shader基础学习笔记(渲染流水线)

 

   总体上可以分为三个阶段 A: 应用阶段 B :几何阶段 C:光栅化阶段

一:应用阶段 :起点是cpu,分为:

      a:从cpu中提取数据到显存中(硬盘->内存->显存)显存就是显卡的内存,通常RAM加在到显存中后就释放了,但是有时为了计算网格碰撞检测等操作,就不释放掉。数据包括:场景的资源、资源身上的材质、贴图、shader、位置。法线方向。顶点颜色

     b:设置渲染状态:就是场景中的网格是如何被渲染的。包括使用了哪些个顶点着色器,片源着色器等。

     c:向gpu发送drawcall指令,一个drawcall指向的一个需要被渲染的图片列表。     

二:几何阶段(属于GPU流水线)

     包含:顶点着色器-->曲面细分着色器-->几何着色器--->裁剪---->屏幕映射     

      顶点着色器(可编程):顾名思义 只能针对于顶点自身的空间变换、颜色等,无法得到相关联的顶点(gpu可以并行化处理,so 处理很快)(主要工作:顶点变换,顶点光照)

    曲面细分着色器(可选):顾名思义+1,用于细分图元

     几何着色器(可选):,可以增加图元,可以逐图元着色。

     裁剪(可配置):删除掉摄像机看不到的 地方。

     屏幕映射(不可编程不可配置):把所有 图元的  空间坐标----->屏幕坐标

三:光栅化阶段:三角形设置-->三角形遍历--->片元着色器------>逐片元操作------->屏幕图像

       该阶段接收的是屏幕顶点坐标

      三角形设置:一个三角形内包含了哪些像素

      三角形遍历:根据三个顶点 的信息 对三角形内的各个像素进行差值--->输出为一个片元(片元只是包含信息,并没有到屏幕上)

     片元着色器 (可编程): 逐片元着色

     逐片元操作(配置性很高但不可编程):修改颜色。深度缓冲。进行混合   

    具体来说 就是每一个测试每一个片元   是否可见 ,该阶段主要为:模板测试 和深度测试。不通过则不要了

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。每个层由多个神经组成,神经之间通过权重连接。 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