python tkinter实现俄罗斯方块基础版——三、生成、移动、固定、消除

python实现俄罗斯方块【含代码和讲解】 在上述代码中,我们首先定义了一些常量、参数以及 Pygame 相关的初始化,然后定义了方块和方块组类,包括绘制、移动、旋转和检测碰撞等方法。当游戏中没有空间来放置新的方块组时,就创造一个新的方块组。这是一个简单却富有挑战和乐趣的游戏,让玩家必须思考如何将各种形状的积木放入底部的平面上,以便完整地填满一行或多行,每填满一行就会消失并获得分数,而玩家则不断面临更高难度的挑战。通过以上代码实现,您可以快速地理解并创建自己的俄罗斯方块游戏,这是一个简单而有趣的游戏,也是 Python 编程的一个很好的学习项目。 阅读详情
AI摘要

本文详细介绍使用Python和随机库random开发俄罗斯方块游戏的过程,包括方块的随机生成、移动、固定、消除等核心功能的实现。文章还介绍了如何处理方块的左右移动、变换及着陆操作。

总目录

一、基础界面

二、界面动起来

三、生成、移动、固定、消除

四、消除与得分

======================= 大爽歌作,made by big shuang =======================

1、随机生成俄罗斯方块

这里需要导入python自带的随机库random
使用其中的choice方法,从俄罗斯方块形状列表中随机选出一个。
该方法源码说明如图
在这里插入图片描述
首先我们需要删除原来的位于game_loop方法上面的a_block = ... 和draw_block_move(canvas, a_block)这2行代码(这两行代码俄罗斯方块是在固定位置,按照指定形状生成的,需要删掉这部分代码),
然后再在原来的这2行代码所在位置,添加一个随机生成俄罗斯方块的方法generate_new_block

def generate_new_block():
    # 随机生成新的俄罗斯方块
 
    kind = random.choice(list(SHAPES.keys()))
    # 对应横纵坐标,以左上角为原点,水平向右为x轴正方向,
    # 竖直向下为y轴正方向,x对应横坐标,y对应纵坐标
    cr = [C // 2, 0]
    new_block = {
        'kind': kind,  # 对应俄罗斯方块的类型
        'cell_list': SHAPES[kind],
        'cr': cr
    }
 
    return new_block

再将游戏运行方法game_loop修改成如下,其中,将当前的俄罗斯方块对象通过全局变量来存储,
并在game_loop方法下面设置初始的俄罗斯方块为空(None)
此时每次运行代码都会发现生成了随机的俄罗斯方块

def game_loop():
    win.update()
    global current_block
    if current_block is None:
        new_block = generate_new_block()
        # 新生成的俄罗斯方块需要先在生成位置绘制出来
        draw_block_move(canvas, new_block)
        current_block = new_block
    else:
        draw_block_move(canvas, current_block, [0, 1])
 
    win.after(FPS, game_loop)
 
current_block = None

当然,此时还有问题没有解决,就是俄罗斯方块生成后,会一直往下移动,就算出了可视范围还是会往下移动(只是这时再也看不到了)。
所以接下来我们要实现的是:当俄罗斯方块落地的时候,将它固定住,然后再去生成新的。

2、固定失效俄罗斯方块

判断俄罗斯方块落地的原则是,该方块是否可以继续向下移动
这里我们首先需要的是一个方法check_move需要判断俄罗斯方块是否可以向指定位置移动
该generate_new_block方法的下面,添加check_move方法代码如下

def check_move(block, direction=[0, 0]):
    """
        判断俄罗斯方块是否可以朝制定方向移动
        :param block: 俄罗斯方块对象
        :param direction: 俄罗斯方块移动方向
        :return: boolean 是否可以朝制定方向移动
        """
    cc, cr = block['cr']
    cell_list = block['cell_list']
 
    for cell in cell_list:
        cell_c, cell_r = cell
        c = cell_c + cc + direction[0]
        r = cell_r + cr + direction[1]
        # 判断该位置是否超出左右边界,以及下边界
        # 一般不判断上边界,因为俄罗斯方块生成的时候,可能有一部分在上边界之上还没有出来
        if c < 0 or c >= C or r >= R:
            return False
 
    return True

再将游戏运行方法game_loop修改成如下,便可以每次俄罗斯方块落地后都会生成新的

def game_loop():
    win.update()
    global current_block
 
    if current_block is None:
        new_block = generate_new_block()
        # 新生成的俄罗斯方块需要先在生成位置绘制出来
        draw_block_move(canvas, new_block)
        current_block = new_block
    else:
        if check_move(current_block, [0, 1]):
            draw_block_move(canvas, current_block, [0, 1])
        else:
            current_block = None
 
    win.after(FPS, game_loop)

