Blizzard(暴雪)公司的发迹史

Blizzard Challenge 2011数据集探究 https://www.synsig.org/index.php/Blizzard_Challenge_2011 http://www.festvox.org/blizzard/bc2011/summary_Blizzard2011.pdf 和bc2013数据集有什么关系呢 阅读详情

《星际争霸》(starcraft)在游戏圈内可以说是大名鼎鼎,如雷贯耳。但是制作《星际争霸》的暴雪公司(blizzard)则远远不如它的产品有名。而实际上,暴雪公司已经成为游戏产业的一个神话,其背后的故事耐人寻味

  暴雪公司是游戏产业的一个神话,10年时间创造了一个空前的经典。它的成功具有许多的神秘色彩,但有目共睹的是,在群雄纷争的游戏业,制作权威性作品一直是暴雪的愿望 和动力。

  三年磨一剑

  1991年,两名美国ucla大学毕业生迈克?莫怀米(mike morhaime)和艾伦?阿德汗(allen adham)共同创建了silicon & synapse(硅与神经键)公司。起初替人开发一些简单的棋类游戏,当年开发的《摇滚》和《丢失的海盗》两款rpm游戏,有幸成为美国第一个被移植到日本任天堂的超级游戏。1994年,暴雪公司被一家著名的发行公司收购。就在这一年,包括程序员、设计员、绘图员和音响师在内只有15名员工的暴雪,隆重推出了以“暴雪”之名面世的惊世力作pc游戏《warcraft(魔兽争霸)》,并且第一次在自己的产品包装盒上贴出了“blizzard(暴雪)”的标签。

  在当时,游戏公司开发一个产品并不需要庞大的费用,但回报率却相当丰厚。所以,一套《warcraft(魔兽争霸)》就为暴雪赚得了足够的再生产资本。1995年,暴雪趁热打铁,推出了《warcraft ii(魔兽争霸ii)》,获得了更大的成功,销量超过百万。

  1996年,暴雪的第二个系列精品《diablo(暗黑破坏神)》上市,18天卖出100万套;第二年,《diablo ii(暗黑破坏神)》上市不久很快卖出250万套,成为当年最畅销的游戏。

  到了1998年,暴雪已经是家大业大,财大气粗,为推出《starcraft(星际争霸)》积蓄了雄厚的实力。被游戏业誉为“划时代精品”的《starcraft(星际争霸)》上市之前,暴雪准备了100万套,刚一露面,等待已久的各国玩家便疯狂追捧,100万套三个月销售一空,成为当年全球最大销售量的游戏。第二年,《starcraft(星际争霸)》轰动韩国,在当地卖出100万套,韩国也因此成了《starcraft(星际争霸)》的最大用户国。

  在全球游戏业,竞争之激烈已经到了你死我活的程度。在这种残酷的竞争中,暴雪的每一个游戏上市为什么都能卖得那么好呢?简单地说,暴雪的开发原则可以归结为一个词:“有趣”。用玩家的话来说,暴雪的游戏具有深度耐玩性,几个月的时间根本无法把握其中的精髓。《星际争霸》玩上三个月的时间,一般来说只能初窥门径,钻研的空间非常大。

  暴雪公司在10年的时间内总共只推出6部游戏,其中“魔兽系列”占了一半。严格地说,只算三部系列游戏,平均三年磨一剑。暴雪的发展史就是这么简单。

  艰难的早期岁月

  说起暴雪早期岁月里的故事,并非都是花团锦簇般的绚丽多彩,伴随暴雪的更多的是步履维艰。

  暴雪的两位创业者的目的都很明确:做自己喜欢、更受玩家欢迎的游戏。一个游戏大片的开发,往往需要一年甚至更长的时间,投入与回报的周期比较长。初期,迈克?莫怀米和艾伦?阿德汗为了支付员工的薪水,经常需要从个人信用卡提取现金,依赖个人的借款来支撑公司。在那段时间里,他们的压力相当大,既要调动雇员的最大积极性发挥其才智,又要承受只出不入“耕耘期”的阵痛。当时,从资金流动的视角看,他们几乎一无所有。

