grad p = 0 ? - 不妨假设现在 div v ≠ 0，然后想办法如何通过修正压强来消除他，即让 div grad p = -div v。 因此为了模拟不可压缩流，我们要求解压强的泊松方程！泊松方程的右边就是负的速度散度。 ## 投影部分：求速度的散度 - 第一步，如何求出速度场的散度呢？首先速度是一个矢量场，为了 CUDA 对齐方便我们用了 float4 表示三维矢量，因此速度场在 CUDA

）的硬币n次独立投掷中正面的数量。 $$ p(x)=\binom{n}{x}p^{x}(1-p)^{n-x} $$ • 几何分布：掷出正面概率为p（其中：p > 0）的硬币第一次掷出正面所需要的次数。 • 泊松分布：用于模拟罕见事件频率的非负整数的概率分布（其中： $ \lambda > 0 $ ）。 $$ p(x)=e^{-\lambda}\frac{\lambda^{x}}{x!} $$ ## $ p(1 - p)^{k - 1} $ 其中: $ k = 1, 2, \\cdots $|$ \\frac{1}{p} $|$ \\frac{1 - p}{p^2} $| |Poisson(λ)泊松分布)分布|概率密度函数(PDF)或者概率质量函数(PMF)|均值|方差| |---|---|---|---| |Uniform(a,b)(均匀分布)|$ \\frac{1}{b-a} $ 存在x∈(a

|rand|0到1之间的随机数|normal|正态分布的随机数| |---|---|---|---| |randint|制定范围内的随机整数|uniform|均匀分布| |randn|标准正态的随机数|poisson|泊松分布| |choice|随机抽取样本|shuffle|随机打乱顺序| ![Image](/uploads/documents/9/3/8/f/938f221039a29d77a649e5ceb87c609f/p35_1

它也可以使用一个负系数夸大形状。 拉普拉斯平滑 对于那些从现实世界重建好的但有不良起伏噪波的物体会很有用。它消除了起伏噪波的同时，仍然保持理想的几何形状以及原始模型的形状。 拉普拉斯平滑修改器基于微分方程中的曲率流量拉普拉斯-贝尔特拉米算子。 ## Hint 对于具有大量顶点的网格，超过一万（10,000）个时，可能需要几分钟来处理。所以在对整个模型执行修改器之前，可以使用网格的一小部分进行测试。 选择 选择哪些面的角应该被考虑用于点的分布。 最小距离 点与点之间可以有的最小距离。这个选项只适用于泊松磁盘分布方法。在其默认值为0时，节点的行为与随机模式下的行为相同，因为内部生成的点都不会被移除。 ## 密度最大 点分布的点密度。单位是每平方米的点数。这个值要乘以密度输入的值。只在泊松盘模式下可用。 Note 这将由 $ ^{*} $ Distance Min $ ^{*} $ 选项 将不会有新的点被添加。 ## 密度 在每个网格面上每平方米要分布的点数。这个数值乘以密度属性的数值。 在泊松磁盘模式下，该值乘以密度最大值输入，以获得最终密度。 ## 随机种 生成点时使用的随机种。 ## 属性 分布方法 随机： 在表面上随机分布点。这是最快的分发方法。 泊松盘： Distribute points randomly on the surface while taking

的插⼜可以⽤ Ctrl-H 来隐藏。 每个插⼜都根据其处理的数据类型不同⽽显⽰不同的颜⾊。 内置 着⾊器（鲜绿⾊） Used for shaders in Cycles and Eevee. ⼏何信息（绿松⽯⾊） ⽤在 ⼏何节点。 数据 布尔值（粉⾊） ⽤于传递⼀个正确或错误的值。 颜⾊（黄⾊） 说明接⼜ 接收/⽣成 颜⾊信息。依照节点树的类型，颜⾊不⼀定有alpha属 性。 浮点数（灰⾊） 表⽰该套接⼜ 菜单:: 快捷键:: 关键帧 ‣ 跳转到选中项 Ctrl-G 将2D游标放置到所选关键帧的中⼼。 插⼊ 参考 关键帧 ‣ 插⼊ I 在⿏标位置处的活动 F 曲线处插⼊关键帧。将选择新添加的关键帧，以便更轻 松地快速调整新添加的关键帧。所有先前选择的关键帧都通过使⽤ I 保持选中 状态。 类型 Insert a keyframe on all visible and editable F-Curves using NLA编辑器，⾮线性动画的缩写，可以操作和重新规划 动作，免去处理关键 帧的枯燥乏味。它通常⽤于相对轻松地对场景动画进⾏⼴泛⽽重要的更改。 它还可以重新规划，将⼀系列运动和 "分层" 动作链接在⼀起，这样可以更轻 松地组织动画并对其进⾏版本控制。 标题栏 视图菜单 调整上⼀步操作 显⽰⼀个弹出⾯板，⽤于更改上次完成的操作的属性。请参阅： 调整上⼀ 步操作 。 实时更新 转换NLA轨道时，对动画的修改将同步到其他视图。

uments/0/b/7/5/0b75cadc74cad743cba13b7c359b8600/p4_1.jpg) GoFrame是一款模块化、高性能、企业级的Go基础开发框架。 • 模块化、松耦合 • 模块丰富、开箱即用 • 简洁易用、快速接入 • 文档详尽、易于维护 ## 特点 • 自顶向下、体系化设计 • 统一框架、统一组件、降低选择成本 • 开发规范、设计模式、代码分层模型

