Adventures in C项目中的协程与Yield用法详解
协程基础概念
在Unity开发中,协程(Coroutine)是一种强大的编程工具,它允许我们将任务分散到多个帧中执行,而不是一次性完成所有工作。这种技术特别适合处理需要延时分步执行的逻辑,如动画序列、资源加载或任何需要等待的操作。
Yield关键字的多种用法
YieldExamples.cs文件展示了Unity中协程的各种yield返回类型,每种类型都有其特定的使用场景:
1. 固定时间等待
IEnumerator IllWaitForYou()
{
yield return new WaitForSeconds(3.14f);
}
WaitForSeconds是最常用的yield类型之一,它会让协程暂停指定的时间(这里是3.14秒),然后继续执行后续代码。需要注意的是,这个时间受游戏时间缩放(Time.timeScale)影响。
2. 帧等待
IEnumerator WaitsOneFrame()
{
//第一帧执行的代码
yield return null; //等待一帧
//第二帧执行的代码
yield return null; //再等待一帧
//第三帧执行的代码
}
yield return null是协程中最简单的等待方式,它会让协程在当前帧结束后暂停,并在下一帧继续执行。这在需要将任务分散到多帧完成时非常有用。
3. 条件等待
IEnumerator WaitUntilTrue()
{
yield return new WaitUntil(() => PlayerScoreCompare());
}
IEnumerator WaitWhileTrue()
{
yield return new WaitWhile(() => PlayerScoreCompare());
}
WaitUntil和WaitWhile提供了基于条件的等待机制:
WaitUntil会一直等待,直到给定的条件返回trueWaitWhile则相反,会等待直到条件返回false
4. 特殊时间点等待
IEnumerator IWantToGoLast()
{
yield return new WaitForEndOfFrame();
}
IEnumerator ProbablyPhysicsStuff()
{
yield return new WaitForFixedUpdate();
}
WaitForEndOfFrame会在所有渲染完成后,即将显示到屏幕前继续执行WaitForFixedUpdate会在下一个物理更新周期开始时继续执行
5. 实时等待
IEnumerator KeepingItReal()
{
yield return new WaitForSecondsRealtime(2f);
}
WaitForSecondsRealtime与WaitForSeconds类似,但它不受Time.timeScale影响,使用真实时间计时,适合用于UI动画或暂停菜单等场景。
协程控制技巧
IEnumerator AllDone()
{
//停止协程
yield break;
}
yield break可以立即终止协程的执行,相当于提前返回。这在满足某些条件需要提前结束协程时非常有用。
性能优化建议
private WaitForSeconds wait = new WaitForSeconds(1f);
对于频繁使用的等待时间,可以预先创建WaitForSeconds对象并缓存起来,避免每次yield时都创建新对象,这样可以减少GC(垃圾回收)压力。
实际应用场景
- 游戏流程控制:使用协程管理游戏启动序列、关卡过渡等
- AI行为:实现AI的决策延迟、巡逻路线等
- UI动画:创建平滑的UI过渡效果
- 资源加载:分帧加载大型资源避免卡顿
- 网络请求:处理异步网络通信
总结
通过YieldExamples.cs文件,我们全面了解了Unity协程中各种yield返回类型的用法。掌握这些技巧可以让你的代码更加高效和易读,特别是在处理异步和延时任务时。记住根据具体场景选择合适的yield类型,并合理使用缓存技术优化性能。
协程是Unity开发中不可或缺的工具,灵活运用它们可以大大提升游戏开发的效率和质量。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00