  最终,迈克?莫怀米和艾伦?阿德汗挺过了最艰难的时期,促使他们坚持下去的动力是:制作伟大游戏作品的机会;对事业的执著追求;对公司未来的向往。山重水复疑无路,柳暗花明又一村。面对今日的辉煌,回顾那段艰苦岁月,迈克?莫怀米谦逊地说,“我们非常幸运”,“幸运就在我们旁边”。然而,谁都知道,创办一个公司,尤其是把它推向产业的顶峰,仅仅靠“幸运”是不可能的。当年,暴雪创业伊始,最要命的还不是资金,而是公司的名称,根本没有人知道“synapse(神经键)”是个什么东西!1993年,迈克?莫怀米和艾伦?阿德汗把silicon & synapse更名为chaos工作室,出乎意料的是,一家位于纽约的公司已经注册了这个名称,并且提出索取10万美元的转让费。迈克?莫怀米承认,如果不是要价太高,暴雪今天可能就是一家名为“ogre studios”的公司了。最后,艾伦?阿德汗从词典里查到“blizzard(暴雪)”这个词,于是,决定将公司正式命名为暴雪娱乐公司。   时来运转。1994年初,美国著名发行公司davidson & associates对暴雪产生了极大兴趣,提出收购的意向,暴雪经过再三权衡,欣然与对方联姻。对于许多创造性的游戏公司来说,收购往往意味着死亡,但暴雪的这步棋则不同于一般并购之举,他们始终没有放弃游戏的自主开发权。正是凭借这一权利,暴雪才成长为今日享誉全球的“游戏帝国”。

  1996年,暴雪一举收购了condor公司。如果说,暴雪被davidson & associates收购,是拥有了资金后盾的话,那么,收购condor公司则让暴雪如虎添翼,拥有了一批软件研发精英。

  只卖权威产品   1995年,暴雪拿出30万美元的经费,用了10个月时间,完成了《warcraft (魔兽争霸)》的续集《warcraft ii(魔兽争霸ii)》。

  在当时市场一片暗淡的情况下,《warcraft ii(魔兽争霸ii)》,短短4个月在全球销售50万套,成为暴雪第一部突破百万销量的产品,被《pc game》杂志评为当年最佳多人联机游戏,此后的三年时间里一共卖出250万套。《warcraft ii(魔兽争霸ii)》让暴雪成为耀眼的金字招牌,让全世界的玩家都记住了blizzard这个名字。

  在《warcraft ii(魔兽争霸ii)》获得巨大成功之后,暴雪向自己提出了新的更大挑战。只开发第一流的权威性作品。这也是暴雪由此确定的创建品牌的重大战略。   接下来,暴雪如果继续开发《warcraft iii(魔兽争霸iii)》,也许是最省劲最稳妥的做法,但公司高层希望能够取得一个新的突破,于是,开发小组提出了制作科幻游戏的设想,推出了更加成功的《starcraft(星际争霸)》。暴雪的经营战略就是做品牌,而不是炒名牌。名牌并不等于品牌,原因很简单,名牌不过是脸熟而已,而品牌才是玩家的真正认同!

无限延伸的“战网”

  1997年,暴雪专设了在线服务器“battle.net”,并将其命名为“战网”。“战网”的出现,是暴雪对互联网时代的敏锐感觉与准确把握,其重要性无论如何形容都不为过。1998年,随着《starcraft(星际争霸)》风靡全球,“战网”也日渐繁荣兴旺,两者相辅相成,共生共荣。1999年,暴雪第一次在“战网”举办大赛,提供了2万美元的现金和奖品,全球玩家竞相参与,掀起了一场前所未有的网络游戏大战。

  有了“战网”以后,《starcraft(星际争霸)》吸引力陡增,全球各地的玩家联网对战,真人对战,其乐无穷。许多人为此如醉如痴,寝食不安。暴雪“战网”虽然免费服务,但玩家必须拥有正版的暴雪游戏,才能进入“战网”争霸。2000年,暴雪在全球拥有1300万用户,“战网”的注册用户已达750万,日均12万人在线。据此推算暴雪的收入十分可观。

  为配合新产品的推出,暴雪进一步加强反盗版功能,对“战网”上cd-key的控制将更加严格,盗版游戏很难有机会领略其无穷的妙趣。数以千万计的玩家将为暴雪带来滚滚财源。

