Modo de Segurança

As coroutines são funções úteis para implementar tarefas que devem ocorrer ao longo de várias frames. Neste posto vamos ver como animar a camera de um ponto inicial para outro ponto final com uma determinada duração em segundos. A duração da animação é armazenada numa variável para que possa ser facilmente ajustada. A função é executada quando o utilizador premir a barrar de espaços. void Update () {         if (Input.GetKeyDown(KeyCode.Space))         {             if(func!=null)                 StopCoroutine(func);             func = StartCoroutine(smoothMoveCamera());         } } Precisamos de algumas variáveis:     public float duration = 2.0f;     public float xStart = -5.0f;     public float xFinish = 5.0f;     Coroutine func; A primeira define a duração em segundas da animação. A segunda o ponto inicial e a terceira o ponto final, ao longo do eixo dos x. Por temos uma referência para a coroutina para que seja possível parar a sua execução, se necessário.

Coroutines são funções que mantém o estado enquanto devolvem a execução do código ao método que as chamou. São úteis para o desenvolvimento de jogos para permitir a execução de determinado código ao longo de várias frames. Por exemplo para animar a câmara do jogo podíamos executar o seguinte código: for(int i=0;i<100;i++){     transform.position += new Vector3(1, 0,0); } Se este código estiver dentro de uma função que é executada normalmente não é possível ver a câmara a mover-se ao longo do eixo dos X uma vez que a atualização do cenário do jogo só ocorre no final do ciclo e não ao longo da execução deste. Para que seja possível ver o movimento da câmara é necessário executar um iteração do ciclo e depois atualizar a cena (fazer o render) e depois continuar a execução do ciclo com mais uma iteração e volta a atualizar a cena, neste caso o que se pretende é interromper a execução e retomar sem que se perca o estado, para isso pode-se implementar uma coroutine. Uma coro

Na terceira parte deste tutorial vamos adicionar dois controllers e dois models com a possibilidade de fazer o upload de ficheiros para o nosso site. O model Room é muito simples:  public class Room {         [Key]         public int nr { get; set; }         [Required(ErrorMessage = "Deve indicar o piso do quarto")]         public int piso { get; set; }         [Required(ErrorMessage = "Deve indicar a lotação")]         public int lotacao { get; set; }         [Required(ErrorMessage = "Deve indicar o estado do quarto")]         public bool estado { get; set; }         [DataType(DataType.Currency)]         [Required(ErrorMessage = "Deve indicar o preço por dia do quarto")]         public decimal custo_dia { get; set; }     } Agora basta adicionar o controller com a Entity framework. O Client model:     public class Client {         [Key]         public int ClientId { get; set; }         [Required(ErrorMessage = "

Neste tutorial vamos introduzir dois novos tipos de nós: variáveis e placeholders. Depois de importarmos o tensorflow: import tensorflow as tf Iniciamos a sessão, mas antes fazemos o reset ao estado interno: tf.reset_default_graph() sess=tf.Session() Agora podemos criar duas variáveis: x = tf.Variable(2.0,tf.float32) y = tf.Variable(3.0,tf.float32) Sempre que se utilizam variáveis numa sessão tensorflow é necessário inicializa-las: init = tf.global_variables_initializer() sess.run(init) Agora podemos definir a expressão matemática a utilizar: sumnodes = x + y Agora podemos calcular o resultado da expressão: print(sess.run(sumnodes)) Para alterarmos os valores das variáveis devemos utilizar a função assign: sess.run(x.assign(5.0)) Como sempre temos de executar dentro da sessão. Podemos associar esta operação a uma referência o que permite executar várias operações em simultâneo: NewX = x.assign(5.0) NewY =

Segundo a Google o TensorFlow é uma framework the software aberto que permite para a computação numérica. No TensorFlow cada nó pode ser uma constante, uma variável ou uma expressão matemática que utiliza variáveis e/ou constantes. Estes nós pode ser executados no CPU ou no GPU tirando partido de dispositivos multicore. Começamos por importar a framework: import tensorflow as tf Para criar uma constante fazemos: node1 = tf.constant(3.0) ou node2 = tf.constant(4.0, dtype=tf.float32) A primeira linha permite ao TensorFlow decidir qual o tipo de dados a aplicar à variável. Depois temos de iniciar uma sessão TensorFlow assim: sess = tf.Session() Para ver o tipo de nó podemos utilizar: print(node1,node2) Para avaliar o nó, recebendo o valor que ele contém: print(sess.run([node1,node2])) Podemos criar uma função matemática que calcular a soma das duas constantes: sumnodes = tf.add(node1,node2) Para obter o resultado: print(sess.run(sumnodes)) Vídeo no

Na segunda parte do tutorial sobre MVC vamos adicionar uma dropdown list que permitirá escolher o perfil do utilizador. No User model temos de adicionar um campo do tipo interface que servirá para passar à view a lista de opções: public IEnumerable<System.Web.Mvc.SelectListItem> perfis { get; set; } No controlador temos de editar as funções Create e Edit para preencher a interface com um vetor com as opções de perfis. O código é qualquer coisa assim:         // GET: Users/Create         public ActionResult Create()         {             //perfis options for the dropdownlist             var user = new User();             user.perfis = new[] {                 new SelectListItem{Value="0",Text="Admin"},                 new SelectListItem{Value="1",Text="User"},             };             return View(user);         } Agora as Views. Apagamos a linha que cria a text box e adicionamos uma linha para gerar a drop down list:

Este tutorial explora o MVC da Microsoft com as frameworks Entity, Identity e migrações para a manipulação da base de dados. A framework Entity é o que normalmente se apelida de um ORM (Object-Relational Mapping) basicamente é uma forma de armazenar dados de um objecto numa base de dados relacional sem utilizar SQL. A framework Identity é responsável por gerir as credenciais do utilizador e as permissões de acesso, permitindo que cada utilizar tenha diferentes perfis. A base de dados é criada com recurso às migrações (método code first), começando por criar uma classe que representa os dados em memória as migrações geram a correspondente tabela na base de dados. O vídeo com o tutorial O código no GitHub

Neste artigo criamos uma árvore de decisão para classificar o género de pessoas com base na sua altura, peso e tamanho do calçado. Para começar importamos da framework sklearn a class tree. from sklearn import tree De seguida criamos um vetor X com os valores que permitem criar uma tendência. X=[[181,80,44],[177,70,43],[160,60,38],[154,54,37],[166,65,40],[190,90,47],[175,64,39],[177,70,40],[159,55,37], [171,75,42],[181,85,43]] A estes valores temos de juntar a classificação de cada elemento, por isso criamos o vetor Y. Y=['male','female','female','female','male','male','male','female','male', 'female','male'] Agora podemos criar um objeto do tipo DecisionTreeClassifier. clf=tree.DecisionTreeClassifier() Inserimos os valores e as classificações. clf=clf.fit(X,Y) Por fim podemos fazer uma previsão com base num exemplo novo. prediction=clf.predict([[160,5

Este vídeo mostra como instalar o TensorFlow no Windows utilizando o Anaconda sem utilizar a linha de comandos. Começa por abrir a ferramenta Anaconda Navigator e criar um Environment (Ambiente). Agora, com o ambiente criado selecionado, pesquise pelo TensorFlow e clique em install. De seguida instalamos o editor de código Spyder. Por fim podemos atualizar a versão do TensorFlow com o comando:      conda install -c conda-forge tensorflow Muito importante, devemos sempre executar o spyder através da linha de comandos deste ambiente, de outro modo o package do TensorFlow não está disponível.