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
600+累计阅读
690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
Q1：在GPU分析器里面看到，同一个NGUI的图集被绘制了很多次。请问是否是由于各个界面Panel不一样导致的？这种情况下如何优化？
图片中红框处的内容其实并不是同一个Atlas被多次渲染，而是拥有同一Atlas的不同Widgets在进行渲染。这些Widgets的Mesh是动态生成的，且在不同的Draw
Call中，NGUI在生成它们时根据所使用的Atlas的名字进行命名，所以才会出现图片中的现象。究其原因，是因为NGUI中UI界面的Draw Call是以Panel为单位的，对于使用相同Atlas的Widget，如果被包含在不同的Panel中，那么它们将不会被合并到一个Draw Call中，因此在Unity Profiler中的Render.Mesh中出现了多个相同名称的UIMesh。一般来说，我们建议研发团队在UI制作时尽可能将同一Atlas中的UI元素放在同一Panel中使用，这样将会有效避免额外Draw
Call的生成。
Unity 性能精讲
STM32与小米CyberGear微电机的CAN通信协议深度解析
本文深度解析STM32与小米CyberGear微电机的CAN通信协议，涵盖硬件连接、CAN总线配置、通信协议解析及多电机协同控制。重点介绍了基于STM32的电机控制实践，包括运动模式、速度与位置模式设置，以及数据反馈与故障诊断，为机器人及自动化设备开发提供实用指南。
（十）UI Mesh
（十）UI Mesh
避开这些坑！Kaggle数据集下载常见问题及解决方案（含Header Editor插件配置）
本文针对Kaggle数据集下载过程中的常见难题，提供了系统性的解决方案。重点解决了验证码无法显示、API安装失败、密钥文件配置错误及下载命令执行问题，并详细介绍了使用Header Editor插件配置请求头以绕过验证码障碍的实战方法，帮助用户高效获取数据。
Unity3D给UI添加Mesh形状技术详解
美术希望在3D UI中显示自定义的网格，比如显示一个带弧形的UI。纯3D确实是可以做的，但是涉及到UI事件或者裁切就无法统一。 由于默认的UI是矩形，UI的显示与相应区域就是RectTransform的size，如果我们使用自定义Mesh的UI那么显示区域就要单独调整，比如单独设置显示的旋转、缩放、平移。 如下图所示，显示区域和响应区域是不一样的。 如下图所示，MeshImage就是我封装的UI组件，这时候调整overridePostion、 overrideRotation 、overrid
15 君正IPC库开发总结
在前面的章节中，我们介绍了君正ISP、视频采集、音频采集、音频播放、云台电机、移动侦测算法、人形侦测算法、移动跟踪算法等的封装。那么，应用层如何使用这些封装好的接口呢？根据设计模式中的依赖倒置原则：高层次的模块不应该依赖于低层次的模块，它们都应该依赖于抽象。因此，应用层应当只能感知到我们封装的接口类，而不应当感知到其对应的具体实现类。
迟滞电压比较器电路的原理与计算
迟滞电压比较器是一种具有双阈值特性的电路，通过正反馈机制实现抗噪声干扰功能。文章详细分析了其工作原理，包括同相型和反相型两种结构的电压阈值计算与电阻设计方法，并提供了已知门限求电阻和已知电阻求门限的推导公式。工程应用中需注意输出类型匹配、电阻取值范围、噪声裕量设计等问题。该比较器在信号处理、波形转换等场景中具有重要应用价值，设计时需综合考虑供电电压、参考电压和噪声特性等因素。
Unity---------Mesh理解
Mesh顾名思义“网格”，Unity3D里面所有的模型都是由Mesh组成的，UI也不例外。 例如下图，模型上的一个个小网格就是Mesh，这些Mesh有不同的三维顶点（Vector3），共同组成了一个3D模型。 Unity3D中Mesh的基本单位是三角形，学习应该由浅入深，所以今天我们就从最基本最简单的等腰三角形开始画起。 本文作者尚为初学者，如有理解不到位的地方，欢迎指正。 首先...
kylinos-SP3的软件包降级到V10-SP1中的版本
如果想再次回退到原来版本，将repo改为原来的SP3版本，然后执行yum history 查看ID号，执行yum history rollback ID就可以恢复了。此时我们发现已安装的版本是1.32-2.ky10，而sp1网络源里的版本是1.30-11.ky10，我们将降级安装网络源中的低版本软件包。近期有个客户想要把kylinos-V10-sp3的软件包降级到kylinos-V10-SP1的版本。3、以tar包为例，查看已安装版本及网络源中其他版本。1、查看系统版本，确认是V10-SP3。
mesh渲染到ui_Unity中UI曲面化
在VR下面，曲面UI可以提升用户在场景中的沉浸感，获得更好的视觉体验方案选择做一套基于曲面的UI我们项目中基本只用到Image和Text两种，Image是比较好处理的，直接将Texture贴到一个曲面的mesh上就可以了，但是Text相对比较麻烦。我们无法简单的取到某一段文字的Texture，必须自己从字体文件里面裁剪每个文字的Texture，然后拼接到一个Texture，然后再将最终的纹理贴到一...
