Анна тихонова фото: Анна Тихонова: фото, биография, фильмография, новости

Их везде видели вместе: отца и дочь. Анна Тихонова думала, что ее отца любят и уважают, потому что он самый лучший, правдивый и чистый, но потом, повзрослев и познакомившись с актерской средой, она поняла, что не все думают так, как она.

Сыграв князя Болконского, разведчика Исаева и другие вкусности, Вячеслав Тихонов к другим ролям отнесся с большой осторожностью. Он сравнивал всех последующих персонажей с принцем, Штирлицем и учителем из «Жить до понедельника», поэтому он не мог позволить себе играть отрицательных персонажей.В этом выражалась его целостность, прежде всего, он думал о зрителе и не мог его подвести.

Детство

Детство Анечки было безоблачным и радостным, и не могло быть иначе, ведь рядом всегда были любящие родители, особенно отец. Вячеславу Васильевичу был сорок один год, когда родилась Анна Тихонова. Он очень ответственно отнесся к этому и поручил своей жене также нести ответственность за жизнь и благополучие своей дочери.

Дочка обожала дочку, пеленки сам стирал, развешивал, не особо задумываясь, мужская работа или нет.По воспоминаниям дочери, если отец был дома, то всегда спал. Вячеслав Васильевич был человеком надежным, предприимчивым, умел готовить, а уезжая в командировки, писал письма с нелепыми картинками, звонил и привозил подарки. Анна Тихонова вспомнила: заранее узнав, что папа едет домой, все готовились к встрече: накрывали на стол, убирались и так далее. Все его обожали.

Родители

Родители познакомились с Мосфильмом: Тамара к этому времени окончила МГУ, работала учителем французского языка в школе на Арбате, работала переводчиком.В «Мосфильм» ее пригласили помочь с переводом некоторых сцен из фильма «Мужчина и женщина». Мужскую роль озвучил Тихонов. К этому моменту ему было уже сорок, за неудачным браком с Нонной Мордюковой, а Тамаре было всего 24 года, но она сумела развестись с первым мужем и собиралась снова выйти за француза.

Когда Вячеслав узнал, что у нее есть жених, он опечалился, но не сдавался. Спустя время они были вместе, поженились, и вскоре на свет появилась Тихонова Анна Вячеславовна.Их брак был счастливым, Тихонов не любил шумных компаний, тусовок, не любила их и Тамара. Они поняли друг друга с первого взгляда. Летом ездили на дачу, в основном последние годы жили в даче на Николиной горе.

Вячеслав Васильевич не любил город с его суетой и, построив дачу своими руками, очень гордился им. К сожалению, после ухода великого артиста о его семье появилось много неприятных слухов.Какие пороки не приписывались его жене Тамаре за то, что она не появлялась на публике во время заупокойной церемонии. Но на самом деле у нее был сломан тазобедренный сустав, который было трудно вылечить, и ей было трудно выходить из дома.

Анна Тихонова: личная жизнь

В пятнадцать лет Анна полюбила звезду итальянской эстрады, композитора и певца Тото Кутуньо. Папа для нее был готов получить луну с неба, и поэтому он нашел билеты на концерт Кутунё, купил цветы и во время перерыва провёл дочь за кулисами к певице. От счастья и ужаса Анна не смогла вымолвить ни слова, но прибежал переводчик и познакомил знаменитую певицу с не менее известным артистом.

Анна Тихонова очень рано почувствовала себя артисткой: все детство занималась танцами, играла в школьной самодеятельности, но отец не хотел, чтобы она стала актрисой, считая эту профессию слишком тяжелой и зависимой. Но она все же пыталась поступить и в Щукинское училище, и в школу-студию МХАТ, но в итоге поступила во ВГИК, и там нашла свою любовь.

Николай Воронцов учился на параллельном ручье, и Аня обратила на него внимание. Он был красив, высок, стройен, с длинными волосами. Они полюбили друг друга, и когда Анна заболела, он пришел к ней в гости, и тогда родители впервые его увидели. Анна вспомнила, что Николай исчез в коридоре, и когда Вячеслав Васильевич увидел его огромные туфли, он стал называть будущего зятя «снеговиком».

Но тут что-то не сложилось, и Коля уехал за границу. И только через несколько лет он вернулся и позвонил ей. Казалось, она ждала звонка и нисколько не удивилась. Тогда Анна поняла, что всю жизнь любила Николая. В феврале 2002 года они поженились, а уже в 2005 году у них родились близнецы: Слава и Георгий. Назвали детей в честь отцов.

Роли в кино

Анна снялась во многих фильмах:

• «Европейская история».
• «Белые вороны».
• «В городе Сочи темные ночи».
• «Комитет Аркадия Фомича.
• «Любящий манекен».
• «Сильный мужчина».
• «Приключение».
• «Дорогой друг давно забытых лет».

В двух последних фильмах она выступила в роли продюсера:

• «Семнадцать мгновений славы».
• «Глаза волка».

Анна Тихонова, фото которой размещено в статье с отцом, талантливая, интересная женщина, доказавшая, что природа не отдыхает на детях гениев.

Кван-Лю Ма | Team

БЫВШИЕ ЧЛЕНЫ КОМАНДЫ

ВЫПУСКНИКИ

• Чуан Ван , Ph. Д., 12-2020
• О-Хён Квон , доктор философии, 12-2020, Apple
• Кельвин Цзяньпин Ли , доктор философии, 09-2020
• Энни Престон , доктор философии, 12-2019, ClimateCheck
• Црноврсанин Тарик , к.э.н., 6-2019
• Крис Брайан , доктор философии, 9-2018, доцент, Университет штата Аризона
• Мин Ши , доктор философии, 9-2018, Google
• Крис Юконг Е , Ph.Д., 9-2018
• Линь Чжэн , Ph.D., 12-2017, Siemens
• Франц Зауэр , доктор философии, 06-2017, Disney Animation
• Цзиньжун Се , доктор философии, 03-2016, eBay
• Юдзуру Танахаши , Ph.D., 06-2015, Google
• Юбо Чжан , доктор философии, 12-2014, NVIDIA
• Ю-Сюань Чан , доктор философии, 12-2014
• Джишанг Вэй , Ph. D., 9-2014, Лаборатория HP
• Анна Тихонова , к.э.н., 12-2012, Apple
• Натан Фоут , доктор философии, 8-2012, доктор медицины 2013
• Ченг-Кай Чен , доктор философии, 12-2011, Apple
• Крис Мюлдер , Ph.D., 9-2011, Google
• Майкл Огава , доктор философии, 3-2011, Youtube
• Цзэцзян Шэнь , доктор философии, 8-2009, Alibaba
• Хироши Акиба , Ph.Д., 8-2008, Apple
• Хунфэн Юй , доктор философии, 6-2008, доцент,
  Университет Набраски-Линкольн
• Руаньчжэнь Хуан , доктор философии, 6-2007, Microsoft
• Фань-Инь Цзэн , доктор философии, 12-2006, Intel
• Бретт Уилсон , доктор философии, 9-2005, Google
• Сун Ти Тео , доктор философии, 9-2004,
  Университет Санта-Клары
• Эрик Лум , Ph. Д., 6-2004, NVidia
• Грег Шуссман , Ph.D. 12-2003, Контакт
• Т.Дж. Янкун-Келли , канд. 6-2003, доцент,
  Государственный университет Миссисипи
• Максим Гомов , М.С., 06-2020
• Sandra Bae , M.S., 06-2020
• Чжийи Сю , M.S., 06-2019
• Джозеф Котларек , М.С., 06-2019
• Тан Хуу Нгуен , M.S., 08-2017
• Жаклин Чу , M.S., 08-2016
• Ramyar Ghods , M.S., 08-2016
• Chien-Hsin Hsueh , M.S., 08-2016
• Цай-Линг Фунг , M.S., 03-2016
• Хендрик Шроутс , M.S., 09-2015, Intel
• Юци Ян , магистр медицины, 6-2015
• Чун-Фу Ван , М. С., 12-2014
• Шу-Вэй Сюй , M.S., 12-2014
• Yeseul Park , M.S., 9-2013,
• Го-Сюнь Юань , M.S., 6-2013,
• Елена Ву , M.S., 6-2013,
• Кармен Сигован , M.S., 6-2012
• Дэн Поттер , магистр медицины, 12-2011, Ливерморская национальная лаборатория Лоаренса
• Wei-Hsien Hsu , M.S., 8-2011
• Ю-Синь Ши , М.С., 12-2011
• Юэ Ван , MS, 6-2008, Google
• Джонатан Штрассер , магистр наук, 3-2007, Электроника для обработки изображений
• Лей Чен , M.S., 12-2007, Банк Америки
• Эрик Суналп , MS, 6-2005, Apple
• Джонатан Макферсон , магистр медицины, 6-2004, Microsoft
• Ян Боуман , магистр медицины, 6-2004, Калифорнийский университет в Лос-Анджелесе
• Александр Стомпель , м. С. 9-2003, 4DBlue
• Конрад Цзе , M.S. 9-2002, EA Maxis
• Дэвид Кэмп , M.S. 6-2000, аспирант UCD