此时运行效果如下图
在这里插入图片描述
此时仍然有个问题就是老的俄罗斯方块会被新的落地的俄罗斯方块,这个需要处理
当俄罗斯方块发现下面有已固定的俄罗斯方块时,也不能移动
首先,我们需要添加一个变量block_list来记录已固定的俄罗斯方块
在原代码draw_blank_board(canvas)的位置的下面,应该是80行上下的地方,添加如下代码

block_list = []
for i in range(R):
    i_row = ['' for j in range(C)]
    block_list.append(i_row)

然后再在固定俄罗斯方块的时候记录进去,所以
一要添加一个save_block_to_list方法,将无法移动的俄罗斯方块记录进去
二要修改game_loop
具体如下

def save_block_to_list(block):
    shape_type = block['kind']
    cc, cr = block['cr']
    cell_list = block['cell_list']
 
    for cell in cell_list:
        cell_c, cell_r = cell
        c = cell_c + cc
        r = cell_r + cr
        # block_list 在对应位置记下其类型
        block_list[r][c] = shape_type
 
 
def game_loop():
    win.update()
    global current_block
    if current_block is None:
        new_block = generate_new_block()
        # 新生成的俄罗斯方块需要先在生成位置绘制出来
        draw_block_move(canvas, new_block)
        current_block = new_block
    else:
        if check_move(current_block, [0, 1]):
            draw_block_move(canvas, current_block, [0, 1])
        else:
            # 无法移动,记入 block_list 中
            save_block_to_list(current_block)
            current_block = None
 
    win.after(FPS, game_loop)

然后还要再修改原来的check_move方法,就是发现下面有已固定的俄罗斯方块时,也不能移动,具体如下

def check_move(block, direction=[0, 0]):
    """
        判断俄罗斯方块是否可以朝制定方向移动
        :param block: 俄罗斯方块对象
        :param direction: 俄罗斯方块移动方向
        :return: boolean 是否可以朝制定方向移动
        """
    cc, cr = block['cr']
    cell_list = block['cell_list']
 
    for cell in cell_list:
        cell_c, cell_r = cell
        c = cell_c + cc + direction[0]
        r = cell_r + cr + direction[1]
        # 判断该位置是否超出左右边界,以及下边界
        # 一般不判断上边界,因为俄罗斯方块生成的时候,可能有一部分在上边界之上还没有出来
        if c < 0 or c >= C or r >= R:
            return False
 
        # 必须要判断r不小于0才行,具体原因你可以不加这个判断,试试会出现什么效果
        if r >= 0 and block_list[r][c]:
            return False
 
    return True

此时运行效果如下
在这里插入图片描述

3、左右移动俄罗斯方块

首先,我们需要新建一个左右移动俄罗斯方块的方法horizontal_move_block,其中的参数event对应键鼠事件
在save_block_to_list方法下面添加horizontal_move_block方法的代码如下

def horizontal_move_block(event):
    """
    左右水平移动俄罗斯方块
    """
    direction = [0, 0]
    if event.keysym == 'Left':
        direction = [-1, 0]
    elif event.keysym == 'Right':
        direction = [1, 0]
    else:
        return
 
    global current_block
    if current_block is not None and check_move(current_block, direction):
        draw_block_move(canvas, current_block, direction)

然后把键盘上的左右键绑定(bind)这个方法,代码如下

# 在game_loop方法(之外)下面添加
canvas.focus_set() # 聚焦到canvas画板对象上
canvas.bind("<KeyPress-Left>", horizontal_move_block)
canvas.bind("<KeyPress-Right>", horizontal_move_block)

