Unity地形渲染优化:MicroSplat插件核心原理与实战应用指南

Unity地形渲染进阶:MicroSplat核心原理、工作流与性能优化全解析 在实时渲染和游戏开发领域,地形系统是构建宏大、逼真虚拟世界的基石。其核心原理在于如何高效地混合、管理与渲染海量的地表纹理数据,以在有限的性能预算内实现丰富的视觉细节。传统方法常受限于Draw Call过高、纹理重复感强、LOD过渡生硬等技术瓶颈。MicroSplat作为一套先进的Unity地形渲染增强方案,其技术价值在于通过纹理数组、虚拟纹理与智能混合着色器等底层优化,革命性地解决了上述问题。它利用纹理数组实现高效的合批与资源管理,通过虚拟纹理技术应对超大地形的细节流送挑战,并借助基于物理属性的混合系统实现 阅读详情

1. 项目概述:为什么我们需要一个专业的地形着色系统?

如果你在Unity里做过开放世界、RPG或者任何需要大片自然景观的项目,肯定对内置的地形系统又爱又恨。爱的是它上手快,基础功能齐全;恨的是当你想要做出《荒野大镖客》里那种层次丰富的戈壁,或者《巫师3》里光影斑驳的森林时,内置系统就立刻显得力不从心了。你会发现,地形纹理拼接处有明显的重复感,雪线过渡生硬得像用尺子画出来的,更别提动态的湿润效果、真实的视差遮挡这些“高级货”了。性能也是个头疼的问题,一张大地形,Draw Call(绘制调用)动不动就爆表,帧率直接跳水。

这就是MicroSplat - Ultimate Bundle这类专业地形着色系统插件存在的意义。它不是简单地给Unity地形打补丁,而是从底层着色器(Shader)到工作流,重新定义了你处理地形的方式。我把它理解为一个“地形引擎的引擎”。你不再需要手动拼接无数张纹理贴图,或者写复杂的Shader代码去模拟三平面映射、曲面细分。MicroSplat把这些都打包好了,并且通过高度优化的方案实现。简单来说,它的核心价值是: 用美术友好的方式,实现程序化级别的复杂度和影视级的视觉效果,同时保持引擎级的运行效率。

我最初接触它是因为一个沙盒生存项目,需要一片巨大且细节丰富的森林地貌。内置地形系统在使用了4层纹理后,性能就开始报警,而且远景的纹理拉伸惨不忍睹。换上MicroSplat后,我轻松混合了12层不同的材质(土壤、岩石、草地、落叶等),并通过其特有的纹理数组(Texture Array)技术,将Draw Call降低了70%以上。更重要的是,我可以通过它的模块,实现积雪随海拔和坡度自然堆积、地面受潮后颜色变深反光、甚至脚印和车辙的临时凹陷效果——所有这些,都不需要我手动去画每一张遮罩,系统基于物理规则自动计算。

所以,这个插件适合谁?它绝不仅仅是给技术美术或图形程序员的玩具。对于主攻环境的场景美术,它提供了直观的、非代码的控件来创作复杂地貌;对于独立开发者和小团队,它是一套开箱即用的解决方案,避免了从头研发地形渲染系统这个“巨坑”;对于追求极致性能和中大型项目,它的模块化设计和优化手段是必不可少的。接下来,我们就深入拆解这个“终极捆绑包”里到底有什么,以及如何把它用到你的项目里。

2. 核心架构与模块化设计解析

MicroSplat - Ultimate Bundle不是一个单一的插件,而是一个模块化的生态系统。理解它的架构,是高效使用它的前提。整个系统可以看作一个核心基础框架,加上一系列可插拔的功能模块。

2.1 核心框架:纹理数组与Shader变体管理

MicroSplat的基石是**纹理数组(Texture Arrays)**技术。与传统地形系统为每一层纹理使用独立的纹理采样不同,MicroSplat会将你所有地形层的漫反射、法线、高度等贴图,分别打包进几个大的纹理数组中。在Shader中,通过一个索引值就能从数组里取出对应的纹理数据。

这样做有什么好处?

  1. 性能飞跃 :这是最关键的一点。在传统方式下,每增加一层地形纹理,GPU就需要多绑定一张纹理,多执行一次采样指令,并很可能增加一个Draw Call(如果材质球不同)。而使用纹理数组,无论你有8层还是16层材质,GPU只需要绑定屈指可数的几个纹理数组对象。所有的混合计算都在一个超级Shader内部通过索引和权重完成,从而将Draw Call合并到极致。在我的项目中,一个拥有12层材质的地形,其渲染消耗与内置系统使用3-4层材质时相当。
  2. 消除纹理重复感 :MicroSplat内置了强大的 纹理变化(Texture Variation) 和 三平面映射(Triplanar Mapping) 功能。纹理变化可以让你为同一材质层提供多张不同但相似的贴图(比如三种不同的岩石),系统在渲染时会随机或按规则分布它们,彻底打破重复图案。三平面映射则解决了陡峭斜坡(如悬崖)上纹理拉伸的问题,它会在世界空间的X、Y、Z三个平面上分别投影纹理,然后根据表面法线进行平滑混合,让悬崖侧面也能有正确的岩石纹理,而不是被拉伸的顶部土壤。