ПОДДЕРЖИВАЕМЫЕ POSTDOCS

• Senthil Chandrasegaran , сентябрь 2017 — август 2020, доцент, Делфтский университет
• Min Shih , октябрь 2018 — январь 2019, Google
• Цзя-Кай Чоу , январь 2015 г. — август 2018 г., FICO
• Франц Зауэр , Disney Animation, июль 2017 — февраль 2018, Disney
• И-Лин Чен , Microsoft, апрель 2016 г. — январь 2018 г., Microsoft
• Мэн Ду , сентябрь 2015 г. — сентябрь 2017 г., Пекинский институт графической коммуникации
• Крис Мюлдер , октябрь 2011 г. — май 2015 г., LinkedIn
• Исаак Ляо , октябрь 2010 г. — июнь 2014 г., Riot Games
• Арно Саллаберри , август 2011 — июль 2012, доцент, LIRMM, Франция,
  
• Инцай Ву , май 2010 г. — март 2012 г., профессор Чжэцзянского университета
• Стефан Марчезин , январь-ноябрь 2010 г., Google
• Карлос Корреа , сентябрь 2008 г. — апрель 2010 г., Google
• Чаоли Ван , январь 2007 г. — август 2009 г., доцент, Университет Нотр-Дам

ДРУГИЕ БЫВШИЕ УЧАСТНИКИ

• Юэ Чжан , Калифорнийский университет в Дэвисе, октябрь 2019 г. — июнь 2020 г.
• Yuchu Lei , Калифорнийский университет в Дэвисе, октябрь 2019 г. — июнь 2020 г.
• Сичен Джин , Калифорнийский университет в Дэвисе, октябрь 2019 г. — май 2020 г.
• Ялин Чжан , Калифорнийский университет в Дэвисе, 2019
• Chengbo Zheng , Zhejiang University, Summer 2019
• Паулина Лей , Калифорнийский университет в Дэвисе, 2018-2019 гг.
• Джозеф Котларек , Калифорнийский университет в Дэвисе, 2017-2019 гг.
• Шэнью Сюй , Калифорнийский университет в Дэвисе, 2017 — 2019 гг.
• Хидеказу Шидара, Калифорнийский университет в Дэвисе, июнь 2017 г. — сентябрь 2018 г.
• Цзюньхуа Лу, Чжэцзянский университет, Китай, сентябрь 2017 г. — сентябрь 2018 г.
• Chaoqing Xu, Чжэцзянский технологический университет, Китай, январь 2017 г. — октябрь 2018 г.
• И-Чен Линь, NCTU, Тайвань, август 2017 — июль 2018
• Мэн Ян, Пекинский лесной университет, октябрь 2017 г. — сентябрь 2018 г.
• Чен Ма, Калифорнийский университет в Дэвисе, январь — июнь 2018 г.
• Алекс Конг, Калифорнийский университет в Дэвисе, сентябрь 2017 г. — июнь 2018 г.
• Сиддхант Сабхарвал, Калифорнийский университет в Дэвисе, сентябрь 2017 г. — июнь 2018 г.
• Siwei Fu, Гонконгский университет науки и технологий, октябрь 2017 г. — март 2018 г.
• Чарльз Рожон, Калифорнийский университет в Дэвисе, сентябрь 2017 г. — март 2018 г.
• Ютин Хан, Калифорнийский университет в Дэвисе, апрель 2017 г. — декабрь 2017 г.
• Мэн Ду, Пекинский университет лесного хозяйства, сентябрь 2015 г. — сентябрь 2017 г.
• Йиран Ли, Чжэцзянский университет, лето 2017 г.
• Юнхань Лань, Чжэцзянский университет, лето 2017 г.
• Чаоцин Сюй, Технологический университет Чжэцзян, январь 2017 г. — июль 2017 г.
• Цзяжуй Ню, Шаньдунский университет, сентябрь 2016 г. — декабрь 2016 г.
• Сравья Дивакария, Калифорнийский университет в Дэвисе, январь — июнь 2017 г.
• Чэньян Цзи, Чжэцзянский университет, июль 2016 г. — январь 2017 г.
• Шридатт Бхамидипати, Калифорнийский университет в Дэвисе, июль-декабрь 2016 г.
• Леонардо Феррер, Калифорнийский университет в Дэвисе, апрель-сентябрь 2016 г.
• Тяньчэнь Сунь, Чжэцзянский университет, лето 2016 г.
• Чжэньюй Тан, Чжэцзянский университет, лето 2016 г.
• Брайан Беккер, Калифорнийский университет в Дэвисе, 2015 г.
• Эдуардо Мотта де Оливейра , Федеральный университет Эспириту-Санту, Бразилия, июнь 2016 г. — август 2016 г.
• Ян Ши , Центральный Южный университет, Китай, июль 2015 г. — август 2016 г.
• И-Чжэн Хуанг , Национальный университет Цзяотун, Тайвань, июль 2015 г. — март 2016 г.
• Кен Нагао , Университет Кейо, Япония, сентябрь 2015 г. — март 2016 г.
• Грегори Гутерман , Калифорнийский университет в Дэвисе, июль 2014 г. — декабрь 2015 г.
• Профессор Лицзюнь Се , Чжэцзянский университет, август 2014 г. — сентябрь 2015 г.
• Сяояо Сю , Чжэцзянский университет, июль-сентябрь 2015 г.
• Е Ци , Чжэцзянский университет, июль-сентябрь 2015 г.
• Бяо Чжу , Чжэцзянский университет, декабрь-июнь 2015 г.
• Сюэ Ву , Калифорнийский университет в Дэвисе, январь-июнь 2015 г.
• Сана Варизи , Калифорнийский университет в Дэвисе, сентябрь 2014 г. — март 2015 г.
• Профессор Heewon Kye , Университет Хансунг, Корея, сентябрь 2013 г. — август 2014 г.
• Шимин Ван , Чжэцзянский университет, Китай, апрель — август 2014 г.
• Ашиш Субеди , Б.С., Калифорнийский университет в Дэвисе, июль 2012 г. — июнь 2014 г.
• Профессор Вэньчэн Ван , Китайская академия наук, Китай, ноябрь-декабрь 2013 г.
• Профессор Фули Ву , Технологический университет Чжэцзян, Китай, 2013
• Кристиан Хирш , Венский технологический университет, Австрия, июль-декабрь 2013 г.
• Jiayi Xu , Чжэцзянский университет, Китай, июль-декабрь 2013 г.
• Jun Ma , Уханьский университет, Китай, 2013 г.
• Шун Юй , январь-июль 2013 г.
• Профессор Сянцзюнь Чжао , Педагогический университет Сюйчжоу,
  март 2012 г. — март 2013 г.
• Прерна Дудани , январь 2011 г. — февраль 2013 г.
• Профессор Чунься Сяо , Уханьский университет,
  Февраль 2012 г. — февраль 2013 г.
• Мартин Дубковски , Калифорнийский университет в Дэвисе, август — декабрь 2012 г.
• Рина Накадзава , Университет Очаномидзу, Япония,
  сентябрь — декабрь 2012 г.
• Юка Номура , Университет Очаномидзу, Япония,
  сентябрь — декабрь 2012 г.
• Цзя-Кай Чоу , Тайваньский национальный технологический университет,
  Тайбэй, Тайвань, февраль 2012 г. — сентябрь 2012 г.
• Дерек Герстманн , Университет Западной Австралии, Австралия,
  июнь 2011 г. — январь 2012 г.
• Профессор Ханчен Сонг , Национальный университет оборонных технологий, Китай, январь 2011 г. — январь 2012 г.
• Зак Марголис , Калифорнийский университет в Дэвисе, 2009-2011 гг.
• Лей Тан , Университет Шандун, сентябрь 2010 г. — сентябрь 2011 г.
• Профессор Чжан Е Ван , Чжэцзянский университет,
  сентябрь 2010 г. — август 2011 г.
• Тинг Чжан , Чжэцзянский университет, июль — сентябрь 2011 г.
• Крис Хо , Калифорнийский университет в Дэвисе, январь 2009 г. — август 2011 г.
• Вэйвэй Цуй , HKUST, Гонконг, январь-июнь 2011 г.
• Томас Прован , бакалавриат Калифорнийского университета в Дэвисе, 2009-2011 гг.
• Альберто Боскетти , Universita ‘Degli Studi Di Brescia, Италия,
  июль 2010 г. — февраль 2011 г.
• Ан Хо , Калифорнийский университет в Дэвисе, февраль 2007 г. — февраль 2011 г.
• Профессор Ронгхуа Лян , Технологический университет Чжэцзян,
  Февраль 2010 г. — февраль 2011 г.
• Профессор Санхун Парк , Университет Донгук,
  Январь 2010 г. — январь 2011 г.
• Штеффен Фрей , Штутгартский университет, октябрь-декабрь 2010 г.
• Джек Рэми , Калифорнийский университет в Дэвисе, июнь-сентябрь 2010 г.
• Карлос Рохас , Калифорнийский университет в Дэвисе, июнь-сентябрь 2010 г.
• Цзинсянь Ли , студентка, Чжэцзянский университет, Китай,
  июль-сентябрь 2010 г.
• Кюнгвон Ли , профессор, Университет Аджу, Корея,
  Октябрь 2009 г. — сентябрь 2010 г.
• Цзянцян Мэй , аспирант, Тяньцзиньский университет, Китай,
  Октябрь 2008 г. — сентябрь 2010 г.
• Фанфан Чжоу , инструктор,
  Центральный Южный университет, Центральный Южный университет, Китай, сентябрь 2009 г. — август 2010 г.
• Джефф Сухарев , аспирант Калифорнийского университета в Дэвисе, 2007-2010 гг.
• Нима Мостафави , Б.С. Калифорнийский университет в Дэвисе, 2010 г.
• Yu-Shuen Wang , Национальный университет Cheng-Kung, Тайвань,
  , февраль-июнь 2009 г.
• Jing Fang , Чжэцзянский университет, Китай, июль-сентябрь 2009 г.
• Уве Лампе , Бергенский университет, Норвегия, январь-март 2009 г.
• Минюнь Хэ , Университет электронных наук и технологий, Китай, январь-июнь 2009 г.
• Jung Hong Chuang , Национальный университет Цзяо Дун, Тайвань,
  2007-2008
• Такаюки Ито , Университет Очаномидзу, сентябрь-октябрь 2008 г.
• Тим ван Дейк , Технологический университет Эйндховена, Нидерланды
• Миша Шалай , Белорусский государственный университет,
  Лето 2007 г. и лето 2009 г.
• Юкико Исида , Б.С. Калифорнийский университет в Дэвисе, 2007 г.
• Игнасио Фрага , B.S. Калифорнийский университет в Дэвисе, 2007 г.
• Эдисон Луонг , B.S. Калифорнийский университет в Дэвисе, 2007 г.
• Амир Таваколи , B.S. Калифорнийский университет в Дэвисе, 2007 г.
• Ning Yang , B.S. UC Davis
• Дэниел Льюис , B.S. UC Davis
• Майкл Нгуен , B.S. UC Davis
• Брайан Тран , UCSD, стипендиат UC LEADS, лето 2004 г.
• Дэвид Кроуфорд , Б.С. Калифорнийский университет в Дэвисе, весна 2004 г. (@ MIT Lincoln Lab).
• Габриэль Роза , студентка, Калифорнийский университет в Дэвисе
• Колин Томпкинс , B.S. Калифорнийский университет в Дэвисе (аспирант Университета Орегона)
• Деннис Дуркин , B.S. Калифорнийский университет в Дэвисе (аспирант @ UCD)
• Эдвард Лин , B.S. UC Davis
• Роберт Герой , B.S. Калифорнийский университет в Дэвисе (аспирант в Калифорнийском университете в Санта-Крус)
• Уэсли Вонг , Б.С. Калифорнийский университет в Дэвисе
• Симона Тассинари , Болонский университет, Италия
• Фабьен Виводцев , Франция
• Икуко Таканаши , Mitsubishi Electric Corp., Япония
• Гени Абла , General Atomics, Сан-Диего