此时运行,就可以按左右方向键来移动俄罗斯方块了

4、变换俄罗斯方块

左右键是移动俄罗斯方块,
上下键我们则实现变换俄罗斯方块

  • 按上键俄罗斯方块会进行顺时针九十度旋转
  • 按下键俄罗斯方块会进行顺时针九十度旋转

这里我们需要添加
旋转俄罗斯方块的方法rotate_block
以及让俄罗斯方块着陆的方法land
在horizontal_move_block方法下面添加rotate_block方法的代码如下

def rotate_block(event):
    global current_block
    if current_block is None:
        return
 
    cell_list = current_block['cell_list']
    rotate_list = []
    for cell in cell_list:
        cell_c, cell_r = cell
        rotate_cell = [cell_r, -cell_c]
        rotate_list.append(rotate_cell)
 
    block_after_rotate = {
        'kind': current_block['kind'],  # 对应俄罗斯方块的类型
        'cell_list': rotate_list,
        'cr': current_block['cr']
    }
 
    if check_move(block_after_rotate):
        cc, cr= current_block['cr']
        draw_cells(canvas, cc, cr, current_block['cell_list'])
        draw_cells(canvas, cc, cr, rotate_list,SHAPESCOLOR[current_block['kind']])
        current_block = block_after_rotate
 
 
def land(event):
    global current_block
    if current_block is None:
        return
 
    cell_list = current_block['cell_list']
    cc, cr = current_block['cr']
    min_height = R
    for cell in cell_list:
        cell_c, cell_r = cell
        c, r = cell_c + cc, cell_r + cr
        if block_list[r][c]:
            return
        h = 0
        for ri in range(r+1, R):
            if block_list[ri][c]:
                break
            else:
                h += 1
        if h < min_height:
            min_height = h
 
    down = [0, min_height]
    if check_move(current_block, down):
        draw_block_move(canvas, current_block, down)

然后再在上一步绑定左右方向键的地方添加下面这行代码,让上键绑定(bind)这个方法

canvas.bind("<KeyPress-Up>", rotate_block)
canvas.bind("<KeyPress-Down>", land)
俄罗斯方块PYTHON完整源码 国外网站上看到的俄罗斯方块PYTHON+pyqt实现 http://zetcode.com/tutorials/pyqt4/thetetrisgame/ 立即下载

相关推荐

架构——异地多活成熟的架构模式

摘要: 本文系统介绍了三种异地多活架构模式:业务定制型、业务通用型和存储通用型。业务定制型针对核心业务定制化设计,复杂度低但扩展性差;业务通用型通过统一配套服务(流量调度、配置中心等)实现多业务兼容,适合业务量大但一致性要求不高的场景;存储通用型依托分布式一致性数据库(如OceanBase、TiDB)天然支持强一致性,适合金融等高要求场景,但对部署距离和成本有较高限制。文章对比了各模式的优缺点及适用场景,为不同业务需求下的架构选型提供了实践指导。

小志的博客 7087

俄罗斯方块Python代码

俄罗斯方块是一款经典的游戏,它可以用多种编程语言来实现。如果你是问关于用Python实现俄罗斯方块的代码,以下是一个简单的实现方式: import turtle# 定义砖块大小和颜色 block_size = 20 colors = ['red', 'yellow', 'blue', 'green', 'purple', 'orange'] # 初始化窗口 turtle.setup(width=...

weixin_35756130的博客 933

5.1 滑模控制(SMC)及其改进

本文系统阐述了滑模控制(SMC)的基本原理及其在永磁同步电机(PMSM)控制系统中的应用。首先介绍了滑模控制的核心思想,包括滑模面设计和不连续控制律,其强鲁棒性使其在电机控制领域得到广泛应用。其次分析了SMC在PMSM速度控制器和无位置传感器观测器中的具体实现方案。重点探讨了SMC固有的抖振问题,详细比较了边界层法、高阶滑模和自适应方法等多种改进策略的优缺点。最后指出改进SMC的研究趋势是多种策略的融合应用,如自适应高阶滑模等,以在保持鲁棒性的同时有效抑制抖振。

