图形学基础|屏幕空间反射(SSR)

VIP图形学基础|屏幕空间反射(SSR)
图形学基础|屏幕空间反射(SSR)文章目录图形学基础|屏幕空间反射(SSR)一、前言二、反射技术概述2.1 环境贴图反射2.2 IBL反射2.3 平面反射(Planar Reflections)2.4 屏幕空间反射(Screen Space Reflection)2.4.1 SSR的基本原理2.4.2 SSR的优缺点三、SSR(Screen-Space Reflection)实现3.1 Efficient GPU Screen-Space Ray Tracing3.1.1 2D Raymarching v
开通可读全文 ·3w 人阅读
最低0.47元/天 解锁文章

图形学基础|屏幕空间反射(SSR)

一、前言

反射效果,是游戏中比较常见且重要的一个效果。

在表现光滑的表面(金属、光滑地面)、水面(湖面、地面积水)等材质时,反射出场景中的其他物体,可以让画面质量有很大提升,丰富真实感。

在这里插入图片描述

在这里插入图片描述

当粗糙度越小,镜面反射的反射波瓣更加狭窄,光照更加高频,精度要求也更高。

在这里插入图片描述

本文将对实现反射效果的一些技术做简单的概述,并着重介绍基于屏幕空间的反射技术。

以下是笔者的一些笔记。如有错误,还请见谅。

二、反射技术概述

这里所说的反射,属于间接光照的范畴。

直接光照下的反射是指:光源出发经过物体表面直接反射进入眼睛的光照。

间接光照下的反射是指:当物体的表面比较光滑(如镜面,金属),其表面可以反射周围环境,反射的光线进入人眼。

间接光照下的反射,如果严格计算求解,是相当复杂的:

  1. 需要对表面上的像素在其法线方向做半球积分;
  2. 并且光线经反射会继续地传递下去,直至能量衰减为0;

在实时渲染当中,完整地计算求解间接光照下的反射是很困难的,因此需要通过各种技术手段模拟和近似反射效果。

各种性能友好的反射方法就应运而生,其中包含了以下几种常用的技术方案:

  • 环境贴图反射;
  • IBL反射;
  • 平面反射;
  • 屏幕空间反射;

2.1 环境贴图反射

最简单的模拟反射效果的技术方案是环境贴图反射(CubeMap反射)。

这种技术通过计算反射的向量,采样(Fetch)环境贴图,从而实现反射的效果。

环境贴图

环境贴图CubeMap最简单的情况就是静态的环境,可以通过预先烘焙进行存储,在运行时加载渲染。

如下展示了天空盒的渲染,其中,OpenGL渲染时需要注意CubeMap的方向问题。

在这里插入图片描述

并且,环境贴图的存储方式并不局限于CubeMap(立方体),还可以是八面体映射等。

环境映射技术漫谈博文中介绍了四种环境映射技术的原理并分析了它们的优缺点。

反射向量

对环境贴图的采样需要反射向量,

计算反射向量的原理可参考图形学相关数学(反射,折射公式)。

在这里插入图片描述

或在HLSL中,直接使用 reflect 函数,入射方向和法向量都为单位向量。

// 注意,V方向是指向相机的方向
// 使用reflect,需要使用反向V
float3 L = reflect(-V, N);

伪代码

模拟天空盒反射的着色器如下:

float4 PS(float2 Tex : TEXCOORD, float4 SVPosition : SV_Position) : SV_Target
{
	float3 N = normalize(v_normal);
    float3 V = normalize(v_camera_position - v_world_position);
    float3 L = reflect(-V, N);
    float3 Color = CubeMap.SampleLevel(LinearSampler, L, 0).xyz;
    return float4(Color,1.0f);
}

2.2 IBL反射

2.1的环境贴图(天空盒)反射并没有考虑到粗糙度,reflect求解的反射向量是完全镜面反射。

在PBR的IBL环境光计算中,考虑到粗糙度,根据表面的粗糙度来计算环境纹理的平均值。

因为它需要获取一个区域的所有像素,所以发射多条光线进行采样计算平均值很慢。

幸运的是,GPU可存储mipmap,mipmap是图像的模糊版本,这也适用于Cubemap。

将预预过滤环境贴图存储在Mipmap中,通过粗糙度映射计算Mipmap等级,我们就可以从立方体贴图获取一个区域的环境纹理平均值了。

实现方面可以参考笔者之前文章中的5.2.2 Prefilter EnvironmentMap。

在这里插入图片描述

在实际应用时,会在场景中放置多个Reflection Probe/反射探针。

在场景中选择一些关键位置,每个Reflection Probe都以自己所在位置为中心烘焙周围的环境光照。

在渲染场景中的物体时, 选择一个或多个最近的Refelction Probe, 来确定周围的环境光照信息,尽管反射不够精确,但反射足够接近。

在这里插入图片描述

2.3 平面反射(Planar Reflections)

