Godot学习记录(二)

Godot引擎 4.0 文档 - 入门介绍 - 学习新功能 学习新功能Godot 是一个功能丰富的游戏引擎。有很多关于它的知识。本页介绍了如何使用在线手册、内置代码参考以及加入在线社区来学习新功能和技术。 阅读详情

godot英文文档:Godot Docs – 4.2 branch — Godot Engine (stable) documentation in English

一、gdscript

设置:编辑器->编辑器设置->文本编辑器,勾选类型提示,这样可提高运行效率

没设置之前

@onready var char_blue_1 = $CharBlue1

设置之后

@onready var char_blue_1:Sprite2D = $CharBlue1

Tips: 按住Ctrl再点击函数,可跳转到godot内置的函数文档。

1.变量

 (1)var varible_name = value(声明+赋值,此时变量类型可变)

var varible_name: int(声明整型变量,类型不可变)

var varible_name(声明变量,没有赋值,此时访问该变量,值为null)

var varible_name := 1(自动判断类型,类型同样不可变)

var varible_name :=1 :

        set(v):

                if v>0:

                        varible_name = v

(属性修饰符,类似python中@property)

数组:

var weapons = [“123”,“123”]

weapons.size()#长度

weapons.append("456")  #在尾部放一个元素

weapons.pop_back() #从最后面取元素

weapons.pop_front() #从前面元素

对象:

var hero = {

        "hp": 20,

        "mp": 10,

}

hero["hp"]  #拿出属性
hero["hp"] -= 1

for tmp in hero:
    print(tmp, hero[tmp]) #输出 属性,属性值
  

2.类

在文件头部声明类名称即可

eg:

class_name MyPlayer

var name := "class" 

3.循环

for i in 5:

        pass

(循环执行5次,i的数值从0开始增)

4.函数

func _ready() -> void:

        pass

(开始时调用,类似unity中private void start(){})

二、场景相机

顺便一提,画地图时,按住Ctrl键之后点击已画图块,就可以使用点击的图块,按Ctrl后选中一列图块就可以用这一列图块画,Ctrl+shift就可以画一个矩形区域

1.在Player的节点下建一个Camera2D

相机死区:Drag里面调整,相机范围:limits里面调整,editor里勾选draw,就能可视化调整

position smoothing为位置平滑,可让相机移动更丝滑,从标尺上拖下参考线,可以量场景边界,然后填在limits里面,为防止玩家掉出场景,可在边框处加围栏或者用代码限制。如果你嫌麻烦,下面有一些参考代码,可以自动设置限制。

Limite里面有个smooth,勾选这个可以让地图在碰到了边界时的减速也是平滑的

extends Node2D

@onready var tile_map: TileMap = $TileMap
@onready var camera_2d: Camera2D = $Node2D/Camera2D

func _ready() -> void:
	var used := tile_map.get_used_rect()
	var tile_size := tile_map.tile_set.tile_size
	
	camera_2d.limit_top = used.position.y * tile_size.y
	camera_2d.limit_left = used.position.x * tile_size.x
	camera_2d.limit_right = used.end.x * tile_size.x
	camera_2d.limit_bottom = used.end.y * tile_size.y
	#放止一开始player在限制区域外导致有一个奇怪的运镜
	camera_2d.reset_smoothing()  
	

三、画地图

按Ctrl键在TileSet中拖动即可选中图块,右键可删除,然后新建terrain set,选match conners,按照角落来匹配。绘画时,在填充中选择属性-terrain-terrain set 0-填充,之后绘制颜色。匹配规则:能拼到一起的颜色相同。画好后长这样:

tips:对于有些图块,比如较高的蘑菇,可以在TileSet中扩展一个图块,之后设置纹理原点,这样可以让绘制地图更轻松,设置纹理原点时,可使用绘制选项批量绘制。

蘑菇太多?只需到属性-》概率这儿更改 

地图有许多层,可在 layers中增加,然后在绘制界面上方的下拉选框中挑选图层画

四、视差背景 

(1)添加parallaxBackground并在其下添加parallaxLayer,可按喜好更名,我添加了一个天空层,远处的树林层,和近处的树叶层。要添加图片只需在parallaxLayer中将图片作为子节点添加。

motion中的scale为相对移动速度,数值越小,越适用于远景。scale中默认X和Y是一样的,若想不一样,就点击右侧链条,就可分别设置。游戏水平距离通常长,此时背景图片可能不够用,会穿帮,此时可在mirrror中将x设为图片宽度即可(384px)。之后添加山脉和树木,使用region选取部分,Ctrl+D可以复制节点

