第098封“情书”:我有病Distributed Rendering Using Redshift<Entagma>Houdini 2019
▉ 对于CG方面的知识来说,我是一条贪吃蛇。— 每天翻译一篇教程,这就是我写给houdini的情书。【首发于同名公众号:“致houdini的情书”】
█ “ 如果把知识吃到肚子里,能记住就好了。 ”
前言不搭后语
我生病了,得了一种综合CG知识甲亢症,表现症状:除了睡觉,需要不停地进食各种CG知识,即使如此,仍然如饥似渴。插个广告 ,继续征集意见:
本节内容vdb的分布式计算 & 实现redshift的分布式渲染。
今天是42岁第071天周五
98这是写给Houdini的第098封“情书”
首先
制作步骤
小节提要
A01
粒子VDB的PDG设置
B02
Redshift的设置
C03
设置农场分布式渲染
接下来正式制作 使用软件:houdini17.5
○ distribute_popobject内部节点 ○
❖ 粒子流体化 ❖1)倒入生成的bgeo.sc序列文件:loadslices 2)转VDB:vdbfromparticles1: 3)平滑:vdbsmoothsdf1: 迭代值=2 4)输出:OUT_VDB
❖ PDG设置 ❖
01)ropgeometry1:
a)这里引入切片物体
b)然后产生的是单独的切片
02)ropgeometry2:❖ 小目标 ❖
a)使这个ropgeometry从前面转换成vdb的每帧能够获取计算的的结果。 b)把<01>的单独的任务重新分配到整个帧当中
🔗 解决方案 🔗
03)增加partitionbyframe1节点 : a)将这些单独的切片合并到每个帧的组件中,然后将它们输送到这里的ROP几何体中,从而指向vdbsmooth节点的结果。
02)ropgeometry2:
a)引入vdb数据。b)输出几何体文件
03)SHIFT+V:任务被切篇
○ 渲染引擎 ○
a)环境稍微亮些。
b)反射折射
○ 材质 ○
01)material1:
02)material2: a)
03)Fresnel1 :连接“Overall / opacity_color”透明度取决于观察的角度:
04)MaterialBlender1:灰色融合
❖ 具体操作 ❖
--------Topnet层级-------○ 创建ropfetch节点:
a)引入RS渲染引擎:ROP Path选择Redshift_ROP.
连接Partitionbyframe
b)选择单帧执行:Evaluate Using=Single Frame。(对于所有的渲染帧来说,在每一帧上启动一个单独的渲染任务。)
c)选择渲染范围执行:Evaluate Using=Frame Range。 这是调用本地渲染。设置范围,就可以把PDG作为渲染任务提交给农场。d)SHIFT+V、
---------out层级---------○ 设置rs引擎:
a)渲染范围。b)渲染参数设置
○ 农场设置 HQueue Scheduler: a)列出客户端 Job Parms 面板:Assign TO=Listed Clients。
b)弹出窗口选择有GPU的客户端
完
交流群:
公众号: 微信号
4000- 第099封“情书”:天下无不散之筵席Volumes101-DissolvingGeometry<Entagma>Houdini
- Distributed Port Scanning: Creating an Nmap Cluster Using DNmap
- How do I add more disk space to a virtual guest using LVM on Red Hat Enterprise Linux?
- Amazon Redshift and Massively Parellel Processing
- OpenSSH chrooted SFTP using public keys in Red Hat Enterprise Linux
- CBWFQ Using IP Precedence with CBWRED
- VB6 red write DB using Microsoft DAO 3.6 Object Library
- Using LACP with a vSphere Distributed Switch 5.1
- Volume Rendering using CUDA – Basic framework
- RED-LOCK - Distributed locks with Redis(英文快读)
- Using Test-Driven Development and the Red-Green-Refactor Workflow
- CBWRED Using DSCP with CBWFQ
- 经典论文翻译导读之《Large-scale Incremental Processing Using Distributed Transactions and Notifications》
- Redshift vs f.lux
- 论文笔记之:Large Scale Distributed Semi-Supervised Learning Using Streaming Approximation
- Volume Rendering using CUDA – Trilinear Interp. and Image Color-Map
- Rendering in Delphi using TCanvas (FMX)
- Using Hadoop Distributed Cache
- Google跨机房数据同步方案 Large-scale Incremental Processing Using Distributed Transactions and Notifications
- Volume Rendering using CUDA – Transfer Function & Anti-Aliasing