  低调的作风

  在全球游戏圈,玩家没玩过《starcraft(星际争霸)》的极少,不知道暴雪创业者经历的人则相当多,一个重要的原因是,暴雪始终不愿借助媒体炒作自己。1998年,艾伦?阿德汗辞去了总裁一职,改任公司的董事会主席,由迈克?莫怀米接任总裁。从一线退居二线,作为一名顾问,艾伦?阿德汗希望自己能有足够的时间,重新回到游戏设计中来。颇为滑稽的是,艾伦?阿德汗辞职的消息没有在玩家当中产生任何反响,更没有降低玩家对暴雪的良好印象,一个很简单的原因是,在暴雪员工之外,没有人真正知道艾伦?阿德汗是谁,他是干什么的。“我们热爱游戏设计工作,但是我们需要把焦点凝聚在游戏产品上!”从游戏开发过程中获得的快乐,足以让暴雪创业者避开外界的任何诱惑,这种献身于事业的激情使他们默默耕耘,甚至在很大程度上与外部世界的联系都保持封闭状态。在暴雪,从老板到员工都保持低调,公司的大门也很少向外界敞开,暴雪人的全部精力只专注于自己的事业。这一点,与国内一些公司只知老板的大名而不知其产品的怪现象,正好形成了鲜明的对照。

  不一般的人才策略

  1.不爱玩游戏的不要,其用意在于引导每一个雇员深入了解游戏

  在游戏业,暴雪员工跳槽的比率是最低的,虽然最近几年也出现了一些员工独立创业的现象。但与众不同的是,暴雪不像其它企业那样,将独立创业者视为仇敌,而是尊重他们的创业雄心,并与他们保持友好来往。90年代以来,美国许多身怀绝技的人才均以供职于暴雪为荣,而暴雪选拔人才则非常古怪。首先一条,应聘者必须真正热爱并精通游戏,暴雪的职员个个都是游戏玩家,游戏工程师们午休时都在玩自己的竞争对手sierra公司的《反恐精英》。

  这种现象在其它游戏公司很难存在,许多公司都不鼓励甚至禁止雇员玩游戏。暴雪的用意在于引导每一个雇员深入了解游戏,以此建立开发适合玩家口味的优秀产品的基础。根据这一原则,应聘暴雪的人光靠死记硬背游戏知识,是无法蒙混过关的,人事主管面试时甚至会跟你一步一步过招。

  除了对游戏的热情和忠诚,暴雪也很注重员工的技术素质,暴雪美术设计人员的最低学历都是博士。在暴雪,很多有经验和技术的游戏制作人年满5年,公司会奖励他们一把中世纪的长剑,以作纪念。他们和公司一同成长,公司的效益与员工的个人收入紧密挂钩。

  2.只有对事业达到了偏执狂的程度,才能有忘我的工作精神。

  1997年制作《starcraft(星际争霸)》时,关卡设计师杰夫?斯纯(jeff strain)的设计也到了必须重新定义任务处理模块的关键时刻,恰值妻子临产。他一接到妻子的电话,他立即去公司计算机部借了一台笔记本电脑,然后就飞车赶往家中。女儿在母亲的腹中躁动,妻子已经开始痉挛,他就利用这五六个小时,守在妻子的产床前完成了《starcraft(星际争霸)》的全部编程工作。妻子产后从麻醉中清醒过来,大声责问他:“为什么连我们的女儿出生时,你还在为你那个该死的游戏工作?” 这种忘我工作的精神体现在暴雪的每一位员工身上,暴雪人对事业几乎达到了一种近于偏执狂的热爱,许多高层管理者发出这样的感慨:“除了家庭,最能为我带来快乐的就是为公司开发游戏。”在暴雪员工的眼里,游戏不仅仅是一项工作,而且更是一种生活方式。

  适度的扩张战略

  2000年,暴雪已发展成为一家拥有150名员工、游戏开发与技术并举的国际著名公司,已经不再是当年那个只有15人的工作室了,实力足以保证两个游戏的同时开发。

  但迈克?莫怀米坦言,暴雪面临的最大挑战,是找到实现公司游戏开发理念和确保公司文化不受损害所必需的天才。他说,“我们决不希望成为拥有1000员工的公司,但我认为在不牺牲质量的前提下,暴雪最终可以发展到六七个开发小组。少做一些,但是一定要做得更好。”

