从王者荣耀看设计模式(二十三.访问者模式)

王者荣耀java版 王者荣耀 阅读详情

从王者荣耀看设计模式

一.简介

在游戏中,根据场上状况给英雄配备合适的装备是赢的比赛的重要环节。对于刚开始玩王者荣耀(低端玩家like me),在选择装备的时候只会关注装备能给英雄带来多少伤害的增幅(装备属性),而大神级别玩家会仔细研究装备的详细描述

二.模式动机

在有些集合对象中可能存在多种不同类型的元素,而且不同的调用者在使用这些元素时也有所区别,这些调用者称为访问者。此时,可以使用访问者模式来进行系统设计。访问者模式为多个访问者访问集合对象中的多种元素提供了一种解决方案。在本实例中,集合中存储有装备"冰霜法杖"和"破魔刀"的属性和详细描述。低端玩家关注点(想要访问的对象)为集合中的属性。高端玩家关注点为集合中的详细描述。

三.访问者模式

访问者模式(Visitor Pattern):表示一个作用于某对象结构中的各元素的操作,它使我们可以在不改变各元素的类的前提下定义作用于这些元素的新操作。访问者模式是一种对象行为型模式

访问者模式的应用场景
在以下情况下可以使用访问者模式
■ 一个对象结构包含很多类型的对象,希望对这些对象实施一些依赖其具体类型的操作。在访问者中针对每一种具体的类型都提供了一个访问操作,不同类型的对象可以有不同的访问操作
■ 需要对一个对象结构中的对象进行很多不同的并且不相关的操作
■ 对象结构中对象相应的类很少改变,但经常需要在此对象结构上定义新的操作

访问者模式的通用类图

访问者模式涉及的角色
⑴.Vistor(抽象访问者):
抽象访问者为对象结构类中每一个具体元素类ConcreteElement声明了一个访问操作。从这些操作的名称或参数类型可以清楚知道需要访问的具体元素的类型,具体访问者需要实现这些操作方法,定义对这些元素的访问操作
⑵.ConcreteVisitor(具体访问类):
具体访问类实现了每个由抽象访问者声明的操作,每一个操作用于访问对象结构中一种类型的对象
⑶.Element(抽象元素):
抽象元素一般是抽象类或者接口,它定义了一个accept()方法,该方法以一个抽象访问类作为参数
⑷.ConcreteElement(具体元素):
具体元素实现了accept()方法,在其accpet()中调用访问者的访问方法以便完成对一个元素的操作
⑸.ObjectStructure(对象结构):
对象结构时一个元素的集合,它用于存放元素对象,并且提供了遍历其内部元素的方法。

访问者模式优点:
⑴.使得增加新的访问操作变得容易
⑵.将有关元素对象的访问行为集中到一个访问对象对象中。类的职责更加清晰,有利于对象结构中元素对象的复用。相同的对象结构可以供多个不同的访问者访问
⑶.可以跨过类的等级结构访问属于不同的等级结构元素类

访问者模式缺点:
⑴.增加新的元素类很困难
⑵.破坏封装。访问者模式要求访问者对象访问并调用每一个元素对象的操作,这意味着元素对象有时候必须暴露一些自己的内部操作和内部状态,否则无法供访问者访问。

四.结构图

五.设计类图

六.代码实现

创建抽象访问者类(Player类)

package com.practice.Visitor;

import com.practice.elements.MagicKnife;
import com.practice.elements.TheStaffOfFrost;
/*
 * 创建抽象访问者类
 */
public interface Player {
	//查看装备冰霜法杖
	void view(TheStaffOfFrost tsof);
	//查看装备破魔刀
	void view(MagicKnife mkf);
}

