/* CPS2-FBA 《Mars Matrix》Driver Source */
#include "cps.h"
/* Auther: WangMeng (HeartIcy@163.com)
-------
Changelog:
02/05/2003 Fixed Rominfo Type Error =..=
02/05/2003 Supported Janpan editor - needed Xor's Cracked
02/05/2003 Supported English editor - needed Xor's Cracked
-------
Doubler Player and One Key's
*/
/* 开始->定义控制器 */
static struct BurnInputInfo DrvInputList[] =
{
{"P1 Coin" , 0, CpsInp020+4, "p1 coin" }, // P1投币
{"P1 Start" , 0, CpsInp020+0, "p1 start" }, // P1开始
{"P1 Up" , 0, CpsInp001+3, "p1 up" }, // P1上
{"P1 Down" , 0, CpsInp001+2, "p1 down" }, // P1下
{"P1 Left" , 0, CpsInp001+1, "p1 left" }, // P1左
{"P1 Right" , 0, CpsInp001+0, "p1 right" }, // P1右
{"P1 Shot" , 0, CpsInp001+4, "p1 fire 1"}, // 射击
{"P2 Coin" , 0, CpsInp020+5, "p2 coin" }, // P2投币
{"P2 Start" , 0, CpsInp020+1, "p2 start" }, // P2开始
{"P2 Up" , 0, CpsInp000+3, "p2 up" }, // P2上
{"P2 Down" , 0, CpsInp000+2, "p2 down" }, // P2下
{"P2 Left" , 0, CpsInp000+1, "p2 left" }, // P2左
{"P2 Right" , 0, CpsInp000+0, "p2 right" }, // P2右
{"P2 Shot" , 0, CpsInp000+4, "p2 fire 1"}, // 射击
{"Reset" , 0, &CpsReset , "reset" }, // 重新启动
{"Diagnostic" , 0, CpsInp021+1, "diag" }, // 调试菜单
{"Service" , 0, CpsInp021+2, "service" }, // 服务
};
STDINPUTINFO(Drv);
/* 完毕->定义控制器 */
/* 开始->游戏加载 */
static int DrvInit()
{
int nRet=0; int i=0; unsigned char *pqs=NULL;
Cps=2;
nCpsRomLen= 3*0x080000; // 程序文件长度
nCpsCodeLen= 3*0x080000; // XOR解密文件长度
nCpsGfxLen= 8*0x400000; // 图像文件长度
nCpsZRomLen= 0x020000; // QSound Z80声音文件长度
nCpsQSamLen= 2*0x400000; // QSound 声音采样文件长度
nRet=CpsInit(); if (nRet!=0) return 1;
// 读取程序ROM (USA:mmxu.03 mmxu.04 mmxu.05 Janpan:mmxuj.03 mmxuj.04 mmxuj.05)
for (i=0;i<3;i++)
{ nRet=BurnLoadRom(CpsRom+0x080000*i,3+i,1); if (nRet!=0) return 1; }
// 解密ROM - XOR表 (USA:mmxux.03 mmxux.04 mmxux.05 Janpan:mmxujx.03 mmxujx.04 mmxujx.05)
memcpy(CpsCode,CpsRom,nCpsCodeLen);
for (i=0;i<3;i++)
{ nRet=BurnXorRom(CpsCode+0x080000*i,0+i,1); if (nRet!=0) return 1; }
// 读取图像
nRet=Cps2LoadTiles(CpsGfx ,6); // 读取 mmxu.13 mmxu.15 mmxu.17 mmxu.19
nRet=Cps2LoadTiles(CpsGfx+4*0x400000,10); // 读取 mmxu.14 mmxu.16 mmxu.18 mmxu.20
// 读取Z80 ROM
nRet=BurnLoadRom(CpsZRom,14,1); // 读取Z80 ROM mmxu.01
// 读取QSound 采样 ROM
pqs=(unsigned char *)CpsQSam;