Shader变体管理 是另一个核心。由于MicroSplat功能模块众多,每个模块都会生成大量的Shader变体(例如,开启雪模块和不开,就是两个不同的Shader)。Bundle里提供了强大的Shader变体收集和剥离工具,确保在构建(Build)时,只有项目中实际用到的功能组合所生成的变体会被打包,避免最终游戏包体无谓地膨胀。

2.2 核心模块功能速览

Ultimate Bundle包含了几乎所有你可能需要的地形特效模块。这里挑几个最常用、最能体现其价值的介绍一下:

  • MicroSplat Core(核心) :基础框架,提供纹理数组支持、基础混合、三平面映射、纹理变化等。
  • MicroSplat Triplanar(三平面) :增强的三平面映射,支持每层材质独立控制,是制作悬崖、洞穴内壁的利器。
  • MicroSplat Tessellation(曲面细分) :通过GPU细分三角形,根据地形的法线/高度贴图增加几何细节,让砖石路面凹凸不平的质感从像素级别变为真
Unity地形渲染全家桶:MicroSplat Terrain Collection核心模块与性能优化指南 在Unity引擎中进行大世界或开放世界项目开发时,地形渲染是构建沉浸式自然环境的核心技术挑战。其原理在于通过高效的着色器程序和渲染管线,管理大规模的地表纹理、几何细节与动态效果,以实现视觉逼真与运行性能的平衡。这项技术的价值在于,它直接决定了游戏环境的视觉品质与运行效率,是提升玩家沉浸感的关键。常见的应用场景包括开放世界RPG、生存建造类游戏以及任何需要高质量自然景观的3D项目。本文聚焦于MicroSplat Terrain Collection这一集成化解决方案,它通过模块化设计,将纹理混合、三平面映射、 阅读详情

相关推荐

MicroSplat地形渲染原理与Unity高性能混合实战

地形混合是开放世界游戏渲染的核心基础概念,其本质是多材质在空间维度(海拔、坡度、湿度等)上的动态权重分配与物理属性融合。传统方案依赖CPU计算与贴图堆叠,导致Shader变体爆炸、Draw Call飙升、法线塌陷严重。MicroSplat通过GPU端Layer Mask实时编码混合逻辑、节点化Material Graph统一材质表现、运行时HLSL增量编译实现毫秒级参数响应,从根本上重构了Unity地形渲染管线。该技术显著提升中高端移动设备40%+帧率,降低15%内存占用,支撑雨林山地、动态天气、物理耦合等

weixin_30512965的博客 517

Unity地形编辑实战指南:从核心原理到性能优化

地形系统是构建3D游戏世界的基础,其核心在于通过高度图、纹理层和细节管理来模拟真实的地表形态。理解其分层管理原理,有助于高效组织地形数据,实现从宏观地貌到微观植被的丰富表现。掌握基于坡度、高度的智能材质分配和纹理混合技术,能显著提升场景的真实感与制作效率。在工程实践中,合理规划地形尺寸与分辨率、运用LOD与GPU Instancing等优化技术,是确保大型开放世界流畅运行的关键。本文以Unity引擎的Terrain系统为例,深入探讨了地形雕刻、纹理绘制、植被布置及性能优化的完整工作流,为开发者提供了一套从概

weixin_34253126的博客 453

Unity地形系统深度解析:从核心原理到性能优化的实战指南

在3D游戏开发中,地形系统是构建广阔自然场景的核心技术组件。其原理基于高度图、混合纹理与实例化渲染等底层图形学技术,通过数据与表现分离的架构实现高效资源管理。这一系统的技术价值在于为开发者提供了从快速原型到AAA级项目均可扩展的解决方案,能显著提升环境美术的工作流效率与运行时性能。在实际应用场景中,它广泛用于开放世界、RPG等需要复杂地貌与植被的游戏类型。本文聚焦Unity引擎的地形工具,深入探讨了其Splatmap混合贴图与LOD多层次细节优化等关键机制,并结合性能瓶颈分析与高级着色器定制,为应对现代游戏