Player类作为抽象访问者,在此是一个抽象类,定义了业务方法view(TheStaffOfFrost tsof)和view(MagicKnife mkf),用于访问两种不同类型的元素
创建具体访问者(LowPlayer类)

package com.practice.Visitor;

import com.practice.elements.MagicKnife;
import com.practice.elements.TheStaffOfFrost;
/*
 * 创建具体访问者
 */
public class LowPlayer implements Player {
	private String playerAttenEquip;//玩家关注的装备名称
	private String playerAttenValue;//玩家关注的装备属性
	
	@Override
	public void view(TheStaffOfFrost tsof) {
		playerAttenEquip = tsof.getEquipName();
		playerAttenValue= tsof.getDamageValue();
	}

	@Override
	public void view(MagicKnife mkf) {
		playerAttenEquip = mkf.getEquipName();
		playerAttenValue = mkf.getDamageValue();
	}
	
	public void getTSOFF() {
		System.out.println("低端玩家:装备的名称:【" + playerAttenEquip 
				+ "】,关注点:【" + playerAttenValue + "】");	
	}
	
	public void getMKF() {
		System.out.println("低端玩家:装备的名称:【" + playerAttenEquip
				+ "】,关注点:【" + playerAttenValue + "】");
	}
}

lowPlayer类是具体访问者类,它实现了在抽象访问者类中声明的抽象访问方法,对于两种类型的元素对象,实现方法有所不同
创建具体访问者(highPlayer)

package com.practice.Visitor;

import com.practice.elements.MagicKnife;
import com.practice.elements.TheStaffOfFrost;
/*
 * 创建具体访问类(HighPlayer)
 */
public class HighPlayer implements Player {
	private String playerAttenEquip;//装备名称
	private String playerAttenIntro;//装备详细介绍

	@Override
	public void view(TheStaffOfFrost tsof) {
		playerAttenEquip = tsof.getEquipName();
		playerAttenIntro = tsof.getIntroduce();
	}

	@Override
	public void view(MagicKnife mkf) {
		playerAttenEquip = mkf.getEquipName();
		playerAttenIntro = mkf.getIntroduce();
	}

	public void getTSOFF() {
		System.out.println("高端玩家:装备的名称:【" + playerAttenEquip + "】,关注点:【" +  playerAttenIntro + "】");
	}

	public void getMKF() {
		System.out.println("高端玩家:装备的名称:【" + playerAttenEquip + "】,关注点:【" + playerAttenIntro + "】");
	}
}

HighPlayer类也是具体访问者类,实现了在抽象访问者中声明的抽象访问方法
抽象元素类(Equipment类)

package com.practice.elements;

import com.practice.Visitor.Player;
/*
 * 创建具体元素类
 */
public interface Equipment {
	public void accept(Player player);
}

Equipment是抽象元素类,它声明了一个抽象方法accept(Player player),用于接受访问者的访问
具体访问类(TheStaffOfFrost)

package com.practice.elements;

import com.practice.Visitor.Player;
/*
 * 创建具体访问类
 */
public class TheStaffOfFrost implements Equipment {
	private String introduce;//装备详细介绍
	private String equipName = "冰霜法杖";
	private String damageValue;//装备的属性
	
	public TheStaffOfFrost(String introduce,String damageValue) {
		super();
		this.introduce = introduce;
		this.damageValue = damageValue;
	}

	@Override
	public void accept(Player player) {
		player.view(this);
	}
	
	public String getIntroduce() {
		return introduce;
	}
	
	public String getEquipName() {
		return equipName;
	}
	
	public String getDamageValue() {
		return damageValue;
	}
}

TheStaffOfFrost类实现了Equipment接口,它是具体元素类之一。实现了在Equipment接口中声明的accept(Visitor visitor)方法,在实现过程中调用player对象的view()方法来实现对元素对象的访问。
具体元素类(MagicKnife)

package com.practice.elements;

import com.practice.Visitor.Player;
/*
 * 创建具体元素类
 */
public class MagicKnife implements Equipment {
	private String introduce;
	public String equipName = "破魔刀";
	private String damageValue;

	public MagicKnife(String introduce,String damageValue) {
		super();
		this.introduce = introduce;
		this.damageValue = damageValue;
	}
	