nRet=BurnLoadRom(pqs ,15,1); // 读取第一个采样 ROM mmxu.11
nRet=BurnLoadRom(pqs+0x400000,16,1); // 读取第二个采样 ROM mmxu.12
BurnByteswap(pqs,nCpsQSamLen);
nRet=CpsRunInit(); if (nRet!=0) return 1;
return 0;
}
/* 完毕->游戏加载 */
/* 开始->退出游戏 */
static int DrvExit()
{
CpsRunExit();
CpsExit();
nCpsQSamLen=0;
nCpsZRomLen=0;
nCpsGfxLen=0;
nCpsCodeLen=0;
nCpsRomLen=0;
Cps=0;
return 0;
}
/* 完毕->退出游戏 */
/************************************
Mars Matrix - USA Revision: 000412
************************************/
/* 开始->定义ROM信息 */
static struct BurnRomInfo MmatrixRomDesc[]=
{
// XOR ROM 信息 - 类型码:0x10
{"mmxux.03" ,0x080000,0x7868ae77 ,0x10}, // 0
{"mmxux.04" ,0x080000,0xa5ee6d07 ,0x10}, // 1
{"mmxux.05" ,0x080000,0xb07745ff ,0x10}, // 2
// 程序 ROM 信息 - 类型码:0x10
{"mmxu.03" ,0x080000,0xab65b599 ,0x10}, // 3
{"mmxu.04" ,0x080000,0x0135fc6c ,0x10}, // 4
{"mmxu.05" ,0x080000,0xf1fd2b84 ,0x10}, // 5
// 图像 ROM 信息 - 类型码:1
{"mmxu.13" ,0x400000,0x04748718 ,1}, // 6
{"mmxu.15" ,0x400000,0x38074f44 ,1}, // 7
{"mmxu.17" ,0x400000,0xe4635e35 ,1}, // 8
{"mmxu.19" ,0x400000,0x4400a3f2 ,1}, // 9
{"mmxu.14" ,0x400000,0xd52bf491 ,1}, // 10
{"mmxu.16" ,0x400000,0x23f70780 ,1}, // 11
{"mmxu.18" ,0x400000,0x2562c9d5 ,1}, // 12
{"mmxu.20" ,0x400000,0x583a9687 ,1}, // 13
// QSound Z80 ROM 信息 - 类型码:2
{"mmxu.01" ,0x020000,0xc57e8171 ,2}, // 14
// QSound 采样 ROM 信息 - 类型码:2
{"mmxu.11" ,0x400000,0x4180b39f ,2}, // 15
{"mmxu.12" ,0x400000,0x95e22a59 ,2}, // 16
};
STD_ROM_PICK(Mmatrix) STD_ROM_FN(Mmatrix)
/* 完毕->ROM信息 */
/* 开始->驱动说明 */
struct BurnDriver BurnDrvCpsMmatrix=
{
// 基本信息
{"mmatrix", "Mars Matrix : Hyper Solid Shooting (USA)", "Coder by WangMeng, 02/05/2003.",
"Capcom", "CPS2", "2000", NULL, NULL},
// 运行信息
1, 2, HARDWARE_CAPCOM_CPS2, NULL, MmatrixRomInfo, MmatrixRomName, DrvInputInfo, NULL,
// 驱动信息
DrvInit, DrvExit,Cps2Frame,CpsRedraw,CpsAreaScan,&CpsRecalcPal,224,384,3,4
};
/* 完毕->驱动信息 */
/**************************************
Mars Matrix - Janpan Revision: 000412
**************************************/
/* 开始->定义ROM信息 */
static struct BurnRomInfo MmatrixjRomDesc[]=
{
// XOR ROM 信息 - 类型码:0x10
{"mmxujx.03" ,0x080000,0x4ca1424f ,0x10}, // 0
{"mmxujx.04" ,0x080000,0x61b9b2a1 ,0x10}, // 1
{"mmxujx.05" ,0x080000,0xbdd304cf ,0x10}, // 2
// 程序 ROM 信息 - 类型码:0x10
