OpenTK进阶6

OpenTK入门6 坐标转换至裁剪空间后,其值范围为-w至w(超出范围的坐标将被裁剪)。以投影矩阵中定义的范围为例,坐标(1250,500,750)将不可见----因其x坐标超出范围,转换后在NDC中成为大于1.0的值,故被裁剪。超出此范围的坐标将不可见。要将一个空间的坐标转换到另一个坐标空间,我们将使用多个变换矩阵,其中最重要的包括模型矩阵、视图矩阵和投影矩阵。将指定范围内的坐标转换为易于映射到二维视图空间坐标的NDC(标准化设备坐标)的完整过程称为投影----因为投影矩阵将三维坐标投影到易于映射的二维标准化设备坐标上。 阅读详情

2.6 多光源 multiple lights

在之前的教程中,我们深入学习了OpenGL中的光照技术,包括Phong着色、材质、光照贴图以及各光源类型。本教程将综合运用所学知识,创建一个包含6各活动光源的完整光照场景。我们将模拟太阳般的定向光源,在场景中分散布置4个点光源,并添加一支手电筒。

为在场景中使用多光源,需将光照计算封装为GLSL函数。这是因为当涉及多种光源时,每种光源又需要不同计算方式,若直接在主函数中处理,代码很快会变得难以理解。若将所有计算集中在主函数中处理,代码将迅速变得难以理解。

GLSL中的函数与C语言函数类似,包含函数名和返回类型。但需注意:若函数在主函数之前未被声明,必须在代码文件顶部声明函数原型。我们将为每种光元类型创建独立函数:定向光、点光源和聚光灯。

场景中使用多光源时通常采用以下方案:我们有一个代表片段输出颜色的单一颜色向量。对于每个光源,其对片段的贡献颜色会被添加到该片段的输出颜色向量中。因此场景中的每个光源都会计算其对前述片段的独立影响,并共同构成最终输出颜色。其通用结构如下所示:

out vec4 FragColor;

void main()
{
  // define an output color value
  vec3 output = vec3(0.0);
  // add the directional light's contribution to the output
  output += someFunctionToCalculateDirectionalLight();
  // do the same for all point lights
  for(int i = 0; i < nr_of_point_lights; i++)
  	output += someFunctionToCalculatePointLight();
  // and add others lights as well (like spotlights)
  output += someFunctionToCalculateSpotLight();
  
  FragColor = vec4(output, 1.0);
}

实际代码可能因实际情况而异,但基本结构保持不变。我们定义了多个函数,用于计算每个光源的影响,并将计算出的颜色添加到输出颜色向量中。例如当两个光源靠近光片时,它们的综合贡献会使光片比仅受单一光源照射时更明亮。

2.6.1 定向光 Directional light

我们要做的是在片段着色器中定义一个函数,用于计算定向光源对对应片段的贡献:该函数接收若干参数,并返回计算出的定向光照颜色。

首先需设定定向光源所需的最小变量集。可将这些变量存储在名为DirLight的结构体中,并将其定义为统一变量。所需变量应与前文教程中的内容一致:

struct DirLight {
    vec3 direction;
  
    vec3 ambient;
    vec3 diffuse;
    vec3 specular;
};  
uniform DirLight dirLight;

随后可将dirLight统一变量传递给以下原型的函数:

vec3 CalcDirLight(DirLight light, vec3 normal, vec3 viewDir);

与C和C++类似,若要在主函数内部调用某个函数,该函数必须在调用行号之前完成定义。本例中我们更倾向于在主函数下方定义函数,因此无需满足此要求。故我们像C语言那样,在主函数上方声明函数原型。

可见该函数需要一个DirLight结构体及其计算所需的两个向量。若您已完成前一教程,此函数内容应不难理解:

vec3 CalcDirLight(DirLight light, vec3 normal, vec3 viewDir)
{
    vec3 lightDir = normalize(-light.direction);
    // diffuse shading
    float diff = max(dot(normal, lightDir), 0.0);
    // specular shading
    vec3 reflectDir = reflect(-lightDir, normal);
    float spec = pow(max(dot(viewDir, reflectDir), 0.0), material.shininess);
    // combine results
    vec3 ambient  = light.ambient  * vec3(texture(material.diffuse, TexCoords));
    vec3 diffuse  = light.diffuse  * diff * vec3(texture(material.diffuse, TexCoords));
    vec3 specular = light.specular * spec * vec3(texture(material.specular, TexCoords));
    return (ambient + diffuse + specular);
}

