发御龙在天所有数据

OSReact OSReact 博客等级 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 6.7k累计阅读 6.8k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 码龄14年
关注
转载 最新推荐文章于 2026-09-18 14:38:55 发布 6.7k 阅读 AI 写同款· GEO 优化 ›
《御龙弑天》隐私声明 《御龙弑天》尊重和保护利用用户的隐私所有的服务。为了向您提供更准确，更人性化的服务，将《御龙弑天》使用和披露按照本隐私政策您的个人信息。 但是《御龙弑天》将是一个高度的勤勉，审慎义务对待这些信息。除本隐私政策另有规定外，未经您的许可之前，《御龙弑天》信息将不会被披露或向第三方提供。 《御龙弑天》更新本隐私政策不时。当您同意《御龙弑天》服务协议，您将被视为已同意本隐私政策的全部内容。本隐私政策属于服... 阅读详情
    但是看见别人老是藏着，都当宝了。就发出来给大家吧。免得浪费大家时间。
//获取当前可接任务
#define ACCEPTTASK_TAG 0x294
#define S_TAG_GIVETASKUP 0X295
#define FINISHENTASK_TAG 0x296
#define S_TAG_KUATU     0x29   //跨图封包头
#define S_TAG_LIVE      0X27
#define S_TAG_SELL      0x183c
#define S_TAG_OPENNPC   0x29b
#define S_TAG_REPAIRALL 0X183F
#define S_TAG_CHANGEZB   0X452   //装备或者更换物品位置
#define S_TAG_TASKTALK   0X2BF   //任务对话NPC
#define S_TAG_OPENMAP    0x2be   //打开游戏地图
#define S_TAG_TASKCJ     0xc14    //采集任务物品
#define S_TAG_BUY        0x183a   //购买物品
#define S_TAG_LEARNJN    0XCF     //学习技能
#define S_TAG_INTASKMAP  0x7c6    //进入任务地图
#define S_TAG_UPCAR      0xBBD    //上车
#define S_TAG_DWONCAR    0xBBF    //下车
#define S_TAG_UPBRID     0x1b63   //骑木鸟
#define S_TAG_ONHOUSE    0XC85    //上马
#define S_TAG_DWONHOUSE  0XC88    //下马
#define S_TAG_INWENQUAN  0X5DD    //进温泉
#define S_TAG_OUTWENQUAN 0x5df    //出温泉
#define S_TAG_ZBHC       0x454   //合成装备
#define S_TAG_USEMONEYTYPE 0X191  //封包长度为1个字节，0代表使用绑银，1代表使用银子
#define S_TAG_CFCS        0X3E    //车夫传送师所用
#define S_TAG_BJCS        0X57B   //边境传送
#define S_TAG_ORC         0x19d4  //发送验证码
#define S_TAG_OPENCK      0X4B6   //打开仓库
#define S_TAG_YOUJI       0X383    //自动邮寄函数
#define S_TAG_BUYMYSHOP   0x183a   //随身商店的购买
#define S_TAG_USEWP       0x44c    //使用包裹中的物品
#define S_TAG_STEAM          0X802    //发送组队请求
#define S_TAG_WEICL       0XC99    //喂草料
#define S_TAG_TOUBIAO     0x1195    //投镖
#define S_TAG_SLIANZB     0X3EE    //淬炼装备
#define S_TAG_INJIAZUMAP  0xBEA     //进入家族地图
#define S_TAG_ADDSHUXING  0X12D     //自动加属性点,封包长度为8,第一个数据是类型，例如力量是0X26,第二是点数
#define S_TAG_DGDATA      0X1154    //边境传送的第一个数据
#define S_TAG_YQUPCAR      0XBC7     //邀请上家族战车
#define S_TAG_ACCEPTUPCAR  0xBC9     //同意上战车
#define S_TAG_DESTORYWP    0x450     //丢弃物品
#define S_TAG_HANHUA       0x7d1     //喊话
#define S_TAG_NOTIMETASK   0X322      //没有时间做日常任务，直接完成
#define S_TAG_CHOSEJLWP    0X4C4    //使用香囊后选择奖励物品
#define S_TAG_HCYL         0X3E8     //合成原料


