def create_LSTM_model(): # instantiate the model model = Sequential() model.add(Input(shape=(X_train.shape[1], X_train.shape[2]*5))) model.add(Reshape((X_train.shape[1], 1,X_train.shape[2], 5))) # cnn1d Layers model.add(ConvLSTM2D(filters=64, kernel_size=(1,3), activation='relu', padding='same', return_sequences=True)) model.add(Flatten()) model.add(Dropout(0.5)) model.add(RepeatVector(1)) # 添加lstm层 model.add(LSTM(64, activation = 'relu', return_sequences=True)) model.add(Dropout(0.5)) #添加注意力层 model.add(LSTM(64, activation = 'relu', return_sequences=False)) # 添加dropout model.add(Dropout(0.5)) model.add(Dense(128)) # 输出层 model.add(Dense(1, name='Output')) # 编译模型 model.compile(optimizer='adam', loss='mse', metrics=['mae']) return model # lstm network model = create_LSTM_model() # summary print(model.summary())修改代码，解决ValueError: in user code: File "C:\Users\gaozhiyuan\anaconda3\lib\site-packages\keras\engine\training.py", line 1284, in train_function * return step_function(self, iterator) File "C:\Users\gaozhiyuan\anaconda3\lib\site-packages\keras\engine\training.py", line 1268, in step_function ** outputs = model.distribute_strategy.run(run_step, args=(data,)) File "C:\Users\gaozhiyuan\anaconda3\lib\site-packages\keras\engine\training.py", line 1249, in run_step ** outputs = model.train_step(data) File "C:\Users\gaozhiyuan\anaconda3\lib\site-packages\keras\engine\training.py", line 1050, in train_step y_pred = self(x, training=True) File "C:\Users\gaozhiyuan\anaconda3\lib\site-packages\keras\utils\traceback_utils.py", line 70, in error_handler raise e.with_traceback(filtered_tb) from None File "C:\Users\gaozhiyuan\anaconda3\lib\site-packages\keras\engine\input_spec.py", line 298, in assert_input_compatibility raise ValueError( ValueError: Input 0 of layer "sequential_71" is incompatible with the layer: expected shape=(None, 10, 5), found shape=(None, 10, 1, 1, 5)

时间: 2023-12-07 09:03:48 浏览: 36
根据报错信息，可以看出是输入数据的shape出现了问题。在模型中，第一层输入的shape是(X_train.shape[1], X_train.shape[2]*5)，即(None, 10, 5)，但是实际传入的数据的shape为(None, 10, 1, 1, 5)，其中多了两维，因此需要修改代码中的Reshape层的参数，将其改为Reshape((X_train.shape[1], 1, X_train.shape[2]*5))，这样就可以将输入的数据reshape成正确的shape了。修改后的代码如下： ``` def create_LSTM_model(): # instantiate the model model = Sequential() model.add(Input(shape=(X_train.shape[1], X_train.shape[2]*5))) model.add(Reshape((X_train.shape[1], 1, X_train.shape[2]*5))) # cnn1d Layers model.add(ConvLSTM2D(filters=64, kernel_size=(1,3), activation='relu', padding='same', return_sequences=True)) model.add(Flatten()) model.add(Dropout(0.5)) model.add(RepeatVector(1)) # 添加lstm层 model.add(LSTM(64, activation = 'relu', return_sequences=True)) model.add(Dropout(0.5)) #添加注意力层 model.add(LSTM(64, activation = 'relu', return_sequences=False)) # 添加dropout model.add(Dropout(0.5)) model.add(Dense(128)) # 输出层 model.add(Dense(1, name='Output')) # 编译模型 model.compile(optimizer='adam', loss='mse', metrics=['mae']) return model # lstm network model = create_LSTM_model() # summary print(model.summary()) ```

相关推荐

zip

char_rnn_lm_zh:language model in Chinese，基于Pytorch官方文档实现

依赖：Python 3以上PyTorch 0.2以上运行直接运行训练：$ python main.py或者$ python main.py --mode train文本生成：$ python main.py --mode gen或者$ python main.py --mode gen --epoch 3--epoch参数会读取保存...
zip