{"mmxuj.03" ,0x080000,0x1d5de213 ,0x10}, // 3
{"mmxuj.04" ,0x080000,0xd943a339 ,0x10}, // 4
{"mmxuj.05" ,0x080000,0x0c8b4abb ,0x10}, // 5
// 图像 ROM 信息 - 类型码:1
{"mmxu.13" ,0x400000,0x04748718 ,1}, // 6
{"mmxu.15" ,0x400000,0x38074f44 ,1}, // 7
{"mmxu.17" ,0x400000,0xe4635e35 ,1}, // 8
{"mmxu.19" ,0x400000,0x4400a3f2 ,1}, // 9
{"mmxu.14" ,0x400000,0xd52bf491 ,1}, // 10
{"mmxu.16" ,0x400000,0x23f70780 ,1}, // 11
{"mmxu.18" ,0x400000,0x2562c9d5 ,1}, // 12
{"mmxu.20" ,0x400000,0x583a9687 ,1}, // 13
// QSound Z80 ROM 信息 - 类型码:2
{"mmxu.01" ,0x020000,0xc57e8171 ,2}, // 14
// QSound 采样 ROM 信息 - 类型码:2
{"mmxu.11" ,0x400000,0x4180b39f ,2}, // 15
{"mmxu.12" ,0x400000,0x95e22a59 ,2}, // 16
};
STD_ROM_PICK(Mmatrixj) STD_ROM_FN(Mmatrixj)
/* 完毕->ROM信息 */
/* 开始->驱动说明 */
struct BurnDriver BurnDrvCpsMmatrixj=
{
// 基本信息
{"mmatrixj", "Mars Matrix : Hyper Solid Shooting (Janpan)", "Coder by WangMeng, 02/05/2003.",
"Capcom", "CPS2", "2000", "mmatrix", NULL},
// 运行信息
1, 2, HARDWARE_CAPCOM_CPS2, NULL, MmatrixjRomInfo, MmatrixjRomName, DrvInputInfo, NULL,
// 驱动信息
DrvInit, DrvExit,Cps2Frame,CpsRedraw,CpsAreaScan,&CpsRecalcPal,224,384,3,4
};
/* 完毕->驱动信息 */
/* EOF */
/**************************************************************************
如果你也想自行编写FBA的游戏驱动可以前往www.hyzgame.com查阅相关资料。超棒!
**************************************************************************/
相关推荐
基于树莓派4B打造桌面复古街机:硬件选型、软件配置与进阶优化全攻略
在嵌入式系统开发与DIY硬件项目中,单板计算机因其高性能、低功耗和丰富的接口生态,成为众多创意实现的理想核心。其工作原理在于通过集成处理器、内存和I/O接口,运行定制化操作系统,从而控制外设并执行特定任务。这种技术方案的价值在于,它极大地降低了硬件开发门槛,使得开发者能够专注于功能实现与应用创新。在智能家居、物联网设备、媒体中心以及复古游戏系统等场景中,单板计算机都扮演着关键角色。本文聚焦于一个具体的工程实践:利用树莓派4B构建一台桌面复古街机。项目深入探讨了核心硬件如树莓派主控板、三和摇杆与按键的选型逻辑
FBA4droid 模拟器
android版本源码,可以配置编译通过,fba源码,使用sdl绘制游戏界面。项目洽谈,请加qq 332324956效果如下:
pc用FBA整合版.rar
pc用FBA整合版.rar
月光宝盒源码、FBA、mame、psp
FBA源码 月光宝盒 街机 mame 全能 fbn 魂斗罗 超级玛丽 拳皇
Plant Simulation新手入门:5步搞定生产线物流仿真(附模型库使用技巧)
本文为Plant Simulation新手提供了从零开始构建生产线物流仿真的五步入门指南。通过理念重塑、流程规划、对象连接、参数设置到数据分析的完整流程,帮助用户快速掌握这一强大仿真工具的核心逻辑。文章特别强调了模型库的高效使用技巧,助力工程师在虚拟环境中精准模拟和优化生产系统,提升规划效率。
自制JS某课脚本
根据实际需求自制网页讯网刷题脚本,绕过人脸,弹窗,答题,实现自动化运行
XOR加密
异或运算,对称加解密算法。
【100%通过率】2023华为od机试C卷【电脑病毒感染】C++ 实现
一个局域网内有很多台电脑,分别标注为 0 ~ N-1 的数字。相连接的电脑距离不一样,所以感染时间不一样,感染时间用t 表示。其中网络内一台电脑被病毒感染,求其感染网络内所有的电脑最少需要多长时间。如果最后有电脑不会感染,则返回-1.
