岗前训练二 一课一得

2024-01-14 04:30
文章标签 训练 一课 岗前 一得

本文主要是介绍岗前训练二 一课一得,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!

本次学习首先从先从了解3DSMAX开始,了解到3DSMAX是个庞大的软件,广泛应用于影视动画、建筑设计、广告、游戏、科研等领域。初学者自学的时候往往不知到从哪里入手,眉毛胡子一把抓,不但学不到具体的东西,也增加了学习的难度,打击自己的信心。所以想学3DSMAX之前,必须要有个明确的方向,学3DSMAX想应用于那些方面?这样才可以针对性地去学习,把有效的时间和精力花在点子上。DISCREET公司自从开发了3DSMAX到现在都没有出过中文版,在市面上所说的所调中文版都是国人自己汉化的。以我个人多年的使用经验,我不建议大家用汉化的3DSMAX。不建议大家用汉化的几个方面原因:1、3DSMAX是个非常庞大复杂的软件,汉化会影响软件运行速度,造成更多不稳定因素。2、翻译的术语很多不规范,用词难以统一。3、很多公司使用的都是英文原版,从汉化版学起,会造成以后适应的问题。但对于国人,甚至连ABC都不懂几个的朋友,是否可以学好英文版的3DSMAX呢?答案是肯定,以我个人的学习和教学经验,主要也可以从以下几方面说明:1、对于如此庞大的软件,开始接触的时候应该针对性地学习,选择自己兴趣行业方面应用开始。一旦有了针对性,其实开始我们所接触到的命令就不是很多了。2、对于一些命令、术语,在学习应用的过程中,频繁的出现,点得多了,不记得单词也记得它的模样了,它的意思更不用说了。3、MAX的使用是有一定规律性的,而且也非常形象,就是
不太清楚命令的意思,通过操作看到实际变化,也知道它的大概意思。只要有一定的学习方法,多练习,英文版一点也不可怕。学习3DSMAX必须掌握的内容:三维空间能力的锻炼,熟练掌握视图、坐标与物体的位置关系。应该要做到放眼过去就可以判断物体的空间位置关系,可以随心所欲地控制物体的位置。这是最基本的要掌掘的内容,如果掌握不好,下面的所有内容都会受到影响。有了设计基础和空间能力的朋友,掌握起来其实很简单;没有基础的朋友,只要有科学的学习和锻炼方法,也可以很快地掌握。这是我们课程培训里的第一步,一般人第一天就可以掌握了。基本的几个操作命令:选择、移动、旋转、缩放、镜像、对齐、阵列、视图工具,这些命令是最常用也是最基本的,几乎所有制作都用到。几个常用的三维和二维几何体的创建及参数,熟恶了之后,就攀握了3DSAMX的基本操作习惯。二维图案的编辑,这是非常重要的一部分内容,很多三维物体的生成和效果都是取决于二维图案。主要是用“Edit Spline”来实现。对于曲线图案的点、段、线编辑主要涉及到几个常用的命令:Attach Refine Outline Boonlean TrimWed Fillet Chemfer等,熟练掌握这些子命令,才可以自如地编辑各类图案。几个常用必备的编辑命令:等,掌握了这些命令,制作效果的模型一般都可以应付了,此外还有些命令:等,也在效果图制作中时有用到。掌握了几个这样的命令,其他的都可以完全自行学习了,但是也不必要每个都了解,毕竟有一部分我们极少用到的。这也是我们之前提到的学习要分清楚方向和应用。不是眉毛胡子一把抓。材质、灯光方面:材质.灯光是不可分割的