LSTM.zip_lstm 预测_lstm预测_航站楼_预测_预测客运量

根据历史时刻的航站楼吞吐量数据，利用lstm网络预测航站楼吞吐量
zip

lstm.zip_LSTM_LSTM python_LSTM时间序列_lstm、python

lstm时间序列的python语言，可以参考

def create_LSTM_model(): # instantiate the model model = Sequential() X_train = X_train.reshape((X_train.shape[0], n_steps, 1, n_length, n_features)) model.add(Input(shape=(X_train.shape[1], X_train.shape[2]))) # cnn1d Layers model.add(ConvLSTM2D(filters=64, kernel_size=(1,3), activation='relu', input_shape=(n_steps, 1, n_length, n_features))) model.add(Flatten()) model.add(RepeatVector(n_outputs)) model.add(MaxPooling1D()) # 添加lstm层 model.add(LSTM(64, activation = 'relu', return_sequences=True)) model.add(Dropout(0.5)) #添加注意力层 model.add(LSTM(64, activation = 'relu', return_sequences=False)) # 添加dropout model.add(Dropout(0.5)) model.add(Dense(128)) # 输出层 model.add(Dense(1, name='Output')) # 编译模型 model.compile(optimizer='adam', loss='mse', metrics=['mae']) return model # lstm network model = create_LSTM_model() # summary print(model.summary())修改该代码，解决UnboundLocalError Traceback (most recent call last) <ipython-input-21-b28a080066f3> in <module> 46 return model 47 # lstm network ---> 48 model = create_LSTM_model() 49 # summary 50 print(model.summary()) <ipython-input-21-b28a080066f3> in create_LSTM_model() 12 # instantiate the model 13 model = Sequential() ---> 14 X_train = X_train.reshape((X_train.shape[0], n_steps, 1, n_length, n_features)) 15 model.add(Input(shape=(X_train.shape[1], X_train.shape[2]))) 16 UnboundLocalError: local variable 'X_train' referenced before assignment问题

model.add(Input(shape=(X_train.shape[1], X_train.shape[2]))) # cnn1d Layers model.add(ConvLSTM2D(filters=64, kernel_size=(1,3), activation='relu', input_shape=(n_steps, 1, n_length, n_features))) ...

def create_LSTM_model(): # instantiate the model model = Sequential() model.add(Input(shape=(X_train.shape[1], X_train.shape[2]))) X_train = X_train.reshape((X_train.shape[0], n_steps, 1, n_length, n_features)) # cnn1d Layers model.add(ConvLSTM2D(filters=64, kernel_size=(1,3), activation='relu', input_shape=(n_steps, 1, n_length, n_features))) model.add(Flatten()) model.add(RepeatVector(n_outputs)) model.add(MaxPooling1D()) # 添加lstm层 model.add(LSTM(64, activation = 'relu', return_sequences=True)) model.add(Dropout(0.5)) #添加注意力层 model.add(LSTM(64, activation = 'relu', return_sequences=False)) # 添加dropout model.add(Dropout(0.5)) model.add(Dense(128)) # 输出层 model.add(Dense(1, name='Output')) # 编译模型 model.compile(optimizer='adam', loss='mse', metrics=['mae']) return model # lstm network model = create_LSTM_model() # summary print(model.summary())修改该代码，解决UnboundLocalError: local variable 'X_train' referenced before assignment问题

因此，我们需要将 X_train = X_train.reshape((X_train.shape[0], n_steps, 1, n_length, n_features)) 这一行代码的位置提前，放在 model.add(Input(shape=(X_train.shape[1], X_train.shape[2]))) 的前面即可...

vdef create_LSTM_model(): # instantiate the model model = Sequential() model.add(Input(shape=(X_train.shape[1],1,1, 5))) # cnn1d Layers model.add(ConvLSTM2D(filters=64, kernel_size=(1,3), activation='relu', padding='same', return_sequences=True)) model.add(Flatten()) model.add(Dropout(0.5)) model.add(RepeatVector(1)) # 添加lstm层 model.add(LSTM(64, activation = 'relu', return_sequences=True)) model.add(Dropout(0.5)) #添加注意力层 model.add(LSTM(64, activation = 'relu', return_sequences=False)) # 添加dropout model.add(Dropout(0.5)) model.add(Dense(128)) # 输出层 model.add(Dense(1, name='Output')) # 编译模型 model.compile(optimizer='adam', loss='mse', metrics=['mae']) return model # lstm network model = create_LSTM_model() # summary print(model.summary())修改该代码，解决ValueError: Input 0 of layer "sequential_90" is incompatible with the layer: expected shape=(None, 10, 1, 1, 5), found shape=(None, 10, 5)问题

model.add(Input(shape=(X_train.shape[1], 5))) model.add(Reshape((X_train.shape[1], 1, 1, 5))) # 添加Reshape层，将输入数据的维度转换为(10, 1, 1, 5) # cnn1d Layers model.add(ConvLSTM2D(filters=...

