魔兽世界服务端centos架设

woshisupercoder woshisupercoder 博客等级 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 1k累计阅读 1.1k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 码龄11年
关注
原创 2023-02-20 15:08:29 1k 阅读 AI 写同款· GEO 优化 ›
魔兽世界60级经典旧世版本服务器架设教程 打开之后我们点击左上方的连接重新设置 连接名127.0.0.1 密码跟用户名一样 设置好后之后按保存即可。打开我们刚才解压的文件夹下拉找到start Apache、start MySQL 这两个文件夹双击打开。保存完之后我们双击打开127.0.0.1找到realmd后打开找到右边的realmlist打开。打开后如图我们把127.0.0.1修改成我们服务器的ip后退出保存即可。打开之后把127.0.0.1全部换成我们服务器的ip后保存。程序打开之后我们找到数据库并打开。解压完成之后如图MaNGOS。 阅读详情

目前最完美的魔兽世界服务端AzerothCore

60级经典旧世版本

70级燃烧的远征版版本

80级巫妖王之怒版本

85级大地的裂变版本

90级熊猫人之谜版本

100级德拉诺之王版本

R110级军团再临版本

120级争霸艾泽拉斯版本

原版AzerothCore编译，仿官，集成Lua，无人数限制，无机器限制，无bug是目前修复最好的魔兽服务端了！

包含地图文件和数据库（已汉化）全程技术教学有任何都可以及时解决

服务器:一个游戏整体的游戏体验感以及流畅度都是由服务器决定的。

魔兽的服务端以及客户端都比较大，对服务器的要求也会比较高建议配置E5系列，再强一些i9游戏高频系列。

选择linux来搭建操作步骤方法：

这里我用的是Debian

环境搭建

apt-get update

apt-get install git clang cmake make gcc g++

update-alternatives --install /usr/bin/cc cc /usr/bin/clang 100

update-alternatives --install /usr/bin/c++ c++ /usr/bin/clang 100

#boost依赖，如下

apt-get install -y libboost-dev \

libboost-system-dev \

libboost-filesystem-dev \

libboost-program-options-dev \

libboost-iostreams-dev

或者 如下

apt-get install libboost-all-dev

zlib在 zlib1g-dev

apt-get install zlib1g-dev

openssl

apt-get install libssl-dev

readline

apt-get install libreadline-dev

mysql

apt-get install -y libmysqlclient-dev

创建wow用户

这里用root

adduser wow

su wow

如果用windows子系统，可以设置默认进入用户

windows进入cmd命令行，执行指令进入Apps目录：

cd %HOMEPATH%\AppData\Local\Microsoft\WindowsApps

因为我安装的debian,所以这个目录下有个debian.exe的文件(如果是ubuntu那么就是ubuntu.exe)

debian.exe config --default-user wow

设置完再进入子系统就是wow用户了

约定目录

这里用wow

以wow权限执行

su wow

cd ~

网络游戏，需要C端和S端，即客户端和服务器端。预先创建对应目录方便后面操作。

TrinityCore源码目录

mkdir /home/wow/TrinityCore

服务器目录。最终包含etc,bin,data三个子目录

mkdir /home/wow/server3.5.5

客户端目录。后面用于存放客户端版本，提取客户端数据

mkdir /home/wow/client12340

S端下载

Release TDB 335.22061 · TrinityCore/TrinityCore · GitHub

cd /home/wow/TrinityCore

wget https://github.com/TrinityCore/TrinityCore/archive/refs/tags/TDB335.22061.zip

#解压

unzip TDB335.22061.zip

C端下载

客户端版本：3.3.5(13930 或者12340) 自己想办法下载。魔兽老兵都懂如何下载正确版本。

数据库

这里用root

环境搭建中我们已经安装mariadb-server数据库（当然也可以使用mysql）。

初始化数据库

mysql_secure_installation

Enter current password for root (enter for none):

输入回车

Change the root password? [Y/n]

Y

输入两次 密码

Remove anonymous users? [Y/n]

Y

Disallow root login remotely? [Y/n]

Y表示让root用户远程登录，N表示可以远程登录

Remove test database and access to it? [Y/n]

Y

Reload privilege tables now? [Y/n]

Y

登录数据库

mysql -u root

登录成功，类似如下

Welcome to the MariaDB monitor. Commands end with ; or \g.