	@Override
	public void accept(Player player) {
		player.view(this);
	}
	
	public String getIntroduce() {
		return introduce;
	}
	
	public String getDamageValue() {
		return damageValue;
	}
	
	public String getEquipName() {
		return equipName;
	}
}

MagicKnife类也实现了EquiPment接口,它也是具体元素类之一
对象结构类(EquipmentRail)

package com.practie.ObjectStructure;

import java.util.ArrayList;
import java.util.List;

import com.practice.Visitor.Player;
import com.practice.elements.Equipment;
/*
 * 创建对象结构类
 */
//装备栏
public class EquipmentRail {
	//装备列表
	private List<Equipment> equipList = new ArrayList<Equipment>();
	//添加装备
	public void addEquip(Equipment equip) {
		equipList.add(equip);
	}
	
	//供查看者查看装备
	public void show(Player player) {
		for(Equipment equip:equipList) {
			equip.accept(player);
		}
	}
}

EquipmentRail类是存储元素对象的对象结构类,它定义了一个ArrayList类型的集合对象list,并提供了增加元素对象的方法addEquip()方法,此外它还提供了一个accept()方法,在该方法中循环调用集合中每一个元素对象的accept()方法,以实现对每一个元素对象的访问
客户测试类(Client)

package com.practice.client;

import com.practice.Visitor.HighPlayer;
import com.practice.Visitor.LowPlayer;
import com.practice.Visitor.Player;
import com.practice.elements.MagicKnife;
import com.practice.elements.TheStaffOfFrost;
import com.practie.ObjectStructure.EquipmentRail;

public class Client {
	public static void main(String[] args) {
		EquipmentRail er = new EquipmentRail();
		//添加装备
		er.addEquip(new TheStaffOfFrost("唯一被动—结霜:英雄技能造成伤害会附带20%的减速效果,持续2秒","+ 150法术攻击,+1050最大生命"));
		er.addEquip(new MagicKnife("唯一被动—破魔:增加等同于自身物理攻击40%的法术防御,最多增加300点","+ 100物理攻击;基础法术防御+50"));
		
		Player lowPlayer = new LowPlayer();
		Player highPlayer = new HighPlayer();
		
		//两类玩家分别访问装备栏
		er.show(lowPlayer);
		er.show(highPlayer);
		
		((LowPlayer)lowPlayer).getMKF();
		((HighPlayer)highPlayer).getMKF();
	}
}

运行结果:

七.源代码下载:

从王者荣耀看设计模式(二十三.访问者模式)

Java实现王者荣耀小游戏(简单版,带有图片资源) #大一期末大作业,我写的王者荣耀小游戏写的比较简单。分为游戏主窗口,游戏元素类(野怪类,小兵类,防御塔类,背景类,英雄类)两大部分 阅读详情

相关推荐

设计模式入门(王者荣耀之设计英雄篇)

大部分学习是一件充满乏味和反人性(克服懒惰)的事(i薙鱼导师:琦大大),假如野人我们的祖先不学会使用火和工具,那么可能就没有现在的我们了,一切都是为了部落,为了生存。[FollowMe]我会尽力使学习过程变得比较轻松愉悦。设计模式是前辈们总结的经验和智慧,就好比武林绝学葵花宝典(还不需要你自宫,简直不要太棒!)

yuhiu9527的博客 1566

游戏设计模式--访问者模式

/* 游戏设计模式--访问者模式 * 定义:表示一个作用于某对象结构中的各元素的操作。它使你可以在不改变各元素类的前提下定义作用于这些元素的新操作。 * 涉及角色: * 1.Visitor 抽象访问者角色,为该对象结构中具体元素角色声明一个访问操作接口。该操作接口的名字和参数标识了发送访 * 问请求...