CPS2-FBA驱动开发实例 (转)
CPS2-FBA驱动开发实例 (转)[@more@]/* CPS2-FBA 《Mars Matrix》driver source */ #include "cps.h" /* Auther: WangMeng (HeartIcy...
代码复现5——VLMaps
报错“AttributeError: module 'clip' has no attribute 'load'”,运行下述命令解决。运行后接着报错:“ModuleNotFoundError: No module named 'pytorch_lightning'”运行后命令后会弹出一个RGB窗口,可以用键盘上的“W”“A”“D”键控制移动视角的变化,“空格”键开始记录,“q”键停止。并更改相关代码文件,vlmaps/vlmaps/lseg/modules/models/lseg_vit.py。
Spring AI Alibaba实战训练营-05模型输出质量评估
本文介绍了使用Spring AI Alibaba库评估AI模型输出质量的方案。项目通过5种评估器实现自动化评估:相关性评估、事实准确性评估、答案相关性评分、答案正确性评估和忠实度评估。开发步骤包括环境准备(Java 17、Maven、API Key获取)、创建Maven项目、配置Spring AI(通过环境变量安全设置API Key)以及实现RAG流程。重点强调了通过评估器自动检测AI输出的质量指标,帮助开发者优化AI应用性能。
FBA CPS2驱动编写模版 (转)
FBA CPS2驱动编写模版 (转)[@more@]/* CPS2-FBA 《--游戏名称--》游戏驱动 */ #include "cps.h" /*重要:ROM取值的大小按照同类型单个ROM最大值为基础 */ /* 开始-&g...
基于Matlab模拟RANS湍流——详细分析与源代码
在模拟过程中,我们首先定义了模拟所需的参数,包括流体的动力黏度和密度,以及边界条件和网格分辨率。接下来,通过求解平均值方程和湍流涨落方程,我们模拟了湍流的演化过程。在本文中,我们将使用Matlab对RANS湍流进行模拟,并提供相应的源代码。RANS湍流模拟的基本思想是将流场的变量分解为平均值和涨落值,并通过求解平均值方程和湍流涨落方程来描述流场的演化。请注意,以上代码仅为示例,实际的RANS湍流模拟可能需要更复杂的算法和模型。接下来,我们将求解RANS方程,包括平均值方程和湍流涨落方程。
工业嵌入式存储升级:MRAM与PIC18LF47K42的SPI驱动与掉电安全实践
非易失性存储器在工业数据采集与电力终端中承担参数保存与日志记录任务,传统EEPROM和SPI Flash因擦除等待、写入寿命和掉电风险逐渐受限。MRAM基于磁性隧道结存储数据,支持字节级写入、纳秒级速度与近乎无限的擦写寿命,无需擦除即可直接改写,从原理上消除了扇区擦除带来的数据丢失隐患。其技术价值在于提升高频写入场景下的吞吐量与掉电安全性,适用于工业传感器节点、医疗设备参数记录及车载数据记录等场景。本文以4Mbit串行MRAM与PIC18LF47K42单片机为例,详解SPI接口驱动、地址管理、批量读写性能测
Wsl/InstallDistro/Service/RegisterDistro/CreateVm/HCS/E_INVALIDARG
摘要:安装WSL2时遇到E_INVALIDARG错误(多核CPU问题),可通过创建.wslconfig配置文件解决。配置内容包括:渐进式内存回收、自动代理、模拟虚拟系统调用、限制内存为4GB和处理器核心数为4。需确保已启用虚拟机平台和Linux子系统功能。 (98字)
【问题解决】解决 Python `PermissionError` 权限不足:文件/进程/端口全场景修复
本文总结了Python程序中常见的权限问题及解决方案,包括文件、进程和端口权限错误。文件权限问题通常由文件占用、权限不足或路径错误引起;进程问题多因权限不足或系统限制;端口问题则与端口占用、防火墙或特权端口相关。解决方案提供了详细的代码实现:文件权限管理器类(FilePermissionManager)包含检查权限(check_permission)、修复权限(fix_permission)、安全写入(safe_write)和安全删除(safe_delete)等方法,通过异常处理和临时文件等技术确保操作安全