#define PERSON_LEVE(pitem)   (*(int *)(pitem +0x18))        //人物等级
#define PERSON_HP(pitem)        (*(int *)(pitem +0x10))        //人物血量
#define PERSON_MP(pitem)        (*(int*)(pitem +0x14))        //人物当前魔法值
#define PERSON_MAXHP(pitem)        (*(int*)(pitem +0x8))        //人物最大血量
#define PERSON_MAXMP(pitem)        (*(int*)(pitem +0xc))    //人物最大魔法值
#define PERSON_NAME(pitem)        ((char *)(pitem + 0x20))
#define PERSON_X(pitem)            (*(float *)(pitem +0x58))                        //人物X坐标
#define PERSON_Y(pitem)            (*(float *)(pitem +0x5c))                        //人物Y坐标
#define PERSON_ID(pitem)        (*(DWORD *)(pitem + 0x10))                        //人物的ID
#define PERSON_GOLDMONEY(pitem)    (*(DWORD *)(pitem + 0x214))                      //人物的金子
#define PERSON_BMONEY(pitem)    (*(DWORD *)(pitem + 0x21c))                      //人物的绑银
#define PERSON_MONEY(pitem)        (*(DWORD *)(pitem + 0x220))                      //人物的银子
#define PERSON_TEAMDATA1(pitem)        (*(DWORD *)(pitem + 0x68))                  //别人组自己时候要用到的数据1
#define PERSON_TEAMDATA2(pitem)        (*(DWORD *)(pitem + 0x6c))                   //组队数据2
//物品偏移
#define PACK_TYPE(packitem)       (*(DWORD *)(packitem + 0x4c))    //物品类型
#define PACK_ID(packitem)        (*(DWORD *)(packitem + 8))       //物品ID
#define PACK_NAME(packitem)      (TCHAR*)(packitem + 0xc)       //物品名字
#define PACK_ITEM(packitem)      (*(DWORD *)(packitem + 0x2dc))  //这里地址有物品颜色信息
#define PACK_MINGJIANG(packitem)  (*(DWORD *)(packitem + 0x2e4))  //偏移为4的时候这里是名将装备
#define PACK_SNID(packitem)        ((BYTE *)(packitem + 0x2d0))  //这是发包使用物品用到的物品编码
#define PACK_ITEMYS(packitem)      *(BYTE *)((*(DWORD *)(packitem + 0x8)) + 4)  //物品颜色
#define PACK_ITEMLEVE(packitem)      *(BYTE *)((*(DWORD *)(packitem + 0x8)) + 5)  //物品等级
#define PACK_CURNJ(packitem)       *(BYTE *)((*(DWORD *)(packitem + 0x8)) + 7)  //装备耐久
//////////////////怪物数据//////////////////////////////
#define ISBUG_LEAVE(dwBug)  ( ((*(DWORD *)(dwBug + 0xd4))==-1)?1:0 )                    //这里不是0x64就是死亡了
#define ISBUG_KILLING(dwBug)   (*(BYTE *)(dwBug + 0xc8))        //判断怪物是否已经有人打了        
#define BUG_YANSE(dwBug)        (*(DWORD *)(dwBug + 0X60)) //    进入星际宝藏里面不同怪物识别偏移，0x30也可以
///////////////////// 任务偏移///////////////////////////

#define TASK_ALLTASK_CON        0x25
#define TASK_NODE_BASE            (*(DWORD *)(TASK_BASE + 0x38))  //任务链表开始基址
#define TASK_NEXT(titem)        (*(DWORD *)(titem))            //下个任务地址，这个是但链表
#define TASK_ITEM_BASE(titem)    (*(DWORD *)(titem + 0x8))        //任务属性页地址
#define TASK_ALLTASK_ID(titem)            (*(DWORD *)(titem + 0x4))            //任务ID
#define TASK_NAME(titem)        ((char *)((titem)+ 0x18))            //任务名字
#define TASK_UNHAVE_CON(tiem) (*(DWORD *)((titem) + 0x2c))        //未接任务个数
#define TASK_HAVE_CON(titem) (*(DWORD *)((titem) + 0x4c))        //已接接任务个数
#define TASK_HAVE_TREE(titem)   (*(DWORD *)((titem)+ 0x78))   //已接任务TREE
#define TASK_HAVE_TREECON(titem)   (*(DWORD *)((titem)+ 0x7c))   //已接任务TREE的节点数量
#define TASK_DAY_BASE    (*(DWORD *)(TASK_BASE + 0x48))    //日常任务的基址
#define TASK_DAY_CON    (*(DWORD *)(TASK_BASE + 0x4c))   //日常任务的数量
#define TASK_DAY_ITEMID(titem)   (*(DWORD *)titem)  //日常任务伪ID，用来查询任务完成次数的
//日常任务的真ID，就是发送给服务器用的ID,如果这里为零那么就应该放弃，因为平时不做这样的任务
#define TASK_DAY_READID(titem)   (*(DWORD *)((titem)+ 0x48))  
#define TASK_DAY_MAX(titem)      (*(DWORD *)((titem)+ 0x4c)) //如果这里为零应该放弃
#define TASK_DAY_NAME(titem)   ((char *)((titem) + 4))    //日常任务的名字
#define TASK_DAY_ACCEPTLEAV(titem) (*(DWORD *)(titem + 0x50))  //接受日常的等级