Набор изображений распространенных таксонов бентосных фораминифер в поверхностных отложениях морского дна Северной Атлантики (разрез 59,5 ° с.ш.) между морем Лабрадор и фареро-Шетландским порогом

Таблица 2

Список таксонов бентосных фораминифер.

Бентосные роды и виды фораминифер

Adercotryma glomeratum (Brady, 1878)

Alabaminella weddellensis (Earland, 1936)

Amphicoryna scalaris (Batsch, 1791)

Astronadastronion, Astronadastanion,

stelligerum (d’Orbigny, 1839)

Bolivina Earlandi Parr, 1950

Bolivina pseudoplicata Heron-Allen & Earland, 1930

Bolivina pygmaea (Brady, 1881)

Bolivina sp.d’Orbigny, 1839

Brizalina subspinescens (Cushman, 1922)

Bulimina marginata d’Orbigny, 1826

Bulimina mexicana Cushman, 1922 ¼Bulimina striata d’Orbigny in Gu

000 erin-

Carpenteria balaniformis Grey, 1858

Cassidulina carinata Silvestri, 1896

Cassidulina laevigata d’Orbigny, 1826

Cassidulina reniforme Nørvang, 1945

Cassidulina 1881)

Cibicides refulgens Montfort, 1808

Cibicidoides bradyi (Trauth, 1918)

Cibicidoides lobatulus (Walker & Jacob, 1798)

Cibicidoides pachyderma (Rzehak0002000) Cibicidoides sp. .Thalmann, 1939

Cibicidoides wuellerstor (Schwager, 1866)

Cribrostomoides subglobosus (Cushman, 1910)

Cyclammina pusilla Brady, 1881

Cystammina paucilrella brady, 1881

Cystammina paucilrelloculata () subsp. clavatum Cushman, 1930

Elphidium incertum (Williamson, 1858) ¼Cribroelphidium incertum Williamson, 1858

Elphidium sp. Montfort, 1808

Elphidium subarcticum Cushman, 1944

Epistominella exigua (Brady, 1884)

Fissurina lacunata (Burrows & Holland, 1895) ¼Seguenzaella lacunata (Burrows & Holland, 1895)

sp.Reuss, 1850

Fissurina squamosoalata (Brady, 1881) ¼Vasicostella squamosoalata (Brady, 1881)

Fissurina staphyllearia Schwager, 1866

Fursenkoina Complanata, Egger, 1893, Williamsonusiformus

Fursenkoina pauciloculata (Brady, 1884)

Gavelinopsis praegeri (Heron-Allen & Earland, 1913)

Globocassidulina subglobosa (Brady, 1881)

Gyroidina orbonesyroidis,

, Gyroidina orbonesyroid,

d’Orbigny, 1826

Hansenisca soldanii (d’Orbigny, 1826)

Hansenisca sp. Loeblich & Tappan, 1987

Haynesina orbicularis (Brady, 1881)

Hoeglundina elegans (d’Orbigny, 1826)

Hyalinea balthica (Schr €

oter in Gmelin, 1791)

ula Io Islandiella helenae Feyling-Hanssen & Buzas, 1976

Karreriella bradyi (Cushman, 1911)

Karrerulina convera (Grzybowski, 1901)

Karrerulina sp.Finlay, 1940

Lagenammina diff fl ugiformis (Brady, 1879)

Lagenosolenia incposita Patterson & Pettis, 1986 ¼Fissurina incposita (Patterson & Pettis, 1986)

Laticarinina pauperata (Parker & Jonesic7,

)

Melonis barleeanus (Williamson, 1858)

Melonis pompilioides (Fichtel & Moll, 1798)

А. Тихонова и др. / Кратко о данных 26 (2019) 1045544

Что нового в Metal, часть 2 — WWDC 2016 — Видео

Скачать

Добро пожаловать.

Это вторая часть нашего сеанса «Что нового в металле».

Меня зовут Чарльз Бриссар, я инженер-программист графического процессора, и вместе со своими коллегами Дэном Омачи и Аной Тихоновой я расскажу вам о некоторых наших новых функциях.

Но сначала давайте взглянем на другую сессию Metal на WWDC.

Первые два занятия, которые я называю «Внедрение металла», раскрыли некоторые основные концепции металла, а также некоторые более сложные соображения.

Сессия «Что нового в металле» посвящена нашим новым функциям.

Наконец, сеанс Advanced Shadow Optimization расскажет вам, как добиться максимальной производительности от ваших шейдеров.

Итак, сегодня утром вам рассказали о тесселяции, кучах ресурсов, целях рендеринга без памяти, а также о некоторых улучшениях для инструментов графического процессора.

Сегодня во второй половине дня мы расскажем вам о специализации функций, чтении-записи ресурсов функций, широких цветах, текстурных активах, а также о некоторых дополнениях к шейдерам Metal Performance. Итак, давайте начнем со специализации функций.

Это общий шаблон в механизме рендеринга, чтобы определить несколько сложных главных функций и затем использовать эти главные функции для генерации минимума специализированных простых функций.

Идея состоит в том, что основная функция позволяет избежать дублирования карты, в то время как специализированные функции упрощены для них в результате лучшей производительности.

Итак, давайте рассмотрим пример. Если мы пытаемся написать функцию материала, вы можете написать основную функцию, которая реализует каждый аспект любого материала, который может вам понадобиться.

Но тогда, если вы пытаетесь реализовать простой блестящий материал, вам, вероятно, не понадобится отражение, но вам понадобится зеркальный блик.

С другой стороны, если вы реализуете отраженный материал, вам нужно будет добавить отражение и на зеркальные блики.

Нашему переходному материалу потребуется подповерхностное рассеяние, но, вероятно, не будет отражения или, возможно, также не будет зеркальных бликов и так далее. Вы уловили идею.

Итак, это обычно реализуется с помощью макросов препроцессора.Основная функция компилируется с набором значений макроса для создания специализированной функции.

Это можно сделать во время выполнения, но это дорого. Вы также можете попытаться предварительно скомпилировать каждый вариант предварительно скомпилированной функции, но — а затем сохранить их в Metal, но для этого потребуется много места для хранения, потому что у вас может быть много-много вариантов или, может быть, вы не знаете, какой из них вы будет нужно.

Другой подход — использовать константы времени выполнения.

Константы времени выполнения избавляют от необходимости перекомпилировать ваши функции.Однако вам необходимо оценить значения константы во время выполнения.

Это повлияет на производительность ваших шейдеров. Итак, мы предлагаем новый способ создания специализированных функций с использованием того, что мы называем функциональными константами.

Таким образом, функциональные константы — это константы, которые определены непосредственно в языке шейдинга Metal и могут быть скомпилированы в IR и сохранены в библиотеке Metal.

Затем во время выполнения вы можете указать значение константы для создания специализированной функции.

Преимущество этого подхода в том, что вы можете скомпилировать основную функцию в автономном режиме и сохранить ее в библиотеке Metal.

Требуется небольшая память, потому что вы храните только основные функции.

И поскольку мы запускаем быстрый проход оптимизации при создании специализированной функции, вы по-прежнему получаете лучшую производительность.

Итак, давайте рассмотрим пример.

Вот как может выглядеть мастер-функция при использовании макроса препроцессора. Конечно, это простой пример. Настоящий был бы намного сложнее.

