workflow

这节我们来看一下URP下的LitShader。LitShader也是基于物理渲染的，很多方法和属性看过默认管线PBR代码的应该都会很熟悉，我们现在再过一遍，加深一下印象，同时疏通一下以前可能没有掌握的地方。 先看Shader的Properties： // Specular vs Metallic workflow [HideInInspector] _WorkflowMode("WorkflowMode", Float) = 1.0 工作流还是Specular和Metallic。说到这两个流程的区别，其实笔者认为他们只是在不同输入形式同样的算法下产生同样的结果。所以叫工作流，因为材质需要的贴图产出流程是不一样的。但是不同输入的形式其实决定了可控制参数的多少和基于物理自定义效果的程度。 首先看看Metallic Workflow：Metallic工作流的输入是五张贴图（当然并不是每张贴图都是必须的），分别是主纹理、法线、环境遮蔽、金属度、自发光。 对比一下Specular Workflow：Specular工作流输入的是还是五张贴图：分别是主纹理、法线、环境遮蔽、高光贴图、自发光。 通过对比我们发现两个工作流唯一不同的输入就是 金属度贴图vs高光贴图 那么究竟这两种输入方式对于渲染效果有着什么影响呢（其实熟悉PBR的小伙伴都知道，借着URP的机会讲讲PBR~手动滑稽）

3 月，跳不动了？>>> 地物分类案例 参考 源码notebook， https://github.com/databooks/databook/tree/master/gis/iobjectspy10 iObjects 10使用， 使用SuperMap iObjects for python 10.0 # !/usr/bin/env python3 # coding=utf-8 import os import time from iobjectspy.ml.vision import Trainer, Inference Using TensorFlow backend. 设置输入数据路径 curr_dir = '' data_dir = os.path.join(curr_dir, '..','..','example_data') dom_path = os.path.join(data_dir, 'inference', 'landcover_infer.tif') 设置输出数据路径 out_dir = os.path.join(curr_dir, '..','..','out') if not os.path.exists(out_dir): os.makedirs(out_dir) def example_create_train_data(): pass

3 月，跳不动了？>>> 建筑物二元分类案例 参考 源码notebook， https://github.com/databooks/databook/gis/iobjects10 iObjects 10使用， 使用SuperMap iObjects for python 10.0 # !/usr/bin/env python3 # coding=utf-8 """ example binary """ import os import time from iobjectspy.ml.vision import Trainer, Inference 设置输入数据路径 curr_dir = '' data_dir = os.path.join(curr_dir, '..','..','example_data') dom_path = os.path.join(data_dir, 'inference','building_infer.tif') print(dom_path) ../../example_data/inference/building_infer.tif from PIL import Image img = Image.open(dom_path) img 设置输出数据路径 out_dir = os.path.join(curr_dir, '..','..',

某厂面试归来，发现自己落伍了！>>> 在之前的文章《.Net vs .Net Core，我该如何选择》一文中，我大概阐述了.NET framework 与 core 在服务端应用中应该如何选择的问题，希望读过这篇文章的朋友能够有所收获。文末结尾，我提到最近要写一系列关于.Net相关的文章，但是今天一提笔，却突然犯难了。 个人技术背景 本人是有.Net技术栈开发接近8年的老程序猿^^，之前就职于外企中，.Net Framework栈从最初的Winform, Silverlight, WCF 到之后的WPF, Windows Workflow,再到现在的Razor, ASP.NET MVC，EF ，整个.Net Framework庞大的生态系统都有所涉猎，做过分布式系统架构，感受也比较深刻；.Net Core全家桶MVC，EF等，也是最近才深入看一些源码，其大概原理也是颇有了解。目前就职于一家国企，负责整个公司自开发体系结构改造，流程规范，主要是JAVA方向，因为之前我是基本没用过Java的，不过.Net与Java真是孪生兄弟，在上手的一年多，整个Java的Spring Boot/Cloud 微服务架构，也是有个大概的掌握(确实Java的文档，资料也实在太多了)，起初也是想借着学习的热情写一些Java的技术随笔，可是看来看去，还是最后放弃了，因为园子里大佬的文章简直都是极品