def create_LSTM_model(X_train): # instantiate the model model = Sequential() X_train = X_train.reshape((X_train.shape[0], n_steps, 1, n_length, n_features)) model.add(Input(shape=(X_train.shape[1], X_train.shape[2]))) # cnn1d Layers model.add(ConvLSTM2D(filters=64, kernel_size=(1,3), activation='relu', input_shape=(n_steps, 1, n_length, n_features))) model.add(Flatten()) model.add(RepeatVector(n_outputs)) model.add(MaxPooling1D()) # 添加lstm层 model.add(LSTM(64, activation = 'relu', return_sequences=True)) model.add(Dropout(0.5)) #添加注意力层 model.add(LSTM(64, activation = 'relu', return_sequences=False)) # 添加dropout model.add(Dropout(0.5)) model.add(Dense(128)) # 输出层 model.add(Dense(1, name='Output')) # 编译模型 model.compile(optimizer='adam', loss='mse', metrics=['mae']) return model # lstm network model = create_LSTM_model() # summary print(model.summary())修改该代码，解决TypeError: create_LSTM_model() missing 1 required positional argument: 'X_train'问题

def create_LSTM_model(X_train=None): if X_train is None: # 如果X_train为空，则返回一个空的模型 return Sequential() # 其他代码不变 这样，当调用 create_LSTM_model() 函数时，如果不传递任何参数...

n_steps = 10 # 窗口大小为 10 n_length = 1 # 输出序列长度为 1 n_features = 5 # 特征数为 5 # Create a model def create_LSTM_model(X_train,n_steps,n_length, n_features): # instantiate the model model = Sequential() model.add(Input(shape=(X_train.shape[1], X_train.shape[2]))) X_train = X_train.reshape((X_train.shape[0], n_steps, 1, n_length, n_features)) model.add(ConvLSTM2D(filters=64, kernel_size=(1,3), activation='relu', input_shape=(n_steps, 1, n_length, n_features))) model.add(Flatten()) # cnn1d Layers # 添加lstm层 model.add(LSTM(64, activation = 'relu', return_sequences=True)) model.add(Dropout(0.5)) #添加注意力层 model.add(LSTM(64, activation = 'relu', return_sequences=False)) # 添加dropout model.add(Dropout(0.5)) model.add(Dense(128)) # 输出层 model.add(Dense(1, name='Output')) # 编译模型 model.compile(optimizer='adam', loss='mse', metrics=['mae']) return model # lstm network model = create_LSTM_model(X_train,n_steps,n_length, n_features) # summary print(model.summary())修改该代码，解决ValueError: Input 0 of layer "conv_lstm2d_11" is incompatible with the layer: expected ndim=5, found ndim=3. Full shape received: (None, 10, 5)问题

将以下代码： X_train = X_train.reshape((X_train.shape[0], n_steps, 1, n_length, n_features)) 修改为： X_train = X_train.reshape((X_train...model.add(Input(shape=(n_steps, n_features)))