顽皮细雨的博客 611

Java王者荣耀火柴人

Java王者荣耀火柴人

xiaofan356的博客 3830

在王者荣耀角度下分析面向对象程序设计B中23种设计模式之访问者模式

· 访问者模式在王者荣耀中的应用 · 一、简述 二、访问者模式(Visitor Pattern) 访问者模式理解: 高度概括: 访问者模式结构中的五种角色: 访问者模式的UML类图: 访问者模式的优缺点: 优点: 缺点: 访问者模式的适用情景: 三、王者荣耀角度下实现访问者模式结构图及代码 eclipse结构图 主函数【应用(Application)】 Applicayion.java pack...

闭关修炼——暂退 1396

Java实现王者荣耀小游戏

主要功能键盘W,A,S,D键:控制玩家上下左右移动。按钮一:控制英雄发射一个矩形攻击红方小兵。按钮控制英雄发射魅惑技能,伤害小兵并让小兵停止移动。技能三:攻击多个敌人并让小兵停止移动。普攻:对小兵造成基础伤害。小兵每隔一段时间自动生成,在王者峡谷下路移动,遇到敌人则自动攻击。防御塔可以自动识别敌人进行攻击。野怪分为RedBuff,BlueBuff,普通野怪,死亡后都可以复活。游戏胜利的条件是红方水晶生命值为零,游戏失败条件是蓝方水晶生命值为零。游戏的设计模式为可以偷塔。游戏流程图。

kdkdksjs的博客 6449

王者荣耀——java版

键盘W,A,S,D键:控制玩家上下左右移动。按钮一:控制英雄发射一个矩形攻击红方小兵。按钮二:控制英雄发射魅惑技能,伤害小兵并让小兵停止移动。技能三:攻击多个敌人并让小兵停止移动。普攻:对小兵造成基础伤害。小兵每隔一段时间自动生成,在王者峡谷下路移动,遇到敌人则自动攻击。防御塔可以自动识别敌人进行攻击。野怪分为RedBuff,BlueBuff,普通野怪,死亡后都可以复活。游戏胜利的条件是红方水晶生命值为零,游戏失败条件是蓝方水晶生命值为零。游戏的设计模式为可以偷塔。

2301_79336341的博客 3124

visitor模式

抽象数据类型包括数据,数据之间的关系,对数据的操作。 这种模式能够将操作和数据及数据关系分离,提供接口,让用户定制自己对数据的操作 //数据结构部分代码 public class MyDataStructure { private List<String> list = new ArrayList<String>(); private Set<String> se

u010393809的博客 442

Data+AI新玩法:Text2SQL让数据查询变得如此简单!

你是不是也遇到过这种情况?明明手头有海量数据,却因为SQL这道“门槛”,让分析和决策变得复杂和拖沓。你可能想着:“要是我能直接用自然语言和数据库对话,那该多好!你不是一个人在这样想,Text2SQL技术正是为了帮你摆脱这一困境而诞生的。

Ase5gqe的博客 869

隐藏在《王者荣耀》中程序24种设计模式

   当你还是一个码农的时候,每天都要编写多少行代码每次都要创建很多类的时候,每建立一次给你一点经验值,累计到十级的时候会发现我写了这很多代码为什么不能复用呢?    这时恭喜您进入转职阶段,由码农转成会放魔法的码农。。。(多么吊炸天技能)觉醒吧!少年。以王者荣耀为示例题材,写代码就是打游戏!代码示例裢接:https://github.com/ruanch/Design-Pattern-For-S...

iannaj的博客 1万+

AXI backpressure反压机制代码

本文将xilinx的axi读写代码进行修改,实现吞吐量达到50%

m0_64636251的博客 1767

深入解析STM32定时器中央对齐模式3的双中断机制

本文深入解析了STM32定时器中央对齐模式3的双中断机制。该模式在一个PWM周期内,会在计数器到达ARR(上溢)和0(下溢)时各触发一次更新中断,实现更精细的实时控制。文章详细阐述了其工作原理、配置方法,并指导如何在中断服务函数中通过DIR位区分中断来源,同时探讨了其在电机控制、数字电源等场景下的应用优势与CPU负载挑战。

weixin_29164185的博客 494

从王者荣耀看设计模式(六.观察者模式)