(1)掌握常用的材质参数、贴的原理和应用。(2)熟悉灯光的参数及与材质效果的关系。(3)灯光、材质效果地表现主要是物理方面的体现,应该加强实际常识的认识和物理知识。(4)想掌握好材质、灯光效果的控制,除了以上的几方面,感觉也是很重要的,也是交破境界的一个瓶颈。所谓的感觉,就是艺术力面的修养,这就需要我们不断加强美术方面的修养,多注意双察实际生活中的效果,加强色彩方面的知识等。我也总结了一些学习3DS MAX的经验心得:把MAX当成一门新的课程学习(和MAYA没晗关系!真的。)﹔初学者请不要看太多太多的湖险会误人子弟的;看《c3smax4help》,不要因为他们很难而我们自己是初学者所以就不看不要被粒子,动力学,插什等词汇所迷惑;不要放过任何一个看上去很简单的小问题一—他们往往并不那么简单,或者可以引伸出很多知识点;会用MAX建模,并不说明你会MAX;学MAX并不难,maya,Softimagexsi,Softimage3d.lightwave也不过如此——难的是长期坚持实湖不遗余力的博览群书;如果不是天才的话,想学MAX就不要想玩游戏一—你以为你裁到了,其实你的MAYA水平并没有和你通关的能力一起变高一—其实可以时刻记住:学MAYA是为了编游戏的;看再多MAX的书,是学不全MAX的,要多实宠孚猾的人容易说: MAX不行了,应该学MAYA;——是你自己不行了吧! ?
浮斓的人容悬问:我到底该学什么;——一别问,学就对了;浮操的人容息问:MAX有就途吗;—一建议你去抢银行;浮凝的人容易说:我要中文版!我英文不行!——不行?学呀!浮躁的人容易问:MAX和MAYA,Softimagexsi哪个好;—一告诉你吧,都政了——只要你学就行;浮嘱的人分两种:a)只观望而不学的人;b)只学而不坚持的人;把时髦的技术挂在嘴边,还不如H过时的技术记在心里;MX不仅仅是3D软性什;学习MAX最好的方法之一就是多练习;在任何时刻部不要认为自己手中的书已经足够了:看得懂的书,请仔细看;看不懂的书,请硬着头皮看;别指望看第一谅书就能记仕和碰握什么—一请看第二遍、第三遍;和剧人一起讨论有意义的MAX知识点,i而不是争吵MAX行不行或老MAYA与Softimagexsi哪个好;不要因为MAX和MAYA看上去有一些相同,就认为它们的意义和作用完全一样;(其实没什么象同的)请不要认为学过MAYA再改学MAX会有什么问题一—你只不过又在学一门全新的软什而已:有不懂的问题可以上网学习MAX的秘诀是:学习,学习,再学习;请把书上的例子亲手到电脑上实线,即使西杅套光盘中有酒文件;把在书中看到的有意义的例了扩充;请重视MAX中的异常处理技术,并将其切实的运用到自己的工作中;经常回獭自己以前微过的场景,并尝试重做,把自己学到的新知识运用进去;不要漏掉书中任何一个练习一一请全部数完并记录下思路;MAX建模和MAX材质要同时学习和掌握;既然决定了学MAX,就请坚持学下去;就让各种3D平台去激烈的竞争吧,我们要以学习MAX本身为主;、当你用MAX到一半却发现自己用
的方法很出劣时,请不要马上停手:请尽快将余下的部分粗略的完成以保证这个设计的完整性,然后分析自己的错误并重新设计和工作(参见43);别心急,用MAX确实不容易;水平是在不断的实线中完善和发展的;每学到一个MAX难点的时候,尝试着对别人讲解这个知识点并让他理解一—你能讲清楚才说明你真的理解了;记录下在和别人交流时发现的自己忽视成不理解的识点;请不断的对自己做的场景提出史高的要求;保存好你擞过的所有的池文什——川是你最好的积累之一;请不要做浮猾的人;请热爱MAX!
本次培训泄过老帅的展示和指导,其他同学的探讨,使我初步学会了如何使用3DMax初步的建模,制作了茶壶、茶杯、托盘、军徽、课桌、沙发、房子、砸烂、树木、杯子、卷由国和现台等物体,通过制作学会了图形合并,材质偏批,倒角,挤出、 aec扩展的技术的使用,学到了许多信息技术课的斑识。i而且性平等,使我更易于理解与接受。使我很大程度的弥补了我的计算机知识的缺容。我觉得这次培训很有实效,使学到了许多知识,也是我认识到了自己的不足。在今后的学习中,我一定要努力深研,努力提高自己的专业技术水平,把时间都用到学习中去,充分利用自己身为信息技术的优势,多利用网络的忧势,不荒规时光,化荣誉为压力,为今后学习生活多积累宝贵知识财富

