Unity3d shader中Queue 使用渲染队列进行深度排序

了解一下Unity的RenderQueue RenderQueue是Unity中控制物体渲染顺序的核心工具。通过合理设置队列值,你可以轻松处理不透明物体、透明物体和UI元素的绘制顺序,提升游戏的视觉效果。无论是通过Inspector手动调整,还是用脚本和Shader动态控制,掌握RenderQueue都能让你的开发更加得心应手。 阅读详情
为了让我们真正明白透明度,我们需要了解一下深度排序,或者说,对象的绘制顺序。Unity允许我们控制一个特定对象绘制到屏幕上的顺序,因此我们可以更好地控制哪些对象应该覆盖在其他对象上。你可以把绘制顺序理解成Photoshop中的图层的概念。在处理透明度或者类似界面对象的元素时,绘制顺序尤其重要。

本篇将会讲解如何使用Unity内置的标签(tags)来利用这个分层化的方法去渲染你的对象。这是非常重要的,因为你将会更好地控制你的对象是如何被绘制到游戏界面的。



准备工作



  1. 创建一个新的场景,以及两个球体,并且让它们排在一条线上。我们的目标是(没有蛀牙!),无论它们在3D空间中的实际坐标是什么,我们可以随你所欲地安排它们的绘制顺序,即谁在谁的上面。
  2. 为了可以看出修改绘制顺序发生的变化,我们还需要至少两个Shaders。所以,我们创建两个新的Shaders,并可以分别分别命名为Depth001和Depth002。
  3. 你的场景应该看起来和下面图片类似。




实现



Shader部分的代码实际上很简单;它仅仅需要两行新代码就可以了。

  1. 首先我们决定将目标象绘制到一个新的渲染队列中。为了做到这一点,我们需要修改Tags{}块,也就是在SubShader{}的内部:
    [plain]  view plain  copy
     print ? 在CODE上查看代码片 派生到我的代码片
    1. Tags { "Queue"="Geometry-20" }  
  2. 然后,我们需要告诉Unity,我们想要自己控制这个对象的渲染顺序,而不想写到深度缓存中。在上一步代码的下面添加如下代码:
    [plain]  view plain  copy
     print ? 在CODE上查看代码片 派生到我的代码片
    1. ZWrite Off  
  3. 保存,返回Unity查看。你将会发现其中一个球体出现在所有对象的后面,甚至当它的3D空间中的实际坐标在所有对象前面时也是一样。如下图所示:


最后,完整代码如下:
[plain]  view plain  copy
 print ? 在CODE上查看代码片 派生到我的代码片
  1. Shader "Custom/Depth001" {  
  2.     Properties {  
  3.         _MainTex ("Base (RGB)", 2D) = "white" {}  
  4.     }  
  5.     SubShader {  
  6.         Tags { "Queue"="Geometry-20" }  
  7.           
  8.         ZWrite Off  
  9.           
  10.         LOD 200  
  11.           
  12.         CGPROGRAM  
  13.         #pragma surface surf Lambert  
  14.   
  15.         sampler2D _MainTex;  
  16.   
  17.         struct Input {  
  18.             float2 uv_MainTex;  
  19.         };  
  20.   
  21.         void surf (Input IN, inout SurfaceOutput o) {  
  22.             half4 c = tex2D (_MainTex, IN.uv_MainTex);  
  23.             o.Albedo = c.rgb;  
  24.             o.Alpha = c.a;  
  25.         }  
  26.         ENDCG  
  27.     }   
  28.     FallBack "Diffuse"  
  29. }  



解释


默认情况下,Unity会基于对象距离摄像机的远近来排序你的对象。因此,当一个对象离摄像机越近,它就会优先绘制在其他更远的对象上面。对于大多数情况这是有效并合适的,但是在一些特殊情况下,你可能想要自己控制对象的绘制顺序。而使用 Tags{}块我们就可以得到这样的控制。

Unity提供给我们一些默认的渲染队列,每一个对应一个唯一的值,来指导Unity绘制对象到屏幕上。这些内置的渲染队列被称为 Background, Geometry, AlphaTest, Transparent, Qverlay。这些队列不是随便创建的,它们是为了让我们更容易地编写Shader并处理实时渲染的。下面的表格描述了这些渲染队列的用法:

渲染队列渲染队列描述渲染队列值
Background这个队列被最先渲染。它被用于skyboxes等。1000
Geometry这是默认的渲染队列。它被用于绝大多数对象。不透明几何体使用该队列。2000
AlphaTest通道检查的几何体使用该队列。它和Geometry队列不同,对于在所有立体物体绘制后渲染的通道检查的对象,它更有效。2450
Transparent该渲染队列在Geometry和AlphaTest队列后被渲染。任何通道混合的(也就是说,那些不写入深度缓存的Shaders)对象使用该队列,例如玻璃和粒子效果。3000
Overlay该渲染队列是为覆盖物效果服务的。任何最后被渲染的对象使用该队列,例如镜头光晕。4000