def create_LSTM_model(X_train,n_steps,n_length, n_features): # instantiate the model model = Sequential() model.add(Input(shape=(X_train.shape[1], X_train.shape[2]))) X_train = X_train.reshape((X_train.shape[0], n_steps, 1, n_length, n_features)) model.add(ConvLSTM2D(filters=64, kernel_size=(1,3), activation='relu', input_shape=(n_steps, 1, n_length, n_features))) model.add(Flatten()) # cnn1d Layers # 添加lstm层 model.add(LSTM(64, activation = 'relu', return_sequences=True)) model.add(Dropout(0.5)) #添加注意力层 model.add(LSTM(64, activation = 'relu', return_sequences=False)) # 添加dropout model.add(Dropout(0.5)) model.add(Dense(128)) # 输出层 model.add(Dense(1, name='Output')) # 编译模型 model.compile(optimizer='adam', loss='mse', metrics=['mae']) return model # lstm network model = create_LSTM_model(X_train,n_steps,n_length, n_features) # summary print(model.summary())修改该代码，解决ValueError Traceback (most recent call last) <ipython-input-54-536a68c200e5> in <module> 52 return model 53 # lstm network ---> 54 model = create_LSTM_model(X_train,n_steps,n_length, n_features) 55 # summary 56 print(model.summary()) <ipython-input-54-536a68c200e5> in create_LSTM_model(X_train, n_steps, n_length, n_features) 22 X_train = X_train.reshape((X_train.shape[0], n_steps, 1, n_length, n_features)) 23 ---> 24 model.add(ConvLSTM2D(filters=64, kernel_size=(1,3), activation='relu', 25 input_shape=(n_steps, 1, n_length, n_features))) 26 model.add(Flatten()) ~\anaconda3\lib\site-packages\tensorflow\python\trackable\base.py in _method_wrapper(self, *args, **kwargs) 203 self._self_setattr_tracking = False # pylint: disable=protected-access 204 try: --> 205 result = method(self, *args, **kwargs) 206 finally: 207 self._self_setattr_tracking = previous_value # pylint: disable=protected-access ~\anaconda3\lib\site-packages\keras\utils\traceback_utils.py in error_handler(*args, **kwargs) 68 # To get the full stack trace, call: 69 # tf.debugging.disable_traceback_filtering() ---> 70 raise e.with_traceback(filtered_tb) from None 71 finally: 72 del filtered_tb ~\anaconda3\lib\site-packages\keras\engine\input_spec.py in assert_input_compatibility(input_spec, inputs, layer_name) 233 ndim = shape.rank 234 if ndim != spec.ndim: --> 235 raise ValueError( 236 f'Input {input_index} of layer "{layer_name}" ' 237 "is incompatible with the layer: " ValueError: Input 0 of layer "conv_lstm2d_12" is incompatible with the layer: expected ndim=5, found ndim=3. Full shape received: (None, 10, 5)错误

model.add(Input(shape=(X_train.shape[1], X_train.shape[2]))) model.add(Reshape((n_steps, 1, n_length, n_features))) model.add(ConvLSTM2D(filters=64, kernel_size=(1,3), activation='relu', input_...

Create a model def create_LSTM_model(X_train,n_steps,n_length, n_features): # instantiate the model model = Sequential() model.add(Input(shape=(X_train.shape[1], X_train.shape[2]))) model.add(Reshape((n_steps, 1, n_length, n_features))) model.add(ConvLSTM2D(filters=64, kernel_size=(1,3), activation='relu', input_shape=(n_steps, 1, n_length, n_features))) model.add(Flatten()) # cnn1d Layers # 添加lstm层 model.add(LSTM(64, activation = 'relu', return_sequences=True)) model.add(Dropout(0.5)) #添加注意力层 model.add(LSTM(64, activation = 'relu', return_sequences=False)) # 添加dropout model.add(Dropout(0.5)) model.add(Dense(128)) # 输出层 model.add(Dense(1, name='Output')) # 编译模型 model.compile(optimizer='adam', loss='mse', metrics=['mae']) return model # lstm network model = create_LSTM_model(X_train,n_steps,n_length, n_features) # summary print(model.summary())修改该代码，解决ValueError Traceback (most recent call last) <ipython-input-56-6c1ed99fa3ed> in <module> 53 # lstm network 54 ---> 55 model = create_LSTM_model(X_train,n_steps,n_length, n_features) 56 # summary 57 print(model.summary()) <ipython-input-56-6c1ed99fa3ed> in create_LSTM_model(X_train, n_steps, n_length, n_features) 17 model = Sequential() 18 model.add(Input(shape=(X_train.shape[1], X_train.shape[2]))) ---> 19 model.add(Reshape((n_steps, 1, n_length, n_features))) 20 21 ~\anaconda3\lib\site-packages\tensorflow\python\trackable\base.py in _method_wrapper(self, *args, **kwargs) 203 self._self_setattr_tracking = False # pylint: disable=protected-access 204 try: --> 205 result = method(self, *args, **kwargs) 206 finally: 207 self._self_setattr_tracking = previous_value # pylint: disable=protected-access ~\anaconda3\lib\site-packages\keras\utils\traceback_utils.py in error_handler(*args, **kwargs) 68 # To get the full stack trace, call: 69 # tf.debugging.disable_traceback_filtering() ---> 70 raise e.with_traceback(filtered_tb) from None 71 finally: 72 del filtered_tb ~\anaconda3\lib\site-packages\keras\layers\reshaping\reshape.py in _fix_unknown_dimension(self, input_shape, output_shape) 116 output_shape[unknown] = original // known 117 elif original != known: --> 118 raise ValueError(msg) 119 return output_shape 120 ValueError: Exception encountered when calling layer "reshape_5" (type Reshape). total size of new array must be unchanged, input_shape = [10, 1], output_shape = [10, 1, 1, 5] Call arguments received by layer "reshape_5" (type Reshape): • inputs=tf.Tensor(shape=(None, 10, 1), dtype=float32)问题

model.add(Input(shape=(X_train.shape[1], X_train.shape[2]))) model.add(Reshape((n_steps, n_length, n_features))) model.add(ConvLSTM2D(filters=64, kernel_size=(1,3), activation='relu', input_shape=...
rar

