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
1.2k累计阅读
1.2k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.打开PS，新建画布，背景白色
2.进入通道面板，新建通道alpha1，拉下两道平行的标尺，选择 【多边形套索工具】，画一个梯形
填充为白色，按住Ctrl+Alt 在画一个梯形
编辑-》变换-》水平翻转 把两个梯形中间也填充成白色，去掉参考线
3.取消选择 选择 滤镜-》模糊-》高斯模糊 模糊3.5个像素
调整色阶，使之清晰，带圆角
4.回到图层，背景填充为灰色
新建图层1，点击通道alpha，图层上展现出轮廓
为选区填充渐变
点击图层1，填充黑白渐变
新建图层2 选择-》修改-》收缩 收缩6个像素
编辑-》描边 选择 颜色 深灰
在选框区域 做一个 深蓝到黑色的渐变，渐变做好后，图层叠加方式 选择 【柔光】，调整色阶，表现层次感
5.新建图层 选择画笔 渐隐
6.新建图层，载入文字
文字图层，选择 叠加
7. 新建图层4，放在图层1下方
8.勾选矩形选区，用 渐变 填充
基于R语言的现代贝叶斯统计学方法（贝叶斯参数估计、贝叶斯回归、贝叶斯计算）实践
贝叶斯统计学是一门基本思想与传统基于频率思想的统计学完全不同的统计学方法；它以其灵活性和先进性在现代的统计学中占据着重要的地位。贝叶斯统计学是开展科学研究不可缺少的重要手段，但是，因为其思想、技术和方法都与传统统计学有着较大区别；且其计算中涉及马尔科夫、蒙特卡罗和吉布斯采样等现代计算方法，对使用者经验和能力构成了很大的挑战。
图形处理 - 实现渐变色与图像叠加效果
<br />在图象图形的编程中, 经常会见到渐变色以及各种图片的叠加等效果. 这篇文章就是要对这些效果的原理加以分析, 并在Elastos© 操作系统 Mobile Edition SDK上和Windows 200 Professional上使用Visual C++ 6.0 编程实现.<br />一. RGB三维模型与渐变色的原理及实现<br /> 1. RGB三维模型<br /> 作为计算机图形学中重要的原色混合系统, RGB(红绿蓝)加色系统广泛应用于发光体, 如彩色CRT显示或彩色灯光. 这
嵌入式统一消息机制：模块解耦与零拷贝通信设计
在嵌入式系统开发中，模块间通信（IMC）是影响可维护性与实时性的关键环节。传统IPC方式如全局变量、信号量或Socket易导致高耦合、调试困难及跨平台适配成本高。统一消息机制通过逻辑地址抽象、标签/实体分离、路由表驱动等原理，实现控制流与数据流解耦，在裸机、RTOS及Linux用户态保持一致接口。其技术价值在于降低模块依赖复杂度、支持动态增删与分布式迁移，并通过零拷贝优化显著减少CPU与内存开销。典型应用场景涵盖工业网关、城域交换机、多核ARM边缘设备等资源受限环境，尤其适用于需长期稳定运行、快速迭代与混合
渐变按钮 css,CSS3 Gradient Buttons
前面在《CSS3 Gradient》一文中详细介绍了CSS3中的Gradient属性的使用，一直没来得急介绍这方面的实例，今天在Nick La (@nickla)的Web Designer Wall中看到了一篇《CSS3 Gradient Buttons》主要介绍用CSS3中的Gradient属性制作Buttons的效果。觉得蛮好的，特意整理一份放上来与大家分享。使用CSS3属性制作渐变按钮,我们...
基于三轴加速度计的塑料水管泄漏振动检测技术全解析
在流体力学与结构动力学领域，管道振动分析是评估系统健康状态的关键技术。其基本原理在于，当管道内流体状态发生异常（如泄漏）时，会引发管壁产生特定的机械振动信号。这项技术的核心价值在于实现了对管道系统的非侵入式、在线监测，能够提前预警潜在故障，避免资源浪费与次生灾害。在智慧城市与智能水务等应用场景中，它对于保障供水管网安全、提升运维效率具有重要意义。本文聚焦于如何利用高精度的三轴加速度计，精准捕捉塑料水管因泄漏产生的微弱振动，并通过信号处理与机器学习算法，构建一套从数据采集到泄漏识别与定位的完整工程解决方案。
Claude Code VSCode集成开发指南：AI编程助手完整配置
Claude Code与Visual Studio Code的深度集成为开发者提供了强大的AI编程支持。本文详细介绍Claude Code VSCode扩展的安装配置、功能特性和实际应用方法。通过完整的配置流程和代码示例，帮助开发者充分利用Claude AI的智能编程能力。文章涵盖从环境搭建到高级功能应用的完整指南，包括代码自动补全、智能重构、实时代码分析等核心功能的使用技巧，以及与现有开发工作流的整合方案。
c语言 rgb颜色渐变_Lottie中渐变透明的实现研究
前言你好，看这篇的小伙伴原来你们还在做动效。肯定是被老板逼得23333（摸头）。你选择了Lottie输出说明我们志同道合（微笑）Lottie社区最近也更新了官方中文，未来形势一片大好。诚惶诚恐，上一期教程意外获得好评（虽然也不算很多），本期教程将为您带来大家迫切想知道的Lottie动画渐变填充中附带透明通道的实现方法。NorthSea：Lottie中渐变填充的实现研究zhuanlan.zhihu...