Your MariaDB connection id is 2

Server version: 10.1.29-MariaDB-6 Ubuntu 18.04

Copyright © 2000, 2017, Oracle, MariaDB Corporation Ab and others.

Type ‘help;’ or ‘\h’ for help. Type ‘\c’ to clear the current input statement.

MariaDB [(none)]>

导入数据

第一步，创建数据库

source /home/wow/TrinityCore/TrinityCore-TDB335.22061/sql/create/create_mysql.sql

show databases;

±-------------------+

| Database |

±-------------------+

| auth |

| characters |

| information_schema |

| mysql |

| performance_schema |

| world |

±-------------------+

第二步，建表

use auth;

source /home/wow/TrinityCore/TrinityCore-TDB335.22061/sql/base/auth_database.sql

use characters;

source /home/wow/TrinityCore/TrinityCore-TDB335.22061/sql/base/characters_database.sql

编译服务端

这里切回wow

构建

su wow

cd /home/wow/TrinityCore/TrinityCore-TDB335.22061

mkdir build

cd build

cmake …/ -DCMAKE_INSTALL_PREFIX=/home/wow/server3.5.5 #构建项目

编译

这个步骤可能时间比较长，可以用nohup或者screen执行

make -j $(nproc) install #编译项目

编译成功后

ls /home/wow/server3.5.5 #可看到server3.5.5目录下有这3个文件夹 bin data etc

bin下面是生成的可执行文件。

data下面后面会放入客户端提取的地图数据。

etc 下面是一些配置文件。

注：查看并留意下这三个目录里面的文件，后面会用到。

地图数据载入

创建数据目录

用来存放地图数据

mkdir /home/wow/server3.5.5/data

修改配置文件

把worldserver.conf.dist和authserver.conf.dist各自复制一份，然后去掉后缀.dist 。

cp /home/wow/server3.5.5/etc/worldserver.conf.dist /home/wow/server3.5.5/etc/worldserver.conf

cp /home/wow/server3.5.5/etc/authserver.conf.dist /home/wow/server3.5.5/etc/authserver.conf

修改worldserver.conf 中 DataDir = “.” 为 DataDir = “…/data”。

注意：我这里填的是相对路径"…/data"，你也可以填写绝对路径“/home/wow/server3.5.5/data”

从客户端导出地图数据

将下载好的客户端，复制一份到上面约定的客户端目录/home/wow/client12340中，进入目录。

cd /home/wow/client12340

运行下面命令，提取客户端数据。这个过程有点慢，请耐心等待。

DBC and Maps files

/home/wow/server3.5.5/bin/mapextractor

mkdir /home/wow/server3.5.5/data

cp -r dbc maps /home/wow/server3.5.5/data

Visual Maps (aka vmaps)

/home/wow/server3.5.5/bin/vmap4extractor

mkdir vmaps

/home/wow/server3.5.5/bin/vmap4assembler Buildings vmaps

cp -r vmaps /home/wow/server3.5.5/data

Movement Maps (aka mmaps)

mkdir mmaps

/home/wow/server3.5.5/bin/mmaps_generator

cp -r mmaps /home/wow/server3.5.5/data

将地图数据copy到数据目录

cp -r dbc maps /home/wow/server3.5.5/data

cp -r vmaps /home/wow/server3.5.5/data

cp -r mmaps /home/wow/server3.5.5/data

配置连接

数据库配置

连接数据库，输入以下sql，打开auth库，并查看表realmlist

use auth;

select id,name,address,localaddress,gamebuild from realmlist;

address为现网ip，及客户端连接ip。本地跑默认127.0.0.1就好。如果部署到服务器，需要更改为对应的ip。

port为对外端口，及客户端连接端口。现网需要开放本端口

localaddress为内网ip

gamebuild 为客户端版本号 ，是12340 还是 13930 取决于你所使用的客户端版本

客户端配置

打开客户端目录，找到wow.exe，同级目录下创建init_connect.bat，内容如下。

然后，运行脚本。此时，初始化客户端连接配置成功。

#在本地跑ip用127.0.0.1,这个ip对应上面realmlist中的address

echo y | rd /s “Cache”