##从王者荣耀看设计模式(观察者模式) ####一.简介: 王者荣耀是由十位玩家组成的RGB类电子竞技游戏。为了游戏良好的体验感,王者荣耀具有完备的系统提示机制.游戏开始时,系统会发出提示音:“敌军还有5秒到达战场,请做好准备”;游戏中,系统会向各玩家提示游戏进程,例如:“干将已经被甄姬击杀”,每个玩家都能接收到系统的提示,并根据系统的提示作出相应的操作 ####二.观察者模式 观察者模式(Observer Pattern)也叫发布订阅模式(Public/subscribe),定义对象间一种一对多的依赖关

妙乌的博客 1万+

Sigrity IBIS建模实战:如何用T2B工具快速转换SPICE模型(附避坑指南)

本文详细介绍了如何使用Sigrity T2B工具将SPICE模型高效转换为IBIS模型,涵盖从环境配置、模型预处理到转换流程和验证策略的全过程。通过实战案例和避坑指南,帮助硬件工程师掌握高速电路设计中的IBIS建模技术,提升信号完整性分析效率。

weixin_29243279的博客 402

在王者荣耀角度下分析面向对象程序设计B中23种设计模式之责任链模式

· 责任链模式在王者荣耀中的应用 · 一、简述 在王者荣耀商城中,玩家可以参与夺宝抽奖。夺宝抽奖分两种,一种是积分抽奖,另一种是钻石抽奖;在平常,两种夺宝抽奖方式均可以通过60钻石/积分抽奖一次,或者通过270钻石/积分连续抽奖5次;其中,当钻石夺宝幸运值达到201时,可以获得稀有王者水晶,当积分夺宝幸运值达到361时,可以获得稀有荣耀水晶;玩家可以使用王者水晶或荣耀水晶换取特定的英雄、皮肤、装...

闭关修炼——暂退 2万+

linux系统下XDMA驱动的安装与测试问题总结

先看两个常见的问题。一个是驱动安装问题,一个是驱动测试错误;error 512 能识别PCIE的设备,但是The kernel modle installed correctly, but no devices were recognized.

whm128的博客 3810

【车载以太网】【AVB/TSN】IEEE802.1Qav队列及转发协议

目录 一、概述 二、优先级排队算法 三、基于信用的流量整形算法 一、概述 IEEE 802.1Qav 队列及转发协议(Qav)针对不同数据流选择不同的传输选择算法来保障对时间敏感的 AV 数据流的实时传输。为了避免传统的异步以太网数据流量与 AVB 流量之间对网络资源的竞争,AVB 交换机内使用优先级排队算法和基于信用的流量整形算法实现数据流的调度。 二、优先级排队算法 优先级排队算法主要用于传统以太网数据流(BE, Best Effort)的调度传输,BE 流通过基于优先级...

专注汽车软件开发、AutoSAR、车载以太网、SOA、EE架构。 4689

专栏最后一期——在王者荣耀角度下分析面向对象程序设计B中23种设计模式之总结篇

各位关注本专栏的读者朋友们,Happy May Day holiday! 历时两个月,《23种设计模式在王者荣耀中的应用》专栏已经全部更新结束了。 在这个专栏创立的2个月的时间里,文章总共发表了25篇,总点击量达到了3w+;我也通过这个专栏结交到了许多志同道合的朋友。想当初我只想的是在学习《面向对象程序设计B》过程中对书上的代码与当下最火的手游——王者荣耀结合并做一些改进,发表到CSD...

