二次开发 popcorn maker,使其符合项目要求的一些感想

简介:

popcorn maker的脚本相当负责,也很耗时间,为了符合项目的需求,

需求有几点:

1、固定轨道,视频音频背景音乐,字幕图片都各自一条轨道;

2、开发字幕等插件;

3、添加资源库功能,可以上传资源【包括图片,视频音频】,删除资源。

4、添加素材编辑的窗口,当打开素材编辑窗口时候,假如选中了视频或者音频的track event那么就显示该event的编辑信息,假如没有的话,就显示暂时没有选中素材的窗口;

5、给每个视频或者音频的track event添加分割功能,使其可以分割成为多个track event,用户可以选择删除哪一个片段。

6、微调,不允许调整视频窗口大小,不允许拖动字幕。。。。


a

/需求一的实现也相当不容易,因为popcorn maker本身是允许随意拖动新建轨道的,它里面有一个genereateSafeTrackEvent的方法(大概的名字),可以生成一个安全的track event【track是轨道,track event是轨道上的项目,中文不知道怎么叫】,这时候就需要在它各种拖动移动生成track event的时候检测是否碰撞;而且不允许它将track event拖动到别的轨道,于是,又要限制拖动方向;3、当用户拖动轨道上的track event的时候必须检测碰撞,碰撞了就不允许拖动。4、popcorn maker的项目是有初始化的项目信息的,原本的名字叫 default-config.json或者 save-data.json这两个都要注意,需要设置成固定轨道的数据。5、视频或者音频的编辑数据里面有调整in out以及长度 duration,及start end等位置的参数,这些参数的调整有可能导致两个track event碰撞,所以这些地方全部都要统统进行碰撞检测,设定限制值。


b

字幕的插件可以参考popup这个插件的开发方式。

c

添加资源库首先先要编写一个editor类型的插件,然后再【因为要用到第三方的数据,所以要跨域,这时候上次写的flash跨域插件就有作用了】跨域获取资源的列表数据,删除操作也这样。

4、也是一个插件的编写。

5、这是对sequecer editor添加一个参数。然后计算当前时间进度进行分割。

6、很多很多细节。。。


下面这是一个前端界面的成品:







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 1
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