echo SET realmlist “127.0.0.1” > Data\zhTW\realmlist.wtf

echo SET realmlist “127.0.0.1” > Data\enTW\realmlist.wtf

echo SET realmlist “127.0.0.1” > Data\zhCN\realmlist.wtf

echo SET realmlist “127.0.0.1” > Data\enCN\realmlist.wtf

echo SET realmlist “127.0.0.1” > Data\enUS\realmlist.wtf

echo SET realmlist “127.0.0.1” > realmlist.wtf

start Wow.exe

启动服务端

先运行 authserver

/home/wow/server3.5.5/bin/authserver

or

/home/wow/server3.5.5/bin/authserver -c /home/wow/server3.5.5/etc/authserver.conf

以下为成功启动

Connected to MySQL database at 127.0.0.1

DatabasePool ‘auth’ opened successfully. 2 total connections running.

Started auth database connection pool.

Loading IP Location Database…

Added realm “Trinity” at 127.0.0.1:8085.

再运行 worldserver

/home/wow/server3.5.5/bin/worldserver

如果你按照上述步骤一步一步到了这里。那么运行结果可能

提示缺TDB_full_world_335.22061_2022_06_01.sql！！！

File “TDB_full_world_335.22061_2022_06_01.sql” is missing,

download it from “https://github.com/TrinityCore/TrinityCore/releases”

uncompress it and place the file “TDB_full_world_335.22061_2022_06_01.sql”

in the directory “/home/rendu”.

这里根据你当前运行的worldserver的提示去下载

World initialized in 11 minutes 39 seconds

Starting up anti-freeze thread (60 seconds max stuck time)…

TrinityCore rev. fc56410b6e0d 2021-02-19 00:42:06 +0200 (3.3.5 branch) (Unix, RelWithDebInfo, Static) (worldserver-daemon) ready…

TC>

看到如上输出，那么恭喜你，worldserver启动成功。

登入世界

添加账号

这里我创建了一个用户名为wow1，密码也为wow1的账号，并升级为GM等级

创建账号

创建一个wow的账号先，worldserver命令行输入，如下

这里我们创建了一个用户名为wow1，密码也为wow1的账户

TC> account create wow1 wow1

TC> Account created: wow1

升级为GM

可以提升wow1的gmlevel为3，升级为GM账号，worldserver命令行输入，如下

紧接着我们把wow1账户升级为gm

TC> account set gmlevel wow1 3 -1

TC> Security level of account WOW1 changed to 3.

登入游戏

windows中找到客户端可执行文件wow.exe，双击运行，打开客户端。

然后输入刚才的账号就可以了

在这里插入图片描述

标签
#centos #linux #运维
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
TrinityCore魔兽世界服务器-环境搭建（Debian11） TrinityCore是模拟魔兽世界（World of Warcraft）的开源项目。我这里学习搭建环境，基于以下：下面是我自己用的客户端（12340），对应我自己的云服务器。下载就可以直接玩喽！（账号注册请私聊我）链接：https://pan.baidu.com/s/1jVQ4qoJ4qGNDHOBUzicIjg 提取码：imbo （某度云盘真是ma了f*ck 慢）关于版本选择3.3.5， 是由于我对这个版本的魔兽世界更加了解，作为一名资深兽人，觉得这个版本的魔兽是最好玩的。TrinityCore官方估 阅读详情

相关推荐

基于Docker容器化技术一键部署魔兽世界经典旧世私服

容器化技术通过将应用及其依赖打包成标准化的镜像，实现了环境隔离与快速部署，解决了传统部署中环境不一致、依赖冲突等痛点。Docker作为主流容器引擎，其核心价值在于提供轻量级、可移植的运行环境，极大提升了开发与运维效率。在游戏服务器部署场景中，传统方式需手动配置数据库、编译源码，流程复杂且易出错。而借助Docker Compose进行服务编排，可将数据库、服务端等组件容器化，实现一键启动与统一管理。本文以搭建'乌龟魔兽'1.18.1私服为例，演示如何通过Docker容器化方案，快速构建稳定可复现的游戏服务器环

