很方便。。。

以上API的使用及示例程序,参考自网络,感谢原创者的分享!
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
2.2k累计阅读
2.2k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 →
码龄20年

Unity C#与JavaScript互调实战:原理、实现与性能优化
在Unity游戏开发中,脚本语言间的通信是处理遗留代码和整合异构技术栈的核心需求。其原理基于Unity的脚本编译流程,C#和UnityScript最终都被编译为.NET中间语言(IL),在运行时通过Mono或IL2CPP执行,这为跨语言调用提供了底层支持。从技术价值看,掌握互调机制不仅能高效处理历史遗留的UnityScript代码,避免全盘重写的高昂成本,更是深入理解Unity脚本生命周期、程序集加载和委托回调机制的实践窗口。在应用场景上,它特别适用于WebGL项目移植、老旧系统维护以及需要混合不同技术资产
Unity 解析JSON数据
需要用的 LitJson dll 连接:点击打开链接using LitJson;using System.Collections.Generic; using LitJson; public class JsonManager { #region 解析Json 返回数据 /// <summary> /// 解析Json返回sting /// ...
PhotoShop .psd文件格式读取分析(结合unity)
用了photoshop那么久,从来没仔细想过它到底用了哪些算法。想一想就觉得倒抽一口凉气。 传闻photoshop的创始人,和wps创始人一样,就一个程序员写好了这第一版的成品。同样是做人,咋就差距这么大呢? 千古疑问 所以这个.psd文件的格式是什么,它和png、jpg、gif,甚至json文件的格式上有什么区别? .psd文件是怎么做到分层的,分层的存储方式又是啥? 如何把.psd文件的单层图另外存储起来成为多个sprite?(没错就是Unity中的sprite)以及如何对其进行轮廓检测呢?(unit
JSON对象中获取指定key的值
平时处理Json对象时,想获取JSON对象中获取指定key的值,如下图,想直接取到"result"、"status"的值。 { "code":0, "message":"ok", "body":{ "result":"success", "status":"1" } } 下面以get类型http请求示例详细说明: import com.alibaba.fastjson.JSONObject; import...
保姆级教程:在通达信V7.611上配置欧奈尔RPS曲线(附完整公式与每日更新流程)
本文提供通达信V7.611配置欧奈尔RPS曲线的保姆级教程,涵盖从环境准备、基础设置到核心公式配置的全流程。详细讲解如何创建股票池、编写EXTRS基础公式及RPS显示公式,并附每日更新流程与实战应用技巧,帮助投资者精准捕捉强势股。
k最近邻算法——电影分类及案例详解
如图3-7所示,若将国际象棋棋盘放在二维直角坐标系中,格子的边长定义为1,坐标的x轴及y轴和棋盘方格平行,原点恰落在某一格的中心点,则王从一个位置走到其他位置需要的步数恰为二个位置的切比雪夫距离,因此切比雪夫距离也称为棋盘距离。关于这里的距离度量,这个电影分类的例子有2个特征,也就是2维的,可以使用我们高中学过的两点距离公式(两点距离公式其实就是欧氏距离在二维空间上的公式,也就是欧氏距离n的值为2的情况,欧氏距离也称为欧几里德距离)来计算距离,如图3-3所示。对数据进行归一化,避免量纲对计算距离的影响。
unity自带的JsonUtility.ToJson()无法序列化对象的自定义类型成员?
在使用unity编写客户端网络模块时发现unity自带的Json序列化函数JsonUtility.ToJson()有一些坑,如果序列化对象的属性成员中有自定义类型对象,那么序列化后该成员会为空,无法编码。代码如下: using System.Collections; using System.Collections.Generic; using UnityEngine; public clas...
