nPerlinNoise

nperlinnoise

auf pypi - nperinnoise indiziert

Repo auf Github - Nperinnoise

Dokumente über Readthedocs -

Eine robuste Open-Source-Implementierung des Perlin-Rauschalgorithmus für N-Dimensionen in Python.

• Eine leistungsstarke und schnelle API für n-dimensionales Rauschen.
• Einfache Hyperparameterauswahl von Oktaven , Laken und Persistenz sowie komplexe und anpassbare Hyperparameter für die N- Dimensionsfrequenz , die Wellenlänge , die Kette (Interpolation) und den Bereich .
• Enthält verschiedene hilfreiche Werkzeuge für die Erzeugung von Rauschen sowie für die Aufgaben der prozessualen Erzeugung wie anpassbare Gradienten , Farbgradienten und Warp -Klassen.
• Implementiert benutzerdefinierten PRNG- Generator für n-Dimensionen und können leicht abgestimmt werden.

Details :

• Technologiestapel :

  Status : v0.1.4-alpha , der sich auf alle Themen konzentriert, folgt PEP440
  Alle Pakete : Veröffentlichungen
  Changelog
  

  Getestet auf Python 3.10, Windows 10

• Zukünftige Arbeit :

  Optimierung für Oktavgeräusche
  Schreibabteilungstests
  Schreiben von API -Dokumenten
  Schreiben anstehende Dokumente
  Schreiben von Redethedocs
  Bloggen
  Beenden links in Code-Dokumente
  Dimensionale Oktaven
  

---

Screenshots :

---

Abhängigkeiten

• Python>=3.10.0

Für Produktionsabhängigkeiten siehe Anforderungen
Für Entwicklungsabhängigkeiten siehe Entwicklungsquiremente

Installation

$ pip install nPerlinNoise

Eine detaillierte Anweisung zur Installation finden Sie in der Installation.

Verwendung

Aufstellen

Hinweis: Wenn das Paket nicht importiert wird, import NPerlinNoise as nPN

>>> import nPerlinNoise as nPN
>>> noise = nPN.Noise( seed = 69420 )

Grundnutzung

Erhalten Sie Rauschwerte bei gegebenen n-dimensionalen Koordinaten, indem Sie noise(...) .
Koordinaten können Einzelwert oder iterable sein

• Einzelwert

  Rauschen (..., L, M, N, ...)
  Wo L, M, n, ..., einzelne Werte sind

  >>> noise( 73 )
  array(0.5207113, dtype=float32)
  >>> noise( 73 , 11 , 7 )
  array(0.5700986, dtype=float32)
  >>> noise( 0 , 73 , 7 , 11 , 0 , 3 )
  array(0.5222712, dtype=float32)

• iterbar

  Rauschen (...., [L1, L2, ..., Lx], [M1, M2, ..., Mx], [N1, N2, ..., Nx], ....)
  Wo .... sind iterbar für homogene Dimensionen und LX, MX, NX, ... sind Einzelwerte. Die Ausgabe hat die gleiche Form der Eingangsdimensionen in der gleichen Form

  >>> noise([ 73 , 49 ])
  array([0.52071124, 0.6402224 ], dtype=float32)
  >>> noise([ 73 , 49 ], [ 2 , 2 ])
  array([0.4563121 , 0.63378346], dtype=float32)
  >>> noise([[ 73 ], [ 49 ], [ 0 ]],
  ...       [[ 2 ], [ 2 ], [ 2 ]],
  ...       [[ 0 ], [ 1 ], [ 2 ]])
  array([[0.4563121 ],
         [0.6571784 ],
         [0.16369209]], dtype=float32)
  >>> noise([[ 1 , 2 ], [ 2 , 3 ]],
  ...       [[ 1 , 1 ], [ 1 , 1 ]],
  ...       [[ 2 , 2 ], [ 2 , 2 ]])
  array([[0.08666219, 0.09778494],
         [0.09778494, 0.14886124]], dtype=float32)

noise(..., l, m, n, ...) hat die gleichen Werte mit nachfolgenden Abmessungen mit Null als Koordinate

• N-Dimensionalität

  Rauschen (..., L, M, N) = Rauschen (..., L, M, N, 0) = Rauschen (..., L, M, N, 0, 0) = Rauschen (..., L, M, N, 0, 0, ...)