weixin_33845881的博客 492

Unity插件生态全解析:从核心分类到实战集成心法

在Unity开发中,插件生态是提升开发效率与项目质量的关键因素。理解插件的工作原理,首先需要掌握其核心分类逻辑:程序架构、美术资源、游戏系统、发布协作等模块构成了完整的工具链。通过依赖注入、资源管理等技术,插件能够解耦代码、优化性能,其技术价值在于将复杂功能模块化,降低开发门槛。在实际应用场景中,开发者面临插件选择、集成与管理的挑战,需要建立科学的评估体系和规范的集成流程。本文聚焦Unity插件合集,深入探讨如何构建高效的工具箱,其中插件选择与插件集成是贯穿始终的核心实践,帮助开发者在丰富生态中精准定位,打

weixin_33910385的博客 1270

Unity插件全景图:五大核心领域生产力工具包与集成心法

在游戏开发中,插件是提升开发效率、实现复杂功能的关键工具。其核心原理在于通过封装成熟的解决方案,帮助开发者避免重复造轮子,快速集成角色动画、环境场景、视觉特效等模块化功能。从技术价值看,精心筛选的插件合集能系统化构建开发工作流,解决兼容性问题,并适配项目原型、开发、优化等不同阶段的核心需求。在实际应用场景中,无论是实现逼真的角色动画与物理模拟,还是构建广阔的程序化生成世界与优化渲染性能,合理的插件选型与集成都能显著加速开发进程。本文聚焦于Unity引擎,深入解析涵盖角色与动画、环境与场景、特效与视觉增强、工

weixin_34414650的博客 365

Unity地形拼接核心技术:解决纹理撕裂与碰撞失效的完整方案

在游戏开发中,地形系统是构建虚拟世界的基石,其核心原理是通过高度图、网格和材质等数据定义地表形态。Unity引擎的地形组件(Terrain)为开发者提供了便捷的创作工具,但在处理大规模场景时,多块地形的无缝拼接成为关键技术挑战。这直接关系到游戏的视觉沉浸感与物理交互的真实性,尤其在开放世界、大型RPG等品类中,其技术价值尤为突出。从实现机制看,纹理撕裂常源于UV坐标不连续、法线不匹配及LOD过渡不一致;而碰撞失效则多由碰撞体间隙、高度图边界采样问题引发。针对这些痛点,开发者需掌握从标准化工作流到Shader

chuannaoxuan4674的博客 394

URP风格化水Shader实战:从核心原理到性能优化全解析

在实时渲染领域,Shader是实现特定视觉风格的核心技术,它通过程序化方式控制物体表面的颜色、光照与纹理表现。其原理在于对顶点和片元进行数学运算与纹理采样,从而高效生成复杂视觉效果。对于风格化渲染而言,Shader的价值在于能够以可控、高性能的方式,抽象并强化视觉特征,而非追求物理精确模拟。这在移动游戏、独立游戏等对性能与艺术风格有明确要求的应用场景中尤为重要。本文聚焦于Unity URP管线下的风格化水体渲染,深入探讨如何利用法线贴图叠加、深度渐变着色等关键技术,平衡视觉表现与渲染开销,实现如卡通、低多边

weixin_30460489的博客 357

【Unity 地形增强插件合集】MicroSplat - Terrain Collection 提供了灵活而高效的工具链,全面提升地形系统的视觉质量与运行效率

MicroSplat - Terrain Collection 是一套专为 Unity 引擎打造的高性能地形功能增强插件合集,适用于开放世界、RPG、模拟经营、策略等多类型项目。它基于 MicroSplat 的模块化架构,集成了多种地形着色与环境特效功能模块,旨在帮助开发者以最少的性能开销实现视觉高度真实的地形表现效果,显著提升游戏世界的沉浸感与表现力。

2403_88403568的博客 593

MicroSplat - Terrain Blending 3.1.unitypackage

支持地形和地表物件混合

MicroSplat - Terrain Collection V3.9.45

与独立购买模块相比,MicroSplat Terrain Collection的价格比单独购买模块优惠25%,并以以下一种包装提供这些模块: - 反平铺 - MicroSplat核心模块 - 全球贴图 - 动态雪 - 水坑,流,熔岩和汗湿 - 地形混合 - 地形孔 - 镶嵌和视差 - 纹理集群 - 三平面UV - 风和闪光 MicroSplat是最快,功能最丰富的地形着色器。从流动的水和熔岩,到将物体与地形简单地混合,再到诸如纹理聚类的反平铺功能,MicroSplat都能做到,而且速度更快。每个地形最多支持32个PRB纹理。