LSTM.rar_LSTM_LSTM MATLAB_lstm matlab_lstm matlab程序_lstm的matlab

基于Matlab 编写的 LSTM源程序，仅供学习参考。
rar

lstm.rar_LSTM_LSTM 预测_chapterbpe_lstm 预测 分类_lstm分类

lstm官方源码，实现影评的积极消极分类，并实现训练和预测
zip

simple LSTM.zip_LSTM_LSTM python_lstm python code_lstm训练_python

一个简单的LSTM神经网络训练的python代码
gz

LSTM.tar.gz_LSTM_c++ lstm_lstm c_lstm classification

C-package of "Long Short-Term Memory" for Protein classification
rar

lstm.rar_LSTM_lstm 分类_lstm分类

本程序主要是基于lstm算法实现对文本的一个分类
rar

LSTM.rar_LSTM_LSTM MATLAB_LSTM长短时记忆_LSTM，MATLAB_lstm matlab

时间序列趋势分析方法----长短时记忆循环网络matlab实现
zip

LSTM.zip_LSTM_LSTM EMD_emd_LSTM_matlab lstm_wavelet lstm matlab

matlab代码，新进的emd分解工具，比小波效果好
zip

1235012013杨铭.zip

1235012013杨铭.zip
zip

vue项目实战Vue实战项目篇源码.zip

vue项目实战Vue实战项目篇源码.zip Vue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zi
zip

NX二次开发uc4400 函数介绍

NX二次开发uc4400 函数介绍，Ufun提供了一系列丰富的 API 函数，可以帮助用户实现自动化、定制化和扩展 NX 软件的功能。无论您是从事机械设计、制造、模具设计、逆向工程、CAE 分析等领域的专业人士，还是希望提高工作效率的普通用户，NX 二次开发 Ufun 都可以帮助您实现更高效的工作流程。函数覆盖了 NX 软件的各个方面，包括但不限于建模、装配、制图、编程、仿真等。这些 API 函数可以帮助用户轻松地实现自动化、定制化和扩展 NX 软件的功能。例如，用户可以通过 Ufun 编写脚本，自动化完成重复性的设计任务，提高设计效率；或者开发定制化的功能，满足特定的业务需求。语法简单易懂，易于学习和使用。用户可以快速上手并开发出符合自己需求的 NX 功能。本资源内容 提供了丰富的中英文帮助文档，可以帮助用户快速了解和使用 Ufun 的功能。用户可以通过资源中的提示，学习如何使用 Ufun 的 API 函数，以及如何实现特定的功能。

最新推荐

recommend-type

1235012013杨铭.zip

1235012013杨铭.zip
recommend-type

vue项目实战Vue实战项目篇源码.zip

vue项目实战Vue实战项目篇源码.zip Vue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zipVue实战项目篇源码.zi
recommend-type

NX二次开发uc4400 函数介绍

NX二次开发uc4400 函数介绍，Ufun提供了一系列丰富的 API 函数，可以帮助用户实现自动化、定制化和扩展 NX 软件的功能。无论您是从事机械设计、制造、模具设计、逆向工程、CAE 分析等领域的专业人士，还是希望提高工作效率的普通用户，NX 二次开发 Ufun 都可以帮助您实现更高效的工作流程。函数覆盖了 NX 软件的各个方面，包括但不限于建模、装配、制图、编程、仿真等。这些 API 函数可以帮助用户轻松地实现自动化、定制化和扩展 NX 软件的功能。例如，用户可以通过 Ufun 编写脚本，自动化完成重复性的设计任务，提高设计效率；或者开发定制化的功能，满足特定的业务需求。语法简单易懂，易于学习和使用。用户可以快速上手并开发出符合自己需求的 NX 功能。本资源内容 提供了丰富的中英文帮助文档，可以帮助用户快速了解和使用 Ufun 的功能。用户可以通过资源中的提示，学习如何使用 Ufun 的 API 函数，以及如何实现特定的功能。
recommend-type

