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
200+累计阅读
274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
交互设计强调认知，游戏性则是强调主观的体验，如果在这按其符合的感知设计来描述认知。
将其分为：空间认知、时间感知
1.空间感知的设计
空间的感知极大地依赖于游戏的视角和透视关系。分为：固定视角、可变视角。
固定视角：框架视角、卷轴视角、俯视视角、轴测视角。（2D为多）
可变视角：第一人称视角、尾随视角、全能视角。（3D为多）
<1>框架视角：视角固定，易于识别和操作，不过容易产生乏味感。
<2>卷轴视角：随玩家操作而平移推移画面，展示出丰富的场景。
<3>俯视视角：是卷轴视角的特例，玩家以正投影的方式俯瞰场景，产生大局感。
<4>轴测视角：卷轴视角的进一步发展，以30度或45度等固定斜度呈现又立体感的轴测视图。
<5>第一人称视角：玩家视角，具有极强的代入感。
<6>尾随视角：画面随主角移动而移动，代入感稍微下降。
<7>全能视角：完全自由的空间查看方式，是玩家产生全能全知的感受，往往扮演天神或灵魂出窍的情景。
总结：游戏中往往空间和距离不成正比，改动均基于认知的考虑。
【OpenCV】复杂场景下的高精度圆检测实战（附完整代码）
本文针对OpenCV霍夫圆检测在复杂场景下易失效的问题，提出了一套基于轮廓分析的高精度圆检测实战方案。通过图像预处理、轮廓发现及多轮几何筛选（面积、周长、椭圆拟合、多边形逼近），有效排除噪声和类圆干扰物，显著提升复杂场景下的检测鲁棒性，并附完整可调参的Python代码实现。
我的游戏学习日志17——游戏元素的解析（1）
我的游戏学习日志17——游戏元素的解析（1） 1.沉浸元素 定义：在一般的定义上指通过物理方式和想象进入一个与通常环境不同的场景。（也被也称“置入”和“临场”），其本身具有一定的游戏性，所以也被当成游戏的元素体验。作为游戏元素是游戏必须要的必要元素。 游戏性：在于其提供了一个日常生活中不同的体验。 虚拟现实的基本框架：交互，想象与沉浸。（沉浸依赖于交互过程与想象力牵引的基础）。逼真的画面图像第一时...
HR效率翻倍！用Dify+飞书AI表格打造自动化简历处理流水线（附完整代码）
本文详细介绍了如何利用Dify工作流和飞书多维表格构建自动化简历处理系统，实现简历上传、AI智能解析与结构化数据入库的全流程自动化。通过整合大语言模型进行信息抽取，该系统能显著提升HR处理简历的效率与准确性，将HR从重复劳动中解放出来。
java16天
包装类： 在java中一切皆对象，所以将基础数据类型与包装对应 异常 1.异常处理就是为了 /** 内部类：最大的好处是方便访问外部类的成员，包括private的变量 字节码文件命名的形式：外部类名$内部类名 内部类也可以定义在函数中 static关键字： 1.修饰变量：可以被类名直接使用，放入静态存储器。 2.修饰函数：可以被类名直接使用，不能有this关键字...
XR Interaction Toolkit实战：为HTC Vive Cosmos打造抓取、投掷与UI交互（Unity 2023教程）
本文详细介绍了如何使用Unity 2023和XR Interaction Toolkit为HTC Vive Cosmos开发抓取、投掷与UI交互系统。通过实战案例'VR投掷训练室'，从基础配置到高级功能实现，涵盖物理抓取、精准投掷机制和VR UI交互设计，帮助开发者提升VR交互开发技能。
头歌操作系统2.3系统调用命令ls执行的系统调用
设置版本0内核为分析对象。然后一直c直到虚拟机出现。然后一直c就是答案了。
花几分钟用Socket.io写一个简单的你画我猜小应用
socket.io 是一个为nodejs开发的socket通讯用的lib 要使用 socket.io , 首先要安装nodejs , mac下面我直接用brew安装了(或者ports 以及 源码编译): brew install nodejs 安装好了之后 , 我们需要安装一下express, express提供一点基础工具来开发一...
双通道中频信号数字下变频及相位差估计（FPGA）
双通道中频信号数字下变频及相位差估计实验 一、上框图（通俗易懂） 二、实验要求 1、 用点频信号模拟中频信号：中频信号由DDS1和DDS2产生。具体产生方法见第2点。 2、 DDS1和 DDS2：调用IPcore里的数字信号处理中的NCO模块，工作时钟为100MHz，数据率即为100MHz，DDS1和DDS2的频率为：（学号后三位+500）Khz+f0(可设为20MHz)；输出为16位；DDS1...
嵌入式开发学习日志48——任务静态创建
当然，上述展示的代码都并不足以完全支撑点灯这个简单操作，在开始任务任务函数start_Task()中，还需要将静态任务创建函数的内容在复写一遍，不过这次的任务入口与任务名称要真正改为用于执行点灯操作的任务函数了。注意，这里的延时都是FreeRTOS中的阻塞延时，通过它才能将执行的任务挂起（任务状态之一，后面会提到），转而执行其他已经就绪的任务，实现多任务。总之，即便是想要执行一个简单的操作，既要有开始任务任务函数，也要有执行任务任务函数，前者用于开启后者，后者真正进行执行。
FineReport V11.0安装避坑指南：从下载到激活的完整流程（附百度网盘链接）
本文提供FineReport V11.0从下载、安装到激活的完整避坑指南。详细解析了部署前的环境准备、安装过程中的JVM内存等核心配置、激活流程以及安装后的优化与常见问题排查，旨在帮助用户一次部署成功，确保企业级报表平台的稳定运行。
平台跳跃游戏中的自动寻路，与地图导航扩展
平台游戏：主要的游戏方式是在2D平面上使用各种方式在悬浮平台上进行移动和穿过各种障碍。 现如的平台游戏中的平台特性与种类是很多的，像马里奥(FC)的单向支撑不可穿透的，或魂斗罗(FC)单向支撑可穿透的… \ 超级玛丽 魂斗罗 空洞骑士 蔚蓝 本博文 支撑 上 上 上 左、上、右 上 穿透 无 上、下 无 上(部分) 上下 所以本文主要以向上支撑并上下穿透的平台特性来进行实现 需求分析 在关卡设计后，地形的数据需要自动识别 地形中的平台可上下穿透移动，并可向上站立 平台的移动路..