因此,一旦你知道你的对象属于哪一个渲染队列,你就可以指定它的内置渲染队列标签。我们的Shader使用了Geometry队列,因此我们这样写: Tags { "Queue"="Geometry" }。但是,我们希望告诉我们的对象在我们的Geometry队列中的所有对象后面、Background队列对象的前面被绘制,因此我们修改为 Tags { "Queue"="Geometry-20" }。这样就告诉Unity,我们想要把这个对象当成一个立体物体,但是请在所有其他不透明对象后面渲染。

注意: Geometry对应的队列值是2000,所以 " Geometry - 20 "意味着使用队列值为1980的队列,而数值越小意味着越先被渲染,也就会被后面渲染的对象遮挡。

最后,我们还要在 SubShader块中声明 ZWrite标签。这告诉Unity,我们想要重写对象的深度排序,并且我们将会为它指定一个新的渲染队列。因此,我们就简单的把 ZWrite值设为 Off。(不设就没有效果)

Unity UI与粒子 层级问题Camera depth Sorting Layer Order in Layer RenderQueue Unity游戏开发中,模型、界面、特效等,需要规划好的概念,涉及到摄像机(Camera)、画布(Canvas)、Shader等相关内容。。 阅读详情

相关推荐

Unity渲染流水线详解

应用阶段(开发者拥有绝对控制权)由CPU处理,为接下来GPU的渲染操作提供所需要的几何信息,即输出渲染图元(Rendering Primitives)1,准备数据,将数据加载到显存中**剔除不需要的数据(如以包围盒为单位的视锥体剔除,遮挡剔除,层级剔除等)**第二步:**根据UI的深度值的顺序(DFS深度优先搜索)设置渲染的顺序。数值不相等时:数值越小越先被渲染不透明队列:RenderQueue2500,按摄像机距离从后到前排序。

lel18570471704的博客 3501

Unity-Shader-渲染队列

渲染简介 在渲染阶段,引擎所做的工作是把所有场景中对象按照一定的策略(顺序)进行渲染。最早的是画家算法,顾名思义,就是像画家画画一样,先画后面的物体,如果前面还有物体,那么就用前面的物体把后面的物体覆盖,不过这种方式由于排列是针对物体来排序的,而物体之间也可能有重叠,所以效果并不好。所以目前更加常用的方式是z-buffer算法,类似颜色缓冲区缓冲颜色,z-buffer中存储的是当前的深度信息,对于...

类人_猿的博客 4146

Unity UGUI整合3D特效:Render Texture、World Space与Screen Space方案全解析

在Unity游戏开发中,UI系统是连接玩家与游戏世界的核心界面。UGUI作为主流的2D界面解决方案,其基于Canvas的渲染机制高效且易用。然而,随着游戏品质的提升,开发者常需为静态UI注入动态、立体的视觉灵魂,这便引出了在2D UI中无缝整合3D模型、粒子等特效的技术需求。其核心原理在于协调不同的渲染管线与坐标空间,确保3D元素能正确排序、对齐并与UI交互。从技术价值看,这能极大提升界面的视觉冲击力与沉浸感,广泛应用于技能特效、角色展示、动态菜单等场景。本文聚焦于实现这一目标的三大主流方案:通过Rende

weixin_34082854的博客 423

Unity渲染顺序RenderQueue、SortingLayer、SortingOrder关系

Unity自带了一套物体间的决定渲染顺序的参数,其中最重要的三个为:SortingOrder、SortingOrder、RenderQueue。 SortingLayer在Inspector面板中点击Tag -> AddTag -> SortingLayer,可以添加自定义的sortingLayer,默认的sortingLayer为Default, 自定义的SortingLaye......