我们基本复制了前一教程的代码,并利用作为函数参数传递的向量计算出定向光的贡献向量。最终将环境光、漫反射光和镜面反射光的贡献值整合为单一颜色向量返回。

2.6.2 点光源 Poing light

与方向光源类似,我们同样需要定义一个计算点光源对给定片段贡献值(含衰减)的函数。同样需要定义一个结构体来指定点光源所需的所有变量:

struct PointLight {    
    vec3 position;
    
    float constant;
    float linear;
    float quadratic;  

    vec3 ambient;
    vec3 diffuse;
    vec3 specular;
};
#define NR_POINT_LIGHTS 4
uniform PointLight pointLights[NR_POINT_LIGHTS];

我们通过GLSL预处理指令定义场景中点光源数量。随后利用NR_POINT_LIGHTS常量创建PointLight结构体数组。GLSL中的数组与C#数组原理相同,可通过以下方式创建:

点光源函数的原型如下:

vec3 CalcPointLight(PointLight light, vec3 normal, vec3 fragPos, vec3 viewDir);

该函数将所需的所有数据作为参数传入,并返回一个vec3,该向量表示特定点光源对片段的颜色贡献。以下为该函数:

vec3 CalcPointLight(PointLight light, vec3 normal, vec3 fragPos, vec3 viewDir)
{
    vec3 lightDir = normalize(light.position - fragPos);
    // diffuse shading
    float diff = max(dot(normal, lightDir), 0.0);
    // specular shading
    vec3 reflectDir = reflect(-lightDir, normal);
    float spec = pow(max(dot(viewDir, reflectDir), 0.0), material.shininess);
    // attenuation
    float distance    = length(light.position - fragPos);
    float attenuation = 1.0 / (light.constant + light.linear * distance + 
  			     light.quadratic * (distance * distance));    
    // combine results
    vec3 ambient  = light.ambient  * vec3(texture(material.diffuse, TexCoords));
    vec3 diffuse  = light.diffuse  * diff * vec3(texture(material.diffuse, TexCoords));
    vec3 specular = light.specular * spec * vec3(texture(material.specular, TexCoords));
    ambient  *= attenuation;
    diffuse  *= attenuation;
    specular *= attenuation;
    return (ambient + diffuse + specular);
}

将此功能封装为函数的优势在于,我们能够轻松计算多个点光源的照明效果,同时避免冗余代码的重复。在主函数中,只需创建一个循环遍历点光源数组,并为每个点光源调用CalcPointLight函数即可。

2.6.3 整合所有功能

现在我们分别定义了方向光源和点光源的计算函数,可以将其整合到主函数中。

void main()
{
    // properties
    vec3 norm = normalize(Normal);
    vec3 viewDir = normalize(viewPos - FragPos);

    // phase 1: Directional lighting
    vec3 result = CalcDirLight(dirLight, norm, viewDir);
    // phase 2: Point lights
    for(int i = 0; i < NR_POINT_LIGHTS; i++)
        result += CalcPointLight(pointLights[i], norm, FragPos, viewDir);    
    // phase 3: Spot light
    //result += CalcSpotLight(spotLight, norm, FragPos, viewDir);    
    
    FragColor = vec4(result, 1.0);
}

每种光源依次贡献其光效至最终输出颜色,直至所有光源处理完毕。最终颜色包含场景中所有光源的综合光效。若需实现聚光灯效果,也可将其光效添加至输出颜色中。

方向光结构体的统一变量设置应该不会太陌生,但你可能会疑惑如何设置点光源的统一变量值---毕竟点光源的统一变量现在是一个PointLight结构体的数组。

设置结构体数组的统一变量与设置单个结构体并无二致,只是在查询统一变量位置时需额外指定索引:

lightingShader.setFloat("pointLights[0].constant", 1.0f);

在此我们索引pointLights数组中的首个PointLight结构体,并获取其常量变量的位置。遗憾的是这意味着我们必须手动为四个点光源分别设置所有统一变量,仅点光源部分就需要调用28次统一变量,操作略显繁琐。你可以尝试通过定义点光源类来抽象化处理,让该类自动设置统一变量,但最终仍需以这种方式为所有光源设置统一变量值。