Как видите, разные части кода окружены операторами what if, чтобы вы могли исключить эту часть кода.

Вот как это будет выглядеть с константой функции.

Как вы можете видеть вверху, мы определяем ряд констант, а затем используем их в коде.

Для определения констант вы используете ключевое слово constant, за которым следует тип, в данном случае Boolean, и, наконец, имя константы и атрибут константы функции.

Атрибут константы функции указывает, что значение константы не будет предоставляться во время компиляции, но будет предоставлено во время выполнения, когда мы создадим специализированную функцию.

Также следует отметить, что мы передаем индекс.

Этот индекс можно использовать в дополнение к имени для идентификации константы, когда мы создаем специализированную функцию во время выполнения.

Затем вы можете использовать константу в любом месте вашего кода, как обычную константу.

Здесь у нас есть простой оператор if, который используется для условного обозначения части кода.

Итак, как только вы создали свою основную функцию, скомпилировали ее и сохранили в библиотеке Metal, вам нужно во время выполнения создавать специализированные функции.Итак, вам нужно предоставить значения константы.

Для этого мы используем объект значений констант функции MTL, который будет решать значения нескольких констант.

После создания объекта мы можем установить значения константы либо по имени, либо по индексу, либо по имени.

После того, как мы создали объект, мы можем затем создать специализированную функцию, просто закодировав новую функцию с именами и постоянными значениями в библиотеке, указав имя главной функции, а также значения, которые мы только что заполнили.

Это вернет обычную функцию MTL, которую затем можно использовать для создания конвейера вычислений или конвейера рендеринга в зависимости от типа функции.

Итак, чтобы лучше понять, как это работает, давайте посмотрим на конвейер компиляции.

Итак, во время сборки вы используете исходный код своей основной функции, компилируете его и сохраняете в библиотеке Metal.

Во время выполнения вы загружаете библиотеку Metal и создаете новую функцию, используя значения констант функции MTL для специализации функции.

На этом этапе мы запускаем некоторую оптимизацию, чтобы исключить любой код, который больше не используется, а затем у нас есть внутренняя функция, которую мы можем использовать для создания конвейера рендеринга или конвейера вычислений.

Вы можете объявлять константы любого скалярного или векторного типа, который есть в Metal, например float, half, int, uint и т. Д.

Здесь мы определяем цвет half4.

Вы также можете создавать промежуточные константы, используя значение функциональных констант. Здесь мы определяем логическую константу, которая имеет значение, противоположное функциональной константе a.

Здесь мы вычисляем значение на основе значения константы функции значения.

Мы также можем иметь необязательные константы.

Необязательные константы — это константы, для которых не нужно всегда указывать значение при специализации функции.

Это то же самое, что и использование what ifdef в коде при использовании макросов препроцессора.

Для этого вы используете встроенную константу функции if, которая вернет истину, если значение было предоставлено, и ложь, если в противном случае.

Вы также можете использовать константу функции для добавления или исключения аргументов из функции.

Этого полезно избегать, чтобы убедиться, что вам не нужно связывать буфер или текстуру, если вы знаете, что они не будут использоваться.

Также полезно заменить тип аргумента, и мы поговорим об этом — мы поговорим об этом подробнее в следующих паре слайдов.

Итак, у нас есть пример.

Это вершинная функция, которая может реализовывать скиннинг в зависимости от значения константы doSkinning.

Первым аргументом функции является буфер матриц, который будет существовать в зависимости от того, имеет ли константа doSkinning значение true или false. Мы используем атрибут константы функции, чтобы квалифицировать этот аргумент как необязательный.

В коде вам все еще нужно использовать ту же функциональную константу для защиты кода, использующего этот аргумент.

Итак, здесь мы используем doSkinning в операторе if, а затем мы можем безопасно использовать матрицы в нашем коде.

Вы также можете использовать константу функции, чтобы исключить аргументы из стадии в структуре.

Здесь у нас есть два аргумента цвета. Первый аргумент цвета в качестве типа float4 для этих атрибутов используется для атрибутов, то есть атрибута 1.

Второй цвет lowp — это половина цвета с более низкой точностью, но он заменяет тот же индекс атрибута.

Значит, у вас может быть либо одно, либо другое. Они используются для особого изменения типа атрибутов цвета в вашем коде.

Существуют некоторые ограничения с функциональными константами, а именно, вы не можете реально изменить макет структуры в памяти, и это может быть проблемой, потому что вы можете захотеть иметь разные константы для разных шейдеров и так далее.

Но вы можете обойти это, добавив несколько аргументов разных типов.

Итак, в этом примере у нас есть два аргумента буфера, которые используют индекс буфера 1.

Они управляются константами функций, используют ConstantA и ConstantB.

Итак, они используются для выбора того или другого. Обратите внимание, что у нас есть — мы используем промежуточную константу, противоположную первой константе, чтобы гарантировать, что только один из аргументов будет существовать в данный момент времени. Таким образом, вы можете использовать константу функции для создания специализированной функции во время выполнения.

Он избегает компиляции внешнего интерфейса, и потому что мы только используем — и он использует только быструю фазу оптимизации для устранения неиспользуемого кода.

Хранилище компактное, потому что вам нужно сохранить только главную функцию в вашей библиотеке.

Отправлять исходник необязательно. Он может отправить только ИК. И, наконец, неиспользуемый код удаляется, что обеспечивает максимальную производительность.

Итак, давайте теперь поговорим о чтении-записи ресурсов функции.

Итак, мы представляем две новые функции: чтение-запись с буферизацией функций и чтение-запись функциональных текстур.

Функция с буферизацией чтения-записи — это возможность читать и записывать в буфер из любого типа функции, а также возможность использовать атомарные операции с этими буферами из любого типа функции.

Как вы уже догадались, функция чтения-записи текстуры — это возможность читать и записывать текстуру из любого типа функции.

Функция чтения-записи буфера доступна на iOS с процессором 9 и macOS.

Функция чтения-записи текстур доступна в macOS. Итак, давайте поговорим о функции буферизации чтения-записи.

Итак, что здесь нового? Новым является возможность записи в буфер из функции фрагмента, а также использование атомарной операции в функции текста и фрагмента.

Их можно использовать для реализации таких вещей, как независимая от порядка прозрачность, построение списков источников света, которые влияют на данную плитку, или просто для отладки ваших шейдеров.

Итак, давайте посмотрим на простой пример. Допустим, мы хотим записать положение видимых фрагментов, которые мы визуализируем.

Это могло выглядеть так.

Итак, у нас есть функция фрагмента, в которую мы передаем буфер вывода. В буфере вывода мы будем хранить позицию фрагментов. Затем у нас есть счетчик, поэтому другой буфер, который мы запускаем после этого, мы используем, чтобы найти позицию в буфере, первом буфере, в который мы хотим записать.

Затем мы можем использовать атомарную подготовку для подсчета количества фрагментов, которые уже были записаны, чтобы получить индекс в буфере.

А потом мы можем записать в буфер позицию фрагментов.Выглядит неплохо, но есть небольшая проблема.

Тест глубины и трафарета при записи в буфер на самом деле всегда отображается после фрагментного шейдера.

Итак, это проблема, потому что мы все равно будем выполнять права на буфер, а это не то, что мы хотим. Нам нужны только видимые фрагменты.

Это также то, о чем следует знать, потому что это повлияет на вашу производительность. Это означает, что у нас здесь нет ранней Z-оптимизации, поэтому мы собираемся продемонстрировать фрагментный шейдер, когда нам, вероятно, не хотелось бы.

К счастью, у нас есть новый тестовый фрагмент раннего квалификатора функции, который можно использовать для принудительного появления теста глубины и трафарета перед фрагментным шейдером. В результате, если тест глубины завершится неудачно, мы пропустим выполнение фрагментного шейдера и, таким образом, не будем записывать в буфер. Итак, это то, что нам нужно здесь, чтобы достичь финальной функции с атрибутом раннего теста фрагмента, который в противном случае выполнял бы функцию только тогда, когда фрагменты видны. Теперь поговорим о функциях чтения-записи текстур.

Итак, что нового, так это возможность записи в текстуру из функций вершин и фрагментов, а также возможность чтения и записи в текстуру из одной функции.

Это можно использовать, например, для экономии памяти при реализации эффектов постобработки с использованием одной и той же текстуры как на входе, так и на выходе.

Итак, запись в текстуру довольно проста. Вы просто определяете свою текстуру с помощью квалификатора доступа write, а затем можете писать в свою текстуру.

Текстура чтения-записи, текстура, которую вы можете использовать одновременно — которую вы можете читать и записывать в своем шейдере.Для этих текстур сообщается только ограниченное количество форматов.

Чтобы использовать текстуру чтения-записи, вы будете использовать квалификатор доступа чтения-записи, а затем вы можете читать текстуру и записывать в нее в своем шейдере. Однако вы должны быть осторожны при записи в текстуру, если вы хотите прочитать результаты, если вы хотите снова прочитать тот же пиксель в своем шейдере. В этом случае нужно использовать фактурный забор.

Ограничитель текстуры гарантирует, что запись будет зафиксирована в памяти, чтобы вы могли прочитать правильное значение.

Здесь мы записываем в заданный пиксель, а затем используем забор текстуры, чтобы убедиться, что мы можем снова прочитать это значение, а затем мы можем, наконец, прочитать значение. Мы также должны быть осторожны с забором текстуры, потому что они применяются только к одному потоку SIMD, что означает, что если у вас есть два потока, которые записывают в текстуру, а второй поток пытается прочитать значение, записанное первым потоком, даже после текстурного забора это не сработает.