学习日志4
学习日志 姓名： 王梓 日期： 2017.07.12 今日学习任务指针数组，指针的指针，命令行参数 今日任务完成情况（详细说明本日任务是否按计划完成，开发的代码量。） 基本完成任务，主要学习目标指针的指针，指针数组基本理解 今日开发中遇到的问题汇总 值传递与地址传递今日未解决问题无今日开发收获指向【二维数组】的指针几种表示方式：[&a...
操作系统权限提升(十五)之绕过UAC提权-基于白名单DLL劫持绕过UAC提权
先将操作在本地执行，使用procmon进行监控，过滤DLL和 NAME NOT FOUND ，寻找可以替换的DLL文件，注意文件的权限是否可以在目录写入，可以看到在C盘的tools目录的文件中有一个srrstr.dll被调用，但是没有加载，我们生成恶意的DLL文件看看是否可以被劫持。在Windows中许多应用程序并不是一个完整的可执行文件，它们被分割成一些相对独立的动态链接库文件，即dll文件，放置于系统中，个人理解类似于我们编程中引入的模块。将我们生成的DLL文件改名为我们要劫持的DLL文件名。
学习日志18
底部导航栏+ViewPager滑动切换页面 1.view简介 一个页面切换的组件，我们可以往里面填充多个View，然后我们可以通过触摸屏幕左右滑动 切换不同的View。 2.案例演示 在project视图中写入几个Java类，与上一个博客使用的方法相同就不显示了。 2.1在activity_mian.xml文件中写入 <RelativeLayout xmlns:android="http://schemas.android.com/apk/res/android" xmlns:tools="
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白
学习日志7.21
本文摘要介绍了数据报表处理中的关键函数和美化技巧。主要内容包括：1）常用聚合函数（SUM、AVG、MAX等）及日期处理方法；2）SUMIF、SUMIFS等条件函数的应用；3）环比、同比的计算方法；4）数据验证和错误处理技巧；5）报表美化三要素（字体调整、边框划分、条件格式）；6）双表美化步骤和汇报格式建议。重点强调了函数语法、常见错误规避以及通过格式优化提升报表可读性的实用技巧。
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
STM32入门学习日志1
附：选择的教程是b站江协科技的STM32入门教程，仅以此文记录学习过程。
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")
学习日志16
学习目标： 使用使用RadioGroup + RadioButton 学习内容： 1.新建一个项目，在project视图中添加以下几个文件 <?xml version="1.0" encoding="utf-8"?> <selector xmlns:android="http://schemas.android.com/apk/res/android"> <item android:drawable="@mipmap/tab_channel_pressed" andr
单片机-C51学习日志2022/2.23
1.步进电机驱动 要实现的功能是：通过ULN2003 驱动模块控制28BYJ48步进电机运行方向及速度,当按下 KEY1 键可调节电机旋转方向;当按下 KEY2 键,电机加速;当按下 KEY3 键,电机减速. 驱动步进电机，需要设置好步数 #include "reg52.h" //对按键进行定义 sbit key1 = P3^1; sbit key2 = P3^0; sbit key3 = P3^2; sbit key4 = P3^3; //对步进电机进行定义 sbit IN1_D =
CSAPP学习日志7：runaway
代码全览 /* Example of deep recursion */ #include <stdio.h> #include <stdlib.h> int recurse(int x) { int a[1<<15]; /* 4 * 2^15 = 64 KiB */ printf("x = %d. a at %p\n", x, a); ...
Java学习日志18.7.30
Java学习日志18.7.30 学习内容及代码 课后学习过程 Java学习日志18.7.30 学习内容及代码 <!DOCTYPE html> <html> <head> <title></title> <style type="text/css"> .cc{
学习日记day48
总结与心得：算法题花太多时间了，没事，已经克服了（成功做完，完美吸收知识点）继续加油！递归要自己去写，边写变想，空想是很难写的，我现在（第二天再写一遍试试）这个解法要注意恢复链表的语法逻辑，见第三个while。哈希真是巧妙map{node2copynode}专注时间：6H33min，破纪录了，非常好。3个关于归并排序的题目。《138.随机链表的复制》《912.排序数组》《148.排序链表》
Python学习日志10.31
属性选择器 分组和嵌套选择器 伪类选择器 伪元素选择器 选择器的优先级 css属性相关（宽高，字体属性，display属性） css盒子模型（float浮动）
图形学编程学习日志01
1.obj文件的读取（C语言代码）
学习日志2020-09-20
记录首次输出的乘法表 for i in range(1, 10): for i in range(1, 10): for j in range(1, 10): if i > j: print("%d × %d = %d" % (i, j, i * j), end=" ") elif i == j: print("%d × %d = %d" % (i, j, i * j), end="\n") “%”占位符的使
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
201
扫一扫
