摘要:
unity游戏开发:vscode开发环境搭建 插件: C#相关 首先需要安装C#语言相关插件,同时需要按照插件要求安装.NET环境,需要时需要配置.NET可执行程序地址 Microsoft/C#:C sharp语言依赖,与C# Dev Kit配套使用。 Microsoft/C# Dev Kit 阅读全文
摘要:
Unity获取用户输入 基本概念 unity中使用Input.GetAxis()或Input.GetAxisRaw()接口来获得用户输入,这两个接口的返回值取值范围为[-1,1],具有以下特性: 该值的含义取决于输入控制的类型,例如,对于游戏杆的水平轴,值为 1 表示游戏杆向右推到底,值为 阅读全文
摘要:
伯德图的学习笔记 阅读全文
摘要:
解决QGC与仿真环境在不同机器中的连接问题 阅读全文
摘要:
使用WSL2搭建无人机开发环境 阅读全文
摘要:
训练调试与优化 概述 上一节我们研究了资源部署优化的方法,通过使用单GPU和分布式部署,提升模型训练的效率。本节我们依旧横向展开"横纵式",如 图1 所示,探讨在手写数字识别任务中,为了保证模型的真实效果,在模型训练部分,对模型进行一些调试和优化的方法。 图1:“横纵式”教学法 — 训练过程 训练过 阅读全文
摘要:
[手写数字识别]资源配置 概述 从前几节的训练看,无论是房价预测任务还是MNIST手写字数字识别任务,训练好一个模型不会超过十分钟,主要原因是我们所使用的神经网络比较简单。但实际应用时,常会遇到更加复杂的机器学习或深度学习任务,需要运算速度更高的硬件(如GPU、NPU),甚至同时使用多个机器共同训练 阅读全文
摘要:
手写数字识别之优化算法 概述 上一节我们明确了分类任务的损失函数(优化目标)的相关概念和实现方法,本节我们依旧横向展开"横纵式"教学法,如 图1 所示,本节主要探讨在手写数字识别任务中,使得损失达到最小的参数取值的实现方法。 图1:“横纵式”教学法 — 优化算法 前提条件 在优化算法之前,需要进行数 阅读全文
摘要:
[手写数字识别]之损失函数 概述 上一节我们尝试通过更复杂的模型(经典的全连接神经网络和卷积神经网络),提升手写数字识别模型训练的准确性。本节我们继续将“横纵式”教学法从横向展开,如 图1 所示,探讨损失函数的优化对模型训练效果的影响。 图1:“横纵式”教学法 — 损失函数优化 **损失函数是模型优 阅读全文
摘要:
网络结构 概述 前几节我们尝试使用与房价预测相同的简单神经网络解决手写数字识别问题,但是效果并不理想。原因是手写数字识别的输入是28 × 28的像素值,输出是0-9的数字标签,而线性回归模型无法捕捉二维图像数据中蕴含的复杂信息,如 图1 所示。无论是牛顿第二定律任务,还是房价预测任务,输入特征和输出 阅读全文