FinalBurn Alpha 2.9x中CPS2游戏驱动程序的编写 (转)
FinalBurn Alpha 2.9x中CPS2游戏驱动程序的编写 (转)[@more@]FinalBurn Alpha 2.9x中CPS2游戏驱动程序的编写 作者:胡颖卓 FinalBurn Alpha是当今...
贝叶斯统计 [韦来生编]
贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。 本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。 大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。 作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。 本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。
node.js 腾讯镜像站_史上最强Sx05RE游戏整合镜像发布!FBA4ARM永久闭源并停止发布!...
先来说第一件事。经过两个多星期的编程和整合,史上最强Sx05RE游戏整合镜像终于发布了!此次的整合镜像在官方Sx05RE 2.3.1的基础上,添加了独立NDS模拟器Drasitc以及独立程序OpenBOR,因官方不再发布版,直接跳至版,因此此次是一个非官方的改版。这次的整合镜像是我独家制作的,以下亮点红字标题的是独家的,不仅Lakka无法实现,目前其他独立版的Sx05RE也是没有的。1.添加了ND...
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
NTscan扫描工具
ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。
NEO‘Romdata编写教程
NEO'Romdata编写教程
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")
FinalBurn Neo 街机模拟器完整指南:构建配置与核心功能实操
FinalBurn Neo(FBNeo)是一个多系统街机与家用机模拟器,可运行 Capcom CPS-1/CPS-2/CPS-3、Neo Geo、Sega System 16 等系统,并内置状态回退、Kaillera 网络联机和 OpenGL 着色器。它适合想在自己电脑上重温经典街机、或想动手改模拟器代码的复古游戏玩家。下面按"怎么装、值不值得装、怎么用"的顺序讲清楚。 ## 3分钟上手:一条命
FinalBurn Neo 开源街机模拟器:从零搭建你的复古街机厅
想重温《拳皇》《合金弹头》这类街机经典,却发现老硬件早已带不动?FinalBurn Neo(FBNeo)是一个开源街机模拟器,也是完整的多系统模拟项目:从 Capcom CPS 系列、Neo Geo 到家用主机,数千款游戏都跑在同一套代码上。对想动手做复古游戏模拟器搭建的人来说,它既是能玩的游戏工具,也是可以直接读源码的学习样本。 ## 它到底能做什么 先说结论,这个开源街机模拟器解决的是四件
探索FinalBurn Neo:重现场景街机体验的模拟器完全指南
FinalBurn Neo(FBNeo)是一款专注于街机游戏模拟的开源项目,通过精准还原经典街机硬件环境,让玩家在现代设备上重温《街头霸王》《拳皇》等经典游戏的原始操作手感与视听体验。 ## 为何FBNeo能成为街机模拟的首选? 诞生于FinalBurn与早期MAME项目的技术积累,FBNeo由Team FBNeo社区持续维护,专注于提升街机游戏模拟的准确性与性能效率。相比同类模拟器,其核心优
335



被折叠的 条评论
为什么被折叠?