#define TEAMER_LEGHT   0X49
#define TEAM_ITEM_MASETER(titem) (*(DWORD *)(titem + 0x8))   //这里为1时就是队长
#define TEAM_ITEM_FRIST(titem)    (*(DWORD *)(titem + 0x14))   //队友开始地址
#define TEAM_ITEM_END(titem)    (*(DWORD *)(titem + 0x18))   //队友开始地址
#define TEAMER_NAME(titem)      ((CHAR *)(titem + 0x2d))          //队友的名字

//战车的数据，是总对象基址的0x17,然后+0x43F0
#define WarCar_OFFSET  0X43F0

#define WARCAR_LEGHT  0X20
#define WARCAR_ID(witem)        (*(DWORD *)((witem) + 0xC))    //战车ID
#define WARCAR_NOWMEMBER_FRIST(titem)   (*(DWORD *)((titem) + 0x20)) //已经上车的成员开始地址
#define WARCAR_NOWMEMBER_END(titem)  (*(DWORD *)((titem) + 0x24)) //已经上车的成员结束地址
#define WARCAR_UNMEMBER_FRIST(titem)  (*(DWORD *)((titem) + 0x30)) //为上车成员开始地址
#define WARCAR_UNMEMBER_END(titem)  (*(DWORD *)((titem) + 0x34)) //为上车成员结束地址
#define WARCAR_MEMBER_NAME(titem)  ((char *)((titem) + 0x8))
 
收录于
游戏应用逆向

当前文章被收录于：

游戏应用逆向
6 篇文章 0 人学习
订阅专栏 查看详情
标签
#任务 #byte #tree #float #c
#服务器
海康威视web控件开发+vue结合做网页开发 需求:vue的项目,需要在页面展示出海康的硬盘录像机连接的摄像头的实时监控画面以及回放功能. 准备:web开发包(包含插件以及demo,在海康官网即可下载32位64位的都有.那些需要积分下载的博主良心不疼么.) 点击这里下载:链接: https://pan.baidu.com/s/12FrbycWyWWyiRJH5Yd1tPA 提取码: gam5 开始开发: 1.安装demo目录下的WebComponentsKit.exe插件(根据自己的浏览器以及系统选择32位还是64位的插件) 2.打. 阅读详情

相关推荐

DESeq2实战：利用LRT检验解析时间序列基因表达动态变化

本文详细介绍了如何使用DESeq2中的LRT检验分析时间序列基因表达数据，揭示基因表达动态变化模式。通过构建完整模型与简化模型比较，LRT检验能有效识别处理效应随时间变化的基因，适用于发育过程、疾病进展等研究。文章提供了从数据准备、模型构建到结果可视化的完整实战指南，并分享了高级技巧与常见问题排查方法。

weixin_29062671的博客 438

43.第二阶段x64游戏实战-封包-代码实现获取包裹物品

游戏逆向 游戏安全 游戏攻防 c++ 反游戏外挂 保姆级攻略 Windows 汇编 x64游戏

计算机王的博客 544

手把手教你用ECharts打造炫酷3D饼图（附完整源码）

本文详细介绍了如何使用ECharts创建炫酷的3D饼图，从环境配置到完整源码实现，涵盖参数解析、视觉优化和交互增强技巧。通过实战案例，帮助开发者快速掌握3D数据可视化技术，提升数据展示效果。

weixin_29031057的博客 279

御龙在天---我们的游戏，我们的梦想

做了快两年的项目，今天第一次对外技术封测了。两年的时间，项目经历了核心人员的变更，项目管理的混乱，策划需求的频繁修改等等许多于项目不利的因素。但无论怎样，我们终于要给玩家亮相了。这次技术测试，我们放了约1900多个号，主要还是侧重于技术层面的验证，毕竟这是外网的第一次正式运营。上午10点，准时开服，在线的数据也慢慢的上升。我重新创建角色，作为一个普通玩家参与游戏中，尽管之前作内部测试时，已