Langchain4j 文档处理实战:从加载到分割的完整流程解析
本文详细解析了使用Langchain4j进行文档处理的完整流程,涵盖从文档加载、解析到分割的核心步骤。通过实战代码示例,重点介绍了如何利用文档分割器将大文档切割为适合大语言模型处理的片段,并提供了参数调优与避坑指南,帮助Java开发者高效构建AI应用的数据处理基础。
unity创建与解析json
今天翻看了一下之前的博客,发现写了好几篇关于加载json的文章,今天正好有时间就把之前的几篇文章的内容总结一下,然后在添加一些新内容。 在unity里边可以用的加载json的插件有:JsonUtility(unity自带)、LitJson、Newtonsoft等。插件各有优势,我就不一一列举了,我习惯使用unity自带的json插件,目前足够使用。 在创建json文件的时候有两种方法,第一种是手写,第二种是代码生成。 不推荐第一种方法,但是万一用到了一定要注意不要用windows自带的笔记本打开json文件
nRF5340双核实战:从Zephyr环境搭建到蓝牙协议栈部署
本文详细介绍了nRF5340双核处理器的开发实践,包括Zephyr环境搭建、蓝牙协议栈部署及双核协同工作配置。通过实战案例展示了如何利用nRF5340的双核异构架构提升蓝牙应用性能,并提供了调试技巧与资源优化建议,帮助开发者高效实现低功耗蓝牙设备开发。
Workbuddy+DeepSeek V4傻瓜流配置全指南:API接入、模型切换与Agent实战
AI编程助手的核心价值不在于模型本身,而在于如何稳定、安全、低门槛地调用其能力。Agent作为智能体范式,依赖可靠的运行时环境与标准化API通信;DeepSeek V4系列凭借高吞吐、低延迟和强工具调用支持,成为当前生产级Agent的理想引擎。Workbuddy则通过本地配置管理、环境变量注入与UTF-8无BOM容错等工程设计,将复杂部署简化为可复现、可版本化、可团队协同的实践流程。本文聚焦API接入路径下的真实卡点——从Key获取验证、models.json字段语义到沙箱权限控制,覆盖开发者在Window
Unity 3D JavaScript 脚本基础||Unity 3D C# 脚本基础
开发人员也可以在属性面板中对公共变量的值进行设置,设置后的值将会影响脚本的运行,相当于在脚本中对该变量进行了赋值。使用时,根据数值的可能大小,选择范围最小的类型,一般常用的类型为 short、int 和 long 3 种。变量主要用于存储数据,在 Unity 3D 的脚本中,每个变量必须拥有唯一的名称,脚本在识读变量时采用的是字符串匹配方式,所以对变量名称大小写敏感。在定义全局变量时,若没有特殊要求,不用对整数类型、浮点类型和布尔类型的变量进行初始化,整数类型和浮点类型的变量默认初始化为。
【项目实战】小智AI MCP协议在IoT设备控制中的深度应用解析
本文深度解析小智AI MCP协议在IoT设备控制中的应用实践。通过MCP协议作为AI与物联网设备的翻译桥梁,实现大语言模型与ESP32等硬件的无缝通信。文章详细介绍了环境搭建、工具注册、消息路由机制,并以语音控制RGB灯光系统为例展示完整开发流程,为AIoT开发者提供实用指南。
unity和js通信,json解析失败问题(JsonUtility.FromJson....)
内置的JsonUtility解析转为字符串的json会出现反编译失败问题,可能跟版本有关。
[附源码]计算机毕业设计Python财务管理系统(程序+源码+LW文档)
该项目含有源码、文档、程序、数据库、配套开发软件、软件安装教程项目运行环境配置:Pychram社区版+py项目技术:django + python+ Vue 等等组成,B/S模式 +pychram管理等等。环境需要1.运行环境:最好是python3.7.7,我们在这个版本上开发的。其他版本理论上也可以。2.pycharm环境:pycharm都可以。推荐pycharm社区版;3.mysql环境:建议是用5.7版本均可。
【Unity】【Pico】【VR开发】为何PICO打包后真机运行闪退
由于并没有开版权验证,而且闪退后也并没有弹框说版权问题,所以还是怀疑环境有什么地方不对。设置步骤,项目配置都没问题,Build也成功,Unity版本是符合要求的2022LTS版本,但是一在真机上运行就闪退。
突破Unity国际版下载限制:NoUnityCN的技术实现与应用指南
在全球化开发环境中,Unity开发者常面临国际版获取渠道受限、下载速度慢、版本管理复杂等核心问题。传统获取方式普遍存在三大痛点:官方CDN访问限制导致下载速度不稳定、版本覆盖不完整影响开发连续性、手动管理版本与组件依赖效率低下。这些问题直接制约了开发团队的工作效率和版本迭代速度,尤其对需要保持环境一致性的团队协作场景造成显著影响。 NoUnityCN项目通过技术创新,构建了一套完整的解决方案,从
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。
unity 发布web GL读取MySQL数据库——小白版
工作需要,项目需要刷新读取sql数据,且unity需要发布webgl版本,但是unity在webgl的平台下无法支持直连MySql, 所以想来很多的解决办法。 socket连接,适用于多客户端,网上的资料大部分都是聊天室的,因此不予考虑。 在Java同事的帮助下,找到了正式的解决办法。 整个数据流如下: unity——>javascript——>mysql ja...
