墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
200+累计阅读
238平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
在学java一个月期间学着运用JFrame的可视化窗口写的小游戏，直接放上链接。
https://pan.baidu.com/s/1fsKP6sDH3pCuzyer5LhHkQ?pwd=kz9a
目前角色可以释放攻击和技能，并加入了多线程进行操作的动画效果，相比于我之前尝试的控制台游戏，可以说是一次科技革命：D
开始界面
战斗界面
其中运行文件是TestDragon3，可以直接导包运行
文件运行的路径经过特意的设置，博主尝试排除了can‘t read input file报错情况，路径是运用System.getProperty("user.dir")相关自动生成的，文件读取位置在几次尝试下都没有问题，不过不排除可能出现的bug
如果出现此错误检查更改图片路径即可
如出现其他错误可以留言。
博主现在在学习JavaWeb，培训Java已经近两个月了，梦想以后进入游戏行业，期待与各位共同进步！
JFrame培训好像是不教的，因为工作用不上，都是全凭爱好，网上有很多教学，我个人感觉还是很有成就感的：D
用java做一个2048小游戏
昨天，自己突发奇想，能不能在忙碌的学习里抽一点时间来做一点事情，然后，我就有了一个要做一个2048小游戏的想法。说真的，java我已经认真学习了一段时间了，现在也刚刚学到Swing，虽然做这个2048还有很多东西没有学习过，但是，一边学一边做才是我们菜鸟的样子吧。 做这个东西，自己没有什么经验，我是这样想的：先做个需求出来吧，然后就有了第一部分的需求了；再按照需求，把开始部分想法做出来。 pa
Java实现一个简单的贪吃蛇小游戏
本篇文章，主要讲述了如何用Java实现一个简单的贪吃蛇小游戏
java2048小游戏源码及解析_200行java代码实现2048小游戏
本文实例为大家分享了java实现2048小游戏的具体代码，供大家参考，具体内容如下效果图：游戏介绍：1.2048是一款益智类小游戏，刚开始随机出现两个数字，可以上下左右控制数字的移动。2.当选择一个方向移动后，所有数字都会沿该方向移动到表格尽头，并且空余表格会随机出现2或4，当碰到相同的两个数字时，该两个数字会合并相加成一个数字，直到最大的数字变成2048游戏成功3.否则当数字填满表格且不能再移动...
自学Java篇之JFrame创建《石头迷阵小游戏》
JAVA小案例，JFrame编写石头迷阵小游戏，包含内部类、匿名内部类和接口、继承 等知识点。JFrame知识点细节处理，本案例读懂并跟着敲一遍，效果显著，收获颇多。你一定会感谢我滴。
JAVA实现2048小游戏(附源码)
JAVA实现2048小游戏(附源码)，2048小游戏源码，窗体应用程序2048小游戏源码，界面风格干净整洁，内容条理清晰，小游戏分为三个等级，4*4格子到6*6格子，格子越多越简单，格子越小越容易到最后无路可走，凑成2048即为成功，无路可走即为失败。这个源码让你快速搭建自己的应用程序，注释完整，代码规范，各种风格都有，代码上手简单，代码独立，可以直接用程序打开，运行Main使用。
OpencvSharp学习笔记(一):图片的打开,保存灰度化,保存
近来萌生了学习OpenCv的想法,经过度娘得知老夫会的C#不能直接用OpenCv,只能用他的儿子OpenCvSharp与EmguCV,奈何奈何,这两玩意的资料少的出奇,只能慢慢的摸索了,EmguCV先不说,老夫找到了牛批的资料,先摸索OpencvSharp吧 首先打开VS通过Nuget安装 选择版本后点击安装就OK了. 安装完成后,引用里面就有以下的玩意儿了… 废话不多说了,在写程序前先 using OpenCvSharp 图片打开,灰度化,保存代码如下: static void Main(strin
Java新手，手动编写一个简单的数字小游戏（详解）
由于闲得无聊，做了一个非常简陋的java小游戏（未用到JFrame技术） 跟大家分享，一方面可以加强自己对java的理解，一方面也希望能对比我还初学的初学者有些帮助，有错误的话希望大家能帮忙纠正。 结构： bean.Role: 这个类用来定义角色属性 package bean; /* 这个类用来定义角色属性 */ public class Role { private int hp...
