Haselnuss

Dieses Dokument enthält Informationen zu zwei unterschiedlichen Projekten: Hazelcast, eine Echtzeit-Datenplattform, und Mitsuba 3, ein forschungsorientiertes Rendering-System. Hazelcast beschreibt seine Fähigkeiten, Anwendungsfälle und Beitragsrichtlinien, während sich Mitsuba 3 auf seine Funktionen, Installation und Anwendungsbeispiele konzentriert. Beide bieten umfassende Dokumentations- und Supportressourcen für Benutzer.

Hazelcast

Was ist Hazelcast?

Weltweit führende Unternehmen vertrauen auf Hazelcast, wenn es darum geht, Anwendungen zu modernisieren und sofort auf übertragene Daten zu reagieren, um neue Einnahmequellen zu erschließen, Risiken zu mindern und effizienter zu arbeiten. Unternehmen nutzen die einheitliche Echtzeit-Datenplattform von Hazelcast, um Streaming-Daten zu verarbeiten, sie mit historischem Kontext anzureichern und mit Standard- oder ML/KI-gesteuerter Automatisierung sofort Maßnahmen zu ergreifen – bevor sie in einer Datenbank oder einem Data Lake gespeichert werden.

Hazelcast wird im Gartner Market Guide to Event Stream Processing genannt und ist ein führender Anbieter im GigaOm Radar Report für Streaming-Datenplattformen. Um unserer Community aus CXOs, Architekten und Entwicklern von Marken wie Lowe's, HSBC, JPMorgan Chase, Volvo, New York Life und anderen beizutreten, besuchen Sie hazelcast.com.

Wann sollte Hazelcast verwendet werden?

Hazelcast bietet eine Plattform, die mehrere Arten von Arbeitslasten bewältigen kann

Erstellen von Echtzeitanwendungen.

Hauptmerkmale

Zustandsbehaftete Datenverarbeitung

Hazelcast verfügt über eine integrierte Datenverarbeitungs-Engine namens

Jet, mit dem sowohl Streaming als auch Echtzeit erstellt werden können

und elastische Batch-/statische Datenpipelines. Es wurde nachgewiesen, dass ein einzelner Hazelcast-Knoten 10 Millionen zusammenfasst

Ereignisse pro Sekunde mit

Latenz unter 10 Millisekunden. Ein Cluster von Hazelcast-Knoten kann Milliarden verarbeiten

Veranstaltungen pro

zweite.

Legen Sie los

Befolgen Sie die Anleitung „Erste Schritte“.

Führung

um Hazelcast zu installieren und zu verwenden.

Dokumentation

Lesen Sie die Dokumentation für

Ausführliche Informationen zur Installation von Hazelcast und eine Übersicht über die Funktionen.

Holen Sie sich Hilfe

Sie können Slack verwenden, um Hilfe zu Hazelcast zu erhalten.

So können Sie einen Beitrag leisten

Vielen Dank für Ihr Interesse an einer Mitarbeit! Der einfachste Weg ist, einfach einen Pull zu senden

Anfrage.

Aus der Quelle bauen

Für die Erstellung von Hazelcast ist mindestens JDK 17 erforderlich. Ziehen Sie die neueste Quelle aus dem

Repository und verwenden Sie die Maven-Installation (oder das Maven-Paket), um Folgendes zu erstellen:

Es wird empfohlen, das mitgelieferte Maven-Wrapper-Skript zu verwenden.

Es ist auch möglich, eine lokale Maven-Distribution damit zu verwenden

Version, die im Maven-Wrapper-Skript verwendet wird.

Darüber hinaus gibt es einen Schnellaufbau, der durch die Einstellung des -Dquick-Systems aktiviert wird

Eigenschaft, die Validierungsaufgaben für schnellere lokale Builds (z. B. Tests, Checkstyle) überspringt

Validierung, Javadoc, Quell-Plugins usw.) und erstellt keine Erweiterungen und Distributionen

Module.

