很多朋友对于什么是l元宇宙f和何谓元宇宙不太懂，今天就由小编来为大家分享，希望可以帮助到大家，下面一起来看看吧！
本文目录
一、converse是什么牌子是名牌吗
1、CONVERSEConverse是匡威牌，是名牌。
2、Converse（匡威）诞生于1908年。创办以来Converse坚持品牌的独立性设计，不追随。最初只生产“橡胶鞋”，但很快就开始做网球和篮球鞋。匡威全球总部正式落地美国波士顿。
3、复古、流行、环保的全明星帆布鞋，是美国文化的精神象征。她们以自由奔放的穿着风格，成为追求自己时尚的年轻人的忠实伴侣。
4、Converse产品分为四个系列——Star and Chevron：主打篮球鞋，这系列的特征就是在鞋面的两侧有个星星加箭头的标志，JACKPURCELL：俗称开口笑（得名于上世纪杰出的羽毛球运动员Jack Purcell先生）。
5、ALL STAR：也称Chuck Taylor（得名于上世纪20年代伟大的篮球运动员Chuck Taylor先生，为了纪念他对篮球运动与Converse品牌的推动，Converse以他的名字命名了自己销量最大的品牌）；ONE STAR：标志是只有一颗星星。
6、以上内容参考：百度百科—CONVERSE
二、怎么计算某数的平方根
如果一个数的开方是无理数.直接就用：
如√20即简写，不必具体写出该数.
平方根就是开二次方运算的值.它的逆运算就是乘二次方.
i= 0x5f3759df-(i>> 1);//计算第一个近似根
x= x*(1.5f- xhalf*x*x);//牛顿迭代法
该算法的本质其实就是牛顿迭代法（Newton-Raphson Method，简称NR），而NR的基础则是泰勒级数（Taylor Series）。NR是一种求方程的近似根的方法。首先要估计一个与方程的根比较靠近的数值，然后根据公式推算下一个更加近似的数值，不断重复直到可以获得满意的精度。其公式如下：
其一阶导数为：y'=f'(x)
则方程：f(x)=0的第n+1个近似根为
x[n+1]= x[n]- f(x[n])/ f'(x[n])
NR最关键的地方在于估计第一个近似根。如果该近似根与真根足够靠近的话，那么只需要少数几次迭代，就可以得到满意的解。
现在回过头来看看如何利用牛顿法来解决我们的问题。求平方根的倒数，实际就是求方程1/(x^2)-a=0的解。将该方程按牛顿迭代法的公式展开为：
x[n+1]=1/2*x[n]*(3-a*x[n]*x[n])
将1/2放到括号里面，就得到了上面那个函数的倒数第二行。
接着，我们要设法估计第一个近似根。这也是上面的函数最神奇的地方。它通过某种方法算出了一个与真根非常接近的近似根，因此它只需要使用一次迭代过程就获得了较满意的解。它是怎样做到的呢？所有的奥妙就在于这一行：
i= 0x5f3759df-(i>> 1);//计算第一个近似根
超级莫名其妙的语句，不是吗？但仔细想一下的话，还是可以理解的。我们知道，IEEE标准下，float类型的数据在32位系统上是这样表示的（大体来说就是这样，但省略了很多细节，有兴趣可以GOOGLE）：
所以，32位的浮点数用十进制实数表示就是：M*2^E。开根然后倒数就是：M^(-1/2)*2^(-E/2)。现在就十分清晰了。语句i>>1其工作就是将指数除以2，实现2^(E/2)的部分。而前面用一个常数减去它，目的就是得到M^(1/2)同时反转所有指数的符号。
至于那个0x5f3759df，呃，我只能说，的确是一个超级的Magic Number。
那个Magic Number是可以推导出来的，但我并不打算在这里讨论，因为实在太繁琐了。简单来说，其原理如下：因为IEEE的浮点数中，尾数M省略了最前面的1，所以实际的尾数是1+M。如果你在大学上数学课没有打瞌睡的话，那么当你看到(1+M)^(-1/2)这样的形式时，应该会马上联想的到它的泰勒级数展开，而该展开式的第一项就是常数。下面给出简单的推导过程：
对于实数R>0，假设其在IEEE的浮点表示中，
将(1+M)^(-1/2)按泰勒级数展开，取第一项，得：
(M/2)*2^(E/2)正是(R>>1)，
而在IEEE表示中，指数的符号只需简单地加上一个偏移即可，
而式子的前半部分刚好是个常数，所以原式可以转化为：
原式= C-(M/2)*2^(E/2)= C-(R>>1)，其中C为常数
求出令到相对误差最小的C值就可以了
上面的推导过程只是我个人的理解，并未得到证实。而Chris Lomont则在他的论文中详细讨论了最后那个方程的解法，并尝试在实际的机器上寻找最佳的常数C。有兴趣的朋友可以在文末找到他的论文的链接。
所以，所谓的Magic Number，并不是从N元宇宙的某个星系由于时空扭曲而掉到地球上的，而是几百年前就有的数学理论。只要熟悉NR和泰勒级数，你我同样有能力作出类似的优化。