还需要为每个点光源定义一个位置向量,因此让我们将它们在场景中分散开来。我们将定义另一个包含点光源位置的Vector3数组:

private readonly Vector3[] _pointLightPositions =
{
    new Vector3(0.7f, 0.2f, 2.0f),
    new Vector3(2.3f, -3.3f, -4.0f),
    new Vector3(-4.0f, 2.0f, -12.0f),
    new Vector3(0.0f, 0.0f, -3
告别GLU!在.NET 6/8环境下用OpenTK 4.x现代OpenGL的正确姿势(避坑指南) 本文详细介绍了在.NET 6/8环境下使用OpenTK 4.x进行现代OpenGL开发的正确方法,包括环境配置、透视投影、Shader管线实现和顶点数据处理等关键步骤。通过对比传统GLU方法和现代API,帮助C#开发者平滑过渡到可编程管线技术,避免常见陷阱并提升开发效率。 阅读详情

相关推荐

OpenTk进阶5

本文详细介绍了OpenGL中三种主要光源类型的实现方法:定向光源、点光源和聚光灯。定向光源模拟太阳光等无限远光源,所有光线平行;点光源具有位置属性并随距离衰减;聚光灯则具有方向性和照射范围限制。文章重点讲解了聚光灯的边缘柔化技术,通过内外锥体实现平滑过渡的光照效果。每种光源类型都配有完整的GLSL着色器代码和C#实现示例,包括光照方向计算、衰减公式应用以及聚光灯强度插值算法。通过调整光源参数,开发者可以模拟出各种真实世界的光照效果,为3D场景增添丰富的视觉层次。

zhwanwangwang的博客 658

OpenTK进阶3

本文介绍了OpenGL中材质和光照属性的实现方法。通过定义材质结构体(Material)包含环境光、漫反射、镜面反射颜色及光泽度参数,可以模拟不同物体对光的反应特性。同时,通过光源结构体(Light)分别控制环境光、漫反射和镜面反射强度,实现更精确的光照效果。代码实现了动态光源颜色变化效果,利用正弦函数随时间调整光照颜色。文章详细展示了如何在片段着色器中实现材质系统,以及如何通过统一变量在应用程序中设置材质和光照属性,最终呈现出一个具有真实光照效果的3D场景。

zhwanwangwang的博客 1001

OpenTK进阶2

本文介绍了OpenGL中的Phong光照模型实现,包含环境光、漫反射光和镜面反射光三个核心组件。环境光模拟间接光照效果,漫反射光表现物体表面方向性照明,镜面反射则呈现高光效果。通过顶点着色器传递法线向量,在片段着色器中进行光照计算,使用点积运算确定光线影响强度。文章详细讲解了光照向量计算、法线矩阵变换、观察者位置处理等关键技术点,并提供了完整的着色器代码实现。最终实现了可交互的三维物体光照效果,支持视角变换观察不同角度的光照表现。

zhwanwangwang的博客 957

OpenTK进阶4

本文介绍了光照贴图技术在3D渲染中的应用,重点阐述了漫反射贴图和镜面反射贴图的实现方法。通过使用纹理技术,我们可以为物体的不同部分赋予差异化的材质属性:漫反射贴图控制物体各部位的漫反射颜色,而镜面贴图则通过黑白纹理精确调节高光强度。文章详细讲解了如何在片段着色器中采样这两种贴图,并提供了完整的OpenGL实现代码,包括顶点数据更新、着色器修改和纹理绑定过程。最终效果展示了一个木质容器模型,其钢制边框能够产生镜面高光,而木质部分则保持无光泽状态,显著提升了渲染的真实感。这种技术为更复杂的材质表现奠定了基础,可

zhwanwangwang的博客 777

OpenTK 入门系列

The Open Took Kit (OpenTK), 是对 OpenGL、OpanAL、OpenCL 的跨平台的封装,使用 C# 编写,可以运行在 Windows、 Linux 以及 MacOSX 平台上, 任何 .Net 语言都可以使用它做开发。 主要特点如下: 快速开发 使用 .Net 的强类型和内嵌的注释文档, 提高代码流程,并且有助于快速发现错误。 集...