我本书生 2440

Android 14安装的APK默认允许运行时权限

本文介绍了在Android系统中实现安装应用后自动授予运行时权限的方法。通过在安装完成广播中检测应用安装状态，调用新增的DefaultPermissionGrantPolicy.grantAppRuntimePermissions()函数来授予常规权限，并使用allowSpecialPermission()处理特殊权限（如安装未知应用和悬浮窗权限）。文章详细说明了如何修改DefaultPermissionGrantPolicy类，添加grantAppRuntimePermissions和grantRunti

热衷于Android Framework和系统APP的修改经验分享 682

Openclaw第5章 知识库管理

💡：学会使用 OpenClaw构建个人知识库系统，实现网页文章存档、GitHub项目管理、论文笔记整理和跨设备同步。

Maynor的博客 773

目前游戏行业内部主要几款游戏引擎的技术对比

如果只有客户端的话，可以考虑用gamebryo,技术好一点，用ogre也可以，如果规模不大，用unity3d，如果很有钱，要效果很好的，用unreal3,bigworld是带服务器的，如果能力不够，最好不要自己写。   如果使用Ogre需要投入较多的人力和物力，因为Ogre是开源的，工具不齐全，使用其他流行的引擎需要购买授权，可以在Ogre的基础上做东西，并且可以宣称是自主研发的，没有人会追究

痞子龙3D编程 8万+

《深入掌握PostgreSQL数据库》 - 专栏介绍和目录

本专栏系统讲解PostgreSQL数据库的全栈知识，涵盖基础入门到高级实战。内容分为语言基础与进阶、核心原理、高可用架构、性能优化、运维管理、扩展开发等多个模块。从安装配置、数据类型选择到窗口函数、CTE等高级特性，再到索引优化、执行计划分析等性能调优技巧，全面解析PostgreSQL的核心功能。同时深入探讨MVCC机制、WAL日志、并发控制等底层原理，并分享高可用架构设计、备份恢复等运维实践。适合各层次开发者系统学习PostgreSQL，掌握这一强大开源数据库的关键技术。

数据知道的博客 3445

御龙在天登录服务器未响应,御龙在天手游进不去怎么办 进不去原因及解决

御龙在天手游进不去怎么办 进不去原因及解决2015-11-20 08:57:13小伙伴们在玩游戏是不可避免的会碰到这样或那样的问题，其中就有进不去或突然闪退黑屏!那么进不去的原因和解决办法都有哪些呢？下面是小编墨久为大家特意带来手游通用进不去的解决方法以备后患！御龙在天手游进不去怎么办？进不去原因和解决方法有哪些？1、服务器问题官方维护或者出现BUG，也会出现进不了游戏的情况，大家要多关注游戏公告...

weixin_34982884的博客 2200

RFC-only 与 SAProuter 场景下，让 Claude 真正参与 SAP ABAP 开发

SAP ABAP 开发这几年正在出现一个很有意思的变化。过去我们说开发工具，脑子里大多是 SE80、SE38、SE24、SEGW、Eclipse ADT，再往后是 BAS、VS Code、abapGit、ATC、CI/CD。现在又多了一层，Claude Code、Claude Desktop 这类 AI 编程助手开始通过 MCP 进入开发现场，不只是写一段示例代码，而是能读系统里的 ABAP 对象、搜索包、改源码、跑检查、辅助重构。

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 1615

＜IBM AIX＞ 《HACMP 实用手册和命令 HA切换手册》 - 鸿篇巨制，全网最全

操作命令检查磁盘预留策略要将磁盘预留策略更改为 no_reserve集群状态实用程序查看集群状态是否正常SMIT System Management (C-SPOC)Cluster ServicesShow Cluster Services 面板上的选项或 lssrc 命令查看资源组、资源组对应的VG、资源组对应的APPLICATION SERVER# ./cldispsmit常用命令F3退出F4列表Esc+6或者F6查看命令Esc+7或者F7选择多项检查状态。