技术工作者 1449

python俄罗斯方块

python用pygame实现俄罗斯方块,给大家提供一种思路

qq_46500711的博客 2990

半监督的医学分割数据集(LA, Pancreas, ACDC和PROMISE12)分享

这篇文章提供了四个常用的半监督医学分割数据集,所有数据集都已经被处理成了.h5文件。下载之后就可以直接使用

qq_45691955的博客 4179

从零到一:Halcon手眼标定的实战避坑指南

本文详细解析了Halcon手眼标定的完整流程,重点介绍了Eye-in-Hand和Eye-to-Hand两种模式的实操技巧与常见陷阱。通过九点法、N点法等实战案例,提供硬件配置检查、数据采集策略及误差修正方案,帮助开发者提升机械臂与视觉系统的协同精度,适用于工业自动化领域的精准定位与抓取任务。

neovim7hacker的博客 234

Python 俄罗斯方块实战(代码可直接拿来用)

玩法方面和正常俄罗斯方块一样,操作方面使用空格旋转图案,↓键图案落下,ENTER键暂停。自行在同级目录下创建elsfk.cfg文件。

caixiaobaideye的博客 2848

sec_uid

webcast_uid转sec_uid,webcast_uid转uid,webcast_uid转dy号

m0_56967679的博客 4421

python制作俄罗斯方块

python制作俄罗斯方块

jakelihua 1万+

OpenClaw 报错 npm install failed; cleaning up and retrying...:原生模块编译失败

本文针对OpenClaw项目在部署时出现的"npm install failed"报错问题进行分析,指出该问题源于Node.js原生模块编译链缺失。文章详细列举了常见触发原因,包括缺少gcc/make、Python版本不符、Node版本过新等,并提供了五种解决方案:安装完整编译环境、配置node-gyp Python、重新编译原生模块、切换Node版本以及单独重建失败模块。最后强调在国产服务器环境下部署AI工程时,补齐编译环境和使用稳定Node版本是解决问题的关键,该方案可复用解决

博客 1798

rk3588 LightSensor适配从驱动到应用层

本文详细介绍了在RK3588平台上实现光感驱动的开发流程。主要包括:1) 在设备树中配置I2C5接口挂载光感设备;2) 编写内核驱动代码实现光感数据采集;3) HAL层通过ioctl与驱动交互;4) 在BoardConfig.mk中启用相关宏定义;5) Framework层通过AutomaticBrightnessController实现自动亮度调节算法;6) 应用层可通过监听系统设置获取光感变化并调整屏幕亮度。整个流程涵盖了从底层驱动到上层应用的完整实现方案,重点解决了光感设备注册、数据采集传输和自动亮度

tzj1058756809的博客 449

python tkinter实现俄罗斯方块基础版——一、基础界面

本教程为我在b站投稿的视频教程av81480858 对应的文字版,项目最终效果见投稿简介部分,视频部分讲解的比较详细,觉得文字版不够详细的可以去看视频。 本项目最终代码已上传github: https://github.com/BigShuang/Tetris 的1_BASIC文件夹 。其中1234分别对应本项目教程每一部分的最终代码,所以想看完整代码直接看004.py就好。 本项目通过pyt...

大爽老师的博客 1万+

【学习系列】SAP RAP 16:RAP应用部署集成至Fiori Launchpad 【On-Premise】

本文详细介绍了如何将开发完成的RAP应用部署到S4HANA 2023 On-Premise环境并集成到Fiori Launchpad的完整流程。主要内容包括:1)通过ADT工具创建Fiori项目并配置外部IDE(VSCode);2)使用npm命令部署应用到系统;3)通过事务代码创建语义对象、磁贴目录和目标映射;4)配置PFCG角色分配;5)补充了部署失败解决方案、翻译问题处理、自定义主题设置以及登录页面LOGO修改等内容。文章提供了step-by-step的操作指南,帮助开发者将预览模式的应用正式部署到生产

DeveloperMrMeng的博客 637

Python课程设计之俄罗斯方块

Python课程设计之俄罗斯方块 软件需求:Python环境 压缩包内含:源代码、打包好的可执行文件、文档报告

满天星的博客 1万+

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

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")

python tkinter实现俄罗斯方块基础版——四、消除与得分

1、消除与得分 最后,要实现俄罗斯方块的消除,就是当一行满了的时候,需要消除这行,同时在通过窗口标题展示得分情况 这里需要添加check_row_completed方法判断指定行是否可以消除 同时添加check_and_clear方法检查所有行并消除 而消除之后,我们需要在画板上重新绘制一遍消除后剩余的俄罗斯方块 这里最好将之前的draw_blank_board方法修改为,可以绘制面板上残留的俄罗...

