目录Niagara基础概念Niagara官方建议Niagara堆栈面板Niagara渲染模式&材质Niagara和蓝图Niagara常用模块Niagara常用技巧Niagara ModuleScriptNiagara基础概念插件启用Niagara 和 Niagara Extras创建粒子发射器Niagara Emitter 和 粒子管理系统Niagara SystemFx - Niagar

本文介绍几种常用的设计模式并给出C++实现。1.单例模式作用：保证一个类只有一个实例，并提供一个访问它的全局访问点，使得系统中只有唯一的一个对象实例。应用：常用于管理资源，如日志、线程池实现要点：在类中，要构造一个实例，就必须调用类的构造函数，并且为了保证全局只有一个实例，需防止在外部调用类的构造函数而构造实例，需要将构造函数的访问权限标记为private，

batchsize和收敛速度/性能的关系1. 一般来说，在合理的范围之内，越大的 batch_size 使下降方向越准确，震荡越小；但batch_size越大越容易陷入局部最优。2. 小的 bath_size 引入的随机性更大，单次epoch耗时更久，且震荡大难以收敛，但一般会获得更好的泛化性能。3. 同时，更小的bath_size需要更大的学习率learning_rate调参经验1. 当有足够算

判断当前是在Client or Server执行方法，敏感信息应放在服务端计算，而客户端只做展示区分当前运行的是客户端还是服务器蓝图中，有个 SwitchHasAuthority 宏：FORCEINLINE_DEBUGGABLE bool AActor::...

batchsize和收敛速度/性能的关系1. 一般来说，在合理的范围之内，越大的 batch_size 使下降方向越准确，震荡越小；但batch_size越大越容易陷入局部最优。2. 小的 bath_size 引入的随机性更大，单次epoch耗时更久，且震荡大难以收敛，但一般会获得更好的泛化性能。3. 同时，更小的bath_size需要更大的学习率learning_rate调参经验1. 当有足够算

数据至上: 深度学习依赖数据的数量和质量，很大程度影响模型性能的好坏数据增强: 利用现有的数据产生等价于数据扩增的价值，提高模型的泛化能力数据增强技术分为有监督的和无监督的有监督的数据增强图像领域的几何变换（如翻转，旋转，裁剪，变形，缩放等），颜色变换（如随机噪点，模糊，扰动，擦除填充）SMOTE: 基于K近邻随机插值，将小样本合并成新的样本，常用于解决数据不均衡的分类问题算法基本流程:第一步，定

开篇吐槽​在决定使用MNN实现在线训练之前，也比较了TNN/NCNN，但是发现目前各大端侧推理引擎的训练框架都不成熟，半斤八两的状态，可能都把精力放在在线预测和op支持上，但是端侧训练的需求真的少么？fine-tune在端侧应用难道不是刚需？查了下NCNN关于训练框架的文档或教程几乎没有，移植到端侧应用的更是没找到案例，NCNN发布几年至今没有完善的官方文档，目前只有github里的几个关于编译和

开篇吐槽​在决定使用MNN实现在线训练之前，也比较了TNN/NCNN，但是发现目前各大端侧推理引擎的训练框架都不成熟，半斤八两的状态，可能都把精力放在在线预测和op支持上，但是端侧训练的需求真的少么？fine-tune在端侧应用难道不是刚需？查了下NCNN关于训练框架的文档或教程几乎没有，移植到端侧应用的更是没找到案例，NCNN发布几年至今没有完善的官方文档，目前只有github里的几个关于编译和

开篇吐槽​在决定使用MNN实现在线训练之前，也比较了TNN/NCNN，但是发现目前各大端侧推理引擎的训练框架都不成熟，半斤八两的状态，可能都把精力放在在线预测和op支持上，但是端侧训练的需求真的少么？fine-tune在端侧应用难道不是刚需？查了下NCNN关于训练框架的文档或教程几乎没有，移植到端侧应用的更是没找到案例，NCNN发布几年至今没有完善的官方文档，目前只有github里的几个关于编译和

开篇吐槽​在决定使用MNN实现在线训练之前，也比较了TNN/NCNN，但是发现目前各大端侧推理引擎的训练框架都不成熟，半斤八两的状态，可能都把精力放在在线预测和op支持上，但是端侧训练的需求真的少么？fine-tune在端侧应用难道不是刚需？查了下NCNN关于训练框架的文档或教程几乎没有，移植到端侧应用的更是没找到案例，NCNN发布几年至今没有完善的官方文档，目前只有github里的几个关于编译和