weixin_33860553的博客 468

目前最完美的魔兽世界服务端AzerothCore，Window系统小白10分钟搭建教程

首先下载服务端文件： 魔兽世界无限制服务端，巫妖王之怒，window版 - 阿里云盘资源分享 - 单机游戏免费下载 - 幻想游戏,幻想社区http://3a.hxyou.cn/softs/1134.html 原版AzerothCore编译，仿官方，集成Lua，无人数限制，无机器限制， 可能是目前修复最好的魔兽服务端了！ 包含地图文件和数据库（已汉化），傻瓜式安装，一键启动 服务器推荐：尊云 68/月 系统推荐：Window Server 2019 详细搭建步骤： 将文件上传到服.

4万+

WOW SERVER C#

这是以前下载的一个国外人写的魔兽世界服务端程序 是用C#开发的，对游戏服务端开发很有帮助，写的不错，

Centos源码安装boost

Centos源码安装boost                      分类： LINUX 首先对centos下yum对boost的支持吐槽一下。说实话下面这两条安装命令坑了我许久： yum install boost yum install boost-devel 这两条命令貌似也是可以安装boost，但是我在编译muduo库的时候总是有问题，最后不得不使用源代

liuweihui521的专栏 5552

C#程序突然崩溃怎么办？5分钟学会分析Dump文件（Visual Studio 2022实战）

本文详细介绍了在C#程序崩溃或无响应时，如何捕获并分析Dump文件以快速定位问题。通过Visual Studio 2022实战演示，重点讲解了配置符号服务器、解读调用堆栈与内存状态，以及针对CPU飙高、内存泄漏等典型场景的分析方法，帮助开发者高效进行故障诊断。

docker8compose的博客 474

STM32H7多通道ADC数据采集实战：CubeMX配置ADC1/2/3+DMA/BDMA+Cache避坑全记录

本文详细解析了STM32H7多通道ADC数据采集的实战配置，涵盖CubeMX中ADC1/2/3与DMA/BDMA的协同设置及Cache一致性处理。通过硬件架构分析、DMA优化技巧和Cache避坑指南，帮助开发者实现高精度数据采集，适用于电机控制、环境监测等嵌入式系统。

weixin_28744613的博客 292

魔兽世界服务端开服架设服务器搭建教程Centos系统

Ubuntu/Deepin安装脚本：wget -O install.sh http://download.bt.cn/install/install-ubuntu_6.0.sh && sudo bash install.sh 1ba5f33df。Debian安装脚本：wget -O install.sh http://download.bt.cn/install/install-ubuntu_6.0.sh && bash install.sh 1ba5f33df。如果部署到服务器，需要更改为对应的ip。

V13807970340的博客 1271

使用STM32微控制器实现光电传感器的接口和数据处理

本文将介绍如何使用STM32微控制器实现光电传感器的接口和数据处理的方案，包括硬件设计、引脚配置、数据采集、滤波和阈值判断等关键步骤，并给出相应的代码示例。本文将介绍如何使用STM32微控制器实现光电传感器的接口和数据处理的方案，包括硬件设计、引脚配置、数据采集、滤波和阈值判断等关键步骤，并给出相应的代码示例。在光电传感器的接口和数据处理的实现过程中，要关注系统的性能。在使用STM32微控制器实现光电传感器的接口和数据处理之前，需要设计一个合适的硬件平台。

weixin_66608063的博客 3201

目前最完美的魔兽世界服务端AzerothCore，Centos系统docker编译教程

准备 linux系统服务器1台, 推荐Centos 系统(尊云服务器: 68/月) 服务器可被外网访问 服务的源码：https://gitee.com/53957105/azerothcore-wotlk （官方原版移除版权信息并整合ELuna） 地图文件：https://github.com/wowgaming/client-data/releases/tag/v7 软件安装 检查 以此执行如下命令,检查 docker 和 docker-compose 是否安装: docke...