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
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")
unity读取MySQL数据表内容_unity 发布web GL读取MySQL数据库——小白版
工作需要,项目需要刷新读取sql数据,且unity需要发布webgl版本,但是unity在webgl的平台下无法支持直连MySql,所以想来很多的解决办法。socket连接,适用于多客户端,网上的资料大部分都是聊天室的,因此不予考虑。在Java同事的帮助下,找到了正式的解决办法。整个数据流如下:unity——>javascript——>mysqljavaspcrit刷新读取sql数据,...
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
Unity 通过www请求发送Form表单,Node服务器post接收数据并返回值
Node端: var express=require('express'); var fs=require('fs'); var url=require('url'); var bodyParser=require('body-parser'); var app=express(); app.use(bodyParser.urlencoded({extended:false})) //这句很重要 //接收用户id,并去数据库查询 app.post('/SkierCamInfo..
微软亚洲研究院比赛记:hackathon! MPC,Fight!
现在离截止时间还有十一个小时………….我刚写完了一段字符串处理代码正好乘着我们旁边北邮OI选手,以及队友睡着了 我来文字直播下比赛。主题:微软2016在build上统筹了五大交互技术也就是win hello 认知服务(牛津计划) cortana ink kinect可以说这些都是为Hololens在铺平道路。那么除了以上这些扯淡内容我们来正式直播比赛我们要使用这些最新的人工智能和人机交互成果来产
unity3d发布WebGL格式读取Excel文件
unity3d本身可以读取excel文件,引入一个dll就可以了。但是当打包发布成webgl格式的时候,首先File就不能用了,所以必须借助JS来读取Excel,然后将读取的结果发送给unity3d。 html代码: <!DOCTYPE html> <html lang="en-us"> <head> <meta charset="utf...
unity发布web嵌入到前端页面的接受参数
unity发布web嵌入到网页前端里接收token的方法
unity 读取mysql表_unity 发布web GL读取MySQL数据库——小白版
工作需要,项目需要刷新读取sql数据,且unity需要发布webgl版本,但是unity在webgl的平台下无法支持直连MySql,所以想来很多的解决办法。socket连接,适用于多客户端,网上的资料大部分都是聊天室的,因此不予考虑。在Java同事的帮助下,找到了正式的解决办法。整个数据流如下:unity——>javascript——>mysqljavaspcrit刷新读取sql数据,...
【Unity 工程化】Package
unity
unity webgl获取页面Token信息,及加载StreamingAssets下.txt
接收JS端传回的token信息,如: jwt~eyJhbGciOiJIUzI1NiIsIlR5cGUiOiJKd3QiLCJ0eXAiOiJKV1QifQ.eyJwYXNzd29yZCI6IjEyMzQ1NiIsImV4cCI6MTY0MjEzODIyNCwidXNlcm5hbWUiOiIxMTkwMjA1MTY5In0.ucdrtqfwOpaEzQkMHOWY7S_nvSTgOroRPa2T9y3H4q0 或者UserInf信息,如: userinfo~{"id":111,"mobile":"18.
5467
306

被折叠的 条评论
为什么被折叠?