制柄直接指向相邻关键帧。 这种传统的方法是非常简单的，可预测的，但它只能在最简单的情形产生良好的平滑曲线。要注意位于极端点之间的键周围的黄色曲线及矢量控制柄附近的扭结。 ## 持续加速: 求解方程以避免或尽量减少每个关键帧上的加速度跳跃。矢量控制柄作为平滑过渡集成到曲线中，作为到关键帧以外的假想直线的平滑过渡。 它产生开箱即用的更平滑的曲线，但必然意味着键值的任何变化都可能影响曲线的重要延 示为常数插值。 ## 缓动（通过强度）。 F-曲线段的不同缓和插值方法。Robert Penner easing equations （基本上，定义了一个关键帧过渡到另一个关键帧的一些预设方式的方程式），它减少了手动工作的数量（插入和调整关键帧）以实现某些常见的效果。例如，敏捷的动作。 • 线性 • 正弦 · 二次方 · 三次型 · 四次方 · 五次方 指数 · 圆 ## See 它也可以使用一个负系数夸大形状。 拉普拉斯平滑 对于那些从现实世界重建好的但有不良起伏噪波的物体会很有用。它消除了起伏噪波的同时，仍然保持理想的几何形状以及原始模型的形状。 拉普拉斯平滑修改器基于微分方程中的曲率流量拉普拉斯-贝尔特拉米算子。 ## Hint 对于具有大量顶点的网格，超过一万（10,000）个时，可能需要几分钟来处理。所以在对整个模型执行修改器之前，可以使用网格的一小部分进行测试。

为什么企业会需要二次开发平台？ - 人力与定制化需求的矛盾 • 为什么企业选择自己做二次开发平台？ - 每个行业都有自己的特点 • 怎样才能做好二次开发平台？ - 业务模型的维护，界面与逻辑的松耦合 ## 移动端 • 移动端需要完全从头开始开发吗？ - 代价太大了 - 它能利用已有的什么？ - 服务、前端业务逻辑 • Angular有哪些特性适合移动端开发？ – ngTouch

制柄直接指向相邻关键帧。 这种传统的方法是非常简单的，可预测的，但它只能在最简单的情形产生良好的平滑曲线。要注意位于极端点之间的键周围的黄色曲线及矢量控制柄附近的扭结。 ## 持续加速: 求解方程以避免或尽量减少每个关键帧上的加速度跳跃。矢量控制柄作为平滑过渡集成到曲线中，作为到关键帧以外的假想直线的平滑过渡。 它产生开箱即用的更平滑的曲线，但必然意味着键值的任何变化都可能影响曲线的重要延 示为常数插值。 ## 缓动（通过强度）。 F-曲线段的不同缓和插值方法。Robert Penner easing equations （基本上，定义了一个关键帧过渡到另一个关键帧的一些预设方式的方程式），它减少了手动工作的数量（插入和调整关键帧）以实现某些常见的效果。例如，敏捷的动作。 • 线性 • 正弦 · 二次方 · 三次型 · 四次方 · 五次方 指数 · 圆 ## See 它也可以使用一个负系数夸大形状。 拉普拉斯平滑 对于那些从现实世界重建好的但有不良起伏噪波的物体会很有用。它消除了起伏噪波的同时，仍然保持理想的几何形状以及原始模型的形状。 拉普拉斯平滑修改器基于微分方程中的曲率流量拉普拉斯-贝尔特拉米算子。 ## Hint 对于具有大量顶点的网格，超过一万（10,000）个时，可能需要几分钟来处理。所以在对整个模型执行修改器之前，可以使用网格的一小部分进行测试。

机器学习-线性代数回顾 黄海广 副教授 2021年07月 ## 目录 01 行列式 02 矩阵 03 向量 04 线性方程组 05 矩阵的特征值和特征向量 06 二次型 ### 1. 行列式 01 行列式 02 矩阵 03 向量 04 线性方程组 05 矩阵的特征值和特征向量 06 二次型 ### 1. 行列式 ### 1. 行列式按行（列）展开定理 2\cdots,n) $ 是A的n个特征值，则 $ |A|=\prod_{i=1}^{n}\lambda_{i} $ ### 2. 矩阵 01 行列式 02 矩阵 03 向量 04 线性方程组 05 矩阵的特征值和特征向量 06 二次型 ### 2. 矩阵 矩阵 $ m \times n $ 个数 $ a_{ij} $ 排成m行n列的表格 $ \left[\begin{array}{cccc} \\{{{A^{-1}}}}&{{{O}}}\end{pmatrix} $$ 这里A，B均为可逆方阵。 ### 2. 矩阵 01 行列式 02 矩阵 03 向量 04 线性方程组 05 矩阵的特征值和特征向量 06 二次型 ### 3. 向量 1. 有关向量组的线性表示 (1) $ \alpha_{1},\alpha_{2},\cdots,\alpha_{s}