基于Java的二手书交易微信小程序源码.zip

提供的源码资源涵盖了安卓应用、小程序、Python应用和Java应用等多个领域，每个领域都包含了丰富的实例和项目。这些源码都是基于各自平台的最新技术和标准编写，确保了在对应环境下能够无缝运行。同时，源码中配备了详细的注释和文档，帮助用户快速理解代码结构和实现逻辑。 适用人群： 这些源码资源特别适合大学生群体。无论你是计算机相关专业的学生，还是对其他领域编程感兴趣的学生，这些资源都能为你提供宝贵的学习和实践机会。通过学习和运行这些源码，你可以掌握各平台开发的基础知识，提升编程能力和项目实战经验。 使用场景及目标： 在学习阶段，你可以利用这些源码资源进行课程实践、课外项目或毕业设计。通过分析和运行源码，你将深入了解各平台开发的技术细节和最佳实践，逐步培养起自己的项目开发和问题解决能力。此外，在求职或创业过程中，具备跨平台开发能力的大学生将更具竞争力。 其他说明： 为了确保源码资源的可运行性和易用性，特别注意了以下几点：首先，每份源码都提供了详细的运行环境和依赖说明，确保用户能够轻松搭建起开发环境；其次，源码中的注释和文档都非常完善，方便用户快速上手和理解代码；最后，我会定期更新这些源码资源，以适应各平台技术的最新发展和市场需求。
recommend-type

Highlight Plus 2D 3.5.2

Highlight Plus 2D为2D或3D场景中的任何精灵添加轮廓、发光、透明、叠加、阴影和缩放效果。 Highlight Plus 2D的设计考虑了平台兼容性和性能： 兼容Mac、Windows、安卓、iOS、WebGL。 兼容内置、URP（正向和2D渲染器）和HDRP管道。 兼容VR（多通道和单通道）。 移动设备上运行速度超快。 ** 视觉特征 ** - 发光颜色、宽度、alpha、动画速度、抖动、多色。 - 轮廓颜色、阿尔法通道和宽度。 - 叠加颜色、阿尔法通道和动画速度。 - 透明效果强度、色调和alpha。 - 击打/闪光效果，具有自定义颜色、强度和淡出持续时间。 - 悬停时缩放。 - 2D和3D阴影。 **其他功能** - 使用带有SpriteRenderer组件的单个和基于图集的精灵。 - 适用于四边形游戏对象（具有纹理的四边形）。 - 与基于Spine的动画网格渲染器一起使用。 - 支持动画（SpriteSkin），变换和自定义轴心。 - 预览效果在编辑器中（无需进入播放模式）。 - 将单个或一组子图形高亮显示为单个对象。
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

MATLAB柱状图在信号处理中的应用：可视化信号特征和频谱分析

![matlab画柱状图](https://img-blog.csdnimg.cn/3f32348f1c9c4481a6f5931993732f97.png) # 1. MATLAB柱状图概述** MATLAB柱状图是一种图形化工具，用于可视化数据中不同类别或组的分布情况。它通过绘制垂直条形来表示每个类别或组中的数据值。柱状图在信号处理中广泛用于可视化信号特征和进行频谱分析。 柱状图的优点在于其简单易懂，能够直观地展示数据分布。在信号处理中，柱状图可以帮助工程师识别信号中的模式、趋势和异常情况，从而为信号分析和处理提供有价值的见解。 # 2. 柱状图在信号处理中的应用 柱状图在信号处理
recommend-type

HSV转为RGB的计算公式

HSV (Hue, Saturation, Value) 和 RGB (Red, Green, Blue) 是两种表示颜色的方式。下面是将 HSV 转换为 RGB 的计算公式： 1. 将 HSV 中的 S 和 V 值除以 100，得到范围在 0~1 之间的值。 2. 计算色相 H 在 RGB 中的值。如果 H 的范围在 0~60 或者 300~360 之间，则 R = V，G = (H/60)×V，B = 0。如果 H 的范围在 60~120 之间，则 R = ((120-H)/60)×V，G = V，B = 0。如果 H 的范围在 120~180 之间，则 R = 0，G = V，B =
recommend-type

JSBSim Reference Manual

JSBSim参考手册，其中包含JSBSim简介，JSBSim配置文件xml的编写语法，编程手册以及一些应用实例等。其中有部分内容还没有写完，估计有生之年很难看到完整版了，但是内容还是很有参考价值的。