《unity shader 入门精要》读书笔记1 - 渲染流水线

渲染流程分为的三个阶段:应用阶段(Application Stage)、几何阶段(Geometry Stage)、光栅化阶段(Rasterizer Stage)

应用阶段CPU完成, 几何阶段光栅化阶段GPU完成。
在这里插入图片描述
在这里插入图片描述

1.应用阶段

将需要在屏幕上显示出来的物体的几何信息,即渲染图元(点,线,三角面等)传递给下一阶段。

2.几何阶段

几何阶段负责和每个渲染图元打交道,把顶点坐标变换到屏幕空间中。

  1. 顶点着色器( Vertex Shader)是完全可编程的,它通常用于实现顶点的空间变换、顶点着色等功能。
  2. 曲面细分着色器( Tessellation Shader)是一个可选的着色器,它用于细分图元。
  3. 几何着色器( Geometry Shader)同样是一个可选的着色器,它可以被用于执行逐图元(Per- Primitive)的着色操作,或者被用于产生更多的图元。
  4. 裁剪( Clipping),这一阶段的目的是将那些不在摄像机视野内的顶点裁剪掉,并别除某些三角图元的面片。这个阶段是可配置的。
  5. 屏幕映射( Screen Mapping),这一阶段是不可配置和编程的,它负责把每个图元的坐标转换到屏幕坐标系中。

3.光栅化阶段

光栅化阶段有两个最重要的目标:计算每个图元覆盖了哪些像素,以及为这些像素计算它们的颜色。

  1. 三角形设置( Triangle Setup),这个阶段会计算光栅化一个角网格所需的信息。
  2. 三角形遍历( Triangle Traversal),阶段将会检査每个像素是否被一个三角网格所覆盖,如果被覆盖的话,就会生成一个片元。
  3. 片元着色器( Fragment Shader)是另一个非常重要的可编程着色器阶段,它的输入是上一个阶段对顶点信息插值得到的结果,而它的输出是一个或者多个颜色值。这一阶段可以完成很多重要的渲染技术,其中最重要的技术之一就是纹理采样。
  4. 逐片元操作( Per-fragment Operations)是对每一个片元进行一些操作(模板测试,深度测试,颜色混合)。
    5.
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