Testen

Bedenken Sie, dass der Standard-Build möglicherweise Tausende von Tests ausführt

nehmen viel Zeit in Anspruch. Hazelcast verfügt über drei Testprofile:

um Schnell-/Integrationstests auszuführen (diese können ausgeführt werden).

parallel ohne Verwendung des Netzwerks mithilfe des Profils -P parallelTest).

um Tests auszuführen, die entweder langsam sind

oder nicht parallel ausgeführt werden können.

um alle Tests seriell auszuführen

Netzwerk.

Für einige Tests ist die Ausführung von Docker erforderlich. Legen Sie die Systemeigenschaft -Dhazelcast.disable.docker.tests fest, um sie zu ignorieren.

Bei der Entwicklung einer PR reicht es aus, Ihre neuen Tests und einige davon durchzuführen

zugehörige Teilmenge von Tests lokal. Unser PR-Builder kümmert sich um den Ablauf

die vollständige Testsuite.

Lizenz

Der Quellcode in diesem Repository ist durch eine von zwei Lizenzen abgedeckt:

Die Standardlizenz im gesamten Repository ist Apache License 2.0, sofern nicht

Der Header gibt eine andere Lizenz an.

Danksagungen

Wir verdanken (die guten Teile) der Benutzererfahrung unseres CLI-Tools

picocli.

Copyright

Copyright (c) 2008–2024, Hazelcast, Inc. Alle Rechte vorbehalten.

Weitere Informationen finden Sie unter www.hazelcast.com.

Beispiel:

Mitsuba Renderer 3

Dokumentation	Tutorial-Videos	Linux	MacOS	Windows	PyPI

️

Warnung

️

Derzeit gibt es hier eine große Menge undokumentierter und instabiler Arbeiten

der master . Wir empfehlen Ihnen dringend, unsere zu verwenden

neueste Version

bis auf Weiteres.

Wenn Sie die bevorstehenden Änderungen bereits ausprobieren möchten, schauen Sie sich bitte um

dieser Portierungsanleitung.

Es sollte die meisten kommenden neuen Funktionen und Breaking Changes abdecken.

Einführung

Mitsuba 3 ist ein forschungsorientiertes Rendering-System für Vorwärts- und Rückwärtslicht

Transportsimulation, entwickelt an der EPFL in der Schweiz.

Es besteht aus einer Kernbibliothek und einer Reihe von Plugins, die Funktionen implementieren

von Materialien und Lichtquellen bis hin zu kompletten Rendering-Algorithmen.

Mitsuba 3 ist retargetierbar : Das bedeutet, dass die zugrunde liegenden Implementierungen und

Datenstrukturen können sich verändern, um verschiedene Aufgaben zu erfüllen. Für

Beispielsweise kann derselbe Code beide skalaren (klassischen, jeweils einen Strahl gleichzeitig ausführenden) RGB-Transporte simulieren

oder differenzieller spektraler Transport auf der GPU. Darauf baut alles auf

Dr.Jit, ein spezialisierter Just-in-Time -Compiler (JIT), der speziell für dieses Projekt entwickelt wurde.

Hauptmerkmale

• Plattformübergreifend : Mitsuba 3 wurde unter Linux ( x86_64 ) und macOS getestet

  ( aarch64 , x8664 ) und Windows ( x8664 ).

• Hohe Leistung : Der zugrunde liegende Dr.Jit-Compiler verschmilzt Rendering-Code

  in Kernel, die modernste Leistung erzielen

  ein LLVM-Backend, das auf die CPU abzielt, und ein CUDA/OptiX-Backend

  zielt auf NVIDIA-GPUs mit Raytracing-Hardwarebeschleunigung ab.

• Python zuerst : Mitsuba 3 ist tief in Python integriert. Materialien,

  Texturen und sogar vollständige Rendering-Algorithmen können in Python entwickelt werden,

  die das System im laufenden Betrieb JIT-kompiliert (und optional differenziert).

  Dies ermöglicht die Experimente, die für die Forschung in der Computergrafik erforderlich sind

  andere Disziplinen.

