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
1.7k累计阅读
1.7k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
游戏主页：http://www.forceplayer.cn
软件说明
《死亡飞车》是一款次世代风格的游戏，游戏灵感来源于好莱坞大片《死亡飞车》这部电影。游戏主要以竞速加竞技为主。玩家各自驾驶自己选择的战车在被严重污染大气环境中和NPC进行赛跑和PK，并可以在途中以本身装备的寻航导弹击毁对手来减少竞争者的数量。游戏地形为戈壁，没有人烟，只有风沙，重型装甲，场景宽广宏大，远处有起伏的山脉。
《死亡飞车》游戏用到各种设计模式，整体框架灵活，扩展性强。支持的功能有，自动排档，刹车，开炮，导弹自动跟踪，自动瞄准功能，液氮加速，极具动感的漂移，跳跃，增加帧数，减少帧数，切换视角，多边形模式等。支持的特效有，绚丽的水状隐身效果，加速动态模糊效果，滤镜反色效果，颗粒画面效果，码赛克效果等。
车载面试题目（ADAS）
多数功能都是依靠的前置传感器(经过Lidar、Radar、Camera融合)，比如ACC、AEB、LKA、NOA、TJA、FCW等，只有少数涉及周视传感器，比如BSD、CVW、DOW。③如果前面有车切速度小于自车车速，自车减速对减速度有要求，比如3.5m/m2，④如果前车静止了，自车有个跟停距离要求，比如2-3m。试验场有不同曲率的弯道，比如125m、250m、500m的，根据需求跟车行驶，看是否会减速，能不能驶出弯道等。迭代内容：底层通讯、网络管理、诊断、刷写、信息安全、OTA。
ogre1.9环境搭建
第一部分 下载sdk Step1、下载Ogre SDK 下载地址：http://www.ogre3d.org/download/sdk 在页面中选择适合自己开发环境的SDK（我用的是vs2008）。 Step2、安装SDK 双击安装程序，这会启动一个自解压缩程序，出现如下界面： 选择目标目录，解压完成后，目录中应该有： Step3、配置SDK
YOLOv8改进002：添加小目标检测头（小目标检测大量涨点）
YOLOv8 目标检测算法改进之添加小目标检测头，亲测在小目标检测的数据集上有大幅度的涨点效果（mAP直接涨了 0.04 左右）。
Ogre(NxOgre)赛车游戏
Ogre赛车..使用NxOgre物理引擎,rakNet网络 新版本将在http://flyingpig.tk发布 最近一直和朋友们在做赛车游戏,我负责物理和框架搭建,使用了NxOgre实现物理部分,现在完成了单机部分的2/3,所以发一个Demo.等游戏全部开发完毕之后会公布完整代码(代码比较规范哦~~)现发布S-Racing V0.3,等下一版
10xGenomics官方可视化工具——Loupe Browser
Loupe Browser是⼀款10xGenomics开发的交互式桌⾯应⽤程序，⽤于探索10x单细胞数据,可以用来找出感兴趣的细胞、找出显著差异表达的基因、鉴定细胞类型、探索细胞亚类和数据共享。
《深入浅出强化学习原理入门》学习笔记（三）机器人找金币应用实例
《深入浅出强化学习原理入门》学习笔记（三）MDP应用实例
Ogre::MaterialPtr
<br />Ogre中的材质一般都是读取*.material尾缀的文件。<br /><br />1.首先使用Ogre::MaterialManager中的create方法创建一个材质，例如： Ogre::MaterialPtr red<br /> = Ogre::MaterialManager::getSingleton().create("DebugLines/Disabled","DebugLines");<br />第一个参数为 材质名；<br />第二个参数为 资
Halcon图片拼接避坑指南：特征点匹配常见问题与解决方案
本文深入解析Halcon图片拼接中特征点匹配的常见问题与解决方案，涵盖特征点提取、匹配优化及变换模型选择等关键环节。针对工业视觉检测中的拼接错位、重影等问题，提供参数调优、图像预处理和算法选择等实战技巧，帮助开发者高效避坑并提升拼接精度。
OGRE+Physx赛车游戏开发
最近在用OGRE+NXOGRE(一个结合AGEIA PHYSX 和OGRE的物理引擎)做赛车游戏,网上查不到什么中文资料,于是转载这篇,希望对自己和他人有所帮助.************************ 以下为转载内容**************出自: http://blog.youkuaiyun.com/tonywjd/archive/2006/08/11/1052346.aspx游戏主要用到了几个
【GNSS/Linux】BKG Ntrip Client (BNC) 的编译与安装
【GNSS/Linux】BKG Ntrip Client (BNC) 的编译与安装 1. BNC软件 1.1 软件介绍 The BKG Ntrip Client (BNC) is an Open Source multi-stream client program designed for a variety of real-time GNSS applications. It was primarily designed for receiving data streams from any Ntrip
Python全栈项目--手机语音远程控制智能家居系统（含嵌入式控制）