注:有时候场景衔接处会出现白线,,这是因为godot中region属性与渲染属性的冲突,可设置

项目-项目设置-2D 渲染自动吸附或者使用单独的图片,或者把图片放置的稍微重叠一些,都可解决问题。

设置,置顶可以使运行的debug窗口置顶,显示-窗口-置顶,方便调整

画好后编组,锁定,放止不小心改动 

Godot引擎 4.0 文档 - 循序渐进教程 - 脚本语言 ¶脚本是包含附加到节点以扩展其功能的代码的文件。Godot 支持四种官方脚本语言,为您提供性能和易用性之间的灵活性。例如,您可以混合使用多种语言,以使用 C 或 C++ 实现要求苛刻的算法,并使用 GDScript 或 C# 编写大部分游戏逻辑。 阅读详情

相关推荐

GODOT游戏编程001

GODOT游戏编程第一天 听说GODOT是一款免费又好用的游戏编程软件,很感兴趣,今天下载来开始尝试学习。 网站https://godotengine.org/ 在上方下载界面,先下载编译文件,大约18M,往下还有一个发布文件,比较大 打开编辑软件来看看吧。Godot_v3.0.6-stable_win64.exe 点进去看看,嗯,看起来很简单。 好了,初步来看比较...

GODOT鸣人的博客 6925

Godot引擎 4.0 文档 - 手册 - 2D

¶这是对节点从本地绘制内容到绘制到屏幕上进行的 2D 变换的概述。本概述讨论了引擎的非常底层的细节。¶通常需要将自定义输入事件提供给场景树。有了以上知识,要正确地做到这一点,必须按照以下方式进行:GD脚本C#varvar二维灯光和阴影¶¶默认情况下,Godot 中的 2D 场景是无阴影的,没有可见的灯光和阴影。虽然渲染速度很快,但未着色的场景可能看起来很平淡。Godot 提供了使用实时 2D 光照和阴影的能力,这可以极大地增强项目的深度感。没有 2D 灯光或阴影,场景没有阴影¶启用 2D 灯(无阴影)

drgraph的博客 7161

从零到开源:我的首款Godot4游戏开发全记录

摘要:本文记录了使用Godot4引擎开发2D像素游戏《丛林探险》的全过程。作者分享了从环境搭建到多平台发布的技术细节,包括场景构建、GDScript编程、敌人系统、UI设计等核心开发环节。文章重点介绍了Godot的节点系统、组件化设计思想以及性能优化方案,并总结了将项目开源的心得。这款射击游戏展现了一只狐狸在森林中对抗史莱姆的简单玩法,同时提供了Web和Windows双版本。作者认为Godot凭借其轻量级架构和友好语法,是独立游戏开发者的理想选择,适合初学者开启游戏开发之旅。

weixin_44536119的博客 2092

Godot引擎 4.0 文档 - 手册 - 最佳实践

¶由于 Godot 对项目结构或文件系统的使用没有限制,因此在学习引擎时组织文件似乎具有挑战性。本教程建议的工作流程应该是一个很好的起点。我们还将介绍如何使用 Godot 进行版本控制。¶Godot 的目标是对 VCS 友好,并生成大部分可读和可合并的文件。Godot 还支持在编辑器中使用版本控制系统。但是,编辑器中的 VCS 需要针对您正在使用的特定 VCS 的插件。可以在Project > Version Control下的编辑器中设置或关闭 VCS。​​。

drgraph的博客 6221

[Godot] Godot Game Tools - GGT v2.0.4 使用记录

https://viniguerrero.itch.io/godot-game-tools Godot Game Tools - GGT 发布页   https://www.youtube.com/channel/UCbEKIr_SrQriVr2zNnVTHTg 作者的油管主页 1. 角色骨骼与动画 1.1 下载安装 通过发布页下载到安装包之后 打开 blender 偏好设置 点击安装 找到 GGT 的根目录 找到根目录下面的 godot_game_tools.zip 点击安装 安装成功如图所示.

PriceCheap的博客 3437

【Godot4自学手册】第一节配置Godot运行环境

Godot是一款自由开源、由社区驱动的 2D 和 3D 游戏引擎!它是一款功能丰富的跨平台游戏引擎,可以通过统一的界面创建 2D 和 3D 游戏。它提供了一套全面的通用工具,因此用户可以专注于制作游戏,而无需重新发明轮子。游戏可以一键导出到多个平台,包括主流的桌面平台(Linux、macOS、Windows)、移动平台(Android、iOS)、基于 Web 的平台以及主机平台。

zhaoyang314的博客 5981

Godot4学习记录:物体移动(二)-官方默认的移动规则

我们可以看到,按下移动键时,他会瞬间获得一个 direction * SPEED 的速度向量,并开始移动。而在停止按键(或按键结果为 0)时,他会缓慢的将速度降至 0。在 Godot 的节点当中,有一个专门用于控制移动的节点,并且官方还配套了一个控制移动的脚本。创建好这个节点,我们再为这个节点创建一个脚本,就会得到一个官方模板的脚本,我们来一起看一下。