Else 的博客 3361

御龙在天手游怎么不显示服务器了,御龙在天手游互通服开启公告

亲爱的将军：为满足iOS平台和安卓平台同服游戏的需求，《御龙在天手游》将顺应广大将军的要求，在后续的新服中逐步开启iOS和安卓互通服。 只要在互通服中，无论您和您的小伙伴使用哪一个操作系统，都可以一起激情征战！【新服开启】QQ平台开服时间：2016年10月14日 10：30服务器名：【互通1服-千秋万代】微信平台开服时间：2016年10月14日 10：30服务器名：【互通1服-剑指江山】注意：在互...

weixin_35363895的博客 339

打开 AI 投研新时代 —— 深度解析 GitHub 高星项目 daily_stock_analysis

GitHub热门开源项目"daily_stock_analysis"是一款AI驱动的智能股票分析工具，能自动抓取行情数据、分析新闻语义并生成结构化报告。该项目采用Python开发，通过GitHub Actions实现全自动运行，支持邮件、企业微信等多渠道推送。核心功能包括AI决策仪表盘、多数据源整合和零成本部署方案，特别适合需要自动化投研辅助的个人投资者。项目强调其仅为分析工具而非投资建议，提醒用户注意AI模型的潜在误差。该工具通过智能化处理重复工作，帮助投资者提升决策效率，成为量化投资

陈奕昆的博客 1522

御龙在天掉线问题定位过程

1.前言 掉线是令每个网络游戏开发人员头痛的问题，太频繁的掉线会影响玩家的体验从而影响到整个游戏的口碑。御龙在天是琳琅天上工作室自研的一款国战型的MMO网络游戏，在2012年公测初期，御龙服务器全体开发人员也被掉线这一问题困扰，通过大家长期坚持不懈的定位，掉线问题逐渐下降，给了玩家一个好的体验，获得了玩家的肯定与喜爱。 2.定位工具 御龙在天是基于互娱的tsf4g

wintree的专栏 4275

IEM模型，地表粗糙度模拟

利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟

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")

腾讯游戏4名技术专家详解：《御龙在天移动版》服务器性能优化

本文作者：蔡铭福、刘林、杨岳军、向熠一、游戏介绍《御龙在天移动版》是一款3D MMORPG手游，以三国为背景，移植《御龙在天端游》经典玩法，主打手机上的实时万人国战，同时通过社交系统和主播语音来增进玩家间的交互。游戏特点：合纵连横，多国万人同时参与国战；开放式场景，随时随地遭遇战；国家语音指挥，大量玩家集体行动。二、性能优化背景《御龙在天》手游的主打玩法是实时万人国战。由于国战的参与人数非常多，国战的流程是分布在不同的地图场景中。玩家在不同的场景间进行切换时，需要给玩家带来良好的体验。同时由于涉及多场景，如

wubaohu1314的博客 805

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

御龙耀九天

烽火起，弓弦吟，兵戈伴硝烟； 卧龙城，缨羽现，马蹄惊红颜； 万军阵，长坂坡，一将登云颠； 乱世尽，峥嵘显，御龙天地间； 凌苍穹，荡千野，钟磬迎凯旋； 平天下，冠旒冕，御龙耀九天； 叹江山不绝若线； 笑英雄来鸿去燕； 驾一骑超尘逐电； 化方戟斩破渊堑； 金甲浴血； 吼动河山御龙在天；

zhujiongming的专栏 842

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。

《御龙天剑传》隐私政策

御龙天剑传尊重和保护利用用户的隐私所有的服务。为了向您提供更准确，更人性化的服务，将御龙天剑传使用和披露按照本隐私政策您的个人信息。 但是御龙天剑传将是一个高度的勤勉，审慎义务对待这些信息。除本隐私政策另有规定外，未经您的许可之前，御龙天剑传信息将不会被披露或向第三方提供。 御龙天剑传更新本隐私政策不时。当您同意御龙天剑传服务协议，您将被视为已同意本隐私政策的全部内容。本隐私政策属于服务协议御...

qq_42450564的博客 194

客户说｜天财商龙引入PolarDB，打造弹性高扩展和HTAP数据库解决方案新思路

临时升配的集群操作，能基本在15分钟内完成对集群所有节点的切换，对于业务读写请求的影响，数据库层面在30s内。随着2023年整体的餐饮行业再次爆发，客户对于系统运行的扩展性，高效性以及平稳性都有了更高的要求，天财商龙DBA Team充分利用云原生技术，在PolarDB MySQL版上享受了数据库技术带来的，灵活性，扩展性，高性能上，更细粒度的数据还原机制，同时利用更新的IMCI 技术充分的享受了一体化HTAP解决方案的优点，给我们提出了更新的解决方案，为充分服务我们的客户做出了坚实的基础。