摘要：本项目实现了一个基于Python全栈的智能家居语音控制系统，支持手机端语音指令控制家居设备。系统采用FastAPI后端+Vue3前端的架构，集成Web Speech API实现语音识别，通过嵌入式设备（如ESP32）执行硬件控制。功能包括用户认证、设备管理、场景联动、指令解析和日志记录，支持HTTP轮询和直推两种命令下发模式。项目涵盖物联网全链路开发，适用于课程设计或毕业设计原型开发。
【Unity知识速递】第7期 Unity 6.6 深度解析：WebGPU 正式版与 WebAssembly64，Web 游戏的内存革命
如何启用 Wasm64？需要注意的是，Wasm64 需要浏览器支持 Memory64 提案，目前主流浏览器的最新版本都已支持。一句话总结： Unity 6.6 用 WebGPU 转正、Wasm64 16GB 内存和渐进式加载三连击，将 Web 游戏的体验天花板又往上推了一大截——Web 平台不再是"妥协版"，正在成为真正的一等公民。Unity 6.6 新增了 WebAssembly64（Wasm64） 构建选项，这可能是本次更新中对 Web 游戏开发者影响最大的一项升级。
芒果YOLOv7改进48：主干篇：独家首发改进：目标检测新范式骨干PPHGNetv2改进版，充分融合信息特征，提升YOLOv7检测能力
YOLOv7代码改进实践 | 独家首发改进 PPHGNetv2 改进版结构
我给 DeepSeek 大肥鱼做了一款马里奥式闯关游戏
当全网都在把大肥鱼做成直播虚拟主播的时候，我决定给她做一款横版闯关游戏。
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
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
节日小游戏活动快速落地与高效转化技巧
比如，把平时验证过的消消乐、大转盘、接红包等经典玩法作为底子，只需要针对特定的节日（像春节、中秋）或者门店庆典，快速替换一套应景的UI素材和文案，再植入专属的节日福利。这种“旧瓶装新酒”的方式，能把开发周期压缩到极致，确保活动能踩着流量的爆发点准时上线。特别是对于实体门店，游戏通关后的奖励最好能直接引导到线下核销，比如“满100减20”的优惠券，这样能把线上的流量精准地拽进店里，形成实实在在的成交。这种基于熟人关系的推荐，比硬广有效得多，能迅速在朋友圈和社群里铺开，实现低成本的流量获取。
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
Claude Code做Unity项目移植（三）： 使用SKILL进行自动化Git提交
本文介绍基于ClaudeCodeSkill的Unity自动化Git提交助手——unity-git-commit，通过四大模块实现提交前的智能检查与安全修复：1）校验Git仓库状态；2）验证Unity项目文件（如排除Library/Temp，确保.meta文件完整）；3）依据可配置的C#命名规范自动识别并安全修复命名问题（避免序列化、反射等高危场景误改）；4）生成精准提交注释，但强制人工确认。全程仅本地commit，不自动推送或破坏性操作，保障安全。核心思想为“机械化工作交AI，关键决策留人工”，显著提升提交
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');```[](https://bitdeli.com/free "Bitdeli Badge")
PyBox有什么好用的数织小游戏吗？
我们今天梳理了市面上主流的数织解谜工具，包括在线网站和本地应用，并且重点介绍了 PyBox 中的数织 Nonogram。在线解谜网站**适合快速上手、免费体验，但不适合长时间离线使用。本地解谜工具**提供了离线体验，方便专注解题，但可能会涉及安装和广告问题。PyBox的数织 Nonogram**则在绿色无广告、免安装、完全开源、及DIY定制等方面有着明显优势，非常适合想要一个干净、可控、无干扰的游戏环境的用户。如果你追求极致无干扰、注重隐私、喜欢轻量应用，那么数织 Nonogram 绝对值得一试。
Windows远程桌面实现之二十：实现 moonlight 游戏串流协议之（一）
本文介绍在xdisp_virt中集成Moonlight游戏串流协议的实现过程。基于开源项目Sunshine逆向的GameStream协议，作者从零研究并自研实现Moonlight服务端网络通信部分，涵盖mDNS设备发现、nvhttp/nvhttps加密通信、nvrtsp协议交互及三类UDP数据通道（视频、音频、控制）。重点解决多客户端并发问题，采用串行处理机制确保连接一致性。通过自定义证书验证与密钥管理，完成配对与安全通信，最终实现低延迟、高性能的游戏串流体验，显著优于WebRTC浏览器方案。
二进制木马免杀-游戏嵌套与图标替换
二进制木马免杀-游戏嵌套与图标替换
Unity UGUI布局组件（LayoutGroup、ContentSizeFitter、LayoutElement）详解
UGUI 自动布局是一套的 C# 排版系统，和 Transform 原生锚点完全隔离；整套布局；最终输出只有对 RectTransform 的sizeDelta的赋值。
mark 黑塞《玻璃球游戏》
【最近在读黑塞的《玻璃球游戏》-“ai预言“ - 优快云 App】
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2297
扫一扫