Что будет работать, если каждый поток считывает значения пикселей, в которые он записывал, но не те, которые записываются другими потоками.

Итак, одно замечание о чтении: мы много говорили о записи в буферы и текстуры.

Будьте осторожны с функциями вершин и фрагментов.

В этом примере функция фрагмента пытается записать — записывает в буфер, а вершинная функция пытается прочитать результаты. Однако это не сработает из-за того же RenderCommandEncoder.

Чтобы исправить это, нам нужно использовать два RenderCommandEncoder.

Функция фрагмента записывает в буфер в первом RenderCommandEncoder, в то время как текстура — функция вершины во втором RenderCommandEncoder может, наконец, прочитать результат и получить правильные результаты.

Обратите внимание, что для вычислительных шейдеров в этом нет необходимости. Это можно сделать тем же вычислением CommandEncoder.

Таким образом, мы представили две новые функции: чтение-запись функционального буфера и чтение-запись функциональной текстуры. Вы можете использовать ранние фрагментные тесты, чтобы убедиться, что проверка глубины и трафарета выполняется из-за выполнения фрагментного шейдера.

Вам следует использовать забор текстуры, если вы пытаетесь прочитать данные из текстуры чтения-записи, в которую вы выполняли запись.И, наконец, при использовании вершинного и фрагментного шейдеров для записи в буферы вам нужно обязательно использовать другой RenderCommandEncoder, когда вы хотите прочитать результаты.

Итак, я передам сцену Дэну Омачи, чтобы он поговорил с вами о широких цветах.

Спасибо, Чарльз. Спасибо.

Как сказал Чарльз, меня зовут Дэн Омачи. Я работаю инженером в группе разработки программного обеспечения для графических процессоров Apple, и я хотел бы начать с вами разговор об управлении цветом, которое не является темой, с которой на самом деле знакомы все разработчики.

Итак, если вы художник — либо художник по текстурам, создающий ресурсы для игры, либо фотограф, редактирующий фотографии для распространения, вы должны иметь в виду определенную цветовую схему и выбирать цвета довольно тщательно.

И вам нужна согласованность независимо от дисплея, на котором просматривается ваш контент.

Теперь мы как разработчики и инженеры по программному обеспечению обязаны гарантировать такую ​​согласованность. Если вы используете фреймворк высокого уровня, такой как SceneKit, SpriteKit или Core Graphics, большая часть этой работы выполняется за вас, и вам, как разработчикам приложений, не нужно об этом думать.

Металл, однако, представляет собой API гораздо более низкого уровня.

Это обеспечивает повышенную производительность и некоторую гибкость, но также возлагает часть этой ответственности на ваши руки.

Так почему именно сейчас? Вы уже много лет можете использовать разные дисплеи с разными цветовыми пространствами с устройствами Apple.

Что ж, в конце прошлого года Apple представила пару iMac с дисплеем, способным отображать цвета в цветовом пространстве P3.

А в апреле мы представили 9.7-дюймовый iPad Pro с дисплеем P3. Так что же такое цветовое пространство P3? Ну, это диаграмма цветности, и концептуально она представляет все цвета в визуальном спектре, другими словами, все цвета, которые может видеть нормальный человеческий глаз.

Из них внутри этого треугольника находятся цвета, которые может отображать стандартный дисплей sRGB.

Дисплей P3 может отображать гораздо более широкое разнообразие цветов.

Вот как это работает в macOS.

Мы хотим, чтобы вы могли выполнять рендеринг в любом цветовом пространстве, и, как я уже упоминал, фреймворки высокого уровня позаботятся об этом, этой работе по управлению цветом за вас, выполнив операцию, называемую сопоставлением цветов, где ваш цвет и одно цветовое пространство сопоставляются с цветовым пространством дисплея, чтобы отображалась одинаковая интенсивность на дисплее независимо от цветового пространства, в котором вы работаете.

Теперь для видов Metal по умолчанию управление цветом не предусмотрено.

Эта операция подбора цветов пропускается, что обычно обеспечивает повышенную производительность.

Таким образом, по умолчанию вы игнорируете цветовой профиль дисплея, и поэтому дисплей будет интерпретировать цвета в своем собственном цветовом пространстве.

Теперь это означает, что цвета sRGB будут интерпретироваться как цвета P3, и рендеринг между ними будет несовместим. Итак, если это ваше приложение с возможностью рисования sRGB, а это дисплей, ну, когда вы вызываете Present Drawable, эти цвета становятся очень насыщенными.

Так почему же это происходит? Что ж, вернемся к нашей диаграмме цветности.

Это самый зеленый цвет, который вы можете представить в цветовом пространстве sRGB, и во фрагментном шейдере вы бы представили его как 0,0 в красном канале, 1,0 в зеленом канале и 0,0 в синем канале.

Что ж, дисплей P3 просто берет это исходное значение и интерпретирует его, и в основном думает, что это цвет P3.

Таким образом, вы получаете самый зеленый цвет дисплея P3, который оказывается другим зеленым цветом.

Что касается приложений для создания контента, очень важно, чтобы вы сделали это правильно, потому что художники тщательно продумывали свои цвета. Для игр эффект более тонкий, но если ваши дизайнеры и художники ищут эту темную и жесткую тему, что ж, они будут разочарованы, когда она будет выглядеть намного веселее и счастливее, когда вы подключаете дисплей P3.

Кроме того, эта проблема может усугубиться по мере продвижения индустрии к дисплеям с еще более широкой гаммой.

Итак, решение действительно довольно простое.

Вы включаете управление цветом в NSWindow или CAMetal, устанавливая цветовое пространство на свое рабочее цветовое пространство, возможно, цветовое пространство sRGB.

Это заставляет ОС выполнять согласование цветов как часть обычного прохода компоновки оконного сервера. Итак, если вот ваш дисплей, или простите, вот ваше приложение с возможностью рисования sRGB, а вот дисплей, сервер окон берет ваш рисованный объект, когда вы вызываете Present, и выполняет сопоставление цветов, прежде чем хлопнуть его по стеклу. Итак, хорошо, теперь у вас есть эта последовательность.Что, если вы хотите использовать широкий цвет? Вы хотите целенаправленно отображать эти более насыщенные цвета, которые способен отображать только дисплей с широкой гаммой.

Ну, для начала нужно создать контент. Чтобы создавать более широкий контент, вам нужен ваш художник, и для этого мы рекомендуем использовать расширенное цветовое пространство sRGB.

Это позволяет существующим ресурсам, для которых не предлагается широкий цвет, продолжать работать так, как они есть, и вашим шейдерным конвейерам не нужно делать ничего другого.

Однако ваши художники могут создавать новые более широкие цветовые ресурсы, которые обеспечат гораздо более насыщенные цвета.

Так что же такое sRGB расширенного диапазона? Вот треугольник sRGB, а вот P3.

Расширенный диапазон sRGB просто распространяется бесконечно во всех направлениях, то есть значения за пределами от 0 до 1 в вашем шейдере представляют значения, которые можно просматривать только на цветном дисплее, шире, чем sRGB.

Итак, я упомянул значения за пределами от 0 до 1. Это означает, что вам нужно будет использовать форматы пикселей с плавающей запятой для выражения таких значений, а для исходных текстур мы рекомендуем несколько форматов.

Вы можете использовать формат с плавающей запятой BC6H. Это сжатый формат, предлагающий высокую производительность, а также форматы pack float и shared exponent.

Для целей рендеринга вы можете использовать этот пакетный формат с плавающей запятой или полу-поплавковый формат RGBA, позволяющий указать эти более интенсивные цвета.

Управление цветом в iOS немного проще.

Вы всегда выполняете рендеринг в цветовом пространстве sRGB, даже если ориентируетесь на дисплей P3. Цвета подбираются автоматически без потери производительности.

А если вы хотите использовать широкие цвета, вы можете использовать некоторые новые форматы пикселей, которые изначально читаются дисплеем.

Нет необходимости выполнять операцию компоновки.

Их можно гамма-кодировать, предлагая более качественные оттенки черного и позволяя выполнять линейное смешивание в шейдерах, и они эффективны для использования в качестве исходных текстур. Все в порядке. Вот битовые схемы этих новых форматов. Итак, есть — есть 32-битный формат RGB с 10 битами на канал, а также формат RGBA с 10 битами на канал с распределением по 64 битам.

Теперь, это, значения этих 10 битов — могут выражать значения за пределами от 0 до 1. Значения от 0 до 384 представляют отрицательные значения, от 384 до 894, следующие 510 значений, представляют значения от 0 до 1 и те. более 894 представляют эти более интенсивные значения.

Теперь обратите внимание, что формат пикселей RGBA в два раза больше и, следовательно, использует в два раза больше памяти и в два раза больше пропускной способности, чем этот формат RGB.

Итак, в общем, мы рекомендуем вам использовать это только в CAMetal Layer, если вам нужен целевой альфа-канал.

Хорошо, вы решили, что хотите создать контент с широкой гаммой.

Как это сделать? Что ж, у вас есть художник-автор, использующий редактор изображений в macOS, который поддерживает цветовое пространство P3, например Adobe Photoshop.

Вы можете сохранить это изображение как 16-битный на канал PNG или JPEG, используя цветовой профиль дисплея P3. Теперь, когда у вас есть это изображение, как вы можете создавать из него текстуры? Что ж, у вас есть два решения.