如果我们只关心平面上的反射,有这样一个办法。

在平面上反射的相机的角度渲染场景,将结果存储在纹理中,并在最终渲染过程中使用它。

如果是粗糙的平面,可以对得到的像再次进行模糊等后处理。

在这里插入图片描述

这是昂贵的,因为需要对反射进行整个场景的完整渲染。

可参考的实现有:

2.4 屏幕空间反射(Screen Space Reflection)

2.4.1 SSR的基本原理

屏幕空间反射(Screen Space Reflection,SSR),是一个非常著名的基于屏幕空间的技术。

由于镜面反射的波瓣很窄,意味着可以使用少量的光线模拟反射,从而就可以得到不错的效果。

算法本身的原理非常简单:

  1. 对于屏幕空间上的物体的每个像素,根据该像素对应的法线和视线信息,求解出反射向量;
  2. 当前点沿着反射向量在屏幕空间进行步进,判断步进后的坐标深度与深度缓存中存储的物体深度是否相交;
  3. 若相交,取交点处的物体颜色作为最终的反射颜色;

在这里插入图片描述

2.4.2 SSR的优缺点

优点:

  1. 针对任何面都可以实时反射,不需要求平面。
  2. 不需要额外的DrawCall,没有Planar Reflection那种翻倍DC的问题,计算都在GPU,解放CPU。
  3. 只需要额外的后处理Pass处理,无需大规模改动引擎管线,容易集成。
  4. 可以与Reflection Probe等结合使用。

缺点:

  1. 需要全屏深度和全屏法线,延迟渲染管线中是可以免费拿到的!但是前向渲染的话,需要额外渲染一遍DepthNormalMap。
  2. Shader中需要进行RayMarching,对于GPU的负载较大,且步进是有一定步长的,它本身不可能非常精确。
  3. 效果存在自身缺陷,由于只有屏幕可见的物体信息,不在屏幕内的,就完全不会反射。这属于技术本身的瓶颈。

三、SSR(Screen-Space Reflection)实现

3.1 Efficient GPU Screen-Space Ray Tracing

2.4.1中介绍了屏幕空间反射的基本原理:

  • 在屏幕空间进行光线步进(Ray Marching)代替三维空间的光线步进,通过深度缓存判断是否相交。若相交,取交点处的物体颜色作为最终的反射颜色。
3.1.1 2D Raymarching vs 3D Raymarching

问题1:为什么要用屏幕空间的光线步进代替三维空间的光线步进呢?

三维空间的光线步进过程如下(以世界空间为例):

  1. 对于着色点 x x x,根据其法线和视角方向,计算得到反射方向 R R R;
  2. 以着色点 x x x为起点,沿着反射方向 R R R,每次步进一定距离,得到一个新的点,记作 x i x_i xi​, x i = x + i ∗ Δ p x_i = x + i * \Delta p xi​
VIP UE4-(反射)屏幕空间反射 一、 屏幕空间反射(Screen Space Reflection 即 SSR)效果默认启用,如果场景中没有更改其他反射条件的情况下,只能使用屏幕空间反射。 也就是物体材质粗糙度值比较小,物体表面光滑时,物体表面所造成的反射效果。 现象:仔细注意会发现,当我们适当调整摄像机角度,就能够看到反射的效果,但是并不能看到整个场景中的画面,一定位置时反射画面会消失。 原因:屏幕空间反射有一定的局限性,它们只能反射当前已经渲染的画面(也就是你的相机所看到的场景画面,你的视角能看到多少,反射出来的效果也 开通可读全文·1.4w 阅读·3 点赞·15 收藏 阅读全文