  10年来,暴雪经历过两次并购,一次被他人收购,再一次收购他人,此外没有更大的扩张举动。但是,暴雪一直在发展,员工也已增长了10倍,这是一种近于“能量守恒”的适度扩张,而不是为贪大而无限膨胀。暴雪不愿陷入这样的恶性循环,在扩张的“度”上把握得很稳,在稳步扩张之间健康成长。在产品开发上,暴雪同样善于把握量与质的平衡关系,以少胜多的精品意识是暴雪的经营准则。当多如过江之鲫的游戏公司恨不能每月推出一部新游戏,一窝蜂争抢市场份额的同时,暴雪则凭借对玩家的深入了解,对品质的不断追求,对游戏的持续创新,构成了暴雪的独树一帜的成功因素。暴雪的每一部作品都精益求精,真正做到了艺不惊人誓不休,每一款游戏的销量都突破了“白金水准”(单个游戏销量达到100万套),总销量早已突破1300万套,在这期间从未发行过一个二等游戏。三年磨一剑的精品战略,是暴雪公司成功的关键所在。(完)

标贝科技登全球语音大赛舞台Blizzard Challenge做精彩开场发言 继语音论文成功入选并亮相全球顶级语音学术会议INTERSPEECH2019后,标贝科技再登全球语音大赛舞台Blizzard Challenge2019(译为暴雪挑战赛)。 9月23日,全球语音合成领域最具权威性和影响力的国际比赛Blizzard Challenge2019在奥地利维也纳城市举办。作为全球语音合成发展的推动者,标贝科技受邀成为大赛赞助企业,并亮相现场做精彩开场发言。其... 阅读详情

相关推荐

关于Deep learning和NLP实战应用项目

karpathy/char-rnn · GitHub :一个基于RNN的文本生成器。可以自动生成莎士比亚的剧本或者shell代码。 https://github.com/karpathy/char-rnn phunterlau/wangfeng-rnn · GitHub : 基于char-rnn的汪峰歌词生成器 https://github.com/phunterlau/wangfeng-r...

平原的博客 8060

Blizzard(暴雪)公司的历史

星际争霸》(starcraft)在游戏圈内可以说是大名鼎鼎,如雷贯耳。但是制作《星际争霸》的暴雪公司(blizzard)则远远不如它的产品有名。而实际上,暴雪公司已经成为游戏产业的一个神话,其背后的故事耐人寻味   暴雪公司是游戏产业的一个神话,10年时间创造了一个空前的经典。它的成功具有许多的神秘色彩,但有目共睹的是,在群雄纷争的游戏业,制作权威性作品一直是暴雪的愿望 和动力。   三年磨一剑

东城雅阁 3922

开源WorkBuddy实战课:从零搭建AI Agent办公自动化工作台

AI Agent作为大语言模型之上的智能体,正在重塑办公效率。它通过工具调用、任务规划与长期记忆,将被动问答升级为主动执行。WorkBuddy作为图形化智能体工作台,降低了搭建门槛,让非技术人员也可配置自动化流程。本文开源整套实战资料,涵盖JDK环境配置、模型接入、日报邮件处理、表格清洗、批量文档生成等场景,并讲解自定义指令、Skills扩展与MCP协议。从基础概念到工程实践,帮助读者快速上手,构建属于自己的办公自动化助手。

weixin_29083475的博客 224

暴雪公司赖以成功的三大秘诀

导读:   1、“你知道吗?在孩子出生前五六个小时,我还在医院里编程序。”  2、暴雪自1994年以来推出了三个系列(包括《魔兽争霸》、《暗黑破坏神》和《星际争霸》)的七款游戏,其中有六款游戏都斩获白金销量(超过100万份)。  3、暴雪坚持认为,一个人喜欢玩游戏不是靠“教”能做到的。  4、暴雪的解决之道就是:让自己既是用户,又是厂商。作为用户,可以了解需求、评判产品;作为厂商,则可以找到满

游戏开发 2898

手把手教你用Wireshark国密版分析TLCP和IPSec协议(附下载地址)

本文详细介绍了Wireshark国密版在TLCP和IPSec协议分析中的实战应用,包括环境配置、协议解析、合规性检查及高级分析技巧。该工具针对商用密码算法(如SM2/SM3/SM4)进行了专项优化,支持GB/T 38636-2020 TLCP和GB/T 36968-2018 IPSec VPN等国家标准,帮助开发者与安全工程师高效完成密评分析任务。

weixin_29325955的博客 550

如何有效爬取“好大夫”评论数据?技术实现与合规性分析

本文探讨了爬取好大夫在线医生评论数据的技术与合规性问题。分析了好大夫平台评论数据的价值和特点,指出其动态加载和反爬机制的挑战。技术上,推荐使用Selenium模拟浏览器行为获取数据,并提供了分页爬取、代理IP、验证码识别等解决方案。同时强调必须遵守平台的爬虫策略,关注用户协议和隐私保护法规,建议通过官方API或授权方式获取数据。文章还讨论了数据清洗存储方法,并提醒注意数据伦理和最小化抓取原则。本文为医疗数据爬取提供了技术实现和合规性指导的平衡方案。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1052