Во-первых, вы можете создать свой собственный инструмент кондиционирования ресурсов, и из этого изображения Display P3 с 16-битным разрешением на канал вы можете преобразовать его, используя расширенное цветовое пространство sRGB с плавающей запятой, используя либо фреймворки ImageIO, либо vImage.

И затем, начиная с macOS, вы конвертируете в один из тех форматов пикселей с плавающей запятой, о которых я упоминал ранее, а в iOS вы конвертируете в один из тех форматов пикселей с расширенным диапазоном, которые я только что упомянул. Хорошо, это вариант один, если вам действительно нужен явный контроль над построением ваших текстур.

Следующий вариант — использовать поддержку Xcode для текстур в каталогах ресурсов.

При этом автоматически создаются текстуры sRGB с расширенным диапазоном для устройств с дисплеем P3, и я расскажу немного больше о каталогах ресурсов прямо сейчас.

Итак, в течение некоторого времени вы могли помещать значки и изображения в каталог ресурсов в вашем проекте Xcode.

В прошлом году мы представили прореживание приложений, с помощью которого вы можете создать специализированную версию для различных устройств в зависимости от возможностей устройства, таких как объем памяти, набор графических функций или тип устройства, будь то iPad, Mac или телевизор. или часы, или даже телефон, конечно.

И когда ваше приложение было загружено, вы загружаете и устанавливаете только единственную версию этой оценки, сделанную для этого устройства с указанными вами возможностями.

Ресурс был сжат по сети и на устройстве, что позволило сэкономить много места на устройстве пользователя, и было множество API-интерфейсов, которые предлагали эффективный доступ к этим ресурсам.

Итак, теперь мы добавили наборы текстур в эти каталоги ресурсов.

Итак, что это предлагает? Ну, хранилище для уровней mipmap. Текстуры — это больше, чем просто 2D-изображения.

Вы можете выполнять автономную генерацию mipmap в Xcode, цвет будет автоматически соответствовать этой текстуре. Поэтому, если это текстура с широкой гаммой в каком-то другом цветовом пространстве, будет выполняться операция сопоставления цветов с цветовым пространством sRGB или расширенным диапазоном sRGB.

И я думаю, что наиболее важной особенностью этой возможности является то, что мы можем выбрать наиболее оптимальный формат пикселей для каждого устройства, на котором может работать ваше приложение. Поэтому на новых устройствах, поддерживающих сжатие текстур ASTC, мы можем использовать этот формат.

На старых устройствах, которые не поддерживают это, мы можем выбрать либо несжатый формат, либо другой сжатый формат.

Дополнительно мы можем выбрать широкий цветовой формат для устройств с дисплеем P3. Итак, вот основной рабочий процесс.

Вы создаете наборы текстур в Xcode. Вы присваиваете набору имя, уникальный идентификатор.

Вы добавите изображение и в основном укажете, как эта текстура будет использоваться, будь то цветная текстура или какой-либо другой тип данных, например, карта нормалей или карта высот. Затем вы — сможете создать эту текстуру. Xcode построит эту текстуру и доставит ее в ваше приложение. Теперь вы можете создавать эти наборы текстур через пользовательский интерфейс Xcode или программно.

Когда ваша текстура будет на устройстве, вы можете указать имя для MetalKit, и MetalKit построит текстуру, текстуру Metal, из этого ресурса.

Итак, я хотел бы провести вас через рабочий процесс Xcode, чтобы познакомить вас с некоторыми из этих концепций.

Итак, сначала вы выберете каталог ресурсов на боковой панели навигатора проектов, а затем нажмете здесь кнопку с плюсом, чтобы открыть это меню. Теперь вот где вы можете создавать различные типы наборов. Существуют наборы изображений, наборы значков, общие наборы данных, а также наборы текстур и наборов текстур кубической карты.

Итак, как только вы создали свой набор текстур, вам нужно дать ему имя. Теперь ваша иерархия именования не должна быть плоской.Если у вас есть несколько текстур, которые называются базовой текстурой, по одной для каждого объекта, вы можете создать папку для каждого объекта и поместить свою базовую текстуру для этого объекта в эту папку, и ваша иерархия может быть настолько сложной, насколько вы хотите. .

Вы добавляете свое изображение, а затем устанавливаете интерпретацию.

Теперь здесь есть три варианта.

Color, in color NonPremultiplied, выполняет эту операцию сопоставления цветов.

Параметр NonPremultiplied умножит альфа-канал на ваши каналы R, B и G — RGB перед построением текстуры.

Опция данных здесь будет — используется для карт нормалей, карт высот, карт шероховатости, текстур нецветного типа.

Теперь это все, что вам нужно сделать.

Xcode запустится и построит различные версии этой текстуры, и он выберет наиболее оптимальный формат пикселей.

Однако вы можете иметь более явный контроль. Здесь вы можете выбрать любое количество этих черт, что откроет ряд сегментов, которые вы можете выбрать для настройки.

Для каждой версии можно добавлять разные изображения.Вы, вероятно, не будете использовать другое изображение, но может быть изображение другого размера. Таким образом, на устройстве с большим объемом памяти вы можете использовать более крупную текстуру, а на устройстве с меньшим объемом памяти вы можете использовать текстуру гораздо меньшего размера. А затем вы можете указать, как и нужно ли вам использовать MIP-карты.

Опция all будет генерировать MIP-карты вплоть до уровня 1 на 1, а фиксированная опция здесь даст вам более явный контроль, например, хотите ли вы использовать максимальный уровень, а также хотите ли вы иметь разные изображения. для каждого уровня.

И, наконец, вы можете отменить наш автоматический выбор форматов пикселей. Я уже упоминал, что вы можете создавать эти наборы текстур программно.

Вы действительно не хотите проходить через пользовательский интерфейс Xcode, если у вас есть тысячи ресурсов.

Итак, существует довольно простая структура каталогов, и в этой структуре каталогов находится несколько файлов JSON.

Теперь эти файлы и структура каталогов полностью задокументированы в справочнике каталога активов.

Таким образом, вы можете создать свой собственный инструмент кондиционирования ресурсов для настройки набора текстур.

Итак, когда у вас есть этот актив на устройстве, как вы его используете? Итак, вы создаете загрузчик текстур MetalKit, поставляющий ваше устройство Metal, а затем указываете имя вместе с его иерархией загрузчику текстур, и MetalKit запускается и строит эту текстуру. Вы можете указать здесь несколько других опций, таких как масштабный коэффициент, если у вас есть разные версии текстуры для разных масштабных коэффициентов, или комплект, если каталог ресурсов находится не в основном комплекте.Здесь также есть несколько параметров, которые вы можете указать. Поэтому мне бы очень хотелось, чтобы вы обратили внимание на цветовое пространство и выделили свои приложения, создав контент с широким цветовым охватом.

Каталоги активов могут помочь вам в достижении этой цели. Кроме того, они предоставляют ряд других функций, которые вы можете использовать, например, выбор оптимального формата пикселей.

Я хотел бы, чтобы моя коллега Анна Тихонова рассказала о некоторых захватывающих улучшениях в структуре шейдеров Metal Performance.

Привет. Добрый день.

Спасибо, Дэн, за введение. Как сказал Дэн, меня зовут Анна. Я инженер в группе разработчиков ПО для графических процессоров. Итак, давайте поговорим о некоторых новых дополнениях к шейдерам Metal Performance.

В прошлом году мы представили фреймворк Metal Performance Shaders в лекции «Что нового в Metal, часть 2». Если вы не видели этот сеанс, вам обязательно стоит посмотреть видео.

Но просто чтобы дать вам краткий обзор, структура Metal Performance Shaders — это структура оптимизированных высокопроизводительных параллельных алгоритмов данных для GPU в Metal.

Алгоритмы оптимизированы для iOS, и они были доступны для вас начиная с iOS 9, для процессоров A8, а теперь и для процессоров A9.

Платформа разработана так, чтобы легко интегрироваться в ваши приложения Metal и быть очень простой в использовании.

Это должно быть так же просто, как вызов библиотечной функции.

Итак, в прошлом году мы говорили о том, чтобы следовать списку поддерживаемых операций с изображениями, и вы должны посмотреть видео, чтобы увидеть множество деталей и примеров.

Но в этом году мы добавили для вас еще несколько интересных вещей.

Мы добавили широкое преобразование цветов, которое вы можете использовать для преобразования ваших металлических текстур между различными цветовыми пространствами.

Вы можете конвертировать между RGB, sRGB, оттенками серого, CMYK, C3 и любым цветовым пространством, которое вы определяете.

Мы также добавили пирамиды Гаусса, которые вы можете использовать для создания многомасштабных представлений данных изображения на графическом процессоре, чтобы включить многомасштабные алгоритмы.

Их также можно использовать для общих алгоритмов оптического потока, смешивания изображений и создания высококачественных MIP-карт.

И, наконец, мы добавили сверточные нейронные сети или CNN, которые используются для ускорения алгоритмов глубокого обучения.

Это будет основная тема нашего выступления. Итак, давайте сразу погрузимся в подробности.

Прежде всего, что такое глубокое обучение? Глубокое обучение — это область машинного обучения, цель которой — ответить на этот вопрос. Может ли машина выполнять ту же задачу, что и человек? Ну, о каких типах задач я говорю? У каждого из вас в кармане есть iPhone.Вы, наверное, сделали несколько снимков сегодня, и все мы постоянно видим изображения и видео в Интернете, каждый день, на новостных сайтах, в социальных сетях.

Когда вы видите изображение, вы сразу понимаете, что на нем изображено.