zengjunjie59的博客 7817

Shader编程中的色彩魔术:解密AlphaBlend混合模式的12种高阶玩法

本文深入解析Shader编程中AlphaBlend混合模式的12种高阶玩法,从基础原理到实战应用全面覆盖。通过Unity3D中的Shader代码示例,详细讲解加法混合、乘法混合、屏幕混合等技术的实现与优化技巧,帮助开发者掌握透明度混合的艺术,创造出火焰、全息投影等惊艳视觉效果。

weixin_29015899的博客 302

Unity UGUI虚线绘制避坑指南:LineRenderer、Shader与UI层级那些事儿

本文深入解析Unity UGUI中虚线绘制的技术方案与避坑指南,重点对比LineRenderer、Shader等实现方式的优缺点,并提供片元着色器作为最佳实践方案。详细探讨了渲染层级控制、性能优化及跨平台兼容性等核心问题,帮助开发者高效实现复杂UI虚线效果。

weixin_33976326的博客 557

unity 用法 队列queue_Unity3d shader中Queue 使用渲染队列进行深度排序

为了让我们真正明白透明度,我们需要了解一下深度排序,或者说,对象的绘制顺序。Unity允许我们控制一个特定对象绘制到屏幕上的顺序,因此我们可以更好地控制哪些对象应该覆盖在其他对象上。你可以把绘制顺序理解成Photoshop中的图层的概念。在处理透明度或者类似界面对象的元素时,绘制顺序尤其重要。本篇将会讲解如何使用Unity内置的标签(tags)来利用这个分层化的方法去渲染你的对象。这是非常重要的,...

weixin_42713608的博客 707

信号的自相关和互相关

自相关是描述信号与自身在不同时间延迟下的相似度,常用于信号的周期性分析和谱估计。互相关是描述两个信号之间在不同时间延迟下的相似度,常用于信号匹配、时延估计和信号检测。通过自相关和互相关,可以理解信号的特性、信号之间的关系,并用于许多信号处理任务,如检测、定位和谱分析。

weixin_44012667的博客 5408

Unity3D ShaderLab 修改渲染队列进行深度排序

Unity3D ShaderLab 修改渲染队列进行深度排序 为了更深刻的理解透明度,我们还需要学习一下深度排序,简单来说就是物体被渲染的先后顺序。 Unity允许我们通过代码来控制某个特定物体渲染到屏幕的顺序。这个做法类似于photoshop中图层的概念。 开始之前,准备工作还是新建Shader Material,准备测试场景。为了对比 是需要使用2个材质球的。 打开我们的shader,

cbbbc 1744

汇编语言与接口技术(第4版)清华大学出版社 第2章 80*86微处理器 课后题答案

汇编语言与接口技术(第4版)清华大学出版社 第2章 80*86微处理器 课后题答案

m0_51658788的博客 3609

高速DAC设计与实现--AD9122

目录 芯片简介: 功能配置设计 高速DAC软件驱动设计 芯片简介: AD9122 是一款双通道16位高性能数模转换器(DAC),在800MSPS工作条件下其无杂散动态范围(SFDR)高达72dBc,最高可提供1200 MSPS采样速率。 高速DAC--AD9122电路原理图 硬件设计的电路原理图如上图所示,AD9122具备针对直接变频传输应用进行优化的特性,包括复数数字调制以及增益与失调补偿。DAC输出经过优化后可直接与模拟正交调制器无缝接口,便于后期使...

独木舟216的博客 1万+

Unity3D Shader实战:深度解析透明度混合(AlphaBlend)的优化策略

本文深入探讨了Unity3D中透明度混合(AlphaBlend)的优化策略,从核心原理到实战技巧全面解析。文章详细分析了混合模式的性能痛点、GPU指令级优化、渲染队列管理等关键技术,并提供了UI优化等实战案例,帮助开发者提升渲染效率。特别强调了预乘Alpha和混合模式选择对性能的关键影响。

weixin_29013129的博客 319

【Python爬虫案例教学】超简洁代码采集原神所有角色信息

(。・∀・)ノ゙嗨 大家好,这里是池鱼

xiaoyuan_____的博客 2424

Unity3d Shader篇(十三)— 透明度混合(AlphaBlend)

在计算机图形学中,透明度混合(AlphaBlend)是一种常用的技术,用于实现透明效果。透明度混合允许将半透明物体与场景进行混合,以产生逼真的视觉效果。在Unity中,通过编写Shader可以实现透明度混合效果,本篇博客将介绍如何在Unity中使用Shader实现透明度混合效果。透明度混合(Alpha blending)是一种图形渲染技术,用于在渲染半透明物体时将其颜色与背景进行混合,从而产生透明效果。

脚踏实地,实事求是。 6568

SpringSecurity(15)——OAuth2密码模式

SpringSecurity Oauth2密码模式

peng_gx的博客 1521

华为OD机试真题 新系统 2026-08-16 Python&JS【智能家居模式调度优化】

智能家居系统中有多个自动化联动模式,每个模式 modes[i]=[start_time,end_time,power],表示它在左闭右开区间 [start_time,end_time) 内持续消耗固定功率 power。

