从零实现动态水面Shader:反射折射、波纹交互与性能优化全解析

从零实现交互式水面Shader:波纹、反射、折射与动态涟漪全解析 在实时图形渲染中,水面效果是提升场景真实感的关键技术。其核心原理在于通过Shader程序模拟光线与水体表面的复杂交互,包括动态波纹、环境反射、光线折射以及基于物理的菲涅尔效应。这些技术的工程价值在于,能够以可控的性能开销,在游戏和交互应用中创造出极具沉浸感的动态水域。实现层面,通常从法线贴图驱动的基础波纹动画入手,逐步引入屏幕空间纹理采样、深度计算和光照模型,最终构建出支持角色交互的动态涟漪系统。本文聚焦于**水面Shader**的实现路径,详细拆解了在主流引擎中,从环境配置、核心算法到性能优化的全流程实践 阅读详情

这次我们来看一个关于水面Shader的实战项目。标题里的“ShaderFX”和“联合创作者”暗示了这可能是一个工具或框架,但核心内容更偏向于一篇深度技术解析。这篇文章将系统性地拆解如何从零开始,实现一个从基础波纹到支持交互的动态水面效果。对于游戏开发、实时渲染或引擎开发感兴趣的读者,这相当于一份手把手的Shader实战手册。

水面渲染是图形学中的一个经典且富有挑战性的课题,它直接关系到场景的真实感和沉浸感。一个优秀的水面Shader,不仅要模拟出逼真的光学现象(如反射、折射、菲涅尔效应),还要能高效地处理动态细节(如波纹、浪花)和外部交互(如物体划过水面、雨滴)。本文将围绕这些核心技法展开,提供可落地的实现思路和代码片段。

无论你使用的是Unity、Unreal Engine,还是自研引擎,本文涉及的Shader原理和优化策略都是通用的。我们将重点关注GPU(Shader)层面的实现,对硬件的要求主要是支持Shader Model 5.0及以上的显卡,这在现代游戏开发中已是标配。文章不会涉及复杂的物理模拟引擎,而是聚焦于视觉效果和性能的平衡。

接下来,我们将从水面渲染的核心要素开始,逐步构建一个功能完整、效果可调的水面Shader,并探讨如何将其集成到渲染管线中,最终实现交互式效果。

1. 核心能力速览

在深入代码之前,我们先通过下表快速了解本文将涵盖的水面Shader核心能力与实现要点。这有助于你判断哪些部分与你的项目最相关。

能力项 说明与实现要点
基础光学模拟 实现反射(Cubemap/平面反射)、折射(GrabPass或深度重构)、菲涅尔效应混合。这是水面质感的基石。
动态波纹系统 使用法线贴图(Normal Map)动画、Gerstner波函数或FFT(快速傅里叶变换)模拟动态波纹细节。
交互式扰动 通过渲染到纹理(Render Texture)或计算着色器,实时处理物体(如船、角色)对水面造成的扰动。
边缘泡沫与浪花 基于深度差或波纹强度,在岸边或物体周围生成泡沫贴图,增强视觉细节。
性能与优化 支持多级LOD(细节层次)、Tessellation(曲面细分)动态调整、以及针对移动平台(ES3.0)的简化版本。
渲染管线集成 适配前向渲染(Forward)和延迟渲染(Deferred)管线,正确处理透明、深度和后期效果(如SSR)。
工具与调试 提及类似ShaderFX的可视化编辑工具思路,便于调节参数和实时预览。

2. 适用场景与使用边界

这个水面Shader技法主要适用于需要高质量实时水面渲染的场景。

适合谁:

  • 游戏开发者 :为开放世界、RPG、模拟类游戏增添真实的自然环境。
  • 实时渲染工程师 :深入理解并实现复杂的光照与材质效果。
  • 技术美术(TA) :需要搭建可灵活调控的水面材质,并平衡艺术效果与性能。
  • 图形学学习者 :通过一个完整的案例,学习反射、折射、动态纹理、交互渲染等核心技术的综合应用。

能解决什么问题:

  1. 视觉真实感 :告别简单的蓝色平面加滚动纹理,实现物理可信的水面外观。
  2. 动态表现 :让水面“活”起来,拥有随风而动的波纹和因物而变的涟漪。
  3. 交互反馈 :使游戏世界更具沉浸感,玩家的行动(行走、射击、航行)能直观地影响水面。
  4. 性能可控 :提供从高端PC到移动设备的不同质量方案,确保效果与帧率的平衡。

不适合什么场景:

  • 超大规模流体模拟 :如海啸、复杂流体力学交互。本文技法基于视觉模拟,非物理求解器。
  • 离线渲染与影视级精度 :追求物理绝对精确的路径追踪渲染,本文方案为实时近似。
  • 极度受限的硬件环境 :如不支持Shader Model 3.0的古老设备,部分高级特性无法运行。

版权与合规提醒:

  • 本文提供的代码思路和算法属于公共知识领域,可自由用于学习和项目开发。
  • 在实际项目中,使用的纹理资源(如法线贴图、泡沫贴图)需确保拥有合法版权或为自主创作。
Unity URP动态水面Shader实现:从法线扰动到深度折射全解析 在实时渲染中,Shader是实现复杂视觉效果的核心技术,它通过GPU编程控制像素的最终呈现。其基本原理是定义光照模型、纹理采样和数学运算,将输入数据转换为屏幕颜色。在游戏开发和数字孪生领域,Shader技术能极大提升场景的真实感和沉浸感,广泛应用于角色渲染、环境特效和材质模拟。本文聚焦于动态水面效果的实现,这是Shader应用的典型场景。通过结合法线贴图扰动模拟波浪、利用深度纹理计算折射、以及菲涅尔效应控制反射强度,可以在Unity的通用渲染管线(URP)中构建出波光粼粼的交互式水面。文章将详细拆解这些核心 阅读详情

相关推荐

Unity水面渲染全解析:从Water组件到Shader实现

在实时渲染领域,水面效果是提升场景真实感的关键技术之一。其核心原理基于对自然界光学现象的模拟,主要包括反射、折射和法线扰动。反射通过平面反射或屏幕空间反射技术生成环境倒影,折射则利用屏幕坐标偏移模拟光线在水中的扭曲。法线贴图通过存储表面法线信息,在低面数模型上创造出丰富的波浪细节。这些技术的组合应用,使得在性能受限的实时环境中也能呈现出灵动的水体效果。从技术价值看,掌握水面渲染不仅能够提升视觉表现力,更是理解Shader编程、渲染管线及性能优化的重要实践。在游戏开发、虚拟现实和模拟仿真等应用场景中,高质量的

weixin_30843605的博客 332

从噪声到交互:高质量水面Shader核心技法全解析

在实时图形渲染中,Shader是实现逼真视觉效果的核心技术。其原理在于通过GPU程序对顶点和像素进行数学运算,控制物体的外观、光照和动态行为。这项技术的核心价值在于,它能以极高的效率模拟复杂的物理现象和材质质感,是实现游戏、影视和模拟仿真中沉浸式体验的关键。在众多应用场景中,水面渲染是Shader技术的经典挑战,它要求综合运用噪声、法线、菲涅尔效应、深度计算和反射折射等多种技术。本文聚焦于**交互式水面**的实现,系统拆解了如何通过**多层噪声混合**生成动态波纹,并构建一个**实时涟漪系统**,使水面能够

aodiyi6351的博客 408

Unity Shader Graph 水面效果制作:从波动、折射到菲涅尔效应

在实时渲染中,Shader是实现复杂视觉效果的核心技术,它通过一系列数学计算和图形学原理,将模型、纹理和光照信息转化为屏幕上的像素颜色。其核心原理在于顶点着色器和片元着色器的协同工作,前者处理顶点位置与法线,后者决定最终像素输出。这项技术的价值在于能以极高的效率模拟真实世界的光影与材质,是实现游戏画面沉浸感的关键。在游戏开发,尤其是自然场景构建中,水面Shader是典型应用,它需要综合运用波动模拟、光线折射反射以及菲涅尔效应等知识。本文将聚焦于利用Unity Shader Graph这一可视化工具,详解如何