weixin_34387468的博客 2063

OpenTK教程-1绘制一个三角形

OpenTK的官方文档是真心的少,他们把怎么去安装OpenTK说的很清楚,但是也就仅限于此,这有一篇learn opentk in 15的教程(链接已经失效,译者注),但是并不完美。你可以在15分钟内做一些简单的事情,但是却很难理解代码的内部机制。本文使用了一部分该教程的代码,使用的是过时的方式(非VBO),但是有助于理解OPENTK/OPENGL的绘图机制。 Part 1:安装 首先

suwya的博客 2980

二、开发环境和第一个OpenTK程序

在上述代码中,我们首先设置了窗口的大小和标题,然后创建了一个 GameWindow 对象。上述代码中,在 OnLoad 方法中设置了清屏颜色,在 OnRenderFrame 方法中使用 GL.Begin 和 GL.Vertex2 来绘制矩形。在 NuGet 包管理器中,搜索“OpenTK”,选择合适的版本(通常选择最新稳定版),然后点击“安装”按钮。在 OnClosing 方法中,您可以编写在窗口关闭时需要执行的代码,例如保存数据、释放资源等。将 OpenTK 的相关 DLL 文件添加到您的项目引用中。

仰望星空的博客 1745

八、OpenTK中的纹理操作(万字详细教程)

  在图形渲染中,纹理可以从图像文件加载。通常使用图像处理库来读取图像文件的像素数据,并将其上传到 GPU 作为纹理。在 C# 中,可以使用一些第三方库(如 System.Drawing.Common 或 SixLabors.ImageSharp)来读取图像文件。首先,读取图像文件并获取其像素数据。然后,创建一个纹理对象,并使用 GL.TexImage2D 函数将像素数据上传到 GPU。同时,需要设置纹理的参数,如过滤模式和环绕模式。   以下是一个从 PNG 图像文件加载纹理的 C# 示例代码: (二)生

仰望星空的博客 1262

在 WPF 中使用 OpenTK:从入门到进阶

OpenTK 是一个开源的跨平台 C# 库,它封装了 OpenGL、OpenCL 和 OpenAL 等底层库的功能。在图形方面,它提供了丰富的工具用于创建图形上下文、处理顶点数据、进行图形渲染等操作。其数学库包含向量、矩阵等数据结构以及各种数学运算函数,对于处理 3D 图形中的坐标变换、光照计算等至关重要。WPF 是基于 DirectX 的,采用了 XAML(可扩展应用程序标记语言)来描述用户界面。它具有强大的布局系统、丰富的控件库以及支持数据绑定、动画等高级特性。

candy的博客 2052

在WPF中集成OpenTK画图形

在Start函数开启之后,渲染是一直持续重复执行的。根据官网提示,需要调用GLWpfControl中的Start()函数,开始渲染。会发现,Render事件是不会触发的!

仰望星空的博客 2425

OpenTK 光照与材质详解

【代码】OpenTK 光照与材质详解。

仰望星空的博客 1138

opentk:Open Toolkit库是用于OpenGL,Op​​enAL和OpenCL的快速,低级C#包装器。 它还包括窗口,鼠标,键盘和操纵杆输入以及功能强大且快速的数学库,为您提供编写自己的渲染器或游戏引擎所需的一切。 OpenTK可以单独使用,也可以在Windows,Linux,Mac上的GUI中使用

OpenTK的 OpenTK是一个大型项目。 有很多工作要做,我们几乎欢迎您的贡献。 社区友好,热情并且随时准备帮助您合并您的PR! 我们有一个非常活跃的不和谐服务器,如果您需要帮助,想要帮助或只是好奇,请加入我们! Open Toolkit库是用于OpenGL,Op​​enGL ES,OpenAL和OpenCL的快速,低级C#绑定。 它可以在所有主要平台上运行,并为数百种应用程序,游戏和科学研究提供支持。 使用OpenTK将跨平台的3d图形,音频,计算和触觉添加到C#应用程序。 将其集成到您现有的用户界面中,或独立使用而无需任何外部依赖项。 OpenTK附带了简单易用的学习现代OpenGL的教程。 这些由社区编写,代表了使您入门的所有最佳实践。 在此处了解如何使用OpenTK: ://opentk.net/learn/index.html 教程随附的示例项目可在以下位置找到: : 项目网站: : 官方git仓库: : 建立状态 平台 状态 视窗 单声道/ Linux 产品特点 使用OpenGL 4.6和OpenGL ES 3.0创建最先进的图形 通过3D

用VS2010及OpenTK实现OpenGL经典教程NeHe的第二课。

用VS2010及OpenTK实现OpenGL经典教程NeHe的第二课

ImGui.NET_OpenTK_Sample:一个示例项目,显示了C#中用于OpenTK的ImGui(使用ImGui.NET)渲染器

亲爱的Imgui示例使用OpenTK OpenGL 4.5 为了方便起见,此版本的存储库使用了许多opengl 4.5功能(不必绑定缓冲区和内容)。 对于使用opentk 3.2的opengl3.3的opengl 3.3版本,请检出opengl3.3分支。 opengl3.3分支是为OpenTK 3编写的,因此必须进行一些更改。 此示例没有使用opentk 4和opengl 3.3的版本。 BadImageFormatException 如果出现以下错误,则可能必须将平台目标设置为x86: System.BadImageFormatException: 'An attempt was made to load a program with an incorrect format. (Exception from HRESULT: 0x8007000B)' 为此,右键单击您的项目

