PlasticHub正式上线啦!直击小U争福利现场:P

PlasticHub与Unity中文课堂合作推出活动,参与者完成指定免费课程作业并提交至PlasticSCM云端平台,即可获得50元Unity中文课堂代金券。此外,分享心得还有机会赢得Unity经典款Logo周边。活动截止日期为11月20日,全英文提交信息格式需遵循特定规则。
那天公司技术大佬找到我,说 PlasticHub 跟 Unity 中文课堂联合整了一个活动,要给宣传宣传。我打开图片一看 ↓
我:不懂就问,PlasticHub 是啥?
技术大佬:是专业 Unity 版本工具 PlasticSCM 对应的云端项目托管协作平台。
技术大佬:看样子是没听懂。之前发过 PlasticSCM 的文章,赶紧点击 这里 恶补一下。
这次上线的是 PlasticSCM 的云端项目托管协作平台 PlasticHub ,可以帮助开发者更好的对项目进行管理和协作,也通过开源的方式分享或者展示项目。
PlasticHub 网页:
我:得嘞~咱这次活动具体是啥?
技术大佬:很简单,从以下 6 门免费课程中任选其一,将课程作业提交到 PlasticHub 上,就能获得 Unity 中文课堂价值 50 元代金券 。
参与活动的课程:
栋哥带你学 Unity 实时光追系列
  • Unity 最新版本控制系统 PlasticSCM 系列课
  • 基于 Addressable 和 CCD 的资源更新方案详解
  • Unity 小提示与小技巧(上)
  • Unity 小提示与小技巧(下)
  • Bolt 三部曲系列:如何使用 Bolt 做 2D 游戏
只需以下三步 ,就可以领取到 50 元代金券。
贴心提示:使用 PlasticSCM 提交作业时,记得在提交信息中使用如下格式:
[user comments] + LearnId:[中文课堂用户24位learnId]
例如:
PlasticHub Homework LearnId:123456789012345678901234
  • 一定要使用全英文输入法,冒号后无空格
完成作业后,大家就可以在 Plastic 通知消息中收到兑换码啦:
视频教程看这里:
我:大佬细致!交个作业就能得 50 元 Unity 中文课堂代金券?这也太划算了吧。
技术大佬:嗯哼,50 元以上的课程都能用, 11 月 30 日 之前均有效。
我:那作业做得特别好的,咱能给点儿额外福利不?
技术大佬:我想想哈。
我:后台好多粉丝想要 Unity 经典款 Logo 的周边,咱整一波?
技术大佬:你就是想清库存吧 =_=
我:哈哈哈,共赢共赢
技术大佬:好,成功提交作业的同学,可以在 Unity 社区里分享作业心得,并把心得链接发在 PlasticHub 活动作业征集贴中。这次有 6 门课,每门课选 6 位优秀作品, 送经典款 Logo 周边 。
共送出36份经典款Logo周边,先到先得
我:妥~ 我整理下。

交作业,拿50元优惠券

学习以下课程,并提交作业,即可拿到 Unity 中文课堂 50 元优惠券。详细步骤,请见上方技术大佬的解读。

分享心得,赢绝版周边

本次共送出 36 份绝版经典款 Logo 周边,赢取步骤如下:
  • 在 Unity 社区 分享本次使用 PlasticHub 的心得
  • 把心得链接发在 PlasticHub 活动作业征集贴中
  • 等待老师们打分,每门课将送出 6 个绝版周边
Unity 社区:
作业征集帖:
技术大佬: 本次活动截止日期为 11 月 20 日 。大家在做作业以及优惠券的使用中遇到任何问题,都可以到官方 Plastic 技术交流 QQ 群提问 ↓
内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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