以下是灯渲染的作品

这篇关于岗前训练二 一课一得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/603942

相关文章

MiniGPT-3D, 首个高效的3D点云大语言模型,仅需一张RTX3090显卡,训练一天时间,已开源

项目主页:https://tangyuan96.github.io/minigpt_3d_project_page/ 代码:https://github.com/TangYuan96/MiniGPT-3D 论文:https://arxiv.org/pdf/2405.01413 MiniGPT-3D在多个任务上取得了SoTA,被ACM MM2024接收,只拥有47.8M的可训练参数,在一张RTX

Spark MLlib模型训练—聚类算法 PIC(Power Iteration Clustering)

Spark MLlib模型训练—聚类算法 PIC(Power Iteration Clustering) Power Iteration Clustering (PIC) 是一种基于图的聚类算法,用于在大规模数据集上进行高效的社区检测。PIC 算法的核心思想是通过迭代图的幂运算来发现数据中的潜在簇。该算法适用于处理大规模图数据,特别是在社交网络分析、推荐系统和生物信息学等领域具有广泛应用。Spa

SigLIP——采用sigmoid损失的图文预训练方式

SigLIP——采用sigmoid损失的图文预训练方式 FesianXu 20240825 at Wechat Search Team 前言 CLIP中的infoNCE损失是一种对比性损失,在SigLIP这个工作中,作者提出采用非对比性的sigmoid损失,能够更高效地进行图文预训练,本文进行介绍。如有谬误请见谅并联系指出,本文遵守CC 4.0 BY-SA版权协议,转载请联系作者并注

Detectorn2预训练模型复现:数据准备、训练命令、日志分析与输出目录

Detectorn2预训练模型复现:数据准备、训练命令、日志分析与输出目录 在深度学习项目中,目标检测是一项重要的任务。本文将详细介绍如何使用Detectron2进行目标检测模型的复现训练,涵盖训练数据准备、训练命令、训练日志分析、训练指标以及训练输出目录的各个文件及其作用。特别地,我们将演示在训练过程中出现中断后,如何使用 resume 功能继续训练,并将我们复现的模型与Model Zoo中的

多云架构下大模型训练的存储稳定性探索

一、多云架构与大模型训练的融合 (一)多云架构的优势与挑战 多云架构为大模型训练带来了诸多优势。首先,资源灵活性显著提高,不同的云平台可以提供不同类型的计算资源和存储服务,满足大模型训练在不同阶段的需求。例如,某些云平台可能在 GPU 计算资源上具有优势,而另一些则在存储成本或性能上表现出色,企业可以根据实际情况进行选择和组合。其次,扩展性得以增强,当大模型的规模不断扩大时,单一云平

神经网络训练不起来怎么办(零)| General Guidance

摘要:模型性能不理想时,如何判断 Model Bias, Optimization, Overfitting 等问题,并以此着手优化模型。在这个分析过程中,我们可以对Function Set,模型弹性有直观的理解。关键词:模型性能,Model Bias, Optimization, Overfitting。 零,领域背景 如果我们的模型表现较差,那么我们往往需要根据 Training l

如何创建训练数据集

在 HuggingFace 上创建数据集非常方便,创建完成之后,通过 API 可以方便的下载并使用数据集,在 Google Colab 上进行模型调优,下载数据集速度非常快,本文通过 Dataset 库创建一个简单的训练数据集。 首先安装数据集依赖 HuggingFace datasetshuggingface_hub 创建数据集 替换为自己的 HuggingFace API key

【YOLO 系列】基于YOLOV8的智能花卉分类检测系统【python源码+Pyqt5界面+数据集+训练代码】

前言: 花朵作为自然界中的重要组成部分,不仅在生态学上具有重要意义,也在园艺、农业以及艺术领域中占有一席之地。随着图像识别技术的发展,自动化的花朵分类对于植物研究、生物多样性保护以及园艺爱好者来说变得越发重要。为了提高花朵分类的效率和准确性,我们启动了基于YOLO V8的花朵分类智能识别系统项目。该项目利用深度学习技术,通过分析花朵图像,自动识别并分类不同种类的花朵,为用户提供一个高效的花朵识别

深度学习与大模型第3课:线性回归模型的构建与训练

文章目录 使用Python实现线性回归:从基础到scikit-learn1. 环境准备2. 数据准备和可视化3. 使用numpy实现线性回归4. 使用模型进行预测5. 可视化预测结果6. 使用scikit-learn实现线性回归7. 梯度下降法8. 随机梯度下降和小批量梯度下降9. 比较不同的梯度下降方法总结 使用Python实现线性回归:从基础到scikit-learn 线性

使用openpose caffe源码框架训练车辆模型常见错误及解决办法

错误1:what():  Error: mSources.size() != mProbabilities.size() at 51, OPDataLayer, src/caffe/openpose/layers/oPDataLayer.cpp 原因:这是因为在网络模型中数据源sources和probabilities设置的参数个数不一样导致的,一个数据源对应一个概率 解决方法:只需要将网络文