《网页美工设计Photoshop+Flash+Dreamweaver从入门到精通》——2.8 实战——滤镜制作蓝色光束...

本节书摘来自异步社区《网页美工设计Photoshop+Flash+Dreamweaver从入门到精通》一书中的第2章,第2.8节,作者: 安道通 更多章节内容可以访问云栖社区“异步社区”公众号查看。

2.8 实战——滤镜制作蓝色光束

网页美工设计Photoshop+Flash+Dreamweaver从入门到精通
本章主要讲述了Photoshop CC入门的基础知识,下面具体讲述实际操作。制作放射光束的重点是径向模糊滤镜的应用,可以直接对背景素材或自制一些纹理模糊处理得到初步的放射光束,然后再用其他滤镜加强及锐化光束,后期再渲染颜色即可,如图2-90所示,所使用的文件及要点如表2-11所示。


a7abc59c33e89bfc61f610915b0d6cf53acf6a60


03c2d16f5212476cbacae10fe29e67996dd33cdb

(1)打开素材文件“原始文件/CH02/蓝色光束.jpg”,如图2-91所示。


b80fb5537b6b0b4e3ce75b1e30176de4611c4c99

(2)选择工具箱中的【画笔】工具,在选项栏中单击【点按可打开“画笔预设”选取器】按钮,在弹出的列表框中选择设置画笔,如图2-92所示。


227ae3596665789f36dab28d319e1f1e69eefe51

(3)随意在图像的四周涂抹,如图2-93所示。


7d2a3163e1fc1b5819218655f032e81a2e8053a3

(4)在选项栏中将前景色设置为黑色,在图像的中间随意的涂抹,如图2-94所示。


629337a5784fd7ec7abcc03df1a25c4cc08c19ed

(5)选择菜单中的【滤镜】|【风格化】|【凸出】命令,弹出【凸出】对话框,设置凸出的大小和深度,如图2-95所示。


11b92a9369183c846fac103ba589193975b1ad38

(6)单击【确定】按钮,设置凸出效果,如图2-96所示。


d1807b6be512eed777349d68c759f4745b08c2bb

(7)打开【图层】面板,将背景图层拖到【创建新图层】按钮上,复制一图层,如图2-97所示。

fd6463056980f022ecacedba15cf1409c2e162b3

(8)选择菜单中的【滤镜】|【风格化】|【查找边缘】命令,设置查找边缘效果,如图2-98所示。


0ec4e40f92b070aaf04a424fcf008b651dce9829

(9)选择菜单中的【选择】|【反向】命令,设置反向效果如图2-99所示。


747ca9c1b9fcf12519bfeb89c37b47b775b6834b

(10)打开【图层】面板,将【混合模式】设置为【线性减淡】选项,如图2-100所示。

871b71b1e2f78e1794b86a58a57d1535b270a900

(11)设置线性效果,如图2-101所示。


b5f86be67527f1885813d177295f0c0443f3c911

(12)选择菜单中的【图层】|【合并可见图层】命令,合并图层如图2-102所示。

5af8532037464b3996f660a1d6647bdcf91a6fcf

(13)选择菜单中的【滤镜】|【模糊】|【径向模糊】命令,打开【径向模糊】对话框,设置模糊参数,如图2-103所示。


f0acb8157e42b59744051c78dc5d917c5dd23807

(14)单击【确定】按钮,设置径向模糊效果,如图2-104所示。


fd4ac25d01ff08b66f44b9448ba71b44799dfe88

(15)选择工具箱中的【横排文字】工具,在选项栏中设置相应的参数,在舞台中输入文字Photoshop,如图2-105所示。


a7de3a48e29f18655ad98aaaf939dec42b930b4f
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