qq_23345187的博客

原创 cocos2dx 4.0入门之泡泡龙项目的分解（三）

目录导读一、cocos2dx概念1、cocos2dx加载图片资源的两种方式2、cocos2dx音效的概念3、cocos2dx粒子系统的概念二、认识道具师团队2.1 实现初始化2.2 显示加载百分比2.3 资源加载界面替换为进入主界面2.4 实现一个菜单项导读上一章，我们讲解了cocos的基本概念。我们做一个场景基本的步骤是：创建一个场景---->交给层类布置---->将层加入场景本章要讲的是：1.cocos2dx加载图片资源的两种方式2.cocos2dx音效的使用3.cocos2d

原创 cocos2dx 4.0入门之泡泡龙项目的分解（二）

上一章完成了最小化的可运行程序，这一节讲解一下代码：一、了解cocos基本概念：导演、场景、层、精灵、动作等这些是cocos最基本的东西，从数据结构的来看，这几个类的关系可以概况为：以导演类为根节点的一颗树（场景、层、精灵、动作都是继承自节点类的）这一点可以看官方的介绍，图文讲解更详细https://docs.cocos.com/cocos2d-x/manual/zh/basic_concepts/简而言之，这就是个俄罗斯套娃，我们要注意的主要是套娃的顺序，俄罗斯套娃是大的套娃套小的套娃，不能

原创 cocos2dx 4.0入门之泡泡龙项目的分解（一）

最近在学习cocos，看的书是《cocos2d-x 3.0 游戏开发实战详解》，这本书有576页，但是我不喜欢按书中传统的方法，从基础开始，看精灵、层等blabla一堆，半天还没真正开始项目，这会让我失去兴趣。因此，我打算直接从第12章开始，虽然没有了解深入基础知识，但是作为一只小白只有从项目中学习才是最快的，而不是半天捧着一本词典看，再来写文章。第十二章是泡泡龙游戏，书上的例子是在cocos2dx3.0 安卓环境下进行的。 我的环境是vs2019 +cocos2dx 4.0+win32项目。先下载资源

原创 回合制游戏的战斗设计（一）

原创 Python之Twisted实现端口转发代理服务器

最近在学习Twisted，基于Twisted框架实现了一个代理服务器。定义了两个协议：Client2Proxy用于客户端到代理服务器的通信，Proxy2Server用于代理服务器到目标服务器的通信。当客户端连接时，它会暂停数据传输并连接到代理服务器，然后设置协议。当接收到数据时，它会打印十六进制数据并将数据转发给相应的服务器。其实，在twisted.protocols下也给出了一个官方源码的实现，可以看该路径下的portforward.py参考，后面也贴Twisted的源码出来一并参考。

原创 随机森林的REF递归特征消除法来筛选特征（python实现不依赖sklearn)

随机森林的REF递归特征消除法来筛选特征

原创 t-SNE算法可视化数据和卷积层

t-SNE算法是一种用于数据降维和可视化的非线性方法。在一维数据的情况下，t-SNE算法可以用于可视化数据点之间的相似度关系。

原创 pytorch可视化CNN每层的特征

在PyTorch中，可以使用torchvision.utils.make_grid来将特征图可视化为一个网格。以上代码会将提取的特定层的特征可视化为一个网格，并在网格的左侧显示对应层的名称。3.获取特定层的名称并将数据集中的一批数据输入到模型中，获取对应层的特征。2.加载预训练模型并定义一个函数，用于提取每一层的特征。1.定义一个数据集并加载数据。4.将特征可视化为网格。

原创 pytorch实现transformer模型

Transformer是一种强大的神经网络架构，可用于处理序列数据，例如自然语言处理任务。在PyTorch中，可以使用torch.nn.Transformer类轻松实现Transformer模型。

原创 python实现网络游戏NPC任务脚本引擎(带限时任务功能)

python实现网络游戏NPC任务脚本引擎(带限时任务功能)