3万+

CKA-CN考试之路----16

所以结合本题,如果有多个文件中都存在同一个值,务必统一,或者修改最后一个次序的文件。中以不同的文件名来区分不同目的的配置会更有利于阅读.就像本题中的。但当有多个文件中存在同一个参数的不同值,最后会生效哪个值?中,但随着配置越来越多不怎么容易阅读.当多个文件同时存在一个参数,但值又不同。有时候我们会将所有内存参数全部写在。确认服务状态(2个红框中的内容)

Q先生 300

GEE：提取研究区 NDVI/LST/RVI 并进行时间序列线性插值填补缺失像素和Savitsky-Golay（SG）滤波平滑处理

养乐多_本文将介绍使用Landsat数据集，构建时间序列，并使用线性插值算法填补缺失数据，或者去云空洞，并进一步对完整的时间序列数据进行SG滤波处理。

养乐多的博客 3196

魔兽世界服务端AzerothCore+Centos系统+docker编译教程

wow

u010230019的博客 1万+

【从零开始入门unity游戏开发之——C#篇01】理论开篇，理解什么是编程

理论开篇，理解什么是编程

向宇的博客，专注php/web全栈 unity游戏开发，欢迎大家评论纠错 3112

魔兽世界服务端AzerothCore核心Centos系统编译教程

大家好，我是艾西今天跟大家分享下用linux系统怎么编译一个自己的魔兽世界服务端准备工作：服务器一台、 安装软件、下载源码、 地图文件、 修改配置文件修改文件执行权限、 修改配置文件、编译及启动、编译项目数据库表修改、游戏测试（创建GM账户、 客户端登录游戏、GM指令 这几项比较简单不做介绍）linux系统服务器1台8H16G Centos7 系统服务器能够访问外网 安装软件：输入代码指令sudo apt-get update && sudo apt-get install git cmake make g

V13807970340的博客 1805

【Windows Server 2019】企业虚拟专用网络服务的配置和管理（上）

博文介绍了部署企业虚拟专用网的定义，目的，以及好处。同时说明了实验拓扑图以及虚拟专用网络的工作原理。

VMware, Windows, Linux, Cisco, Container, Kubernetes, Kali 1万+

【ROS2】机械臂MoveIt2

navigation2 专注于移动机器人的导航与定位，处理大范围空间的底盘运动；MoveIt2 专注于机械臂的操作规划，处理多关节协同的末端执行器运动。在复合机器人（如，移动机械臂）navigation2 负责移动到目标区域，MoveIt2 负责机械臂抓取。官网：https://moveit.picknik.ai/main/index.html。

郭老二 596

开源魔兽世界搭建 技术交流

由于网易跟暴雪彻底分手，国内魔兽世界彻底停运，很多像我一样的忠实玩家有苦说不出，这时突然想到，我为什么不自己搭建一个自己玩玩呢，还能提升一下技术，此文章仅供交流学习。

大力水手z博客 997

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具

为什么选择UeCore？10年开源历程打造的经典魔兽世界服务器引擎

UeCore（Universe Engine Core）是一款经过10年开源历程精心打造的经典魔兽世界服务器引擎，为MMO游戏开发者和爱好者提供了一个强大、稳定且易于扩展的开源框架。作为一款专业的魔兽世界服务器引擎，UeCore不仅支持经典的60级版本，还扩展到了80级巫妖王之怒版本，让开发者能够轻松搭建属于自己的魔兽世界私服。 ## 🎯 UeCore的核心优势：为什么选择这个开源魔兽世界服务

gitblog_00844的博客 636

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

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

3、安装ftp及上传魔兽世界客户端以便解压文件

魔兽世界服务器端【可以】不安装地形运行！但是如果不安装地形，服务器会忽略所有和地形相关的内容。作为一个基本的体验，应该包括地形数据才是一个完整的游戏环境。这个地形是从魔兽世界客户端里面解压出来的，因为客户端的版权限制，所以需要自己来解压。客户端是基于windows系统的，大概3G，安装完后5G多。因为无法在LINUX上安装，所以需要直接把一个安装好的魔兽世界客户端直接上传到服务器，用以mangos...

oop4587的博客 738

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")