暴雪总裁的游戏经验

今天,看到《暴雪总裁的十条经验》。这是暴雪创办人兼总裁Michael Morhaime在GDC Austin的演讲,作为有2年游戏经验的我,感慨颇多,同时也谈谈我的看法。 1·游戏性第一。 如果你了解暴雪,那你知道他们在游戏平衡性上力尽完美,或者说比任何人做的都好。暴雪哲学好懂但难掌握。他们希望你入门容易而维持长时间的兴趣,用同一款产品同时吸引休闲和核心玩家。 ...

weixin_34358365的博客 218

【AI】获取各类AI大模型api-key的快速教程(OpenAI、Gemini、Claude、DeepSeek)

【AI】获取各类AI大模型api-key的快速教程(OpenAI、Gemini、Claude、DeepSeek)

funfan的博客 2940

语音合成论文优选:DelightfulTTS: The Microsoft Speech Synthesis System for Blizzard Challenge 2021

声明:平时看些文章做些笔记分享出来,文章中难免存在错误的地方,还望大家海涵。搜集一些资料,方便查阅学习:http://yqli.tech/page/speech.html。语音合成领域论文列表请访问http://yqli.tech/page/tts_paper.html,语音识别领域论文统计请访问http://yqli.tech/page/asr_paper.html。如何查找语音资料请参考文章https://mp.weixin.qq.com/s/eJcpsfs3OuhrccJ7_BvKOg)。如有转载,请

低调奋进 3209

总结一下:电源设计 ≠ 画个电路图就完了

如果你面对一块电源板时,只知道输入输出是多少伏,那你离真正懂它还差十万八千里。你要懂拓扑、理解工作原理、看懂波形、会分析环路、熟练选型,还得懂调试、EMC和热设计——才能自信地说:“我会搞电源了。电源不是一个人能独挑的“电”,而是控制、模拟、热、EMC 多学科交融的“多面体”。这也是为什么它既复杂又迷人✨。

weixin_43199439的博客 144

在Allegro设计界面中如何修改封装焊盘

在高密度板的情况下,SUIPLA(支持内层没有的焊盘摘掉)打勾,在高密度板的情况下,内层没有的焊盘摘掉可以增加走线的空间。3、修改完焊盘后,选择File→Update to Design(更新到设计)。然后关闭焊盘修改对话框即可。,将会定期不定期更新技术文章,互相学习交流。或者点击Options选项卡下要修改的焊盘,然后点击Edit修改。在Allegro PCB设计界面中修改封装焊盘的方法。2、然后点击封装上要修改的焊盘,右击选择Edit。修改完成后如下图所示。

bhxc809751502的博客 7806

暴雪公司简史

  暴雪娱乐是一家全球知名的电视和电脑游戏软件公司,英文为:Blizzard Entertainment,总部设在加利福尼亚。暴雪正式成立于于1994,在业界享有着极高的声誉,并被业界称之为“游戏神话缔造者”。其作品魔兽争霸、星际争霸、暗黑破坏神风靡全球,深受玩家好评,并被多个电子竞技赛事列为比赛项目。  1991年,两名美国大学毕业生迈克·莫怀米(mike morhaime)和艾伦·阿德

游戏开发 3040

【数据集】全球预报系统GFS概述:数据下载及处理

【数据集】全球预报系统GFS概述:数据下载及处理

WW、forever的博客 5750

游戏开发公司简介

欢迎使用Markdown编辑器写博客 国金成立于2011年成立的,专业做软件开发7年,公司有150人,技术团队100人以上,开发过农场 游戏,棋牌,互助,拆分,大大小小项目上千个,技术绝对没问题。我们有专门的运维工程师负责软件的安全性和稳定性;有专门的一对一售后来解答客户需要了解的问题。...