  >>> noise( 73 )
  array(0.5207113, dtype=float32)
  >>> noise( 73 , 0 )
  array(0.5207113, dtype=float32)
  >>> noise( 73 , 0 , 0 )
  array(0.5207113, dtype=float32)
  >>> noise( 73 , 0 , 0 , 0 , 0 )
  array(0.5207113, dtype=float32)

Der Grid -Modus ermöglicht das Berechnen von Rauschen für jede Kombination von Koordeln
Verwenden Sie noise(..., gridMode=True) GridMode ist nur ein Argument für das Schlüsselwort, default = false
Die Ausgabe ist in dieser Reihenfolge gleichermaßen der Länge (en) der Koordni

• Gridmode

  >>> noise([ 73 , 49 ], [ 2 , 2 ], [ 0 , 1 ], gridMode = True )
  array([[[0.4563121 , 0.63378346],
          [0.4563121 , 0.63378346]],
  
         [[0.44594935, 0.6571784 ],
          [0.44594935, 0.6571784 ]]], dtype=float32)
  >>> noise([ 1 , 20 , 32 , 64 ], [ 1 , 1 , 2 ], 0 , [ 1 , 2 ], gridMode = True )
  array([[[[0.06459193, 0.5110498 , 0.669962  , 0.47636804],
           [0.06459193, 0.5110498 , 0.669962  , 0.47636804],
           [0.09864856, 0.5013973 , 0.62935597, 0.47954425]]],
  
  
         [[[0.07678645, 0.50853723, 0.6778991 , 0.4679888 ],
           [0.07678645, 0.50853723, 0.6778991 , 0.4679888 ],
           [0.14069612, 0.47582665, 0.6663638 , 0.48764956]]]],
        dtype=float32)

Für eine detaillierte Verwendung siehe Beispiel

API

• Dokumente ausstehend

So testen Sie die Software

• Zum Testen der logischen Konsistenz testlogic laufen
• Zum Testen des Profil -Benchmarking -Laufprofils
• Um Visuals zu testen, werden Testvisuelle ausgeführt
• Um Farben zu testen, rennen Sie Testcol

Um alle Tests zu sehen, siehe Tests

Bekannte Probleme

• No Known Bugs
• NPerlin.findBounds is bottleneck
• noise(a, b, c, d, e, f, ...) is slow for single value coordinates

Hilfe bekommen

• Überprüfen Sie Main.py für eine detaillierte Verwendung
• Überprüfen Sie die Dokumente für alle Dokumentationen
• Überprüfen Sie den Nutzungsabschnitt

Wenn Sie Fragen, Bedenken, Fehlerberichte usw. haben

Sich engagieren

• Looking for Contributors for feature additions
• Looking for Contributors for optimization #11
• Looking for Contributors for unit testing #12
• Looking for Contributors for ReadTheDocs #13
• Looking for Contributors for WebApp #14
• Looking for Contributors for API docs #15
• Geben Sie das Repository auf und geben Sie einen PR aus, um einen Beitrag zu leisten

Allgemeine Anweisungen zum Beitrag zum Beitrag und zum Verhaltenskodex

---

Open Source -Lizenzinformationen

1. BEDINGUNGEN
2. LIZENZ
3. CFPB -Quellcode -Richtlinie

---

Credits und Referenzen

1. Vom Codierungszug inspiriert -> Perlin -Rauschen
2. Hash-Funktion von XXHASH inspirierte das Rand3 Algo und half letztendlich für o (1) Zeitkomplexität n-dimensionaler Zufallsgenerator NPRNG
3. Stackoverflow, um bei verschiedenen Gelegenheiten während der gesamten Entwicklung zu helfen
4. vnoise und openSimplex für Ideen für Readme.md
5. DOCS-Derivat aus Open-Source-Project-Template
6. Verpackungshilfe von Realpython

Betreuer :

Amith m

Mitwirkende :

Shravan Revanna