学无止境

# 垂直同步 垂直同步用于将游戏的帧率限制为显示器的刷新率，可以防止游戏画面在高速移动时的画面撕裂现象，使游戏画面更加平滑和连贯。 如果不启用垂直同步，当游戏的帧率高于显示器的刷新率时，图像的一部分可能会在显示器刷新之前更新，导致画面上出现明显的断裂线。而启用垂直同步后，图形处理器会等待显示器完成一次完整的刷新，然后再发送下一帧图像，确保每个图像帧都在刷新之前完全绘制，从而消除了撕裂现象。 简单理解的话，当显示器比如说要渲染 A 帧画面时，渲染到一半，由于游戏的帧率高于显示器的刷新率，所以 A...

通过 Stats 窗口可以初步查看游戏运行时，当前一帧的各项性能。 Stats 是英文单词 Statistics 的缩写，意思是 “统计数据”。 打开方法：Game 窗口右上角，找到 Stats，点击它。 # Unity 绘制调用（Draw Call）、批次（Batch） 要将游戏中的物体显示到屏幕上，就需要绘制它们。绘制之前，会先由 CPU 计算出它们的位置、颜色等信息，然后发送绘制指令给 GPU。GPU 接受到 CPU 发过来的绘制指令，就会按照要求绘制东西在屏幕上。 Draw Call 是指 CPU 向 GPU 发送绘制指令的过程，一个 Draw Call 就是 CPU 向 GPU...

STM32F1 系列标准库压缩包文件：STM32F10x_StdPeriph_Lib_V3.5.0 # 新建工程步骤总结 建立工程文件夹，Keil 中新建工程，选择型号 工程文件夹里建立 Start、Library、User 等文件夹，复制固件库里面的文件到工程文件夹 工程里对应建立 Start、Library、User 等同名称的分组，然后将文件夹内的文件添加到工程分组里 工程选项，C/C++，Include Paths 内声明所有包含头文件的文件夹 工程选项，C/C++，Define 内定义...

# 简介 STM32 是 ST 公司基于 ARM Cortex-M 内核开发的 32 位微控制器 STM32 常应用在嵌入式领域，如智能车、无人机、机器人、无线通信、物联网、工业控制、娱乐电子产品等 STM32 功能强大、性能优异、片上资源丰富、功耗低，是一款经典的嵌入式微控制器 # ARM 简介 ARM 既指 ARM 公司，也指 ARM 处理器内核 ARM 公司是全球领先的半导体知识产权（IP）提供商，全世界超过 95% 的智能手机和平板电脑都采用 ARM 架构 ARM 公司设计 ARM 内核，半导体厂商完善内核周边电路并生产芯片 # 芯片命名规则 / 系统结构 #...

# 基本介绍 一种闭环控制算法 u(t)=Kp[e(t)+1Ti∫0te(t)dt+Tdde(t)dt](连续)u\left(t\right)=Kp\left\lbrack e\left(t\right)+\frac{1}{T_{i}}\int_0^{t}e\left(t\right)\mathrm{d}t+Td\frac{de\left(t\right)}{\mathrm{d}t}\right\rbrack_{}...

# 前言 之前（2023-07-14）在论坛上反馈的帖子一直没审核通过，咱也不知道为什么 / 捂脸，所以就在这里发一下吧～ # 设备 产品型号 Nreal X 问题出现时间 2023-07-14 您搭配使用的产品 一加 7T，安卓版本 12，ColorOS 版本 12.1，APP 版本 v3.4.0 (3982) 使用场景 游戏娱乐 # 问题描述 今天突然发现，我在 AR 空间无法使用拍照和录制功能了。一点击拍照功能，眼镜画面就会直接卡死不动，APP 操作无相应反馈，只能杀死进程重新进入才行。当点击录制功能，手机会弹出「 要开始录制或投射内容吗？...

参考资料：GAN.pdf # 原理 # Q1. Where will D converge, given fixed G # KL Divergence V.S. JS Divergence # Q2. Where will G converge, after optimal D # GAN 会遇到的问题 训练不稳定，两个分布没有重叠的话，生成器就会长时间得不到更新 # WGAN 通过引入一个惩罚项缓解无法训练的问题 # 代码实战 # GAN import torch from torch import nn, optim, autogradimport numpy as...

前面所接触的一般都是监督学习，而除了有监督学习，互联网上更多的数据都是没有标签的，所以这就引出了无监督学习。 无监督学习不是没有标签，而是数据本身就是标签，通过神经网络找出数据内在的特征，然后再重构出数据本身，这就是自编码器 Auto-Encoders 这个过程其实就是要找到数据本质的特征，和 PCA 降维类似，通过 Auto-Encoders 找到降维后的特征后，我们就可以方便的将其可视化出来了，比如这个比较著名的可视化网站：Embedding projector - visualization of high-dimensional data (tensorflow.org) #...

最为关键的点就在于 LSTM 有三个门，遗忘门（forget gate）、输入门（input gate）和输出门（output gate），每个门通过 sigmoid 激活函数（σ）输出 0 或者 1，然后通过 element-wise 的乘积操作，达到筛选信息的目的。 # 遗忘门 选择性的筛选上一步的记忆信息 Ct−1C_{t-1}Ct−1​，所以叫做遗忘门 # 输入门 将 ht−1h_{t-1}ht−1​ 和 xtx_{t}xt​ 的经过 Sigmoid 激活函数得到输入门，同时，ht−1h_{t-1}ht−1​ 和 xtx_{t}xt​ 经过 tanh...

# 时间序列表示 通常表示为 [word num, batch, word vec]，即 [单词数，句子数，单词的特征维度数] # 循环神经网络 h 表示连续的语义信息，为了减少参数量，所以 w 和 h 参数都是权重共享的 # 梯度更新 需要注意的是，WRW_RWR​ 就是 WhhW_{hh}Whh​，WIW_{I}WI​ 就是 W_ 从梯度推导公式中可以看出，∂hk∂h1=∏ikdiag(f′(WIxi+WRhi−1))WR\frac{\partial h_{k}}{\partial...