前端宝典之七:React性能优化实战精华篇

本文主要讲解实战项目中React性能优化的方法,主要分为三个大的方面:减少不必要的组件更新、组件优化以及tree-shaking,共11个方法

franktaoge的博客 1904

Unity3D 2022版如何一键安装Newtonsoft.Json?最新Package Manager教程

本文详细介绍了在Unity3D 2022及以上版本中,如何通过Package Manager一键安装和配置Newtonsoft.Json(Json.NET)。教程涵盖了从打开Package Manager、搜索并安装正确包源,到验证安装和基础使用的完整流程,旨在帮助开发者以现代化、可靠的方式集成这一强大的JSON处理框架,提升开发效率并规避手动导入的常见问题。

lg888的博客 922

Frenet坐标系下动态街道场景的最优轨迹生成

本文详细解读了Lattice Planner

BigDavid123的博客 2400

千兆以太网的接收和crc校验

解析该以太网帧,包括统计该以太网帧长度+过滤功能(端口号对不对,是否为udp协议)+CRC校验,将解析结果存入状态fifo,一旦状态fifo开始有数,就开始开启读过程,读过程开始时,首先读状态fifo,根据从状态fifo里面读出的以太网帧长度,来读数据fifo(这样能够防止跨帧读),然后在根据状态fifo里面读出的crc校验正确标志和过滤标志,来确定是否将数据fifo读出来的数据送给下一个模块。改掉之后在抓一下,可以看到抓出来的数据完全正确,从最后开始看,除去4个crc校验的尾巴,数据是到255结束的。

weixin_45284871的博客 2744

S32K324 Stack异常分析及解决方案

在项目开发过程中,在一次软件变更时,调整了task优先级之后导致应用层软件中的float数据经常性的变为NAN,导致应用层功能失效。本文记录下这个bug的分析及解决过程。该问题排查了好几天,最开始正向排查不出来,差点放弃了,ETAS OS也没有人支持,只能换一种思路,通过反向推,最终定位到问题,能完美解决,还是很欣慰的。遇到问题不可怕,Bug一直都会有,主要是在解决问题中的思路和方法,不断总结积累,总会越来越好的!

赞的博客 602

《网络安全自学教程》- Nmap使用及扫描原理分析

使用Nmap进行端口扫描、主机发现、服务识别、操作系统识别、指定脚本、结果导出文件,使用wireshark抓包分析扫描原理。

wangyuxiang946的博客 1万+

国网DLT698.45协议——采集系统、数据交换(三)

物理层规定了通信单元或其他终端设备与多功能电表的通信接口,接口的物理与电气特性。常见的物理层传输方式有对于RS485、红外、载波通信等通信信道。将数据包装成可传输的帧格式。1、根据通信配置参数完成端口的初始化配置,通信状态初始化为准备接收状态,初始化相关计数器及缓冲区指针。2、链路层及控制子模块负责通信数据的收发控制,各类超时问题的处理。无通信数据接收时,定时初始化通信端口。3、完成协议帧的解析及应答。

一个bug是bug,多个bug能work 8057

大疆FPGA/芯片开发工程师(A卷)笔试题(含详解)

大疆芯片开发岗A卷 一、单选题 1.下列关于多bit数据跨时钟域的处理思路,错误的有   A、发送方给出数据,接收方用本地时钟同步两拍再使用   B、发送方把数据写到异步fifo,接收方从异步fifo里读出   C、对于连续变化的信号,发送方转为格雷码发送,接收方收到后再转为二进制   D、发送方给出数据,发送方给出握手请求,接收方收到后回复,发送方撤销数据 2.对12.918做无损定点化,需要的最小位宽是多少位,位宽选择11位时的量化误差是多少   A、12位,0.0118   B、13位,0.0039

Mr.翟的博客 2万+

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")

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

上一篇: OpenTk进阶5
下一篇: CSDN年度技术趋势预测
BarretWang
博客等级 码龄9年 295粉丝 29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
 
 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

打赏作者

BarretWang

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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