拿来主义往往束缚人们对新事物的研究与发现 - 记于 OpenGLES 模型移动研究过程中的感悟

本文主要是介绍拿来主义往往束缚人们对新事物的研究与发现 - 记于 OpenGLES 模型移动研究过程中的感悟,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

拿来主义往往束缚人们对新事物的研究与发现 - 记于 OpenGLES 模型移动研究过程中的感悟

太阳火神的美丽人生 (http://blog.csdn.net/opengl_es)

本文遵循“署名-非商业用途-保持一致”创作公用协议

转载请保留此句:太阳火神的美丽人生 -  本博客专注于 敏捷开发及移动和物联设备研究:iOS、Android、Html5、Arduino、pcDuino否则,出自本博客的文章拒绝转载或再转载,谢谢合作。

OpenGLES 在 iOS 上的研究工作已经持续近 7 个月了,中间发布的体验版本不下十几个,每一个版本都保留着,这是研究过程中的里程碑,也是本人在 OpenGLES 方面成长的见证。

有人说,结婚拍婚纱照没啥用,明明订的一两千的套系,拍完一选片儿,居然加到五七八千去了,更是不值。

其实,就拍与不拍这个事情来说,本人的观点是,一定要拍,真正看的时侯,并不多,比如俺家的,已经忘记压在哪个柜子下面了,但至少存在着,就是一个见证。

然后,预算的超支,那个就因人而异了,有的人,对这种见证,更要求细致,总是怕漏下某一个细节;而有的人天生记性好,比如老一辈人,结婚就一张大像框照片,就解决一辈子的问题,和和睦睦,白头到老。

至于我,总是爱把关键时刻的照片留下来,留做纪念。而到现在,人生经历过的事情,崎岖坎坷、春风得意,从我一身的病,就足以记得很深了,至于照片,真心没那个必要。

话题扯得有些远了,不过还是老话常谈,博客就是我对技术研究历程中,自已觉得很回味的,即使很熟了,还要研究上几回的,倍感亲切,确实值得记录一下。

然而,有些时侯,确流于形式,随波逐流,丧失自我,这是最让我无法忍受的,出现这样的状况,我就会像写什么云笔记...一样,好几个笔记应用,最终都变成了储物柜,和婚纱照一样,成了压箱底儿的东西了。

感觉博客也一样,真心要甩掉那些个东西,才会让我有兴趣写下去。

在我看来,博客有几个作用:

1、记录当时研究的灵感和场景,一是下回这个技术会用,或这个问题会解决;二也是最重要的,思考问题的方式;

2、博客文章,不光是给别人看的,最重要是给自已看的,反复看过后,才知道哪些思路还有不足,哪些可以进行扩展,正所谓书读百遍,其意自现,自个儿做过的事情,反复过几遍电影之后,不明白的部分,自然流露出来,无需花太多脑汁去想为什么,自然就知道了。

3、最后一点,就是通过之前的总结记录,会不自然的有机结合出新的东西来,比如新的方案,更重要的是思考问题的维度增加了,思维面儿要广了,解决问题的适应性就更强了。


回归主题,这么长时间以来,写有关 OpenGLES 的博文,总是小心翼翼的,生怕哪里写得不对,一是误人子弟,二是没脸儿。

然而正是这种心态,博文中总是缺少一些大胆的总结,致使无法自然地总结形成新的思维模式,一大损失!

再有,评论功能,之前我是关闭着的,后来打开了,确实想得到高人的指点、帮助,然而,收效甚微,还是主动出击有效果,尤其从老外的博文中,能找到独到的,浅显的观点。


一直以来,没有对 OpenGLES 的各个部分做总结,一是工作时间紧,没有那个精力;二是总感觉没到那个层次,没有发言权;

其实两者都错了,工作紧,孰不知,总结之后,虽然占用了些工作时间,但这是为了更好地工作,提高工作效率,磨刀不误砍材工,就是这个道理;

至于没有发言权,只是个借口,可能更想把现成的东西发给别人看,然而,别人真的不一定吃得下,而研究过程中的点滴感悟才是别人灵感的来源,也是自已需要的进一步研究的基石,对自已其实也一样。


最后,其实就是那么一个事儿,OpenGLES 模型的移动,真的不用笨笨地去重建修正以达到挪那么大的顶点数据的目的;

有一点可别忘了,OpenGLES 2.0 是可编程管线,这意味着,每一个模型的顶点坐标都是要传递给着着器,进行相应加工,才最终交给 GPU 去渲染生成画面的,那么,只要能识别出是哪一个模型,是否对该模型做某些操作,这完全可以在着急器中进行处理,或者换一个着色器进行处理。

同时,涉及另一个关题,那就是空间转换,矩阵.......的应用,这些个 3D数学计算,着实有些迷糊,上次也是到某大学,在图书馆里搜索到了几个桌上有这方面书的同学帮助解决的,虽然他们不懂 3D 数学,但至少我分解后的内容,都是基础的,他们很在行的。

这也是俺一直没有去想的部分,着色器和渲染程序始终用一个,拿来主义,不求甚解,害人非浅。

直到目前,这个问题无法解决时,才下定决心,重新思考,进度已经无法保证,无从谈起的时侯,才会想起先保证可行,否则就一直爬在别人的后背上,以便轻松地,快捷地过河,这就是病根儿。


一年多来,完全“掌握”了现有工作环境中的这种工作和思维方式,之前也想过要放下,拿起以前的自已的方式,但大环境下,无法改变。

惯性使然,人也只有在逼到没路可走时,才会想起来,是不是应该重新选择,或者遇到叉路口的时侯就应该去考虑一下,哪一条路通达彼岸的可能性更大,如果连这都不舍得花时间去思考,甚至认为这是一种浪费,那么困境 就在不远的将来了。(刚想起来那句:人无远虑,必有近忧!意思是,你不想远点,当远点时间成为近前时,你就会因为没有提早考虑到,而出现忧愁烦恼。)


说了这么多,要表达的意思,我是明白了,不过看客们是否明白,那就得看你是否有此经历了,现今的行业大气侯下,敏捷被当作招魂牌,只是用于更深层次地剥夺些什么的工具,好像看不明白上面这些话的同行们,少之又少。


真正的敏捷,其中缊藏着一个较深的度的问题,切不可完全由成本来控制,就像敏捷开发所讲的,信任第一,否则,你失去的不光是效率,更重要的还有潜能。

这效率本身就涉及成本,无法达到开发本身自然趋速的效率,本身成本就大大增加;

而潜能,则是活生生地被限制住了,开发人员本身有心想,也无力去使这个劲儿出来。


接下来,向着“空间转换”再一次开炮!!!



这篇关于拿来主义往往束缚人们对新事物的研究与发现 - 记于 OpenGLES 模型移动研究过程中的感悟的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/584884

相关文章

浅析Spring Security认证过程

类图 为了方便理解Spring Security认证流程,特意画了如下的类图,包含相关的核心认证类 概述 核心验证器 AuthenticationManager 该对象提供了认证方法的入口,接收一个Authentiaton对象作为参数; public interface AuthenticationManager {Authentication authenticate(Authenti

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

作业提交过程之HDFSMapReduce

作业提交全过程详解 (1)作业提交 第1步:Client调用job.waitForCompletion方法,向整个集群提交MapReduce作业。 第2步:Client向RM申请一个作业id。 第3步:RM给Client返回该job资源的提交路径和作业id。 第4步:Client提交jar包、切片信息和配置文件到指定的资源提交路径。 第5步:Client提交完资源后,向RM申请运行MrAp

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言