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
1.9k累计阅读
1.9k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
参考书籍：《Unity Shader 入门精要》
Windows的位置：Unity安装路径/Data/CGIncludes。
官网下载：Unity 下载存档
民间翻译总结：shader内置函数
民间翻译总结：shader内置变量
DirectX语义：Semantics
在于精度。
是微软的一套规范，决定Shader各个特性的能力：运算指令数目、寄存器个数、纹理数数目等。
【Unity Shaders】Diffuse Shading——创建一个自定义的diffuse lighting model（漫反射光照模型）
上一篇中，我们学了怎样在surface shader（这里即指surf函数）中使用自己定义的Properties变量。而在之前的学习中，我们实际上使用的都是Unity内置的Diffuse Lighting Model，即漫反射光照模型。这一次，我们将学习如何让Unity使用我们自己定义的光照模型进行渲染。 准备工作 使用上一篇结束时的shader代码即可。Shader
Unity URP的四种shader model
https://docs.unity3d.com/Packages/com.unity.render-pipelines.universal@10.3/manual/shading-model.html 本例 用了一个Point Light 加 DirectionLight, Bakedlit这个模型需要设置物体为static 并且light模式设为mix 或者 baked Physically Based Shading Lit Particles Lit 这里用的是Lit,相当于老的stand.
Unity UI粒子特效裁剪：自定义Shader解决遮罩穿透问题
在游戏开发中，渲染排序和渲染队列是决定物体显示顺序的核心机制。当UI元素与粒子系统共存时，由于默认Shader不响应UI遮罩的裁剪指令，常出现粒子“穿透”UI面板的视觉问题。从技术原理看，这源于UI系统通过全局属性（如_clipRect）传递裁剪信息，而标准粒子Shader未包含相应的像素丢弃逻辑。为解决此问题，工程上最有效的方案是编写自定义Shader，在片段着色器中集成UI裁剪函数，实现像素级精准控制。这种方法不仅避免了额外摄像机或Render Texture的性能开销，还能完美适配RectMask2D
[UnityShader基础]GPU 与 Shader Model
本文转自：Rocky Lai 的技术博客，请点击链接查看原文，尊重楼主版权。 参考链接： https://en.wikipedia.org/wiki/Graphics_processing_unit https://baike.baidu.com/item/shader%20model?fr=aladdinCPU 之外的另外一个 PU - GPU随着计算机处理图形的计算量越来越来大，CPU难以
DDR Study - LPDDR5 Power-Up and Initialization Sequence
本文深入解析LPDDR5内存的上电初始化流程，涵盖电源斜坡、复位信号释放和初始化训练等关键阶段。通过实际案例分享，详细探讨了电源轨时序、RESET信号处理、ZQ校准和CA总线训练等核心技术要点，帮助硬件工程师规避常见设计陷阱，确保DDR内存稳定运行。
TMC2209串口配置实战：从寄存器解析到电机精准控制
本文详细解析TMC2209步进电机驱动芯片的串口配置方法，从硬件连接到UART通信协议，再到核心寄存器功能详解。通过实战案例展示电流控制、微步细分和速度调节等关键配置，帮助工程师实现电机精准控制，并提供了常见故障诊断和优化技巧。
unity-shader（入门）
Legacy Shaders/Particles/Additive 实现部分叠加效果,并非完全叠加,没有Addtive明亮,颜色更加接近贴图自身的颜色。 半透渲染效果。 Sprites/Diffuse 使图像接受全局光
房产平台系统小程序源码
🏠 一键解锁购房新体验 🔓房产小程序 实现前端 发布二手房 租房 商品 求租 求购等信息；后台发布 新房，二手房租房 商品 写字楼 求租求购等房源信息；功能完善的一块房产小程序。
GLSL中的各种接口变量总结
1、uint CreateShader(enum type) : 创建空的shader object; type: VERTEX_SHADER, 2、void ShaderSource(uint shader, sizeicount, const **string, const int *length)：加载shader源码进shader object；可能多个字符串 3、
PCB设计教程【入门篇】——PCB设计基础-PCB构成与组成
本教程基于B站Expert电子实验室的PCB设计教学的整理，为个人学习记录，旨在帮助PCB设计新手入门。所有内容仅作学习交流使用，无任何商业目的。若涉及侵权，请随时联系，将会立即处理。
在 Eclipse 中接入 DeepSeek：开启 Java 开发新效率
DeepSeek 能够根据自然语言描述，精准生成高质量的 Java 代码片段。无论是简单的方法编写，比如 “编写一个 Java 方法，用于计算两个整数的乘积”，还是复杂的类和功能模块创建，例如 “创建一个 Java 类，实现文件的读写操作，并包含异常处理机制”，它都能快速给出合理且可运行的代码示例。DeepSeek 生成的代码不仅实现了基本功能，还遵循 Java 的编码规范，添加了必要的注释，让代码更易于理解和维护，大大节省了开发者从头编写代码的时间和精力。
Unity Shader入门精要第四章：Unity Shader 的内置变量（数学篇）
Unity Shader 的内置变量
【UG\NX二次开发】多个带ui的dll怎么整合到一个dll
NX二次开发-群精选」专栏收录了那些曾散落在聊天对话框里的精彩的知识分享，这都是被遗落的宝贵财富。让我们一起向大佬学习，充满激情地进步，不断超越自己。底部联系方式，欢迎您加入一起交流。有大佬知道多个带ui的dll怎么整合到一个dll吗。
Unity Shader 内置函数