weixin_30550081的博客 367

Cesium动态水面进阶:Shader实现天空盒倒影与实时交互

本文深入探讨了Cesium中动态水面的高级Shader实现技术,重点解析了天空盒倒影与实时交互的实现方法。通过分形噪声算法生成自然波纹,结合反射向量计算实现逼真倒影效果,并详细介绍了性能优化与常见问题解决方案,为三维地理场景的水面效果开发提供实用指导。

weixin_30709061的博客 267

Unity URP风格化水面Shader全流程实现与性能优化指南

在游戏开发中,Shader是实现特定视觉风格的核心技术,它通过编写在GPU上运行的程序,控制模型每个像素的最终颜色与光照表现。其原理在于对顶点位置、纹理坐标、光照信息及深度等数据进行一系列数学运算与插值。这项技术的价值在于能够以极高的自由度创造从写实到卡通的各种渲染效果,同时通过算法优化实现对硬件资源的精准控制。在移动游戏、独立游戏等对性能与风格化有强烈需求的场景中,自定义Shader尤为重要。本文聚焦于使用Unity URP渲染管线,从零构建一个高效的风格化水面Shader,详细拆解了深度色、波浪动画、边

weixin_34320724的博客 374

Godot 4 ShaderMaterial实现动态交互水波纹:从原理到工程实践

在实时图形渲染中,Shader(着色器)是实现复杂视觉效果的核心技术,它通过在GPU上并行执行程序,高效处理顶点与像素数据。其基本原理是将数学公式和物理模型转换为代码,直接操控渲染管线,从而生成逼真的光影、材质和动态效果。这项技术的核心价值在于,它能够在保持高性能的同时,实现传统网格和贴图难以企及的动态细节与交互性,极大地提升了游戏和交互应用的视觉沉浸感。在众多应用场景中,动态水面的模拟是一个经典案例,它要求实时响应角色碰撞、点击等交互事件,并模拟波的扩散、干涉与衰减。本文聚焦于利用Godot 4引擎的Sh

weixin_34248705的博客 491

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

Godot 4着色器实战:2D动态水波纹与折射效果全解析

在游戏开发与实时图形渲染中,着色器(Shader)是实现复杂视觉效果的核心技术。它运行于GPU,通过程序化算法直接控制像素的渲染过程,从而在性能与灵活性上远超传统贴图动画。其核心原理在于对顶点与片段(像素)进行数学变换与颜色计算,能够高效模拟光影、材质与动态现象。这一技术为游戏、交互应用带来了巨大的表现力提升,尤其在模拟自然元素(如水面、火焰、云雾)方面价值显著。在2D游戏场景中,动态水面是增强沉浸感的关键,它涉及波纹生成与光线折射两大物理现象的模拟。本文聚焦于Godot 4引擎,深入讲解如何利用其Shad

weixin_30814329的博客 413

移动端水面Shader开发实战:从Gerstner波到性能优化

在移动图形开发中,Shader是实现复杂视觉效果的核心技术,它通过一系列算法指令控制GPU渲染像素的最终表现。其原理在于对光照、纹理、几何变形等基础图形学概念进行数学建模与编程实现。对于移动平台而言,Shader的技术价值尤为突出,它需要在有限的GPU算力、带宽和功耗约束下,最大化视觉表现力,这是决定游戏画面品质与运行流畅度的关键。尤其在开放世界、RPG等手游类型中,水面效果作为重要的环境与交互元素,其Shader的实现方案直接影响到玩家的沉浸感与设备的续航能力。因此,针对移动端特性进行深度优化的专用水面S

weixin_30487201的博客 398

Godot 4实战:打造高性能真实感水面效果,从Shader到交互全解析

实时渲染中的水面效果是提升游戏场景沉浸感的关键技术之一,其核心在于对光线与水体交互的物理模拟。从原理层面,水面渲染主要基于波动模型、光学折射反射定律以及菲涅尔效应等基础概念。在技术实现上,通过着色器编程将波动算法、法线贴图扰动和光照模型结合,能够高效模拟水面的动态波澜与光影变化。其技术价值在于以可控的性能开销,在移动端和PC端实现视觉逼真且支持动态交互的实时水面,这对于独立游戏和移动应用开发尤为重要。典型的应用场景包括开放世界游戏中的湖泊河流、角色涉水交互以及动态天气系统下的雨滴涟漪等。本文聚焦于Godot

