深度测试(Z Test)
在本文中,视角方向为$z$轴负方向 $(-\vec{z})$,$z$值越大,离摄像机越近。
正常的渲染管线为
顶点着色器 $\to$ 曲面细分 $\to$ 几何着色器 $\to$ 光栅化 $\to$ 片元着色器 $\to$ 透明度测试 $\to$ 模板测试 $\to$ 深度测试
在本文中,视角方向为$z$轴负方向 $(-\vec{z})$,$z$值越大,离摄像机越近。
正常的渲染管线为
顶点着色器 $\to$ 曲面细分 $\to$ 几何着色器 $\to$ 光栅化 $\to$ 片元着色器 $\to$ 透明度测试 $\to$ 模板测试 $\to$ 深度测试
为什么写这个系列:
面网易雷火引擎实习被狠狠拷打了,发现自己对技术的垂直深度还不够,只知道自己做了什么,但对为什么这么做和做的怎样了解略少。赶紧多多补一下。
在GPT等模型中,Transformer模型输入文字、音频、图像等数据,并对文本中下一词出现的概率做预测。选择概率最高的词,追加到输入文本的后面,再将补全后的文本重新作为输入,如此往复,实现文本的补全。
笔者欲将rife模型在手机上完成部署,进行视频插帧推理。
项目:https://github.com/hermit1x/rife-ncnn-android
使用的rife-v4.6模型,优化了视频输入输出,解决磁盘IO的瓶颈后,在8Gen3手机上,720p下达到了5.5fps的推理速度。但还是挺慢,就试图借助量化来进行加速。
在互联网冲浪的时候,总能看到很多有意思、有价值的内容,但可惜只是看的话这些内容也就只是看了,不会变成知识。因此想着,在博客中开一个系列,用文字的形式,将看到的这些内容记载下来,与君共勉。
试图将一个只支持macOS、Linux、Windows平台的cpp项目迁移到Android平台,费了好大一番力气。
Android SDK
的TOOLCHAIN
进行编译这两种方法都尝试了,均遇到一点点小问题,而且都太杀鸡用牛刀了
就,还是抵挡不住诱惑,打算整一台NAS来玩玩。考察了成品NAS,一是嫌贵,主要是卖软件的钱,硬件配置都比较差,二是觉得数据在别的厂商的手里总归是不踏实的。于是选择了DIY,使用Ubuntu作为NAS系统配合各种软件实现NAS的各种功能。此外为了避免依赖打架,在选取软件的时候都尽可能的选取docker化的软件来实现部署。
省流:实践解包一个NSIS安装程序,然后重新打包成长的一样的安装程序,但可以偷偷替换安装内容。
Nullsoft脚本安装系统(英语:Nullsoft Scriptable Install System,缩写:NSIS)为一个开放源代码脚本驱动的封装安装档用工具。可以用其脚本语言自定安装的流程,同时支持多种语系的安装接口。