FP7195升降压恒流驱动IC：从AC/DC 12~24V输入到稳定输出的高效电源设计实战
本文详细解析FP7195升降压恒流驱动IC的工作原理与应用实战。该芯片支持4.5V-32V宽输入范围，能自动切换升降压模式并保持输出恒定，特别适用于车载LED照明、工业电源等电压波动场景。通过实际案例分享PCB布局、元件选型及调试技巧，帮助工程师实现高效稳定的电源设计。
透明通道图纹理贴图渐变色效果
不带贴图（或贴图为纯白色）效果 Shader "YouXiDao/AlphaSimple" { Properties { _MainTex ("Texture", 2D) = "white" {} _Color("Main Color", Color) = (1, 1, 1, 1) } SubShader { Tags { //贴图带透明通道 ，半透明效果设置如
企业级OpenClaw部署实战：10个关键配置让你从“养虾“到“精通“
OpenClaw（社区昵称"小龙虾"）作为2026年开源社区最活跃的AI Agent项目，凭借其多Agent协同架构和企业级安全隔离能力，已成为中大型企业的首选AI基础设施。本文基于真实企业部署经验，系统梳理了企业级OpenClaw部署的10个关键配置：用户ID消息隔离、群组ID消息隔离、多机器人配置、无限量Agent创建、机器人与Agent关联、Agent间调度、权限配置、Hooks任务、多模型切换及一键备份迁移。
最优控制 (Optimal Control) 算法详解及案例分析
最优控制是一种通过优化控制输入，使系统在满足约束条件的情况下达到最优性能的控制方法。其目标是最小化或最大化一个性能指标。
QBrush渐变填充的5种高级玩法：从彩虹色带到透明过渡效果
本文深入探讨了Qt中QBrush渐变填充的五种高级应用技巧，旨在提升UI视觉质感。内容涵盖线性、辐射和锥形三种渐变类型的核心选择策略，详细解析了实现平滑彩虹色带与多色阶过渡的秘诀，并重点介绍了利用透明度通道实现边缘羽化、玻璃质感及热力图等高级视觉效果的方法。此外，文章还分享了纹理与渐变的组合技巧，以及针对移动端和嵌入式设备的性能优化实战策略，帮助开发者在资源有限的环境下创造出细腻的动态界面。
SAM3 LoRA Fine-Tuning|SAM3微调（完全对齐官方训练和配置）
本文介绍了基于官方SAM3模型使用LoRA技术进行图像目标检测与分割微调的项目。项目完全对齐官方训练配置，支持多类别高效微调，且不影响原模型的开放词汇提示能力。微调后模型在航拍图像中对道路、车辆等目标的分割效果显著提升，误检率降低。 项目提供完整的训练和推理流程： 支持双卡并行训练，显存需求大（完整微调需30G+显存） 提供训练脚本和配置文件，可灵活调整参数 包含推理可视化工具，支持与原模型效果对比，内置训练结果分析工具，可生成指标对比图 数据集采用COCO格式。
网格设定&贴入加素材——齿轮
！！！网格的作用：防止通道中画的图和滤镜中画的图位置不一致，本例中由于本人失误，通道中画在右下方而图层中画的圆在正中，影响效果，而第六条中说的也不正确，后面改动的话很麻烦！！！ SO，It is only a failure 失败案例。。。。。。 一，画出基本轮廓 1.新建画布，背景白色 编辑-》首选项-》单位与标尺 厘米改为像素 编辑-》
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
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")
从Pen & Pixel嘻哈封面设计看数字图像合成与3D渲染的工程化实践
数字图像合成与3D渲染是计算机图形学中的基础技术，其核心原理在于通过图层叠加、材质模拟与光影计算，将多源视觉元素融合为统一画面。在工程实践中，这项技术能够高效构建复杂视觉场景，大幅提升内容创作效率与表现力，广泛应用于平面设计、影视特效与游戏美术等领域。以90年代传奇设计工作室Pen & Pixel的专辑封面创作为例，其采用Photoshop进行图层合成与样式处理，结合3D Studio Max进行低多边形建模与渲染，形成了一套高度流程化的“设计流水线”。该案例生动展示了如何通过标准化素材库、模板化工作流与全
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
Pen & Pixel设计流程解析：从Photoshop技法到创意流水线的工程思维