原创 pytorch学习之pytorch构建模型的流程

pyTorch是一个开源机器学习框架，它主要用于构建深度学习模型。下面是一些使用PyTorch的示例：

原创 python网络游戏服务器

实现一个网络游戏服务器需要很多的知识和技能，包括网络编程、游戏设计和开发、安全等等。以下是一个简单的Python网络游戏服务器实现的示例代码：

原创 Python学习：Python @property 装饰器的使用

装饰器@property是用来修饰方法,主要有一下两个作用

原创 python-使用struct模块实现16进制网络封包数据读写

python-使用struct模块实现16进制网络封包数据读写

原创 机器学习学习笔记（一）之K邻近算法（KNeighborsClassifier）

K邻近算法 KNeighborsClassifier

原创 Python实现16进制读写

最近的工作中需要一个工具来读写网络的封包，因此用python实现了一个读写16进制数据的小工具class Hex_Read(object): def __init__(self): super(Hex_Read, self).__init__() self.len=0 self.ptr=0 def set_data(self,data): data=data.replace(" ","") assert l

原创 轴承故障诊断经典模型pytorch复现(一)——WDCNN

论文地址：《A New Deep Learning Model for Fault Diagnosis with Good Anti-Noise and Domain Adaptation Ability on Raw Vibration Signals》—张伟我们要复现的论文是轴承故障诊断里比较经典的一个模型WDCNN，最近在看的很多论文都把WDCNN作为比较模型，但是只找到过tensorflow版本的源码且只有原始的WDCNN没有改进的WDCNN-AdaBN版本，而我自己又是用的pytorch，因此就

原创 Pytorch学习笔记（十 一）——pytorch自定义数据集

一、为什么要使用Datasets类  Datasets是pytorch的一个类，pytorch自带多种数据集，如：MINIST等数据集就是在pytorch的Datasets的库中的。  Pytorch中有工具函数torch.utils.Data.DataLoader，通过这个函数我们在准备加载数据集使用mini-batch的时候可以使用多线程并行处理，这样可以加快我们准备数据集的速度。Datasets就是构建这个工具函数的实例参数之一。二、如何定义Dataset

原创 看论文系列（一）——Densely Connected Convolutional Networks（DenseNet）解读

论文：Densely Connected Convolutional Networks论文链接：httpsDenseNet一、摘要二、模型结构2.1.对ResNet的改进2.2.两个主要的块一、摘要摘要提到本文模型的主要优点是：1.它们缓解了梯度消失问题2.加强了特征传播和特征复用3.大大减少了参数数量我们接下来在文中看本文的这些优点是如何得出的，先解释一下第一段标记的内容，其内容是说传统的CNN网络L层只有L个连接，而DenseNet，L层具有L(L+!)/2个连接，这是该模型的一个特点，

原创 Pytorch学习笔记（十）——CWRU轴承数据集对原始.mat文件进行重叠采样

先记录下，有时间再写

原创 Pytorch学习笔记（九）——pycharm无法自动代码补全的一些解决方案

我们知道python作为一个动态语言，如果无法得知返回值的type是什么，pycharm将无法识别到返回值的类型，从而无法进行代码补全，以下是如何解决这个问题的办法。问题代码无法进行补全解决办法一、对于单个返回值添加如下""":type:返回值类型"""例子：或添加如下#:type:返回值类型例子：二、对于多个返回值assert isinstance(返回的对象, 对象类型)或选择要确定type的对象按alt+enter出现窗口，选择Add type hint

原创 Pytorch学习笔记（八）——CWRU(西储大学轴承数据集)数据集如何从mat格式转为CSV文件

import osimport pandas as pdimport scipyfrom scipy import ioimport numpy as npif __name__=='__main__': file_path=r"C:/Users/cwru/" #mat文件路径 save_file_path = r"C:/Users/31354/" #保存路径 file_type='.csv' #保存文件格式 #取得目录下所有的文件名 dirnames=[]

原创 Pytorch学习笔记（七）——MobileNets论文解读

在这里插入图片描述

原创 Pytorch学习笔记（六）——1x1卷积核的理解

理解1x1卷积核一.1x1卷积核的提出二.1x1卷积核的应用2.1.多通道数据中1x1卷积的作用一.1x1卷积核的提出1x1卷积核的使用可以见《Network in network》这篇论文,这是一篇非常经典并且影响深远的论文，之后的Googlenet和ResNet等模型均有借鉴其1x1卷积核的设计。在这篇论文中，作者提出了NIN块，并在块中第一次使用1x1卷积来增强模块的抽象表达能力，以现在的眼光来看，其实现了跨通道特征融合和通道升维降维。NIN块的结构如下：它由一个卷积层加两个充当全连接层的