AI Agent核心架构解析：从Tool、Skill到MCP协议的智能体构建实战
在人工智能领域，大语言模型（LLM）赋予了AI自主规划与决策的能力，推动了智能体（Agent）技术的演进。其核心原理在于构建一个具备感知、规划、行动与反思能力的自主系统。这一架构的技术价值在于将AI从被动应答升级为主动执行复杂任务的工作伙伴，显著提升了自动化水平与问题解决效率。应用场景广泛覆盖了市场分析、自动化办公、智能客服与垂直领域集成等。本文聚焦于实现这一能力的关键组件：基础工具（Tool）、组合技能（Skill）与标准化协议（MCP）。其中，Skill通过封装多个Tool形成可复用的高级能力，而MCP
eclipse android 动画,使用Eclipse制作Android小游戏经验共享
Android小游戏别看它小，其中不注意一些技巧休想把它调试成功，其中的一些小的技巧我来和大家一起分享下：1、建立AndroidProject：这是遇到的第一个麻烦，首先new一个AndroidProject，起名字一般没有问题，问题在于PackageName，按照中国人的习惯，不就是一个包的名字吗，用得着二级目录吗？其实不然，在给包定义名字的时候，必须有二级目录，不然的话新建好的项目将在g...
Anomalies,Factors,andMultiFactorModels
转 Anomalies, Factors, and Multi-Factor Models 作者：石川，量信投资创始合伙人，清华大学学士、硕士，麻省理工学院博士；精通各种概率模型和统计方法，擅长不确定性随机系统的建模及优化。知乎专栏：https://zhuanlan.zhihu.com/mitcshi。未经授权，严禁转载。 摘要:本文解释了异象、因子以及多因子模型的区别和联系；梳理了从异象到因子再...
NVIDIA Isaac平台体验：Isaac Sim与Isaac ROS的快速了解
NVIDIA Isaac平台是一个专为机器人和人工智能（AI）打造的加速平台，旨在为开发者提供一个全面的工具集，以加速机器人相关应用的开发和部署。材质定义语言（MDL）是一种用于描述材质属性和行为的编程语言，能够精确地定义材质的光学特性和物理属性。NVIDIA Isaac Sim 通过支持 MDL，进一步提升了仿真环境中材质的真实感和细节表现。精确的材质定义：MDL 允许开发者精确地定义材质的光学特性和物理属性，如反射率、折射率、粗糙度和透明度等。这使得仿真环境中的物体看起来更加真实和自然。动态材质。
用JAVA写一款自己的小游戏
用JAVA写一款自己的小游戏 我目前也处于一个学习的阶段，所以代码会有很多的错误，但是经过我几天的瞎调试目前还是可以玩的，但是可玩性还是很差 说一说怎么玩这个游戏把 设计初衷：KoalaChess，顾名思义，我叫他“考拉棋“。灵感来自于微信小程序上的一款叫斗兽棋王者的小程序，我在他的基础上做了修改，斗兽棋众所周知，里面包含了象，狮，虎，豹，狼，狗，猫，鼠，8种动物，除了老鼠可以吃象以外，其他顺次相...
智慧矿山无人机空地一体化解决方案
未来，随着技术的不断进步和应用场景的不断拓展，智慧矿山无人机空地一体化解决方案将在矿业领域发挥更加重要的作用，为矿山的可持续发展提供更加有力的保障。该系统能够实现矿山的全方位、全天候监测与管理，提升矿山生产效率，降低安全风险，并为矿山的可持续发展提供有力支持。智慧矿山无人机空地一体化解决方案是当前矿业领域技术创新的重要方向，旨在通过集成无人机技术、物联网、大数据、人工智能等先进技术，实现矿山的智能化、高效化和安全化运营。在矿山爆破、挖掘等危险作业中，无人机可进行远程监控和指挥，降低人员安全风险。
分享16款Java小游戏源码Java applet小游戏源码
给大家分享本人收集整理的16款Java小游戏源码，大部分是applet小程序，下面把每个游戏做个截图，最下面会有下载地址： 目录结构： 下载地址：http://programmer.ischoolbar.com/index.php/article/article/id/78.html
数据结构（超详细讲解！！）第十七节 队列应用（杨辉三角）
杨辉三角
手把手教你RK3568 MIPI屏驱动适配，纯干货！
RK3568 作为一款高性能的多媒体处理器，在嵌入式领域中备受瞩目。它采用了先进的 22nm 制程工艺，搭载四核 Cortex-A55 处理器，这种架构为芯片提供了高效的功耗比，使其在运行各种复杂任务时，既能保证性能，又能有效控制功耗。在实际应用中，无论是多任务处理还是运行大型应用程序，RK3568 都能凭借其四核 Cortex-A55 处理器，实现流畅的操作体验，满足智能设备对高性能和低功耗的需求。
java小游戏制作（maxfo）
去年暑期期间看完java紫皮书上的知识点后，陆续模拟了贪吃蛇，和飞机大战小游戏后，开始了自己的java小游戏制做。
SAP-RPT-1 深度解读：面向企业表格数据的 rapid one
摘要： SAP在TechEd 2025大会上推出面向企业结构化数据的SAP-RPT-1（Relational Pretrained Transformer），旨在通过in-context learning直接预测表格数据中的缺失值，无需传统机器学习流程。与LLM不同，RPT专为业务表格设计，支持实时预测（如交货延迟、回款风险等）。提供Small（高吞吐）、Large（高精度）和开源版本，用户可通过无代码Playground（上传CSV并用[PREDICT]标记目标列）或Python API快速验证。典型场景
仿写“跳一跳”微信小游戏
课程简介 2017-12-28 下午，微信发布最新版本，蓄势已久的“微信小游戏”终于来了。在 2018 微信公开课 Pro 上，微信游戏产品总监孙春光指出，小游戏的累计用户达到了 3.1 亿（微信日活超过 9 亿）。 孙春光表示，2017 年移动游戏的自然人有 4 亿多，他们用 20 天就达到了这样一个数据。 作为微信小游戏的入门教程，此达人课共计10篇文章，带你一步一步实战仿写微信“跳一跳”小游...