Вы можете распознавать лица. Если вы знаете этих людей, вы можете пометить их. Вы можете аннотировать это изображение. И это хорошо работает для одного изображения, но что, если у вас есть больше изображений и даже больше изображений? Подумайте обо всех изображениях, загружаемых в Интернет каждый день.

Ни один человек не может вручную аннотировать такое количество изображений.

Итак, глубокое обучение — это метод решения подобных проблем.

Его можно использовать для анализа больших объемов данных и ответов на такие вопросы, как «Кто на этом изображении?» И «Где это было взято?» Но в этом выступлении я использую примеры на основе изображений, потому что они наглядны. Таким образом, они отлично подходят для этого типа презентации, но я просто хочу упомянуть, что алгоритмы глубокого обучения могут использоваться для других типов данных. Например, другие типы сигналов, такие как аудио для распознавания речи и тактильные ощущения для создания осязания.

Алгоритмы глубокого обучения состоят из двух этапов.

Первый этап — тренировочный.

Итак, поговорим об этом, приведем конкретный пример. Итак, изображение, которое вы хотите научить свою систему классифицировать изображения по классам.

Это изображение кота. Это изображение собаки. Это изображение кролика.

Это трудоемкая задача, требующая большого количества изображений, помеченных вручную аннотированными изображениями для каждой из этих категорий.

Так, например, если вы хотите научить свою систему распознавать кошек, вам необходимо скармливать ей большое количество изображений кошек, все помеченные, и то же самое для ваших кроликов и всех других животных, которых вы хотите, чтобы ваша система могла распознавать.

Это однократный вычислительно дорогостоящий шаг. Обычно это делается в автономном режиме, и существует множество учебных пакетов. Результатом этапа обучения являются параметры обучения.

Так что я не буду сейчас о них говорить, но мы вернемся к ним позже.

Обученные параметры необходимы для следующей фазы, которая является фазой вывода.

Это этап, на котором вашей системе предоставляется новое изображение, которого никогда раньше не было, и которое необходимо классифицировать в режиме реального времени.Итак, в этом примере система правильно классифицировала это изображение как изображение кошки.

Мы обеспечиваем ускорение графического процессора для фазы вывода.

В частности, мы даем вам строительные блоки для построения ваших сетей вывода для графического процессора.

Итак, давайте теперь поговорим о том, что такое сверточные нейронные сети и какие строительные блоки мы предоставляем? Сверточные нейронные сети, или CNN, созданы с биологической точки зрения и напоминают зрительную кору.

Когда наш мозг обрабатывает визуальный ввод, первая иерархия нейронов, которые получают информацию в зрительной коре, чувствительны к определенным краям или пятнам цвета, в то время как области мозга, расположенные дальше по визуальному конвейеру, реагируют на более сложные структуры, такие как лица или виды животные.

Таким же образом сверточные нейронные сети организованы в слои нейронов, которые обучены распознавать все более сложные особенности.

Таким образом, первые слои обучаются распознавать объекты низкого уровня, такие как края и пятна цвета, в то время как последующие слои обучаются распознавать объекты более высокого уровня. Так, например, если мы выполняем обнаружение лиц, тогда будут слои, которые будут распознавать такие черты, как нос, глаза, щеки, а затем комбинацию этих черт, а затем, наконец, лица.

И затем несколько последних слоев объединяют всю сгенерированную информацию для получения окончательного вывода для сети, такого как вероятность того, что на изображении есть лицо.

И я все время упоминаю особенности.

Думайте о функции как о фильтре, который фильтрует входные данные для этой функции, например, нос, и, если эта информация обнаруживается, она передается.

Если этот объект найден, эта информация передается на последующие слои.

И, конечно же, нам нужно искать много таких возможностей.Так что, если мы проводим распознавание лиц, просто искать только носы просто недостаточно. Нам также нужно искать другие черты лица, такие как щеки, глаза, а затем и комбинации этих черт. Итак, нам нужны многие из этих фильтров функций.

Итак, теперь, когда я рассмотрел сверточные нейронные сети, давайте поговорим о строительных блоках, которые мы предоставим.

Первый строительный блок — это ваши данные.

Мы хотим, чтобы вы использовали образы MPS и временные образы MPS, которые мы добавили специально для поддержки сверточных сетей.

Они предоставляют и оптимизируют макет для ваших данных, для ввода и промежуточных результатов. Подумайте о временных изображениях MPS как об облегченных изображениях MPS, которые мы хотим, чтобы вы использовали для данных изображений с временным временем жизни.

Временные образы MPS создаются с использованием куч ресурсов Metal, которые были описаны в Части 1 этих сеансов.

Они адресуют часть повторно используемой кэш-памяти и избегают дорогостоящего выделения и освобождения ресурсов текстуры. Таким образом, цель состоит в том, чтобы сэкономить много памяти и помочь вам управлять промежуточными ресурсами.

Мы также предоставляем набор слоев, которые вы можете использовать для создания сетей вывода.

Но вы, возможно, прямо сейчас думаете: «Как мне узнать, какие строительные блоки мне действительно нужны для построения моей собственной сети вывода?» Итак, ответ — обученные параметры.

Обучаемые параметры, я упоминал их ранее, когда мы говорили о фазе обучения. Обученные параметры дают вам полный рецепт построения сетей вывода.

Они сообщают вам, сколько слоев у вас будет, какого они будут типа, в каком порядке они будут появляться, и вы также получите все эти фильтры функций для каждого слоя.

Таким образом, мы позаботимся обо всем, чтобы убедиться, что сети, которые вы строите с использованием этих строительных блоков, имеют максимально возможную производительность на всех графических процессорах iOS. Все, что вам нужно сделать, это обработать ваши данные в этом оптимизированном макете, который мы предоставляем, и вызвать библиотечные функции для создания слоев, составляющих вашу сеть.

Итак, теперь давайте обсудим все эти строительные блоки более подробно, но давайте сделаем это в контексте конкретного примера.

Итак, в этой демонстрации у меня есть система, которая была обучена обнаруживать улыбки.

И что у нас получится, так это то, что система в реальном времени определит, улыбаюсь я или нет. Так что сначала я улыбнусь, а потом нахмурится, и вы увидите отчет системы именно об этом.

Хорошо. Так что моя демка.

Хорошо. Итак, теперь давайте посмотрим на строительные блоки, которые мне понадобились для построения такой сети.

Итак, первый строительный блок, о котором мы собираемся поговорить, — это сверточный слой.

Это основной строительный блок сверточных нейронных сетей, и его цель — распознавать особенности и входные данные.И он называется сверточным слоем, потому что он выполняет свертку на входе. Итак, давайте вспомним, как работает обычная свертка. У вас есть вход и выход, и в данном случае фильтр 5 на 5 пикселей с некоторым весом.

И чтобы вычислить значение этого пикселя на выходе, вам нужно свернуть фильтр с входом.

Довольно просто.

Сверточный слой является обобщением регулярной свертки.

Позволяет использовать несколько фильтров.

Различные фильтры применяются к входу отдельно, в результате чего получаются разные выходные каналы. Итак, если у вас есть 16 фильтров. Это означает, что у вас есть 16 выходных каналов.

Итак, чтобы получить значение этого пикселя в первом канале вывода, вам нужно взять первый фильтр и свернуть его с вводом. И чтобы получить значение этого пикселя во втором канале вывода, вам нужно взять второй фильтр и свернуть его с вашим вводом.

Конечно, в наших примерах мягкого обнаружения мы имеем дело с цветными изображениями.Это означает, что ваш вход фактически имеет три отдельных канала, и только из-за того, как работают сверточные нейронные сети, вам нужно три набора из 16 фильтров, где у вас есть один набор для каждого входного канала.

Затем вы применяете разные фильтры для разделения входных каналов и объединяете результаты, чтобы получить одно выходное значение.

Вот как вы создадите один из этих сверточных слоев в нашей структуре.

Сначала вы создаете дескриптор и указываете такие параметры, как ширина и высота фильтров, которые вы собираетесь использовать, а затем количество входных и выходных каналов.

А затем вы создаете сверточный слой из этого дескриптора и предоставляете фактические данные для фильтров функций, которые вы получаете из обученных параметров.

Следующий уровень, о котором мы поговорим, — это уровень объединения.

Функция уровня объединения состоит в постепенном уменьшении пространственного размера сети, что снижает конкуренцию между последующими уровнями. Между последовательными сверточными слоями обычно вставляют объединение промежуточных слоев.

Другая функция уровня объединения состоит в том, чтобы суммировать или уплотнять информацию в области ввода, и он будет обеспечивать две операции объединения, максимальную и среднюю.

Итак, в этом примере мы берем область ввода размером 2 на 2 пикселя.

Мы берем максимальное значение и сохраняем его в качестве вывода.

И это API, который вам нужно использовать в структуре Metal Performance Shaders для создания одного из этих слоев пула.

Обычно используется операция max с размером фильтра 2 на 2.Полностью связанный слой — это слой, где каждый нейрон на входе связан с каждым нейроном на выходе.

Но подумайте об этом как об особом типе сверточного слоя, где размер фильтра такой же, как ваш размер ввода. Итак, в этом примере у нас есть фильтр того же размера, что и входной, и мы сворачиваем их, чтобы получить одно выходное значение. Таким образом, в этой архитектуре уровни свертки и объединения работают с областями ввода, в то время как полностью связанный уровень может использоваться для агрегирования информации со всего ввода.

Обычно это один из последних уровней в вашей сети, и именно здесь вы принимаете окончательное решение, и вы создаете — вы генерируете выходные данные для сети, такие как вероятность того, что на изображении есть улыбка.