MicroSplat - URP 2020 Support 3.8.unitypackage

MicroSplat - URP 2020 Support 3.8

2026年AI编程工作流实战:Claude Code与Open Code深度对比

AI编程已从代码生成工具升级为IDE级智能工作流核心能力。其本质是将大语言模型深度嵌入开发环境,通过语义理解、上下文感知与行动闭环重构传统编码范式。Claude Code以企业级知识图谱和双轨Code Review为代表,强调合规性、可审计与深度集成;Open Code则依托Skill可组合性、本地优先模型与ocp协议,实现开源驱动的灵活扩展。二者共同推动IDE从‘编辑器’进化为‘数字搭档’——能理解RFC文档、记住PR评论、自动补全带重试的fetch逻辑,并在Promise链发呆时一键重构为async/a

weixin_33739523的博客 481

【AI绘图进阶指南】Latent Diffusion Model核心组件解析——从理论到实践

本文深入解析Latent Diffusion Model(LDM)的核心组件,包括Autoencoder、Denoiser和Conditioning Encoder的工作原理及实践应用。通过理论结合代码示例,揭示LDM如何高效处理图像生成任务,并优化AI绘图流程,为开发者提供从理论到实践的进阶指南。

weixin_42628941的博客 388

kaggle项目:纽约出租车行程时间NYC Taxi Trip Duration

纽约出租车形成时间预测(NYC Taxi Trip Duration)是Kaggle中的一个Playground竞赛。比赛数据集基于2016年纽约市黄色出租车行程记录数据,需要建立一个模型,根据单个行程属性,预测测试集中每次行程的持续时间。Kaggle项目模型XGBoost,评价指标RMSLE。

weixin_42113929的博客 2794

3张RTX 4090就能跑!BAGEL-7B多模态模型本地部署避坑指南(附Flash Attention安装技巧)

本文详细介绍了如何在3张RTX 4090显卡上本地部署BAGEL-7B多模态模型,包括硬件配置、环境设置、多卡并行优化及常见问题解决方案。特别提供了Flash Attention安装技巧和显存优化策略,帮助开发者高效运行这一开源多模态模型,实现文本与图像生成任务。

1a2s3d4f5g的博客 663

【驭风计划 机器学习】实验6 基于集成学习的 Amazon 用户评论质量预测

¶随着电商平台的兴起,以及疫情的持续影响,线上购物在我们的日常生活中扮演着越来越重要的角色。在进行线上商品挑选时,评论往往是我们十分关注的一个方面。然而目前电商网站的评论质量参差不齐,甚至有水军刷好评或者恶意差评的情况出现,严重影响了顾客的购物体验。因此,对于评论质量的预测成为电商平台越来越关注的话题,如果能自动对评论质量进行评估,就能根据预测结果避免展现低质量的评论。本案例中我们将基于集成学习的方法对 Amazon 现实场景中的评论质量进行预测。

Mege1的博客 478

AI Agent在医疗诊断中的智能应用研究

本文探讨了AIAgent在医疗诊断中的智能应用,分析了其技术原理、实际案例及发展挑战。AIAgent通过机器学习算法处理医疗数据,提升诊断准确性和效率,市场规模预计2025年达200亿美元。核心技术包括数据预处理、深度学习模型和隐私保护方法。应用案例涵盖肺癌筛查、阿尔茨海默病预测等,但面临数据偏差、伦理责任等挑战。未来趋势包括多模态学习、个性化医疗和量子计算融合。随着技术优化和伦理完善,AIAgent将成为医疗体系的重要组成部分。

郑伟强dev的专栏 100

YOLOv11 改进 - 注意力机制 | Deformable-LKA 可变形大核注意力:自适应采样网格优化特征捕捉,提升不规则目标感知

本文介绍了可变形大核注意力(D-LKA Attention)及其在YOLOv11中的结合。D-LKA Attention是一种简化的注意力机制,采用大卷积核利用体积上下文信息,通过可变形卷积灵活调整采样网格,适应多样数据模式。它有2D和3D版本,3D版本在跨深度数据理解上表现出色,共同构成了D-LKA Net架构。我们将D-LKA Attention集成进YOLOv11,在模型的检测头部分引入deformable_LKA_Attention模块。实验表明,该方法在分割任务上表现优于现有方法,提升了模型的检测

魔改工程师的博客 1175

用 ABAP RAP + XCO 把 Excel 导入业务对象:从弹窗 Action 到 EML 落库与附件清理的完整实践

摘要:本文介绍了在SAP RAP框架下实现Excel批量导入功能的完整方案。通过XCO库的XLSX模块解析Excel文件,结合RAP的行为定义和Fiori Elements界面集成,构建了一个支持试运行、数据校验和自动合并的业务导入功能。方案采用RAP标准范式,包括Action参数设计、EML事务处理、附件管理以及异常消息反馈,实现了从文件上传到数据落库的端到端流程,既保证了系统稳定性,又提升了业务用户体验。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 287

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

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。

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")

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

上一篇: 基于TC78H651AFNG与STM32的直流有刷电机驱动设计
下一篇: DriveLiDAR4D:面向自动驾驶的物理可信4D LiDAR点云生成
weixin_30621711
博客等级 码龄11年 90粉丝 1411原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 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