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');```[](https://bitdeli.com/free "Bitdeli Badge")
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
两天写了一个休闲小游戏，第一次写游戏项目，分享一下感受
前前后后花了三个月时间，在B站把html，js，css的知识视频刷了一遍，然后是vue，和uniapp，以及相关的一些扩展知识scss、es6、各种UI框架(最后用得最顺手的是element和uview)。我依然记得当时的心情，钱虽然很少，只有2k（在深圳离职前是20k+），尽管没有性价比，但我还是兴奋，同时又带着紧张和担忧，因为在这之前，我还没有独立完成过一个项目。需求沟通，评估报价，UI设计（粗略设计，当时客户要求也不高），编码，项目测试，上线部署，最终交付。但是神奇的是，这三个月我并没有感觉很压抑。
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
如何用java编写小游戏
应一起学习java的众兄弟姐妹们的要求，对塔防游戏小程序做一个简单的说明，本人学习java两年时间，现在刚刚入职，虽然上班基本不用java swing相关的知识，但由于大学期间运用awt、swing编写小游戏的那种成就感与喜悦使我仍然对编写小游戏有着很强烈的兴趣，编程么，没有什么比编写游戏更吸引人了（I think so），大学期间，当我第一次接触java图形化界面（awt）时，心里很是激动，那是
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
CocosCreator 硬核 APP分享小游戏接口、链接到微信，好友可点击进入
注意 该文是讲述APP分享出来一个可点击链接给微信好友，然后好友点击之后可以直接进入微信小游戏。这样好友想在APP上玩也行，想在小游戏上玩也行，岂不是很开心。 此功能必须满足以下几个条件： 1、必须有线上的APP。 2、必须有和APP相同内容的微信小游戏。 3、APP和小游戏的服务器数据必须互通或共用一个服务器。 提示 第一部分是 js客户端 分享代码，第二部分是 SDKInterfaces接口代码。 一、js客户端 share_wechatgame:function() { // 小游戏的原始ID（如果
java实现2048小游戏
对于java初学者来说，通过一些学习小游戏来对swing学习以及对java基础的学习是一个好的方法，同时也给学习带来了很多的乐趣，接下来就给大家分享一个java实现的2048小游戏。 废话不多说，直接上代码。大家可以直接通过下面的代码实现，也可以关注公众号“程序员的事儿”回复“2048”获取完整代码。 import java.util.Date; import java.util.Rand...
Java写一个黄金矿工小游戏
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
java小游戏
这周我们写java项目，老师规定了要写养成类或者升级类小游戏 我写的题目是魔塔，但是内容已经偏离了魔塔（哭笑不得），不要在意这些小细节（尴尬），有什么问题欢迎评论（写的不完整所以请见谅啦） 第一步先理清思路，分析出需要哪些类，这些有哪些属性 人物类：昵称，等级，生命力，攻击力，防御力，获得的金币、经验 怪物类：名称，生命力，攻击力 装备类：名称，等级，攻击力，防御力 大概就这三个父类，至于子类就不...
java写的小游戏打砖块_java实现打砖块小游戏
本文实例为大家分享了java实现打砖块小游戏的具体代码，供大家参考，具体内容如下源码共包含两个文件文件1：play_zhuankuai.javaimport java.awt.*;import javax.swing.JPanel;@SuppressWarnings("serial")public class play_zhuankuai extends JPanel implements Run...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5583
扫一扫