weixin_29002595的博客 372

Unity URP与Shader Graph打造写实水面:泡沫与波浪实战教程

在实时渲染领域,着色器(Shader)是控制物体表面视觉表现的核心技术,其原理是通过GPU执行一系列图形算法,将模型、纹理、光照等信息转化为屏幕像素。现代游戏开发中,高质量的水体渲染是提升场景沉浸感的关键,它依赖于对光照、反射、折射及动态波浪的物理模拟。其技术价值在于,能以可控的性能开销,实现从风格化到照片级的视觉效果,广泛应用于开放世界、角色扮演及模拟类游戏的场景构建。本文聚焦于利用Unity的通用渲染管线(URP)及其可视化着色器编辑工具Shader Graph,深入讲解如何构建一个包含动态波浪与智能边

weixin_34295316的博客 354

Unity Shader实现动态水面效果:GrabPass与法线贴图扰动技术详解

在实时渲染中,Shader是实现复杂视觉效果的核心技术,它通过GPU编程控制每个像素的最终呈现。其基本原理是在渲染管线中插入可编程的顶点与片元着色器,对几何数据与纹理采样进行计算与混合。这项技术的核心价值在于能以极高的效率实现从基础光照到复杂环境交互的各类视觉效果,是提升游戏与交互应用视觉沉浸感的关键。在众多应用场景中,模拟动态水面是一个经典需求,它要求同时处理反射、折射与动态扰动。本文聚焦于使用Unity内置渲染管线,通过GrabPass抓取屏幕图像作为反射源,结合双层法线贴图滚动实现扰动,并融入菲涅尔效

weixin_30920853的博客 462

Unity Shader实战:从零实现实时水波纹效果与GPU图形渲染原理

GPU图形渲染是现代游戏开发的核心技术之一,其原理是通过顶点着色器和片元着色器在图形管线中处理三维模型数据。顶点着色器负责对网格顶点进行坐标变换与位移计算,而片元着色器则处理每个像素的颜色、光照与纹理采样,共同决定了最终的视觉呈现。这项技术的工程价值在于能够高效利用GPU并行计算能力,实现复杂的实时动态效果,广泛应用于游戏特效、模拟仿真和交互式媒体领域。在Unity引擎中,ShaderLab与HLSL/Cg语言为开发者提供了灵活的着色器编程接口,通过操控顶点位移与法线计算,可以模拟出逼真的水面波动、光影反射

weixin_34192816的博客 361

Unity水面插件Easy Water v2.96完整解析与移动平台实战应用

Easy Water v2.96是一款专为Unity引擎设计的高效水面模拟插件,广泛应用于游戏开发、虚拟现实和可视化项目中。该插件通过集成物理驱动的波纹系统、高质量反射折射机制以及可调节的水下光学效果,实现了在不同平台上的逼真水面表现。其核心架构由动态波形生成模块基于物理的渲染(PBR)材质系统和跨平台优化层三大部分构成,支持Forward/Deferred渲染路径,并兼容URP/HDRP管线。// 示例:在Unity中初始化Easy Water组件// 引用插件控制器。

weixin_42593701的博客 891

偷懒必备:3种方法快速移植MFC界面资源(含.rc文件打不开解决方案)

本文针对MFC桌面应用开发,详细介绍了三种快速移植界面资源的实战方法:直接编辑.rc文件、利用Visual Studio“添加现有项”进行可视化挂载,以及双实例拖拽应急方案。文章重点剖析了.rc文件无法打开的常见问题,提供了通过修复rc.exe等关键文件来根治此问题的解决方案,帮助开发者高效复用资源,规避ID冲突等陷阱。

weixin_28358083的博客 277

【GNSS数据处理】赫尔默特(helmert)方差分量估计解析及代码实现

一、背景 helmert方差分量估计是方差-协方差分量估计的一个特例,在近现代测量平差中,我们处理的数据有明显的变化,数据序列中包括粗差,数据类型不再单一等问题。当我们遇到数据类型两类及以上时,可以考虑使用赫尔默特方差分量估计,应用的前提条件是不同类别的数据需要相互独立,这样我们的权阵就是对角阵。 二、引入 我们先用王者荣耀这款游戏引入一下,王者可是撩妹利器,哈哈,就像你有两部手机(安卓和苹果),带妹的时候大概率会用苹果,因为游戏体验方面苹果要优于安卓,带妹的时候不掉帧,不卡顿,不闪退,要操作有操作,有皮肤