在GameDev.net上有人做过测试，该函数的相对误差约为0.177585%，速度比C标准库的sqrt提高超过20%。如果增加一次迭代过程，相对误差可以降低到e-004的级数，但速度也会降到和sqrt差不多。据说在DOOM3中，Carmack通过查找表进一步优化了该算法，精度近乎完美，而且速度也比原版提高了一截（正在努力弄源码，谁有发我一份）。
值得注意的是，在Chris Lomont的演算中，理论上最优秀的常数（精度最高）是0x5f37642f，并且在实际测试中，如果只使用一次迭代的话，其效果也是最好的。但奇怪的是，经过两次NR后，在该常数下解的精度将降低得非常厉害（天知道是怎么回事！）。经过实际的测试，Chris Lomont认为，最优秀的常数是0x5f375a86。如果换成64位的double版本的话，算法还是一样的，而最优常数则为0x5fe6ec85e7de30da（又一个令人冒汗的Magic Number--b）。
这个算法依赖于浮点数的内部表示和字节顺序，所以是不具移植性的。如果放到Mac上跑就会挂掉。如果想具备可移植性，还是乖乖用sqrt好了。但算法思想是通用的。大家可以尝试推算一下相应的平方根算法。
下面给出Carmack在QUAKE3中使用的平方根算法。Carmack已经将QUAKE3的所有源代码捐给开源了，所以大家可以放心使用，不用担心会收到律师信。
// Carmack在QUAKE3中使用的计算平方根的函数
convertor.intPart= 0x1FBCF800+(convertor.intPart>> 1);
convertor2.intPart= 0x5f3759df-(convertor2.intPart>> 1);
return 0.5f*(convertor.floatPart+(x* convertor2.floatPart));
另一个基于同样算法的更高速度的sqrt实现如下。其只是简单地将指数除以2，并没有考虑尾数的方根。要看懂该代码的话必须知道，在IEEE浮点数的格式中，E是由实际的指数加127得到的。例如，如果实数是0.1234*2^10，在浮点表示中，E（第23-30位）的值其实为10+127=137。所以下面的代码中，要处理127偏移，这就是常数0x3f800000的作用。我没实际测试过该函数，所以对其优劣无从评论，但估计其精度应该会降低很多。
除了基于NR的方法外，其他常见的快速算法还有多项式逼近。下面的函数取自《3D游戏编程大师技巧》，它使用一个多项式来近似替代原来的长度方程，但我搞不清楚作者使用的公式是怎么推导出来的（如果你知道的话请告诉我，谢谢）。
//这个函数计算从(0,0)到(x,y)的距离，相对误差为3.5%
int FastDistance2D(int x, int y)
return(x+y-(mn>>1)-(mn>>2)+(mn>>4));
//该函数计算(0,0,0)到(x,y,z)的距离，相对误差为8%
float FastDistance3D(float fx, float fy, float fz)
int dist=(z+ 11*(y>> 5)+(x>> 2));
return((float)(dist>> 10));
还有一种方法称为Distance Estimates（距离评估？），如下图所示：
红线所描绘的正八边形上的点为：
octagon(x,y)= min((1/√2)*(|x|+|y|), max(|x|,|y|))
√(x^2+y^2)=(|v1|+|v2|)/2* octagon(x,y)
到目前为止我们都在讨论浮点数的方根算法，接下来轮到整数的方根算法。也许有人认为对整型数据求方根无任何意义，因为会得到类似99^(1/2)=9的结果。通常情况下确实是这样，但当我们使用定点数的时候（定点数仍然被应用在很多系统上面，例如任天堂的GBA之类的手持设备），整数的方根算法就显得非常重要。对整数开平方的算法如下。我并不打算在这讨论它（事实是我也没有仔细考究，因为在短期内都不会用到--b），但你可以在文末James Ulery的论文中找到非常详细的推导过程。
//为了阅读的需要，我在下面的宏定义中添加了换行符
if((0x40000000l>> shift)+ sqrtVal<= val)
val-=(0x40000000l>> shift)+ sqrtVal;
sqrtVal=(sqrtVal>> 1)|(0x40000000l>> shift);
// Note: This fast square root function
// only works with an even Q_FACTOR
sqrtVal<<=(Q_FACTOR)/2;
好了，文章到这里就结束啦，如果本次分享的什么是l元宇宙f和何谓元宇宙问题对您有所帮助，还望关注下本站哦！
发表评论 取消回复