Вот как бы вы создали один из этих полностью связанных слоев в каркасе Metal Performance Shaders.

Вы создаете дескриптор свертки, потому что это особый тип сверточного слоя, а затем вы создаете полностью связанный слой из этого дескриптора.

Мы также предоставим несколько дополнительных уровней, которые я не собираюсь подробно описывать в этой презентации, но они описаны в нашей документации. Мы предоставляем нейронный слой, который обычно используется вместе со сверточным слоем, а также мы предоставляем слои soft max и normalization.

Итак, теперь, когда мы рассмотрели все уровни, давайте поговорим о ваших данных.

Я упоминал, что вы должны использовать изображения MPS.

Так что же они на самом деле? Большинство из вас уже знакомы с текстурами металла.Итак, это двухмерная металлическая текстура с несколькими каналами, где каждый канал соответствует цветному каналу и альфа-каналу.

В своих предыдущих примерах я упоминал, что нам нужно создавать изображения с несколькими каналами, например, с 32 каналами. Если у нас есть 32 функциональных фильтра, нам нужно создать выходной канал — выходное изображение с 32 каналами. Итак, как мы это сделаем? Таким образом, изображение MPS на самом деле представляет собой текстуру металлического 2D-массива с несколькими срезами.

И когда вы создаете образ MPS, все, о чем вы действительно должны заботиться, это то, что вы создаете образ с 32 — с 32 каналами.

Но иногда вам может потребоваться передать данные изображения MPS обратно в ЦП, или вы можете захотеть использовать существующую текстуру Metal 2D array в качестве изображения MPS. Поэтому в таких случаях вам нужно знать, что мы используем специальный упакованный макет для ваших данных. Таким образом, каждый пиксель в срезе структуры содержит данные для четырех каналов.

Таким образом, в 32-канальном изображении действительно будет всего восемь фрагментов.

И это API, который вам нужно использовать для создания одного из образов MPS в нашем фреймворке.

Сначала вы создаете дескриптор и указываете такие параметры, как канал для формата данных с высотой изображения и количеством каналов.

И затем вы создаете изображение MPS из этого дескриптора, довольно просто.

Конечно, если у вас есть небольшие входные изображения, вам следует объединить их в пакет, чтобы лучше использовать графический процессор, и мы предоставляем вам простой механизм для этого. Итак, в этом примере мы создаем массив изображений 100 MPS.

Хорошо, теперь, когда мы рассмотрели все уровни, мы рассмотрели данные, а теперь давайте посмотрим на реальную сеть, которую необходимо построить для обнаружения улыбки.

Итак, мы начнем с наших входных данных, а теперь мы собираемся использовать обученные параметры, которые я постоянно упоминаю, чтобы помочь нам построить эту сеть.

Таким образом, обученные параметры говорят нам, что первым слоем в этой сети будет слой свертки, который принимает на вход трехканальное изображение и выводит 16-канальное изображение.

Обученные параметры также дают нам три набора из 16 фильтров для этого слоя, и эти красочные синие изображения показывают вам визуализацию выходных каналов после того, как фильтры были применены к входу.

Следующий слой — это слой объединения, который уменьшает пространственное разрешение выходных данных сверточного слоя в два раза в каждом измерении.

Обученные параметры говорят нам, что следующий слой — это еще один слой свертки, который принимает 16-канальное изображение на входе и выводит 16-канальное изображение, которое далее уменьшается в размере следующим слоем объединения, и так далее, пока мы не добираемся до нашего выхода.

Как видите, эта сеть имеет ряд сверточных слоев, за которыми следуют уровни объединения, а последние два уровня являются полностью связанными слоями, которые генерируют окончательный вывод для вашей сети.

Итак, теперь, когда мы знаем, как должна выглядеть эта сеть, и это очень распространено для сверточной нейронной сети для вывода, теперь давайте напишем код для ее создания в нашей структуре.

Итак, первый шаг — создать слои.

Еще раз, обученные параметры говорят нам, что нам нужно иметь четыре слоя свертки в нашей сети, и я показываю, что код должен был создать один из них для простоты, но, как вы можете видеть, я использую точно такие же. API, который я вам уже показывал.

Затем нам нужно создать наш слой объединения.

Нам просто нужен один, потому что мы всегда будем использовать максимальную операцию с размером фильтра 2 на 2.

И нам также нужно создать два полностью связанных слоя, и еще раз я только показываю вам код за один для простоты.

А теперь нам нужно позаботиться о нашем вводе и выводе. В этом конкретном примере я предполагаю, что у нас есть существующее приложение Metal, и у вас есть некоторые текстуры, которые вы хотели бы использовать для ввода и вывода, и это API, который вам нужно использовать для создания изображений MPS из существующего Metal. текстуры.

Итак, последний шаг — закодировать все ваши слои в существующий командный буфер в порядке, предписанном обученными параметрами.

Итак, у нас есть свои входные и выходные данные, и теперь мы замечаем, что нам нужно позаботиться еще об одном. Нам нужно где-то сохранить вывод первого слоя. Итак, давайте использовать для этого временные образы MPS. Вот как вы создадите временный образ MPS. Как видите, это очень похоже на способ создания обычного образа MPS.

А теперь сразу используем его при кодировании первого слоя.

И временный образ исчезнет, ​​как только будет отправлен командный буфер.

А дальше продолжаем. Мы создаем другое временное изображение для хранения вывода второго слоя и так далее, пока не перейдем к нашему выводу.

Вот и все. И просто чтобы связать все это вместе, порядок, в котором вы кодируете слои, точно соответствует сетевой диаграмме, которую я показал вам ранее, так что начиная от входа и до выхода.

Итак, мы рассмотрели довольно простой пример. Давайте посмотрим на более сложный.

Мы портировали сеть исходных выводов из тензорного потока для запуска с использованием структуры Metal Performance Shaders.

Это очень часто используемая сеть логического вывода для обнаружения объектов, и это полная схема этой сети.

Как видите, эта сеть намного сложнее, чем предыдущая, которую я вам показал.

Имеет более 100 слоев. Но просто напоминаю вам, все, что вам нужно сделать, это вызвать некоторые библиотечные функции для создания этих слоев.

А теперь давайте сначала взглянем на эту сеть в действии.

Итак, здесь у меня есть коллекция изображений различных объектов, и как только я нажму на это изображение, мы запустим сеть логического вывода в реальном времени, и она сообщит пять основных предположений о том, что, по его мнению, представляет собой этот объект.

Итак, главное предположение — это зебра.

Тогда это пикап, а это вулкан. Мне это кажется неплохим, но, конечно, давайте сделаем настоящую живую демонстрацию прямо здесь, на этой сцене.

И мы сфотографируем эту бутылку с водой, и давайте воспользуемся этим изображением, бутылкой с водой.

Итак, что я хотел показать вам с помощью этой живой демонстрации, так это то, что даже большая сеть с более чем 100 слоями может работать в реальном времени с использованием структуры Metal Performance Shaders, но это еще не все.

Я также хочу поговорить об экономии памяти, которую мы получили от использования временных образов MPS в этой демонстрации.

Итак, в первой версии этой демонстрации мы использовали изображения MPS для хранения промежуточных результатов, и в итоге нам потребовалось 74 изображения MPS общим размером более 80 мегабайт для всей сети.

И, конечно, вам не обязательно использовать 74 изображения. Вы можете придумать свою собственную хитроумную схему повторного использования этих изображений, но это означает, что в вашем коде нужно управлять большим количеством вещей, и мы хотим, чтобы наша структура была максимально простой в использовании для вас.

Итак, во второй версии демонстрации мы заменили все образы MPS временными образами MPS, и это дало нам несколько преимуществ. Первый — это снижение затрат на ЦП с точки зрения времени и энергии, а также создание 74 временных образов, в результате чего было выделено всего 5 базовых объемов памяти, всего чуть более 20 мегабайт, что составляет 76% экономии памяти.

Это довольно много.

Итак, что я показал вам в этих двух живых демонстрациях, так это то, что структура Metal Performance Shaders обеспечивает полную поддержку построения сверточных нейронных сетей для логического вывода и оптимизирует использование графического процессора iOS. Поэтому, пожалуйста, используйте сверточные нейронные сети для создания классных приложений.

Итак, это конец разговоров о том, что нового в Metal, и если вы не видели первую сессию, посмотрите видео, чтобы вы могли узнать о таких интересных новых функциях, как тесселяция, кучи ресурсов, целевые объекты рендеринга без памяти и улучшения наших инструментов.

В этом сеансе мы говорили о специализации функций и чтении-записи ресурсов функций, белом цвете и активах текстуры, а также о новых дополнениях к инструментам производительности Metal, сконцентрированных на сверточных нейронных сетях.

Для получения дополнительной информации об этом сеансе перейдите по этому URL-адресу.

Вы можете посмотреть видео и получить ссылки на соответствующую документацию и примеры кода.

И вот некоторая информация о связанных сессиях.

Вы всегда можете посмотреть видео с прошлых сессий Metal в Интернете, но вы также можете послушать расширенный доклад по оптимизации шейдеров Metal позже сегодня, и просто обратите внимание, что место этого выступления было изменено на Knob Hill.

Завтра у вас будет возможность принять участие в лекциях «Работа с белым цветом» и «Нейронные сети и ускорение», где вы сможете узнать, как создавать нейронные сети для ЦП с помощью платформы Accelerate.

Так что большое спасибо за то, что пришли, и я надеюсь, что у вас отличный WWDC.