15、Qt开发中的停靠窗口、工具栏与多文档界面实现
本文详细介绍了Qt开发中停靠窗口、工具栏与多文档界面（MDI）的实现方法。通过QDockWidget和QToolBar构建灵活的用户界面，并利用QMainWindow的saveState和restoreState功能实现布局持久化；使用QMdiArea和QMdiSubWindow实现多文档管理，结合MainWindow与Editor类完成文件操作与窗口控制。文章包含完整代码示例、流程图与表格总结，适用于开发集成环境、文本编辑器等复杂桌面应用。
【Unity小游戏】整整一个周末写一款《皇室战争 玩法》 的 即时战斗类 游戏Demo。两万多字游戏制作过程+解析
Unity游戏制作，本篇文章介绍了复刻皇室战争玩法的一个自制小游戏，共有该游戏的两万字教程加制作过程，欢迎品尝！ 世界上没有绝对的公平，如果我们起点就比别人第一步，那就更需要比别人努力了。
Q&A——UI输入（二）
UI输入 Q1：关于UI的Mask遮挡特效，能否提供一些解决思路呢？ 目前由于UI与粒子系统是两个相对独立的模块，因此两者的Mask遮挡并没有简单直接的方法。我们建议从以下几种方式来考虑实现： 将粒子系统转为序列帧，通过纯UI的方式来实现； 通过RenderTexture，添加一个相机来实现方形的“裁剪”； 参考UI的内置Shader，编写一个受Stencil B
Matlab在线性代数中的应用（一）：向量组的线性相关性
求列向量组A的一个最大线性无关组可用命令rref(A)将A化成行最简形，其中单位向量对应的列向量即为最大线性无关组所含向量，其它列向量的坐标即为其对应向量用最大线性无关组线性表示的系数。 01 — 例1 求下列矩阵列向量组的一个最大无关组。 解：编写脚本文件如下： >>format rat a=[1,-2,-1,0,2;-2,4,2,6,-6;2,-1,0,2,3;3,3,3,3,4]; b=rref(a) 求得： b...
Q&A——UI输入（一）
UI输入 Q1：在使用NGUI时，我们通常会将很多小图打成一个大的图集，以优化内存和Draw Call。而在UGUI时代，UI所使用的Image必须是Sprite；Unity提供了SpritePacker。 它的工作流程和UGUI Atlas Paker有较大的差别。在Unity Asset中，我们压根看不到图集的存在。 问题是： 1. SpritePacker大概的工作机制是什么样的
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！
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")
Q&A——UI
UI Q1：能否在NGUI多分辨率适应方面提供一些解决方案或者思路？ 多分辨率适应涉及到以下几个方面： 布局。通常可以通过 NGUI 中的 Anchor 组件来实现，能够保证 UI 到屏幕上指定锚点的距离； UI 背景图比例。通常我们建议将背景图的长宽比放大，以适配不同长宽比的屏幕，但要注意两边需要留空，或者保留可被裁掉的元素； UI 的整体缩放。可以通过 UIR
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
Q&A——性能优化（一）
性能优化 Q1：如图，我们在UI打开或者移动到某处的时候经常会观测到CPU上的冲激，经过进一步观察发现是因为Instantiate产生了大量的GC。想请问下Instantiate是否应该产生GC呢？我们能否通过资源制作上的调整来避免这样的GC呢？如下图，因为一次性产生若干MB的GC在直观感受上还是很可观的。 准确的说这些 GC Alloc 并不是由Instantiate 直
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
Q&A——资源管理（七）
资源管理 Q1：我想请教一下，下图这个函数中，每次我都申请了一个List temp = list();在这里存放6KB的数据，但是如果不做GC处理，这6KB是否就一直累加，直到做GC处理了才会释放掉，是这样么？如果调用次数很多，每次都调用一点点，也会推高内存占用吗？ A：是的，这个6KB堆内存会随着Update的执行一直分配内存，所累积的堆内存会在GC触发时进行销毁。一般来说，研发
Q&A——资源管理（一）
资源管理 Q1：iOS上PVRTC不支持NPOT的贴图压缩，在Android上可以用ETC2，但在iOS上不能压缩，内存消耗大。请问在iOS上有没有好的处理方案？ ETC2仅能在支持OpenGL ES3.0的手机上进行使用，请研发团队在使用前谨慎考察支持ES3.0的手机在国内的覆盖范围。 PVRTC不支持NPOT的贴图压缩，这是Apple规定的，上层应用无权对此更改。我们仅能建议将纹
Q&A——资源管理（九）
资源管理 Q1：我在UGUI里更改了Image的Color属性，那么Canvas是否会重建？我只想借用它的Color做Animation里的变化量。 如果修改的是Image组件上的Color属性，其原理是修改顶点色，因此是会引起网格的Rebuild的（即Canvas.BuildBatch操作，同时也会有Canvas.SendWillRenderCanvases的开销）。而通过修改顶
Q&A——资源管理（十三）
资源管理 Q1：如下图，在UWA性能报告中，我们发现Camera.Render下CreateVBO的开销较高，请问这个是如何引起的？ 从图中可以看出，Mesh.CreateVBO是在半透明渲染的开销之下，说明这是半透明物体的渲染引起的。在我们目前测评过的项目中，仅使用NGUI的项目会在此处出现不同程度的CreateVBO的CPU开销。对此，建议研发团队首先确认其UI系统是否使用
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
362
扫一扫