相关推荐

《异环》多平台画质技术深度对比:PC、PS5与移动端的渲染差异与优化策略

在游戏开发与图形学领域,多平台适配与画质优化是核心技术挑战。其原理在于针对不同硬件架构(如x86 PC、定制化主机APU、移动端ARM SoC)设计差异化的渲染方案,涉及图形API选择、着色器编译、纹理流送与后处理效果的精简。这项技术的核心价值在于平衡视觉表现与性能,实现跨设备的最佳用户体验。应用场景广泛,从3A大作到移动游戏,都需要根据平台特性进行渲染管线调整,例如在PC上利用DirectX 12/Vulkan进行底层优化,在移动端则需重点管理带宽与功耗。本文以《异环》为案例,具体分析了动态分辨率缩放、全

weixin_34099526的博客 402

URP屏幕空间反射(SSR)实现指南:从原理到性能优化

屏幕空间反射(SSR)是一种实时渲染技术,它利用当前帧已渲染的屏幕颜色和深度信息,模拟光线在表面间的反射行为。其核心原理是通过射线步进算法,在屏幕空间内追踪反射光线并与场景深度进行比较,从而动态生成反射效果。这项技术的价值在于能够以相对较低的性能开销,为水面、金属、光洁地板等表面提供动态、高精度的环境反射,显著提升场景的真实感和沉浸感。在Unity URP项目中实现SSR,需要深入理解其渲染管线架构,通过自定义Renderer Feature和全屏着色器,结合深度纹理与GBuffer数据,并针对性能优化和常

weixin_33908217的博客 313

Unity Shader-反射效果(CubeMap,Reflection Probe,Planar Reflection,Screen Space Reflection)

简介 反射效果,是一个渲染中很重要的一个效果。在表现光滑表面(金属,光滑地面),水面(湖面,地面积水)等材质的时候,加上反射,都可以画面效果有很大的提升。来看几张图: 先来张最近比较火爆的国产大作《逆水寒》的镜湖,我木有钱钱进副本,只好从网上找了个截图,感觉很漂亮哈。 《罗马之子》主角的金属盔甲反射&远处水面倒影反射。 《耻辱-外魔之死》地面积水的反射,只反射了静态场景...

puppet_master的专栏 5万+

Unity URP屏幕空间反射(SSR)实现:从原理到实战优化

实时渲染中的反射技术是提升游戏画面沉浸感的关键。其核心原理是通过模拟光线在表面的反射行为,为材质增添真实的光照交互。屏幕空间反射(SSR)作为一种先进的实时渲染技术,它直接在当前帧的屏幕像素数据中进行光线追踪,动态捕捉所有可见物体的反射,完美解决了传统反射探针对动态物体支持不足的痛点。这项技术的价值在于,它无需预计算,能实时反映场景变化,是实现动态水面倒影、光滑金属表面等高精度反射效果的基石。在Unity的通用渲染管线(URP)中,开发者可以通过编写全屏后处理Shader或自定义Renderer Featu

weixin_33850015的博客 405

Unreal Engine开发:高级渲染技术_15.屏幕空间反射与折射

打开材质编辑器在内容浏览器中右键点击,选择Material->Material,创建一个新的材质。双击打开材质编辑器。设置材质属性在材质编辑器的细节面板中,设置Blend Mode为。设置为。添加屏幕空间反射节点在材质编辑器中,右键点击并搜索,添加该节点。将节点的输出连接到材质的输入端。打开材质编辑器在内容浏览器中右键点击,选择Material->Material,创建一个新的材质。双击打开材质编辑器。设置材质属性在材质编辑器的细节面板中,设置Blend Mode为。设置为Glass。

chenlz2007的博客 1277

Unreal Engine开发:高级渲染技术_9.屏幕空间反射与折射

如果需要自定义屏幕空间反射效果,可以通过编写自定义的材质表达式来实现。// 材质表达式// 1. 获取表面法线// 2. 计算反射光线方向// 3. 在屏幕空间中进行采样// 获取表面法线// 获取入射光线方向// 计算反射光线方向// 将反射光线方向转换为屏幕空间方向// 在屏幕空间中进行采样i++) {// 检查是否命中物体break;// 将反射颜色与基础颜色混合如果需要自定义屏幕空间折射效果,可以通过编写自定义的材质表达式来实现。// 材质表达式。