闭关修炼——暂退 9781

海康工业相机网口相机丢包问题解决方法

海康工业相机网口相机丢包问题解决方法

视觉人机器视觉的博客 4275

在王者荣耀角度下分析面向对象程序设计B中23种设计模式之单件模式

· 单件模式在王者荣耀中的应用 · 一、简述 今年春节王者荣耀出了一个叫做“王者快跑”的限时玩法,许多玩家都很喜欢这个游戏模式。不同于5V5的王者地图,这个地图是一个跑道中途有很多的障碍物,还有NPC玩家释放控制技能做阻拦,简单益智,只要一直跑就可以了,最终按照所有玩家到达终点的时间前后顺序获得名次。 ☞在本实例中,设计了一个Champion冠军单件类,以及马超、韩信、猪八戒、李白、李元芳等五...

闭关修炼——暂退 4492

【NVIDIA】Jetson Orin Nano系列:烧写Ubuntu22.04

Jeson Orin Nano系列:烧写Ubuntu22.04 电脑主机可以是Ubuntu20.04

郭老二 4898

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")

王者荣耀java实现_从王者荣耀看设计模式-策略模式(java版)

王者荣耀曾经我也是一名玩农药的大学生,但现在已经弃了,别问我为什么(被坑爹队友坑的哭。。。)。而今天我们来把让农药变荣耀,我们来从王者荣耀中看设计模式的策略模式。射手00.分析我们先来思考,王者荣耀现在已经发展到60多个英雄了,他们大致分为坦克,战士,刺客,射手,法师,辅助六种角色。因为我喜欢玩射手,下面就拿射手来说明吧。射手相同的特征是射击,但每个射手都有不同的射击状态,可以佩戴不同的召唤师技能...

weixin_39677027的博客 3581

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

java版王者荣耀

1.主要功能键盘W,A,S,D键:控制玩家上下左右移动。按钮一:控制英雄发射一个矩形攻击红方小兵。按钮二:控制英雄发射魅惑技能,伤害小兵并让小兵停止移动。技能三:攻击多个敌人并让小兵停止移动。普攻:对小兵造成基础伤害。小兵每隔一段时间自动生成,在王者峡谷下路移动,遇到敌人则自动攻击。防御塔可以自动识别敌人进行攻击。野怪分为RedBuff,BlueBuff,普通野怪,死亡后都可以复活。游戏胜利的条件是红方水晶生命值为零,游戏失败条件是蓝方水晶生命值为零。游戏的为可以偷塔。一,主窗口类。

xm-love-mq的博客 2万+

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

从王者荣耀谈设计模式​

软件开发中涉及到的设计模式很多,这里重点讨论工作中常见的一些设计模式,围绕王者荣耀中的场景进行展开。 1:策略模式 策略模式demo <?php //1:抽象策略接口:王者荣耀 abstract class kingGlory{ abstract function showTime(); } //2:具体策略角色 //鲁班 ...

DELL6371的博客 415

从王者荣耀谈设计模式

软件开发中涉及到的设计模式很多,这里重点讨论工作中常见的一些设计模式,围绕王者荣耀中的场景进行展开。   1:策略模式 策略模式demo &lt;?php //1:抽象策略接口:王者荣耀 abstract class kingGlory{     abstract function showTime(); }   //2:具体策略角色 //鲁班 class luban...

qq_17478947的博客 683

用王者荣耀来理解java设计模式之责任链模式

在王者荣耀商城中,玩家可以参与夺宝抽奖。夺宝抽奖分两种,一种是积分抽奖,另一种是钻石抽奖;在平常,两种夺宝抽奖方式均可以通过60钻石/积分抽奖一次,或者通过270钻石/积分连续抽奖5次;其...

独行侠梦的博客 1万+
上一篇: 从王者荣耀看设计模式(二十二.备忘录模式)
下一篇: 从王者荣耀看设计模式(五.状态模式)
Jial-(^V^)
博客等级 码龄9年 918粉丝 65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