避开潜在的障碍物，确保平稳的飞行。VI4302 1D dToF Sensor能够以极高的精度测量物体与无人机之间的距离，实现毫米级别的测量精度。⭐ 体型小巧，灵敏度高。
不知道怎么zbrush导入笔刷？看这里！（附赠40g史上最全笔刷文件）
不知道怎么zbrush导入笔刷？看这里！
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")
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
ZBrush：自定义QuickSave路径
ZBrush有个默认的自动保存机制，默认的保存位置在C盘。下面是自定义路径的方法 进入下面的文件夹（我的ZBrush是2020版） C:\Users\Public\Documents\ZBrushData2020 里面有个ZBrushQuickSavePath.TXT文本文档，把其中的路径改为想要的保存路径即可 ...
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白
滤镜（内部效果）&快速蒙版（边缘效果）——羊皮卷
1.新建画布，背景黑色 2.新建图层1，使用【矩形选框工具】，画出矩形，调整前景色：淡橙黄，背景色：深棕，执行：滤镜-》渲染-》云彩（执行2-3次），直到分布均匀 3.点击左侧工具栏【进入快速蒙版编辑模式】，画笔工具，不透明度：100 %，画出周围选区（破损边缘），选择-》反向，按delete删除 4.复制图层
解决局部曝光过度
加深工具 选一个笔刷 曝光度调低 减淡工具 修正局部
调整偏暖色调（一种比较干净、透明的色调）
通道和选区的关系
通道中可以包含多和选区 选区勾出来后，选择-》存储选区 保存到通道中。
通道和色彩调整——冷色调图片
1.打开PS，载入图片 2.复制背景层 3.进入通道面板 选择绿色通道 4.选择 全部 编辑-》拷贝，再点击蓝色通道 编辑-》粘贴 5.取消选择，回到图层面板 6.图像-》调整-》色彩平衡 整体偏冷 7.图像-》调整-》亮度对比度 整体提亮 8.图像-》调整-》色相&饱和度 9.图像-》调整-》色彩平衡 加一点黄色 10.效果。。。。有些日
PS人物肖像面部修图总结
1.有斑点： 修补工具 ，选择：源，不选：透明，修补 2.磨皮：模糊-》高斯模糊 设置 色相/饱和度，调整色阶 3.提亮：同上 4.改变部分肤色：减淡工具，加深工具 5.替换部分颜色：磁性套索/魔术棒/等等 画出选区，填充/橡皮擦/颜色替换工具； 不选选区，直接用 色彩平衡工具
通道抠图&蒙版置入背景（抠图换背景）
1.载入图片，进入【通道】面板，复制 绿 通道得到：绿 拷贝 2.调整色阶 114 1 243 3.选取钢笔工具，绘制要抠图的轮廓， Ctrl+enter转换为选区 4.填充前景色（白色），取消选区，Ctrl+点击绿 拷贝，对选区进行微调 5.回到 图层面板，复制选区内容并粘贴，得到图层1 6.背景转化为普通图层并隐藏 7.打开素材文件，拖拽到这里，变成新的图层2 8.在
使用HDR色调预设调整图像
图像-》调整-》HDR色调
玻璃球体的制作——气泡气泡气泡
下面有几部操作要注意：增加气泡厚度，图层中：选取选区和改变选区不一定在一个图层中。 1.新建画布，背景白色 2.使用椭圆选框工具画出一个椭圆，以前景色（黑色）填充 3.取消选择，新建一个图层（图层2），Ctrl+单击图层，选中椭圆区域，选择-》反选 以其他颜色（浅蓝）填充， （这里图层顺序不能错！）Ctrl+单击图层1，隐藏图层1，在图层2 选择 模糊-》高斯模糊，在图层2新
快速蒙版——外发光效果——荷叶明珠
荷叶明珠 1.打开PS，载入图片，新建图层 2.选择-》在快速蒙版状态下编辑 3.用画笔工具填充，设置里增加羽化值 4.选择-》点击“在快速蒙版状态下编辑”以退出该状态 5.点击 选择-》反向，选取“明珠” 6.编辑-》拷贝 编辑-》粘贴
PS快速蒙版 ——制作动感效果——飞猫
以前学的PS，好多都忘了，试练下 1.开启PS，载入图片 2.选择快速蒙版下编辑模式 3.选择画笔工具，对运动物体一侧进行描边 哎，像个怪物啊。。。水平就这样，没办法 可怜滴喵星人 4.退出蒙版编辑模式，并点击 选择-》反选 注意下 此步骤
沿路径输入文字
1.钢笔画一个弧形（【路径】模式） 2.选择文字工具输入 3.闭合路径方法也一样 4.最后 按 enter 取消选区
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
211
扫一扫
