5.5 使用外面面板中的效果命令制作艺术文字 [Illustrator CC教程]

原文:http://coolketang.com/staticDesign/5a97b8c29f54542163da6f41.html

1. 本节课将为您演示如何在外观面板中,为图形添加多个效果属性。首先选择文档中的图形,查看图形的外观属性。 


2. 然后点击外观面板底部的[添加效果]按钮,给当前图形添加一个效果属性。 


3. 依次选择[扭曲和变换 > 波纹效果]命令。 


4. 


5. 在弹出的波纹效果设置窗口中,点击勾选[预览]复选框,实时预览波纹的效果。 


6. 然后在[大小]滑块左侧位置点击,降低波纹的大小尺寸。 


7. 继续在[每段的隆起数]滑块的左侧位置点击,减少路径中凸起的数量。 


8. 最后点击[确定]按钮,完成波纹效果的选项设置。 


9. 在文档空白处点击,取消对图形的选择,并观察波纹效果对图形产生的影响。 


10. 继续选择文档中的图形,查看图形的外观属性。 


11. 再次点击外观面板底部的[添加效果]按钮,给当前图形添加一个效果属性。 


12. 接着依次选择[风格化 > 投影]命令。 


13. 


14. 在弹出的投影选项设置窗口中,点击勾选[预览]复选框,实时预览投影的效果。 


15. 直接点击[确定]按钮,完成投影效果的选项设置。 


16. 然后在文档空白处点击,取消对图形的选择,并观察投影效果对图形产生的影响。 


17. 继续选择文档中的图形,查看图形的外观属性。 


18. 除了在外观面板处添加效果外,也可以通过使用菜单命令的方式添加效果。依次选择[效果 > 纹理 > 染色玻璃]命令。 


19. 


20. 


21. 保持默认的参数设置,直接点击[确定]按钮,完成染色玻璃效果的选项设置。 


22. 接着在文档空白处点击,取消对图形的选择,并观察染色玻璃效果对图形产生的影响。 


23. 继续选择文档中的图形,查看图形的外观属性。 


24. 使用外观面板,可以灵活方便地调整历史效果。点击[染色玻璃]属性名称,再次打开染色玻璃属性设置窗口。 


25. 然后在[单元格大小]参数的滑块的左侧点击,缩小单元格的尺寸,同时请留意左侧预览区的变化。 


26. 点击[确定]按钮,完成染色玻璃效果的选项设置。 


27. 在文档空白处点击,取消对图形的选择,并观察染色玻璃效果对图形产生的影响。 


28. 选择文档中的图形,查看图形的外观属性。 


29. 然后在[染色玻璃]属性上按下鼠标,并向上拖动至[投影]属性的上方,交换两个效果在外观面板中的顺序。 


30. 接着在文档空白处点击,取消对图形的选择,并观察多个效果对图形产生的影响。 


31. 最后点击键盘上的快捷键,保存最终的结果,并结束本节课程。 




本文整理自:《Illustrator CC互动教程》,真正的 [手把手]教学模式,用最快的速度上手Illustrator,苹果商店App Store免费下载: https://itunes.apple.com/cn/app/id1005557436 ,或扫描本页底部的二维码。课程配套素材下载地址: 资料下载


 互动教程列表,真正的手把手教学模式,点击或扫码下载:
 Photoshop互动教程 Illustrator CC互动教程 Excel互动教程
 互动教程 for Xcode9&Swift4 Swift4互动教程 iOS开发中的神兵利器
 Photoshop Script互动教程[Ps脚本互动教程]


 


1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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

打赏作者

李发展

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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