ANKP的博客 1万+

Python实战:3步搞定DICOM转JPG/PNG(附批量处理脚本)

本文详细介绍了如何使用Python在3步内将DICOM医学影像转换为JPG/PNG格式,并提供了批量处理脚本。通过Pydicom、Pillow和NumPy库的组合,解决了像素值处理、批量转换效率和医学图像特性保留等关键问题,适合医疗AI开发者和放射科医生快速集成到工作流中。

numpy6sculptor的博客 595

从稳压管到LDO芯片:一张图看懂线性电源的‘内卷’进化史

本文追溯了从稳压管到LDO芯片的线性电源技术进化历程,详细解析了各阶段的技术突破与局限。重点探讨了现代LDO在超低功耗、高精度控制等方面的创新,并提供了实战选型的黄金法则,帮助工程师在电子设备小型化与低功耗化趋势中做出最优选择。

weixin_42525551的博客 213

基于EKF的UWB-IMU融合定位系统在农业机器人中的抗干扰优化与Matlab仿真

本文探讨了基于扩展卡尔曼滤波(EKF)的UWB-IMU传感器融合定位系统在农业机器人中的应用。通过Matlab仿真验证,该系统有效解决了农业环境中UWB信号遮挡和IMU累积误差问题,实现了厘米级高精度定位,显著提升了机器人在复杂场景下的抗干扰能力和导航可靠性。

numpy6sculptor的博客 627

KUKA 虚拟调试实战——打通Simpro4.1与OfficeLite8.6的通信与实时控制链路

本文详细介绍了KUKA虚拟调试实战,重点解析如何打通Simpro4.1与OfficeLite8.6的通信与实时控制链路。通过环境搭建、权限配置、机器人型号匹配等关键步骤,帮助工程师高效完成机器人轨迹规划和PLC联锁逻辑验证,大幅降低真机调试风险。文章还提供了典型报错解决方案和实时控制优化技巧,适用于工业机器人仿真与培训场景。

weixin_30907935的博客 454

概念解析 | 雷达动态范围

这里存在一个动态范围的问题:强雷达发射信号和弱目标反射信号存在非常大的功率差异,比如传统的脉冲多普勒雷达动态范围可达90dB以上。随着上述技术的发展,预计未来十年雷达接收机动态范围将达到120dB以上,届时雷达的监视能力将得到极大增强。简单来说,雷达动态范围越大,表示接收机噪声越低,对强信号过载保护能力越强,就越能检测到弱信号目标。此外,部分新概念雷达对动态范围提出新的需求,如被动雷达动态范围需大于100dB。当前,随着阵列雷达和数字雷达技术的发展,对雷达接收机动态范围提出了更高要求。

NLOS的博客 1054

npm报错 npm WARN deprecated....的问题解决方式

报错 :npm WARN deprecated … 现象:无法进行有效的vue项目的部署以及npm install 命令的执行。 原因一:版本问题 说明:由于npm的版本过低或者过高导致的报错 检查版本: npm -v 如果版本是比较旧的,或者是最新的,这里可以进行对npm的更新和回退。 更新npm版本: npm updated -d 查看可以更新的版本 npm install -g npm 默认安装最新版本 安装回退指定的版本: npm updated -d 查看所有的版本 npm -g i.

任聪聪的博客 16万+

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

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")

上一篇: 智能开发工具“购买G1”:基于Agent与工作流的代码生成与自动化实践
下一篇: 定点数原理与应用:从浮点数到嵌入式、DSP、音频处理的精度控制
oldbalck
博客等级 码龄11年 8864粉丝 1198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