编写Unity Shader时有很多内置函数，在网上查找了一些，把他们记录了下来，以供大家参考使用 参考网址：http://www.cppblog.com/lai3d/archive/2008/10/23/64889.html 这个是MSDN上的，DirectX Documentation里也有，其实也就是HLSL的内置函数 Intrinsic Fun
YOLO26 实例分割技术：Mask 分支与特征融合
YOLO26实例分割技术研究摘要：本文提出了一种基于YOLO架构的高效实例分割方法，通过创新设计Mask分支和特征融合策略解决像素级分割精度、多尺度目标处理等挑战。系统采用共享Backbone提取特征，检测分支输出边界框和类别，Mask分支生成原型Mask和组合系数。核心创新包括：1)原型Mask生成与线性组合机制；2)检测与Mask特征共享；3)结合BCE和Dice的多任务损失函数。实验表明该方法在保持实时性的同时实现了高质量分割，为轻量级实例分割提供了新思路。
电气论文实现：前推回代在IEEE33节点中的潮流计算实现（matlab,python）
本文首先介绍了前推回代的原理。然后基于IEEE33节点算例，分别用python和matlab运用前推回代进行了潮流计算。
Unity Shader内置变量全解析：从核心原理到实战应用
在计算机图形学中，着色器是实现实时渲染效果的核心技术。其工作原理是通过GPU执行的小程序，对3D模型的顶点和像素进行数学变换与光照计算。理解着色器的底层机制，尤其是引擎自动提供的内置变量，是掌握高级渲染技术的关键。这些变量本质上是图形API或游戏引擎预定义的全局数据，涵盖了时间、空间变换、摄像机参数和光照信息等核心渲染状态。从技术价值看，熟练运用内置变量能极大提升开发效率，实现从基础材质到复杂动态效果的跨越。在应用场景上，无论是角色皮肤着色、场景环境交互，还是屏幕后处理特效，都离不开对内置变量的精准操控。本
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
Unity 内置Standard Shader UNITY_BRDF_PBS函数分析 (一)
改定义在UnityPBSLighting.cginc文件里。都在UnityStandardBRDF.cginc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")
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
Unity 4.1.5内置着色器源码深度解析：从Surface Shader到渲染优化实战
着色器（Shader）是计算机图形学中控制渲染效果的核心程序，它定义了3D模型表面每个像素的颜色、光照和材质表现。其工作原理基于GPU并行计算，通过顶点着色器和片元着色器管线处理几何变换与像素着色。掌握着色器编程对图形开发者至关重要，它能实现从基础光照到复杂特效的定制化渲染，直接影响视觉品质与运行性能。在游戏开发、影视特效、工业仿真等场景中，高效且稳定的着色器是保障流畅体验的关键。本文聚焦Unity引擎的Surface Shader框架与内置着色器源码，通过剖析Unity 4.1.5版本中结构清晰的经典实现
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
Shader 内置函数
编写Unity Shader时有很多内置函数，在网上查找了一些，把他们记录了下来，以供大家参考使用 参考网址：http://www.cppblog.com/lai3d/archive/2008/10/23/64889.html 这个是MSDN上的，DirectX Documentation里也有，其实也就是HLSL的内置函数 Intrinsic Functions (DirectX H...
Unity Shader入门：从核心概念到实战编写第一个着色器
在计算机图形学中，着色器（Shader）是控制渲染管线中顶点和像素处理的核心程序。其工作原理是通过GPU并行计算，将3D模型的顶点数据转换为屏幕像素的最终颜色，这一过程涉及模型-视图-投影矩阵变换、光栅化及片元计算等关键步骤。掌握着色器技术对于实现高质量实时渲染、优化图形性能具有重要价值，广泛应用于游戏开发、虚拟现实、影视特效等领域。在Unity引擎中，Shader通过ShaderLab进行封装管理，开发者可通过编写顶点与片元着色器实现从基础纯色到复杂纹理映射的视觉效果。本文以Unity Shader为切入
Unity_Shader学习(五)基础纹理Shader
在之前的学习中，我们学会了怎么样来实现基础光照Shader，但是在我们的应用中，很少只使用一个颜色，我们更多的使用纹理，使材质表现的信息更加的丰富。所以我们这一节来看一下使用贴图的基础纹理Shader是怎么实现的。 1.使用Blinn-Phong光照模型的单张纹理Shader： Shader "Custom/SingleTexture" { Properties { _Color...
技术美术面试全攻略：从Shader原理到UE4/Unity工程实践
在游戏开发领域，渲染管线与着色器（Shader）是实现视觉表现的核心技术。其原理基于图形学基础，通过顶点与片元着色器对模型进行坐标变换、光照计算与像素输出，最终实现从三维数据到二维屏幕的映射。这项技术的价值在于，它直接决定了游戏的画面质感、风格化表现与运行性能，是连接艺术创意与硬件执行的桥梁。在应用场景上，无论是实现PBR（基于物理的渲染）写实材质，还是卡通渲染（Toon Shading）等风格化效果，都离不开对Shader的深入理解与灵活运用。对于技术美术（TA）岗位而言，这不仅是实现视觉效果的必备技能，
Unity Shader坐标空间变换全解析：从原理到实战避坑指南
在计算机图形学与游戏开发中，坐标空间变换是3D模型从本地坐标最终渲染到2D屏幕的核心数学基础。其原理是通过一系列矩阵乘法，将顶点数据依次从模型空间转换到世界空间、观察空间、裁剪空间，最终映射到屏幕空间。掌握这套流程的技术价值在于，它是实现正确渲染、光照计算和屏幕后处理效果的基石，直接决定了物体位置、光照交互和特效表现的准确性。在Unity Shader开发等应用场景中，开发者常需处理顶点变换、法线变换以及齐次坐标等关键环节，并熟练运用unity_ObjectToWorld等内置矩阵。本文聚焦于坐标空间变换这
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