• Differenzierung : Mitsuba 3 ist ein differenzierbarer Renderer, was bedeutet, dass er

  kann Ableitungen der gesamten Simulation in Bezug auf die Eingabe berechnen

  Parameter wie Kameraposition, Geometrie, BSDFs, Texturen und Volumina. Es

  implementiert aktuelle differenzierbare Rendering-Algorithmen, die an der EPFL entwickelt wurden.

• Spektral und Polarisation : Mitsuba 3 kann monochromatisch verwendet werden

  Renderer, RGB-basierter Renderer oder Spektralrenderer. Jede Variante kann

  Berücksichtigen Sie optional die Auswirkungen der Polarisation, falls gewünscht.

Tutorial-Videos, Dokumentation

Wir haben mehrere YouTube-Videos aufgenommen, die eine sanfte Einführung bieten

Mitsuba 3 und Dr.Jit. Darüber hinaus finden Sie komplette Juypter-Notizbücher

Es umfasst eine Vielzahl von Anwendungen, Anleitungen und Referenzdokumentationen

auf readthedocs.

Installation

Wir stellen vorkompilierte Binärräder über PyPI bereit. Mitsuba auf diese Weise zu installieren ist so einfach wie das Ausführen

 pip install mitsuba

auf der Kommandozeile. Das Python-Paket enthält standardmäßig dreizehn Varianten:

• scalar_rgb

• scalar_spectral

• scalarspectralpolarized

• llvmadrgb

• llvmadmono

• llvmadmono_polarized

• llvmadspectral

• llvmadspectral_polarized

• cudaadrgb

• cudaadmono

• cudaadmono_polarized

• cudaadspectral

• cudaadspectral_polarized

Die ersten beiden führen eine klassische Einzelstrahl-Simulation mit entweder einem RGB durch

oder spektrale Farbdarstellung, wobei die beiden letzteren für die Umkehrung verwendet werden können

Rendern auf der CPU oder GPU. Um auf zusätzliche Varianten zugreifen zu können, müssen Sie Folgendes tun

Kompilieren Sie eine benutzerdefinierte Version von Dr.Jit mit CMake. Bitte beachten Sie die

Dokumentation

Einzelheiten hierzu finden Sie hier.

Anforderungen

• Python >= 3.8

• (optional) Für Berechnung auf der GPU: Nvidia driver >= 495.89

• (optional) Für vektorisierte / parallele Berechnung auf der CPU: LLVM >= 11.1

Verwendung

Hier ist ein einfaches „Hello World“-Beispiel, das zeigt, wie einfach es ist, ein zu rendern

Szene mit Mitsuba 3 aus Python:

 # Importieren Sie die Bibliothek mit dem Alias ​​„mi“import mitsuba as mi# Legen Sie die Variante des Renderers festmi.setvariant('scalarrgb')# Laden Sie eine Szenescene = mi.loaddict(mi.cornellbox())# Rendern Sie die Szeneimg = mi. render(scene)# Schreiben Sie das gerenderte Bild in eine EXR-Dateimi.Bitmap(img).write('cbox.exr')

Es stehen Tutorials und Beispiel-Notebooks für eine Vielzahl von Anwendungen zur Verfügung

in der Dokumentation.

Um

Dieses Projekt wurde von Wenzel Jakob erstellt.

Wesentliche Funktionen und/oder Verbesserungen am Code wurden von beigesteuert

Sébastien Speierer,

Nicolas Roussel,

Merlin Nimier-David,

Delio Vicini,

Tizian Zeltner,

Baptiste Nicolet,

Miguel Crespo,

Vincent Leroy und

Ziyi Zhang.

Wenn Sie Mitsuba 3 in akademischen Projekten verwenden, geben Sie bitte Folgendes an:

 @software{Mitsuba3,title = {Mitsuba 3 renderer},author = {Wenzel Jakob und Sébastien Speierer und Nicolas Roussel und Merlin Nimier-David und Delio Vicini und Tizian Zeltner und Baptiste Nicolet und Miguel Crespo und Vincent Leroy und Ziyi Zhang},Anmerkung = {https://mitsuba-renderer.org},Version = {3.1.1},Jahr = 2022}