MISAYAONE的博客 86

Unity3d Shader篇(十四)— 透明度混合(AlphaBlend)的深度优化与实战避坑

本文深入探讨了Unity3D中透明度混合(AlphaBlend)的深度优化与实战避坑技巧。通过分析深度测试与写入的平衡、混合公式的性能代价以及移动端优化策略,帮助开发者解决半透明物体渲染中的常见问题,提升游戏性能与视觉效果。特别针对Shader编写中的关键设置和高级混合技巧提供了实用建议。

weixin_29018335的博客 217

获取iOS设备唯一标识UUID(Swift版)

属性返回的UUID是与应用程序相关联的,也就是说,如果用户卸载并重新安装应用程序,该UUID可能会发生变化。如果您需要一个与设备相关的持久唯一标识符,您可以考虑使用Keychain或其他方法来存储和检索设备标识符。在iOS开发中,我们经常需要获取设备的唯一标识符来进行一些特定的操作,比如设备识别、数据追踪等。在本文中,我将向您展示如何使用Swift编程语言获取iOS设备的唯一标识UUID。通过上述代码,您可以在您的iOS应用程序中轻松获取设备的唯一标识符。属性来获取设备的唯一标识UUID。

BitNetO的博客 1922

Unity Shader-遮挡处理(X-Ray,遮挡描边,遮挡半透,遮挡溶解)

简介   第三人称游戏,我们经常会遇到相机被场景中的建筑物遮挡的情况。今天,本人就来研究一下相机被遮挡之后的处理。最简单的就是传说中的“鸵鸟法”,假装看不见,在一些游戏里面也有一些玩法设定,或者是本身遮挡较少,影响不大的情况,也可以直接不进行处理。 当然,更好一些的遮挡处理,就是X光的效果。在人物被遮挡的部分会透过遮挡物,用一个其他的颜色渲染出来。《火炬之光》中就使用过这个效果:

Truck_Truck的博客 4764

计算机视觉与深度学习 | 基于Matlab的多特征融合可视化指纹识别系统(附完整代码)

此系统展示了一个完整的指纹识别流程,实际应用中可以根据需求进一步优化算法,如改进方向场计算、增加脊线频率特征、使用更精确的匹配算法等。

尘世冰封的专栏 362

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

Unity高效线段绘制库drawLine:从原理到实战的性能优化指南

在Unity3D开发中,图形渲染性能优化是核心技术挑战之一,尤其涉及大量动态几何体绘制时。其核心原理在于通过网格合并与批次处理减少Draw Call,这是提升渲染效率的关键机制。从技术价值看,高效的线段绘制不仅关乎视觉表现,更是路径规划、轨迹回放、AR标注等场景的基础支撑。drawLine库正是针对Unity原生LineRenderer在动态更新、批量处理方面的不足,提供了轻量级解决方案。该库通过链式API设计、自动批处理机制和灵活的动态更新能力,显著提升了线段绘制的性能表现,特别适用于需要实时绘制大量线段

weixin_33881140的博客 463

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

ShaderForge可视化着色器编辑:从节点化工作流到实战效果实现

在实时图形渲染领域,着色器是实现丰富视觉表现的核心技术,它控制着物体表面的颜色、光照和材质属性。其工作原理是通过编写特定代码,在GPU上对每个像素或顶点进行计算和渲染。这项技术的价值在于能够高效地创造出从写实材质到风格化特效的各类视觉效果,广泛应用于游戏开发、影视动画和交互式媒体中。随着Unity等引擎的普及,如何降低着色器的创作门槛成为关键,可视化着色器编辑器应运而生。这类工具通过节点化、图形化的方式,将复杂的代码逻辑转化为直观的连线操作,极大地提升了美术和程序人员的工作效率与协作空间。本文聚焦于Shad

weixin_33994429的博客 365

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

【Unity Shaders】Transparency —— 使用渲染队列进行深度排序

本系列主要参考《Unity Shaders and Effects Cookbook》一书(感谢原书作者),同时会加上一点个人理解或拓展。这里是本书所有的插图。这里是本书所需的代码和资源(当然你也可以从官网下载)。========================================== 分割线==========================================写在...

weixin_34220623的博客 562

Unity 渲染顺序受哪些影响(相机depth、SortingLayer、Render Queue、透明)

1.Camera Depth: 越小越优先2.RenderQueue 2500以下1. 按照Sorting Layer/Order in Layer 设置的值,越小越优先2. 无此属性,等同于 Sorting Layer=default ,Order in Layer=0 参与排序2.RenderQueue 越小越优先3.RenderQueue 相等,由近到远排序优先3.RenderQueue 2500以上。

weixin_43757333的博客 3795
上一篇: Unity3d shader中RenderType的所有类型
下一篇: [UnityShader]渲染队列、ZWrite和ZTest
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值