weixin_42879912的博客 2548

【人工智能】Claude Code 安装、配置及问题排查完整指南

建议使用IDE来启动 Claude,执行后,内容如下。(确保环境可正常运行 npm 命令)。

奶爸的编程之路,也就一周冷个三天 1206

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

【分享】暴雪公司老员工回忆暴雪20年发展历程

【分享】暴雪公司老员工回忆暴雪20年发展历程 视频在 http://game.163.com/special/news/blizzard20_history.html   暴雪是现在全球最好的游戏开发和发行公司。跟我们一样,是做产品的公司,很多东西是值得我们尊敬和学习的。   1、暴雪从20年前三个大学毕业生创业起,前面多年收入不够发工资,创始人用信用卡套现来发工资。 2、领导在...

KimmKing的技术博客 770

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

暴雪历史

美国的暴雪(暴雪娱乐公司Blizzard Entertainment)1994年开发成功1代 以下内容是一文节选,楼主如果感兴趣,可查阅全文. 1992年,一种全新的游戏类型出现了。一家叫西木(Westwood)的公司发行了其沙丘系列的第二部《沙丘Ⅱ》。在这个版本中,玩家惊讶地发现自己可以实时地操纵多个战斗单位与敌人厮杀,就像真正的战场指挥官一样。此前,像打仗这种事在游戏里只能通过

sam的学习家园 2637

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

暴雪战网国际版[国区登录战网国际版方法]

使用国际版暴雪战网客户端 https://us.battle.net/download/getInstaller?os=win&installer=Battle.net-Setup.exe 若无法国际版使用请下载大陆客户端并修改以下内容 1.打开C:\Users\username\AppData\Roaming\Battle.net 注:AppData这个文件夹是默认隐藏的,需要在...

沁夏之风 6万+

游戏公司组成架构和游戏开发流程简述

游戏公司组成架构和游戏开发流程简述   【基本概念】 游戏公司一般是指游戏开发公司或游戏发行、代理公司。 那游戏公司开发游戏需要哪些技术人员?简单的说:需要游戏造型、游戏动画、3D美工、纹理师、原画设计师、建模师、UI制作、手游程序员、网游程序员等等。   【游戏公司的构架】   游戏开发的构成,从泛言,包括开发人员内部开发与外包。 一般来说,游戏设计、程序员,美术(也有部分美术

痞子龙3D编程 9945

世界知名游戏公司简介(国内,欧美,日韩)

欧美游戏公司 ◇ Activision Blizzard -动视暴雪     代表作:《使命召唤》系列,《魔兽世界》,《魔兽争霸》系列,《现代战争》系列,《吉他英雄》等。 暴雪娱乐是一家全球知名的电脑游戏及电视游戏软件公司,其产品在电子游戏界享有极高的评价。产品包括魔兽争霸系列,星际争霸系列以及暗黑破坏神系列,魔兽争霸及星际争霸均被多项知名电子竞技比赛列为主要比赛项目。

吾尝终日而思矣,不如须臾之所学也 8万+

宁波9家游戏开发运营公司简介

From: http://chanye.uuu9.com/biz/NewsDetail.htm?param=84073 2015-03-23 宁波游戏开发运营公司总汇   1、 浙江宣逸网络科技有限公司(简称“宣逸互动”) 成立于2008年,注册资本1000万元人民币,办公场地逾1700平方米,是专业的网络游戏、手机游戏、新媒体平台等互联网应用产品的开发商和运营商。 宣逸互动

Game Developer 6568

【Unity知识速递】第7期 Unity 6.6 深度解析:WebGPU 正式版与 WebAssembly64,Web 游戏的内存革命

如何启用 Wasm64?需要注意的是,Wasm64 需要浏览器支持 Memory64 提案,目前主流浏览器的最新版本都已支持。一句话总结: Unity 6.6 用 WebGPU 转正、Wasm64 16GB 内存和渐进式加载三连击,将 Web 游戏的体验天花板又往上推了一大截——Web 平台不再是"妥协版",正在成为真正的一等公民。Unity 6.6 新增了 WebAssembly64(Wasm64) 构建选项,这可能是本次更新中对 Web 游戏开发者影响最大的一项升级。

crystal_WJT的博客 415
上一篇: 80年代后最佳阵容之巴西篇
下一篇: 如果时间能为你而倒流
CQP
CQP
博客等级 码龄25年 48粉丝 205原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值