图层样式与素材库管理是数字内容创作中的基础技术概念。通过斜面和浮雕、渐变叠加等核心技法，设计师能够构建出具有强烈视觉特征的金属质感与光晕效果，其原理在于对有限工具参数的极致化组合运用。这种技术流程的价值在于将个性化艺术风格转化为可标准化、批量生产的视觉模块，从而显著提升内容产出的效率与一致性。在UI设计、品牌视觉构建等应用场景中，类似的工程化思维——即将创意分解为可复用的组件与动作——至今仍具有重要指导意义。本文以90年代Pen & Pixel工作室为例，深入拆解其如何通过Photoshop特效与私有素材库
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
5分钟搞定：AI净界教你如何快速制作透明LOGO和贴图
本文介绍了如何在星图GPU平台上自动化部署AI 净界 - RMBG-1.4镜像，实现高精度图像背景去除。依托RMBG-1.4模型的SOTA分割能力，用户可一键生成发丝级清晰的透明PNG，典型应用于电商LOGO抠图、社交媒体贴纸制作及AI生成素材后期处理，大幅提升设计效率。
CSS锥形渐变conic-gradient原理与实战：色轮、进度条、仪表盘
锥形渐变（conic-gradient）是CSS中基于极坐标系的高级渐变类型，区别于线性渐变和径向渐变，它以角度（deg/turn）和中心点（at）为控制维度，实现360°连续色彩过渡。其核心原理是为每个像素计算相对于指定原点的极角θ，并依此插值颜色停止点，因而天然适配色轮、环形进度条、HSL调色器等角度敏感型UI组件。技术价值在于减少JavaScript坐标计算、规避Canvas/D3依赖、提升渲染性能与可访问性；典型应用场景包括纯CSS圆形进度条、可拖拽色轮控件、雷达图刻度生成、液态玻璃高光模拟及动态仪
RMBG-2.0在平面设计中的应用：快速分离主体加速素材制作
本文介绍了如何在星图GPU平台上自动化部署RMBG-2.0背景移除（内置模型版）v1.0镜像，实现高效图片背景分离功能。该技术特别适用于平面设计领域，能够快速处理电商产品图、人像摄影等素材，将传统耗时数分钟的抠图工作压缩至秒级完成，显著提升设计效率。
科哥CV-UNet镜像功能测评：单图&批量抠图表现如何？
本文介绍了如何在星图GPU平台上自动化部署cv_unet_image-matting图像抠图 webui二次开发构建by科哥镜像，实现高精度AI图像抠图功能。依托本地GPU加速，支持单图秒级处理与百张批量作业，典型应用于电商商品图白底/透明背景快速生成，显著提升视觉内容生产效率。
RMBG-2.0多对象分割效果：复杂发型+毛边+半透明材质精准识别
本文介绍了如何在星图GPU平台上自动化部署RMBG-2.0背景移除（内置模型版）v1.0镜像，实现高精度人像与商品图的AI抠图。该镜像专为复杂发型、毛边及半透明材质设计，可一键生成带完整Alpha通道的透明背景PNG，广泛应用于电商主图批量处理、平面设计素材准备等典型场景。
AI净界应用案例：如何用RMBG-1.4快速制作产品展示图
本文介绍了如何在星图GPU平台上自动化部署AI 净界 - RMBG-1.4镜像，实现高精度商品图片抠图。该镜像支持发丝级边缘识别与透明PNG输出，可快速制作电商主图、场景图及社群贴纸，显著提升视觉素材生产效率。
一句话修图实战：用Qwen-Image-Edit制作社交媒体爆款内容
本文介绍了如何在星图GPU平台上自动化部署Qwen-Image-Edit - 本地极速图像编辑系统镜像，实现社交媒体爆款内容的一句话智能修图。用户仅需上传图片并输入自然语言指令，即可秒级完成背景替换、质感增强、色调优化等操作，广泛应用于小红书封面制作、Instagram故事适配及视频平台封面强化等典型场景。
RMBG-2.0镜像使用测评：0.5秒完成高清抠图
本文介绍了如何在星图GPU平台上自动化部署RMBG-2.0背景移除（内置模型版）v1.0镜像，实现0.5秒级高清人像/商品图抠图。用户无需配置环境或编写代码，部署后即可通过浏览器直接上传图片，快速生成带Alpha通道的透明PNG，广泛适用于电商主图制作、证件照换底及广告素材动态合成等典型场景。
RMBG-2.0惊艳效果展示：透明背景PNG实测对比（原图vs结果）
本文介绍了如何在星图GPU平台上自动化部署RMBG-2.0背景移除（内置模型版）v1.0镜像，实现毫秒级AI智能抠图。用户无需配置环境或调参，上传图片即可一键生成带完整Alpha通道的透明背景PNG，广泛适用于电商商品图处理、人像精修及内容创作等典型场景。
RMBG-2.0于珠宝摄影处理：反光材质与透明背景协同优化案例
本文介绍了如何在星图GPU平台上自动化部署RMBG-2.0背景移除（内置模型版）v1.0镜像，高效处理高难度珠宝摄影图像。该镜像专为反光、透明及微结构材质优化，可一键生成带真实Alpha通道的透明背景PNG，广泛应用于电商主图制作、3D渲染贴图与AR试戴等专业场景。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
679
扫一扫