大爽老师的博客 4675

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

python俄罗斯方块教程-100行代码

免费。

m0_75067629的博客 2327

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

python tkinter实现俄罗斯方块基础版——二、界面动起来

总目录 一、基础界面 二、界面动起来 三、生成、移动、固定、消除 四、消除与得分 ======================= 大爽歌作,made by big shuang ======================= 0、思路 要让游戏界面动起来,需要实现两点 1-定时刷新页面 2-移动页面内部的俄罗斯方块 这块说一下,光实现一的话理论上页面也算动起来了,但是如果界面内容不变,每次新的...

大爽老师的博客 4885

用100行python代码制作俄罗斯方块游戏,俄罗斯方块游戏教程-附完整代码

本项目通过python自带库tkinter实现,无需安装第三方库本项目基于python3版本开发(如果你的是python2.x,运行可能会有问题)

2401_85737382的博客 1641

用100行Python代码,制作游戏《俄罗斯方块》!

用100行Python代码,制作游戏《俄罗斯方块》!

m0_75067840的博客 1868

Python游戏开发-俄罗斯方块游戏-手把手教学,100行代码轻松搞定!

和_draw_block_move(canvas, a_block)_这2行代码(这两行代码俄罗斯方块是在固定位置,按照指定形状生成的,需要删掉这部分代码),这块说一下,光实现一的话理论上页面也算动起来了,但是如果界面内容不变,每次新的页面和旧的界面看起来是一样的,给人的观看感觉跟没有动没有区别。这里的判断机制是,新生成的俄罗斯方块已经无法在出生点放置了,也就是出生点都已经被之前的固定的方块占用了,就算游戏结束。其实移动也比较简单,就是清掉旧位置已经绘制的俄罗斯方块,再在新位置绘制新的俄罗斯方块就好。

m0_65482549的博客 2325

100行Python代码复刻经典游戏《俄罗斯方块》

教你用100行Python代码复刻经典游戏《俄罗斯方块》!!

m0_75067840的博客 1108

python俄罗斯方块的消除算法_1.1.3python tkinter实现俄罗斯方块基础版-生成、移动、固定、消除...

1、随机生成俄罗斯方块这里需要导入python自带的随机库random使用其中的choice方法,从俄罗斯方块形状列表中随机选出一个。该方法源码说明如图首先我们需要删除原来的位于game_loop方法上面的a_block = ...和draw_block_move(canvas, a_block)这2行代码(这两行代码俄罗斯方块是在固定位置,按照指定形状生成的,需要删掉这部分代码)然后再在原来的这...

weixin_29696451的博客 676

用100行Python代码制作俄罗斯方块教程

100行代码能干什么?

m0_75067840的博客 938

python俄罗斯方块编码简单_python俄罗斯方块教程-100行代码

本项目通过python自带库tkinter实现,无需安装第三方库本项目基于python3版本开发(如果你的是python2.x,运行可能会有问题)一、基础界面1、搭建基础窗体使用tkinter库实现基础窗体,不加入任何功能只需如下三行代码importtkinterastkwin=tk.Tk()win.mainloop()运行代码生成的窗口如下 接下来我们需要在窗体里面,添加一个画布容...

weixin_42494742的博客 5840

实现一款俄罗斯方块小游戏非常简单!但是要实现AI自动俄罗斯方块才算牛逼!

前言 最近刷抖音,看到一个玩俄罗斯方块的直播,居然玩到九万多分,也是个奇人,关键还有大几千人在那里看直播!这游戏有那么难吗?我试着玩了一下,最高也就玩到一千多分就玩不下去了!后面就图像想到,我是不是可以写个ai自动玩俄罗斯方面的脚本呢?那样多少分不随便上吗?关键我开个直播,看到这么牛,好像又是一比可观的收入! 废话不多说,上干货,好好看,好好学! 先看下效果 ​ ​ ​ 一、基础界面 1、搭建基础窗体 使用tkinter库实现基础窗体,不加入任何功能只需如下三行...

爬遍所有网站 2216
上一篇: python tkinter实现俄罗斯方块基础版——一、基础界面
下一篇: python tkinter实现俄罗斯方块基础版——二、界面动起来
大爽歌
博客等级 码龄9年 422粉丝 92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