关于Cocos2d-x的一些认识(1)

这学期学习c++之余还抽空把cocos2d-x学习了一下,感觉真的是一款十分强大的游戏引擎,自己也最近发布了两款小游戏应用,下面总结一下自己对Cocos2d-x的一些认识和以前犯的一些错误:

1.想要滚动背景无黑缝,那么背景图片像素必须是整数,可以被整除.

2.button不能用是因为窗口分辨率设置太大了

3.出现n显示无法打开.h或者.cpp是因为路径问题no such file or directory说明头文件或者类不在指定的文件夹里,可以根据错误提示把它们放回去(比如cocos新建项目默认在proj.win32里,要把它改到classes里)

4.无法打开文件“glew32.lib”,则可以试一下重新启动vs2013

5.用偷懒的方法创建新项目改文件名字时,别把user和filiter前的vxc给去掉了,还有.v12.suo的.v12也别去掉(用按F2来重命名很容易出这样的错误)

6.屏幕设置太大的话,一些初始设定就不能完成了,比如说显示主角或者按钮。所以尽量屏幕控制在1000左右

7.tiledmap的原点在左上角(基于2d的坐标)

8.锚点:先有锚点后有图,setposition设置的是锚点的位置,setanchorposition设置的是锚点隶属的图片相对于锚点的位置

9.resource里必须有原图且制作地图时用的是这张图,最后导入tmx地图才不会失败

10.触摸获得的是屏幕大小内的坐标,而子节点的坐标则是以父节点的初始坐标为参考,所以可以很大很大。随着屏幕的移动,地图原点相对于屏幕的坐标会变成负数,而子节点则会很大,此时用子节点加上地图坐标即为子节点相对于屏幕的坐标了

基于Swin Transformer与ASPP模块的图像分类系统设计与实现 本文介绍了一种结合Swin Transformer与空洞空间金字塔池化(ASPP)模块的高效图像分类系统。该系统通过融合Transformer的全局建模能力和ASPP的多尺度特征提取优势,显著提升了模型在复杂场景下的分类性能。 模型架构创新 系统核心采用Swin Transformer作为骨干网络,其层次化窗口注意力机制能高效捕获长距离依赖关系。在特征提取阶段,创新性地引入ASPP模块,通过并行空洞卷积(膨胀率6/12/18)和全局平均池化分支,实现多尺度上下文信息融合。ASPP输出经1x1卷积降维后与原始特征拼接,有效增强了模型对物体尺寸变化的鲁棒性。 训练优化策略 训练流程采用Adam优化器(学习率0.0001)和交叉熵损失函数,支持多GPU并行训练。系统实现了完整的评估指标体系,包括准确率、精确率、召回率、特异度和F1分数等6项指标,并通过动态曲线可视化模块实时监控训练过程。采用早停机制保存最佳模型,验证集准确率提升可达3.2%。 工程实现亮点 1. 模块化设计:分离数据加载、模型构建和训练流程,支持快速迭代 2. 自动化评估:每轮训练自动生成指标报告和可视化曲线 3. 设备自适应:智能检测CUDA可用性,无缝切换训练设备 4. 中文支持:优化可视化界面的中文显示与负号渲染 实验表明,该系统在224×224分辨率图像分类任务中,仅需2个epoch即可达到92%以上的验证准确率。ASPP模块的引入使小目标识别准确率提升15%,特别适用于医疗影像等需要细粒度分类的场景。未来可通过轻量化改造进一步优化推理速度。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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