某厂面试归来，发现自己落伍了！>>> Choerodon 开源多云应用敏捷全链路技术平台 ，是基于开源技术Kubernetes，Istio，knative，Gitlab，Spring Cloud来实现本地和云端环境的集成，实现企业多云/混合云应用环境的一致性。平台通过提供精益敏捷、持续交付、容器环境、微服务、DevOps等能力来帮助组织团队来完成软件的生命周期管理，从而更快、更频繁地交付更稳定的软件。 微服务开发框架升级 <blockquote class="warning"> 开始进行升级部署前请先备份好数据库。 请按以下顺序依次进行升级部署，请不要随意调整升级顺序。升级后可能数据库结构会发生改变，故不能进行版本回退。文档升级命令中的RELEASE NAME是在基于分步安装文档之上编写的，若你在安装时指定了其他RELEASE NAME，请以你安装时指定的RELEASE NAME为准。一键部署安装的请执行helm list命令查看RELEASE NAME。 </blockquote> 添加Choerodon Chart仓库 helm repo add c7n [https://openchart.choerodon.com.cn/choerodon/c7n/](https://openchart.choerodon.com.cn/choerodon/c7n/) helm repo

Windows Workflow Foundation 之旅（六）——框架组成 翻译自： ms-help://MS.WinWF.v1.EN/WinWF_GettingStarted/html/68db11eb-3d20-41ca -90f 7-ae635fd4e 2a 2.htm 这个专题前面的三个指南，介绍了 WWF 编程了三个大方面： 顺序工作流 、 状态机工作流 和自 定义活动 。相信大家对 WWF 的编程模型已经有了一个初步的了解。从这次开始，我们就要深入 WWF ，全面的探究一下 WWF 。 传统的编程语言是针对短期运行应用程序的，缺乏 持久化 和 抗中断 的功能支持。 WWF 是一个框架，不是一种语言。他对工作流应用程序有深刻的认识，提供了各种手段来处理持久化，中断补偿，故障恢复等功能。 WWF 同时具有 灵活性 和 可扩展性 。你可以直接用代码定义工作流，也可以用外部的定义语言也定义，或同时使用两者。你可以用你自己的自定义活动来实现自定义的工作流模式，以到达可重用的目的。 WWF 支持 模型驱动 的开发，提供了 可视化 的设计工具，并隐藏了一些系统级的功能，如事务、状态管理和并发控制，是开发者可以专注于业务模型。 WWF 中的工作流和活动 工作流 是一组相关的活动的集合。 活动 是 WWF 中可建模、可编程、可重用、可执行的原子单位。 WWF 提供了一组丰富的活动库

转自：https://zeebe.io/what-is-zeebe/ Zeebe is a workflow engine for microservices orchestration. This write-up will help you understand exactly what Zeebe is and how it might be relevant to you. We’ll start with a short introduction of Zeebe and the problem it solves, and then we’ll go into a lot more detail. We’ll use the word “workflow” throughout the write-up, and depending on your background, you might not be familiar with the word in the context of microservices. When we say “workflow”, all we mean is “a sequence of tasks that allows us to achieve some goal.” “Workflow” could be used

