ps的基础介绍(没完,后续)

前绪;
先说明,本人是新手;学习ps只是简单学习;因此下面打的可能不完成,有错误忘各位大神指教,让小弟多学习一点;嘻嘻;
因为是简单的学习所以有到快捷键就不用记了哈;毕竟记忆性不好;;
要返回以前操作可以点历史记录或者ctrl+alt+z;
1;界面;
这里写图片描述

2;图层的认识;
2.1图层可以理解为一张照片是由许多图层叠加而成的;每个图层都是透明的并且完成某个作用;大神说过,可以这样给自己带高帽;学会了图层操作,就可以说自己会ps了;这个高帽带得的确有点高豁;
这里写图片描述
2.2;改图层图颜色;以及不透明度的使用;
这里写图片描述
2.3;图层的一些快捷键
ctrl+j;表示图层的复制;也是出现副本;
delete;删除图层;
多个图层的选定;ctrl或者shift;

3;移动工具的使用;
这里写图片描述
可以进行图片的移动;点移动点图片可以拖到其他文件图片去(注意移过去之后别马上松,不然看不到移过来)
进行图层的移动;
进行图层的排序;
可以进行许多的移动感觉好实用的;
彩色条就是这样操作成的;
这里写图片描述
这个还进行了图层整体复制;就是全部锁定按ctrl+j一样;

4;选框工具的使用;
4.1;快捷键;消去选框;ctrl+d;
按shift会在普通选区下增加选区,
按atl进行选区的减去;
按shift+alt进行选区公共选区的选择;
羽化;让边缘进行圆滑;
shift+m是矩形选区与椭圆选区的转化;
建立选区的时候可以与shift与alt搭配;
这里写图片描述
椭圆形与矩形的选框操作基本上是一致的;
4.2;它的应用作业就是,彩色奥迪的制作
这里写图片描述
制作要使用的操作;
1;图层的新建立;需要新建4个;
2;椭圆形选框;属性要设置,固定大小,设置宽高;
3;边填色;(选框后单击左键,描边;)还要Ctrl+d消除选框;
4;四个图层完毕后还要使用移动工具使得距离相同;同一直线上;
完毕;

5;套索工具的使用;
多边形套索工具按退格键是后退一步,按ESC直接取消;磁性套索工具按退格键是删除上一个锚点,按ESC直接取消。选区画好了用快捷键CTRL+D取消选区。
这里写图片描述
实际操作;
这里写图片描述
从实际苹果套索过来然后填充得到的;
操作步骤;
1;要新建一个文件;ctrl+n;
2;在原苹果图中进行磁性套索;
3;然后把套索区域拖至新建文件处;
4;进行油漆桶工具;最后消去套索ctrl+d;

6;快速选择工具和魔棒工具;
这里写图片描述
这里写图片描述
反向选择的快捷键;ctrl+shift+i;
其作用可以完成简单抠图;
这里写图片描述
步骤;
1;点击魔棒;进行选择轮廓;
2;反向选择;ctrl+shift+i;
3;移动;特别注意;不要使用移动工具;使用矩形选框工具后移动就好;使用移动工具容易出错;(等下也贴出图片);
4;进行涂色就ok了;
《使用移动工具出现的情况》
这里写图片描述
移出的不是轮廓了;而是实物了;

7;裁切;
裁切的作用就是实现特写和删除不要的东西;
这里写图片描述
裁切后
这里写图片描述

8;吸管工具和吸管取样工具;
吸管工具;快速准确取样颜色,从而改变前景色的颜色;如果要是改变后背景就要自己点击;
颜色吸管取样工具;取色并读取记录信息;记录的是rbg;但只能记录四个点的颜色取样的结果;
这里写图片描述

魔棒;吸管,油漆桶的操作;
这里写图片描述

9;修复工具;
9.1污点修复工具;适用于去除图像比例较小的杂点;调节笔头大小用键盘上的左右中括号;
其属性没什么说的;近似匹配,图像处理,创建纹理;都差不多;视情况而定吧;
这里写图片描述
9.2;修复画笔工具;取样时必须按alt键来取样;按住alt则会出现红色光标来选择取样点;取完之后松掉;在可以移动取样的东西来移动放到要放的位置;注意只能用一次;
9.3;修补工具;
源;代表选择的东西相当于原文件,移动到其他地方;就是将其他地方把源进行覆盖;
目标;代表选择的东西为目标;移动到其他地方;就是将目标将其他地方覆盖掉;
透明;就是上面的覆盖的时候原东西依旧保留;
这里写图片描述
9.4;红眼工具;就是吧红眼睛变成黑色的;

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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