基于Docker容器技术一键部署魔兽世界1.18.1私服全攻略

容器化技术通过将应用及其依赖打包成标准化的单元，实现了环境的一致性与隔离性，从根本上解决了软件部署中的依赖冲突和配置复杂性问题。其核心原理是利用操作系统层面的虚拟化，提供轻量级、可移植的运行环境，这为快速构建和复制复杂应用栈带来了巨大技术价值。在游戏服务端部署、微服务架构和持续集成等应用场景中，Docker已成为提升开发运维效率的关键工具。本文聚焦于利用Docker容器化方案，高效搭建魔兽世界经典旧世版本私服，通过集成数据库、认证与游戏世界服务端，实现一键式部署，让玩家能快速体验怀旧游戏内容，同时深入解析其

weixin_34013044的博客 814

Docker一键部署魔兽世界私服：快速搭建1.18.1研究环境

容器化技术通过将应用及其依赖打包成标准化的镜像，实现了环境隔离与快速部署。其核心原理是利用操作系统级虚拟化，为每个容器提供独立的运行空间，确保应用在不同环境中行为一致。这一技术显著提升了开发与运维效率，尤其在搭建复杂服务环境时优势明显。在游戏服务端部署场景中，传统方式需要手动处理数据库、依赖库和系统配置，过程繁琐且易出错。而借助Docker容器，可以将魔兽世界1.18.1服务端、MySQL数据库等组件封装为预配置的镜像，通过docker-compose编排工具实现一键启动。这种方案特别适合搭建本地研究环境，

weixin_34174322的博客 434

基于Docker一键部署魔兽世界1.18.1私服：从环境搭建到GM管理

容器化技术通过将应用及其依赖打包成标准单元，实现了环境隔离与快速部署，极大提升了软件交付的效率和一致性。其核心原理在于利用操作系统级虚拟化，为每个容器提供独立的运行环境。这一技术在DevOps、微服务架构和持续集成/持续部署（CI/CD）中具有重要价值，尤其适用于需要快速搭建、测试和销毁的复杂应用环境。在游戏开发与运维领域，容器化技术为搭建本地测试服务器提供了理想解决方案。本文聚焦于利用Docker容器化方案，解决传统游戏私服搭建中环境依赖复杂、配置繁琐的痛点，实现魔兽世界经典旧世版本的快速本地部署，涵盖从

weixin_30267785的博客 552

Docker一键部署魔兽世界1.18.1私服：从环境搭建到GM命令全指南

容器化技术通过将应用及其依赖打包成标准单元，实现了环境隔离与快速部署，其核心价值在于提升开发运维效率与一致性。Docker作为主流容器引擎，凭借其轻量、可移植的特性，已成为现代应用部署和微服务架构的基石。在游戏与软件测试、个人开发学习等场景中，Docker能快速构建隔离的沙盒环境。本文聚焦于利用Docker的**一键部署**能力，结合**docker-compose**编排工具，将复杂的《魔兽世界》经典旧世版本服务端（包括数据库、认证与游戏逻辑服务器）容器化，从而让用户能在个人电脑或局域网内快速搭建可管理的

keke1314520的博客 363

7天精通：从零部署AzerothCore魔兽世界服务器的完整指南

你是否曾经梦想过搭建属于自己的魔兽世界私服？面对复杂的MMO服务器架构和繁琐的部署流程，很多开发者望而却步。今天，我将带你深入AzerothCore-WoTLK——这个完全开源且模块化的魔兽世界服务器解决方案，让你在7天内从零开始搭建一个稳定运行的魔兽世界服务器。 ## 为什么选择AzerothCore？核心价值解析 AzerothCore不仅仅是一个魔兽世界服务器模拟器，它是一个完整的开源项

gitblog_00337的博客 726

10分钟快速部署UeCore服务器：CentOS系统下RPM包一键安装教程

UeCore是一款开源的魔兽世界服务器引擎，基于经典旧世60级版本打造，支持1.12客户端。通过RPM包一键安装，即使是新手也能在10分钟内完成服务器部署，轻松搭建属于自己的魔兽世界私人服务器。 ## 📋 准备工作：系统与环境要求 UeCore RPM包专为CentOS系统优化，推荐使用以下配置： - **操作系统**：CentOS 7.9（官方推荐版本） - **硬件要求**：2核CPU/

gitblog_00543的博客 808
上一篇： 魔兽世界服务端搭建
点赞 1
评论 0
书签 书签 3
woshisupercoder
woshisupercoder
博客等级 码龄11年 6粉丝 2原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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