快来看我的博客 1443

Godot Engine 最新版官方文档(简体中文完整翻译 & 精简梳理)

本文档为Godot引擎最新版官方文档的简体中文完整翻译与精简梳理,涵盖从入门到进阶的全方位开发指南。主要内容包括:引擎功能总览与运行配置要求、基础入门教程(2D/3D游戏开发全流程)、编辑器详解与使用技巧、2D/3D开发模块(含物理/动画/渲染等核心技术)、资源管线管理、多平台导出方案、性能优化策略,以及脚本编程(GDScript/C#/C++)、UI系统、XR开发等专项技术。文档特别包含版本迁移指南、常见问题排错方案,并附完整的类API参考手册,是Godot开发者从学习到实战的全方位权威参考资料。

大坡3D软件开发 1143

Godot 学习记录

看视频做的笔记 1

conan666666的博客 3504

Godot官方中文文档(4.6版本)

Godot官方中文文档4.6 下载解压后,双击index.html文件查看文档

MIT Mini Cheetah--仿真流程

MIT Mini Cheetah–仿真 摘要 由于官方提供代码中,控制仿真环境中的猎豹机器人运动需要遥控器来控制。官方默认推荐使用logitech Gamepad F310游戏手柄:We use the Logitech F310 controller. There’s a switch in the back, which should be in the “X” position. The controller needs to reconnected if you change the switch

Galaxy_Robot的博客 5915

Godot学习日志Day1

本文分享了作者在学习Godot引擎过程中的笔记,重点介绍了Godot在小型创意项目中的优势以及基础设置、场景搭建和角色创建的步骤。作者通过B站教程学习,详细记录了窗口大小、拉伸模式、渲染设置等基础配置,并深入探讨了场景节点、TileMap的使用方法。在角色创建部分,作者详细描述了精灵创建、动画制作和角色脚本编写的流程,展示了如何通过CharacterBody2D节点和AnimationPlayer实现角色动画。最后,作者提到添加碰撞体的步骤,并表达了对继续学习的期待。整体内容为初学者提供了Godot引擎的入

Kotomi的博客 1853

Delphi 12.3 精简绿色版下载

Delphi精简绿色版基于原版安装,去掉了InterBase、法语、德语、日语,只保留了Delphi Windows 32和Delphi Windows 64桌面开发,其余部分未做任何修改。Delphi精简绿色版不含任何破解,仅供学习和研究,24小时后请自行删除,如需继续使用Delphi,请购买正版。绿色版基于原版安装,未做任何精简和修改。绿色版不含任何破解,仅供学习和研究,24小时后请自行删除,如需继续使用RAD Studio,请购买正版。

全粘工程师 4294

Godot 学习笔记

接触Godot的起因源于我想尝试自己制作游戏,而常见的游戏引擎有Unity、Unreal(虚幻),为什么我会选择Godot呢?接下来我会介绍,以及本笔记会记录我学习Godot的过程。本篇文章会不定期更新,上次更新时间:2023.1.29。

Star_tears的博客 1995

Agilent N5230A矢量网络分析仪在射频器件S参数测试中的关键操作指南

本文详细介绍了Agilent N5230A矢量网络分析仪在射频器件S参数测试中的关键操作流程与技巧。内容涵盖从开机预热、校准(SOLT/ECal)、参数设置(频率、点数、功率、IFBW)到连接测量、数据保存分析的全过程,并分享了夹具去嵌入、时域分析等进阶功能与常见问题避坑指南,旨在帮助工程师获得精准可靠的散射参数测试结果。

kotlin6android的博客 399

每天一个优秀提示词学习收藏 - 文本创作篇(二)

宝子们,今天不藏私啦!我把这段时间四处搜罗、潜心钻研出来的文本创作 Prompt 提示词大礼包双手奉上,这可都是能让你的 AI 创作水平原地起飞的干货!走过路过不要错过,赶紧码住,开启你的 AI 创作进阶之旅吧!