chenlz2007的博客 952

ScreenSpaceReflection:屏幕空间反射教程项目

屏幕空间反射 屏幕空间反射教程项目

COMSOL相场法模拟枝晶生长:溶质偏析模型搭建全流程

凝固过程中枝晶形貌与溶质偏析直接决定铸件微观组织与力学性能,是材料加工领域长期关注的核心问题。相场法凭借弥散界面描述天然处理拓扑演化,成为模拟枝晶生长的主流数值方法,而通用有限元平台COMSOL为自定义偏微分方程求解提供了高度灵活的实现路径。从热力学驱动、界面各向异性到溶质再分配,模型需准确耦合相场方程与浓度扩散方程,才能在二元合金凝固模拟中还原真实枝晶尖端速度、二次臂形貌及界面富集行为。围绕溶质偏析这一关键变量,建模过程涉及无量纲化参数标定、反溶质截留项配置、分离式求解器与网格各向异性控制等核心细节。该方

weixin_30402231的博客 309

【点云数据集】整理汇总(自用,更新ing)

涵盖了各种不同的城市场景:教堂、街道、铁路轨道、广场、村庄、足球场、城堡等等。邮件地址:dmich-request@graphics.stanford.edu,内容需包含:1. 您的姓名、头衔或职位,以及所在机构或隶属关系;license比较难获取,目前可获取的人员:(1)目前隶属于大学、工业研究实验室或其他主要机构的已发表过研究成果的研究人员;普林斯顿 ModelNet 项目的目标是为计算机视觉、计算机图形学、机器人技术和认知科学领域的研究人员提供全面、干净的物体 3D CAD 模型集合。

weixin_44392103的博客 799

网站进行企业微信授权登录(附带代码超详细版)

企业微信的扫码登录官方文档 https://work.weixin.qq.com/api/doc/90000/90135/90988 企业微信扫码登录认证流程 上面是官方的图片,看上去比较复杂。因此我用直白简洁的语言梳理下流程。 1、首先在自己的网站上获取到企业微信登录的二维码(二维码怎么获取稍后再说,这里想象下你已经有了一个二维码) 2、你拿着手机扫描二维码,确认登录之后,页面就会自己进行重定向的跳转,跳转的url如何配置下面再讲,但是注意,这个重定向的url可以是内网地址 3、重定向到指

Gzf的博客 1万+

基于价值的深度强化学习:DQN

本文主要是介绍DQN原理和算法伪代码和代码实现,算法实现包括pytorch版本和stable-baselines3版本

溯源的专栏 1086

Ubuntu操作系统等保测评指南

Ubuntu操作系统等保测评指南

qq_40181198的博客 7045

PX4从放弃到精通(五):PX4中的姿态表示方法及转换关系

文章目录机体坐标系与地理坐标系一、pandas是什么?二、使用步骤1.引入库2.读入数据总结 机体坐标系与地理坐标系 在实际应用中,加速度计的测量轴是由运动平台安装固定此器件的轴向决定的。这些坐标轴就形成了载体坐标系,定义如下: 坐标原点设在载体质心(这样可简化运动方程的推导); y轴指向载体前方,称为横滚轴,横滚角以y轴为起始旋转轴而得到,符合右手定则; x轴与y轴夹角90°,指向载体横向,称为俯仰轴,俯仰角以x轴为起始旋转轴而得到,符合右手定则; z轴与x轴、y轴构成右手笛卡儿坐标系,指向载体垂直方向

超维空间科技的博客 8121

MATLAB算法实战应用案例精讲-【数模应用】装箱问题

装箱问题可以根据不同的维度进行分类。以下是一些常见的装箱问题二维装箱问题:二维装箱问题假设所有物品都是平面上的矩形,并且需要将它们放入平面上的容器中。这个问题的目标是找到一种装箱方案,使得物品不重叠并占据的总面积最小。三维装箱问题:三维装箱问题考虑到物品可以具有高度,并且需要将它们放入三维容器(如箱子或货柜)中。目标是找到一种装箱方案,使得物品不重叠且总体积最小。多维装箱问题:多维装箱问题是指在更高维度空间中进行装箱的问题。除了长度和宽度之外,物品可能具有其他属性,如高度、重量、形状等。

qq_36130719的博客 1573

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

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")

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

上一篇: 图形学基础|实时阴影渲染
下一篇: 虚幻引擎编程基础(二)
桑来93
博客等级 码龄10年 602粉丝 294原创
评论 6
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
⌂ 换网址