服务架构 面向服务的体系结构，是一个组件模型，它将应用程序的不同功能单元通过这些服务之间定义良好的接口和契约联系起来。接口是采用中立的方式进行定义的，它应该独立于实现服务的硬件平台、操作系统和编程语言。工作流引擎使得构建在各种这样的系统中的服务，可以以一种统一和通用的方式进行交互。 例如开发一个系统，最关键的部分不是系统的界面，也不是和数据库之间的信息交换，而是如何根据业务逻辑开发出符合实际需要的程序逻辑并确保其稳定性、易维护性（模块化和结构化）和弹性（容易根据实际业务逻辑的变化作出程序上的变动，例如决策权的改变、组织结构的变动和由于业务方向的变化产生的全新业务逻辑等等）。 Workflow 引擎解决的就是这个问题：如果应用程序缺乏强大的逻辑层，势必变得容易出错（信息的路由错误、死循环等等）。 就好比一辆汽车，外表做得再漂亮，如果发动机有问题就只是一个摆设。应用系统的弹性就好比引擎转速方面的性能，加速到100 公里需要1 个小时（业务流程发生变动需要进行半年的程序修改）还能叫好车吗？引擎动不动就熄火（程序因为逻辑的问题陷入死循环）的车还敢开吗？ 所谓工作流引擎，是指workflow作为应用系统的一部分，并为之提供对各应用系统有决定作用的根据角色、分工和条件的不同决定信息传递路由、内容等级等核心解决方案。工作流引擎包括流程的节点管理、流向管理、流程样例管理等重要功能。

春节期间肺炎疫情来势汹汹，虽然时至今日疫情已得到了有效地控制但是由于复工潮的临近，仍不可掉以轻心。在公共场所对于口罩佩戴的监管依然是关键的疫情防控点，因此口罩佩戴检测是一项核心工作。 疫情当前，阿里云视觉智能开放平台（vision.aliyun.com）紧急推出了基于视觉AI分析的“人脸口罩检测”算法服务，通过对接该服务可快速构建监控系统并可统计人员的口罩佩戴情况，实现疫情防控的AI化，数字化。 除了单个人脸的口罩佩戴检测外，我们还合作了阿里云函数计算、Serverless工作流、OSS以及资源编排等多个服务，并结合自身算法成功实现多个API的能力串联，组合成为新的能力，例如使用人脸识别API和口罩检查API实现多人脸的口罩检测服务。通过此项能力可解决单张图片中多人脸口罩佩戴情况的检测，并且可协助开发者快速上云，部署环境。 那资源编排、Serverless工作流、函数计算是什么呢？ 资源编排 （Resource Orchestration）是一种简单易用的云计算资源管理和自动化运维服务。用户通过模板描述多个云计算资源的依赖关系、配置等，并自动完成所有资源的创建和配置，以达到自动化部署、运维等目的。 Serverless 工作流 （Serverless Workflow）是一个用来协调多个分布式任务执行的全托管云服务。您可以用顺序，分支，并行等方式来编排分布式任务

一、工作流概述 工作流是由活动单元组成的集合，活动是真实过程的的一个模型。工作流提供了一种描述一系列相互关联的工作之间有执行顺序，这种工作从头到尾贯穿了整个活动，这些活动可能是由人工或系统来执行。 每一个运行的工作流实例由工作流运行时引擎来创建和维护的。虽然对于每一个应用程序域只能有一个工作流运行时引擎，但工作流运行时引擎内可以行多个工作流实例并发工作。 一旦一个工作流模型被编译，它就可以在任何一Windows进程内工作，包括控制台程序，窗口程序，Windows服务程序，Asp.net网站及Web Service等。因为工作流驻留在进程中，所以它可以很容易与它的宿主进程进行通信。 下面这幅图表明了工作流、活动以及工作流运行时引擎都存在于一个宿主程序中。 活动 如上所述，活动是工作流的基本单元，它们通过程序被加入到一个工作流中，其方式就好比将一个XML DOM子节点加入到根节点中。一旦工作流中的所有节点都运行完成，工作流实例就会结束。 WF由一系列标准活动类库组成，同时也提供了一个机制帮助开发人员开发自己的类库。这使得工作流之间的可扩展性和可重用性更加优异。 服务 当一个工作流运行的时候，工作流运行时引擎要使用到多个服务。这些服务组件是可插拔的，这使得应用程序可以在它们的运行环境中，提供具有唯一性的服务。Windows Workflow