2399

从零打造Godot 2D射击游戏全记录

摘要: 作者Briana分享了使用Godot 4.3开发2D像素射击游戏《丛林探险》的全过程。项目采用模块化设计,通过GDScript实现角色控制、动画状态机、碰撞检测和对象池优化,并利用CanvasLayer构建UI系统。文章详细介绍了技术实现细节,包括多平台导出和itch.io发布经验,并开源项目代码。作者认为Godot凭借轻量、开源等特性非常适合独立开发者,未来计划扩展关卡和技能系统。项目地址和试玩链接已公开,为初学者提供了完整参考案例。

weixin_44536119的博客 1787

【深度学习3】ubuntu22.04从零开始搭建深度学习环境

ubuntu22.04从零开始搭建深度学习开发环境

weixin_43387635的博客 1万+

Godot制作2D游戏入门自学记录

未经本人许可禁止转载。

zyq975522483的博客 5032

Ubuntu中snap简单介绍

通过Snap可以安装众多的软件包。需要注意的是,snap是一种全新的软件包管理方式,它类似一个容器拥有一个应用程序所有的文件和库,各个应用程序之间完全独立。所以使用snap包的好处就是它解决了应用程序之间的依赖问题,使应用程序之间更容易管理。但是由此带来的问题就是它占用更多的磁盘空间 介绍一些常用命令,有点类似docker 1、查看已经通过snap安装的snap包 snap list可以查看 2、可以搜索想要的snap包,例如tomcat snap search tomcat

icanflying的博客 4万+

航天设备研制中的形态分类:电性件、正样件及其他关键形态详解

航天设备的研制是一个高度复杂且严谨的工程过程,涉及多个阶段的不同产品形态。这些形态各具特点,在研制流程中承担着不同的验证任务和工程目标。本文将系统介绍航天设备研制中的主要形态,包括**电性件(EM)**、**正样件(FM)**以及**结构热控件(STM)**、**鉴定件(QM)**和**初样件(PFM)**等,详细解析它们的定义、用途和工程意义,帮助读者全面理解航天产品从设计到飞行的全生命周期管理。

ScilogyHunter的博客 1653

Godot学习记录 简单回合战斗

PlayerUnit 位置(200,300)EnemyUnit位置(600,300)

习惯就好zz的专栏 585

Vue - 列表拖曳排序 / 鼠标拖动改变顺序排列高效简洁组件(支持PC端与移动端触屏拖动,也可在滚动条内排序自动滚动,流畅丝滑无 BUG)

Vue-高效简洁列表拖曳排序/鼠标拖动改变顺序排列组件支持PC端与移动端触屏拖动,也可在滚动条内排序自动滚动,流畅丝滑无BUG列表拖曳排序插件vuedraggable拉动拽动拖动顺序改变排序js,vue.js,nuxt.js列表如何实现鼠标拖曳改变顺序排列支持滚动条内复杂数据对象带拖动效果动画排序完毕自动排列数组位置克隆Vue.Draggable官方文档教程SortableJS与vuedraggable列表拖动排序Vue拖拽组件库vuedraggable的安装与使用用户用鼠标拖动排序功能源码最好

🏆 前端领域优质创作者 4847

godot python_我的godot开发环境调教记录分享

由于之前用C++写了大部分游戏代码,现在打算较小改动的移植到新引擎上,感觉godot这个开源引擎比较合适。而且godot完全免费,同时任何个人或组织都可以用VSCommunity开发开源项目,也省了IDE的钱。开发工具上,先准备Visual C++Visual Studio Community https://www.visualstudio.com/vs/community/有注意事项,似乎初...

weixin_32025789的博客 1329

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

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")

探索Godot Engine的强大辅助:Godot Logger插件

探索Godot Engine的强大辅助:Godot Logger插件 在游戏开发的世界里,日志记录扮演着至关重要的角色,尤其是在使用像Godot Engine这样的开源游戏引擎时。对于那些渴望优化开发流程、提升调试效率的开发者们而言,Godot Logger插件无疑是一个福音。让我们一起深入了解这一神器,看看它是如何成为Godot项目中不可或缺的一员。 项目介绍 Godot Logger是一款专...

gitblog_00721的博客 855

jre9下载 jdk9

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

Unity转Godot记录(一)

(3)新建AnimationPlayer节点,点击“动画”-》新建-》输入idle,该动画共六帧,我希望FPS为10,所以总长为0.6s,点击打开循环,属性值右侧有一个小钥匙一样的东西,点击后即可添加关键帧。(2)点击绘制,物理层0,画在TileSet的地块上,之后TileMap选择地块绘制,左键绘制,右键删除,按住shift键可拖出一条直线。(1)新建TileMap,新建TileSet图集,把图片拖入底部,弹出窗框点击否,右侧点击物理层,之后新建。我的电脑只支持兼容版的,创建后启动。

python_use的博客 1497

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。

上一篇: Unity转Godot记录(一)
下一篇: Godot零散记录
python_use
博客等级 码龄5年 430粉丝 38原创
评论 2
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