2301_78798867的博客 1396

御龙掘宝多重收益模式app软件开发

开发这样的软件需要综合考虑多个方面，以实现稳定、有趣且可持续的多重收益模式。游戏玩法设计：结合收益模式设计有趣且具有吸引力的御龙掘宝玩法。用户系统：建立完善的用户账号体系，用于记录收益和交易等信息。测试与优化：全面测试各种收益模式的运行情况，进行优化调整。收益模式的平衡，避免某一种模式过于突出而影响其他模式。例如，广告收益模块，实现广告的展示、点击统计等功能。需求分析：明确各种收益模式的具体细节和相互关系。任务奖励模块，设计多样化的任务和对应的奖励机制。数据管理：确保收益数据的准确记录和安全存储。

河南漫云科技的博客 561

御龙掘宝游戏玩法app定制开发

当然，这只是一个简要的概述，实际开发过程中还会涉及到更多技术细节和复杂的工作。游戏逻辑设计：构建游戏的整个逻辑框架，包括龙的出现机制、宝藏的分布和获取方式等。界面设计：设计吸引人且易于操作的游戏界面，展示龙、宝藏、玩家信息等元素。确保游戏的趣味性和挑战性平衡，让玩家有持续玩下去的动力。明确核心玩法：详细定义御龙掘宝的具体规则、目标和流程。角色与道具设计：确定玩家可操控的角色形象和相关道具。奖励系统设计：设置不同等级的宝藏奖励和成就奖励等。优化性能，避免卡顿和延迟，保证流畅的游戏体验。

河南漫云科技的博客 456

腾讯滑块 天御 collect 分析

腾讯滑块，天御，python，java，go

看我名字、介绍或者查看文章总结处、置顶文章2766958292/ff2766958292 1882

御龙逐霜版本更新全攻略：开服前准备与三天节奏规划

版本更新维护公告是游戏迭代的核心信号，其背后涉及资源重置、经济波动与职业平衡调整。理解更新规律与开服节奏，能帮助玩家在版本初期高效获取红利。御龙逐霜版本采用双词命名，通常对应养成线与玩法线同步上线，开服前后热搜词如御龙逐霜攻略、新坐骑获取方式等反映玩家对怎么拿、怎么打、怎么领、怎么选的迫切需求。提前清空限时代币、锁定交易行材料、规划开服路线图，并掌握御龙坐骑养成与逐霜副本机制，是抢占先机的关键。

weixin_30582943的博客 188

践行科技向善，腾讯优图联合腾讯天御发布面向未成年人的内容安全审核解决方案

日前，在2020腾讯全球数字生态大会AI专场上，腾讯优图实验室副总经理黄飞跃发表了以《技术爆炸时代里的优图：从跋山涉水，到越过山丘》为主题的演讲，并正式发布了面向未成年人的内容安全审核解决方案。 这是腾讯优图联合腾讯天御推出的首个专门面向未成年人的内容安全审核解决方案，既体现了腾讯的相关技术实力，也是公司整体“科技向善”的最新举措。 01 开展未成年人内容审核 势在必行 根据《2019年全国未成年人互联网使用情况研究报告》显示，2019年我国未成年网民规模为1.75亿，未成年人...

qcloud_security的博客 1374

大疆御2电池数据查看教程

此教程原版是在大疆维修的老师傅那里搞到的，从某鱼上需要花钱购买，其中部分内容经过验证（文中会说明） 特此说明：非专业人士不要瞎搞，搞坏本人不负责 大疆御2电池数据查看教程1.所需设备器材2.连接步骤（已验证）3.软件步骤（已验证）4.电池解封（已验证）5.完全访问（已验证）6.修改循环和容量（未验证）7.修复无法开关机和指示灯不亮的情况（已验证） 1.所需设备器材 EV2300 大疆御2充电器 大疆御2电池（加热与非加热均可） 杜邦线3条以及相应的接头（需要插入电池的接口） 电脑以及相应软件（Batter

Wxx_Combo的博客 1万+
上一篇： 昨日的病毒简单分析了下【附Bin样本】
下一篇： IO_STACK_LOCATION — I/O堆栈
点赞 1
评论 0
书签 书签 3
OSReact
OSReact
博客等级 码龄14年 34粉丝 47原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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