前言 最近看一些游戏视频，看到了很精彩的布料模拟。然后Unity里也自带了布料物理组件，但是以前只是拿来用，并没有去了解过其背后的实现原理。于是这两天上网搜了一下相关的文章，并准备动手做一个。 筛选了一遍之后，找到一个讲解比较详细的如下: CS114 Project 3: Cloth Simulation using Mass-Spring System 下面会参照以上的文章，大致说明一下背后的物理数学原理，然后用Unity的ComputeShader实现一个入门版本的GPU布料模拟。 先放个效果图: 1. 网格质点弹簧模型 1.1 弹性力 这是目前用的比较多的一种布料物理建模。思路是将一块布料视作由一个个质点构成的网格，网格之间由弹簧相连接。如下图: 质点之前的连接分为三类，分别用以模拟材料中的三种力: 上下左右相邻质点连接，模拟结构力(Structural)，如拉伸和收缩。 对角线连接

umi-dva-antd-mobile-starter 开始使用Umi.js和Ant Design Mobile。 入门 安装依赖项。 yarn 启动开发服务器。 yarn start 精简生产。 yarn build 精打细算为发展而建设。 yarn dev 执照 麻省理工学院

《Qt5编程入门》源码，包括所有章节所涉及的源码程序，下载解压后可以直接运行看效果 《Qt5编程入门》源码，包括所有章节所涉及的源码程序，下载解压后可以直接运行看效果

源码展示了采用非阻塞模式WinSock编程的服务器和客户端，建立连接后，在服务器窗口输入空格会向所有客户端发送一条字符串消息。 WinSock解决方案下的Client、Server工程分别为服务器和客户端，NetWork工程为稍作封装后的网络库。

OpenCV 在计算机视觉领域扮演着重要的角色。作为一个基于开源发行的跨平台计算机视觉库，OpenCV 实现了图像处理和计算机视觉方面的很多通用算法。本书以当前最新版本的OpenCV 最常用最核心的组件模块为索引， 深入浅出地介绍了OpenCV2 和OpenCV3 中的强大功能、性能， 以及新特性。书本配套的OpenCV2 和OpenCV3 双版本的示例代码包中， 含有总计两百多个详细注释的程序源代码与思路说明。读者可以按图索骥， 按技术方向进行快速上手和深入学习。

《Qt 5编程入门》源码.Zip

京东链接 网盘链接 [网盘链接提取码：c8xm]（链接： ://pan.baidu.com/s/1eyt7k5KZ_fR2Xf8wOa3cIg） 目录 前言 先是Google的AlphaGo，后有百度的度秘，无人车，微软必应搜索推出的小冰也是新闻不断。这是人工智能产品的推陈出新，令人眼花缭乱，一时间给人的感觉是人工智能遍地开花。无论有人接受还是不接受，人工智能都在Swift渗透各行各业。安全作为一个传统行业，基于规则以及黑白列表的检测技术已经发展到了一定的高度，而利益驱动的黑产团伙，其技术的发展已经远远超乎我们的想象。如何利用人工智能的力量，提升安全行业的整体检测与防护能力，成为各大安全厂商研究的？。国内安全行业，经过BAT3以及大量新兴的创业企业进入企业安全领域，他们利用自身固有的数据搜集，处理，积累以及人工智能方面的优势，不断改变着着整个安全行业，安全产品的形态从硬件传统安全企业也必

Create React App入门 该项目是通过。 可用脚本 在项目目录中，可以运行： yarn start 在开发模式下运行应用程序。 打开在浏览器中查看。 如果进行编辑，页面将重新加载。 您还将在控制台中看到任何棉绒错误。 yarn test 在交互式监视模式下启动测试运行程序。 有关更多信息，请参见关于的部分。 yarn build 构建生产到应用程序build文件夹。 它在生产模式下正确捆绑了React，并优化了构建以获得最佳性能。 最小化构建，文件名包含哈希。 您的应用已准备好进行部署！ 有关更多信息，请参见有关的部分。 yarn eject 注意：这是单向操作。 eject ，您将无法返回！ 如果您对构建工具和配置选择不满意，则可以随时eject 。 此命令将从项目中删除单个构建依赖项。 而是将所有配置文件和传递依赖项（webpack，Babel，ESLin

Kaggle IEEE-CIS欺诈检测

Google BERT入门 这是Packt发布的《 的代码库。 使用BERT构建和训练最先进的自然语言处理模型 这本书是关于什么的？ BERT（来自变压器的双向编码器表示形式）以令人鼓舞的结果彻底改变了自然语言处理（NLP）的世界。 本书是入门指南，可帮助您掌握Google的BERT架构。 通过对变压器架构的详细说明，这本书将帮助您了解变压器的编码器和解码器如何工作。 您将通过学习如何对BERT模型进行预训练以及如何对下游任务使用经过预训练的BERT进行学习，来探索BERT体系结构，方法是通过使用Hugging Face转换器库对NLP任务（例如，情感分析和文本摘要）进行微调来对BERT模型进行调整。 随着您的前进，您将了解BERT的不同变体，例如ALBERT，RoBERTa和ELECTRA，并查看SpanBERT，它用于NLP任务（如问题解答）。 您还将介绍基于知识提炼的更简单，