原创 Pytorch学习笔记（五）——CNN中卷积和池化操作后的特征图大小计算方法

一、卷积操作注意：卷积操作需要向下取整假设：设输入图像尺寸为WxW，卷积核尺寸为FxF，步幅为S，填充为P,经过该卷积层后输出的图像尺寸为NxN,计算公式为：N=W−F+2PS+1N=\cfrac {W-F+2P} {S}+1N=SW−F+2P​+1设输入图像尺寸为WxH，卷积核的尺寸为FxF，步幅为S，图像深度(通道数)为C，填充为P，则：W=W−F+2PS+1W=\cfrac {W-F+2P} {S}+1W=SW−F+2P​+1H=H−F+2PS+1H=\cfrac {H-F+2

原创 Pytorch学习笔记（四）——nn.BatchNorm2d()函数

见此文

原创 Pytorch学习笔记（三）——nn.Sequential的理解

在定义CNN模型的时候看到有如下定义，其中讲解一下nn.Sequentialclass CNN(nn.Module): def __int__(self): super(CNN,self).__init__() self.conv1=nn.Sequential(nn.Conv2d(in_channels=1, out_channels=16, kernel_size=3

原创 Pytorch学习笔记（二）——使用pytorch实现BP神经网络拟合函数（附python和C++实现)

使用BP神经网络拟合函数最近学习bp神经网络，但是网上的代码很多都是做分类决策，我们要拟合函数需要对代码进行修改，进行回归预测，修改思路就是将输出层的激活函数改为f(x)=x,并且对反向传播过程中更改隐藏层到输出层的权重公式进行修改。生成测试数据程序。贴几个参考的博文：神经网络实现连续型变量的回归预测（python)BP神经网络与Python实现C++实现的BP神经网络（代码与详解）# 生成测试数据import numpy as npimport pandas as pdimport m

原创 Pytorch学习笔记（一）——pytorch环境搭建配置

目录前言与前期准备一、Anaconda的安装1.1.Anaconda介绍1.2.Anaconda的下载安装1.3.Anaconda的配置下载源1.4.Anaconda的如何切换不同版本的pytorch（以cpu和gpu版本之间切换为例）二、Pytorch的安装2.1.Pytorch介绍2.2.Anaconda的下在线安装Pytorch2.3.Anaconda的下在线、离线混合安装Pytorch三、CUDA3.1.CUDA介绍3.2.CUDA版本的选择3.3.CUDA的安装3.4.CUDA版本安装错误怎么卸载

原创 QT5.9学习笔记之QT编译使用tolua++

上一节讲了QT怎么编译lua库，但是lua库与C++交互的时候，如果要使用C++类，将会很繁琐。因此我们使用tolua++来帮助我们便捷的让C++类给lua调用，编译tolua++与编译lua库方法相同，如果不知道怎么编译lua库，请先看上一节。QT5.9学习笔记之QT编译lua库 传送门一 、编译准备1.1.编译环境OS：win10编译器：Mingw 32 bitQT版本：QT 5.91.2.编译文件lua-5.1.5tolua-1.0.93二、编译步骤2.1.文件下载csdn 传

原创 QT5.9学习笔记之QT编译lua库

一、编译准备1.1.编译环境OS：win10编译器：Mingw 32 bitQT版本：QT 5.91.2.编译文件lua-5.1.5二、编译步骤2.1.文件下载csdn传送门 打包 lua源码+编译的库+测试项目+tolua++lua官网传送门 下载版本lua-5.1.5打开lua-5.1.5.tar.gz压缩文件后，我们只要src这个文件夹的文件，解压出来。2.2.建立QT项目项目命名lualib这里选静态库编译器我是mingw 32 bit去掉勾选的QtCore

原创 QT5.9学习笔记之中国象棋暗棋游戏（终篇）

从开始做这个游戏到目前一共花了差不多3天了,作为一个阶段性的小项目，目前已经达成了学习的目标。虽然在制作的过程中难免有一点小困难,但是看着自己从代码一步步完成这个项目还是挺开心的，也在其中学习到很多知识。目前只实现了PVP的功能，实现两种方式绘制界面，其实还有很多想法，但是苦于没有时间，也只能先放一放。好了效果代码放上：...

原创 QT5.9学习笔记之中国象棋暗棋游戏（六）

这一节实现了游戏的一些基本判断功能以及棋子移动，接下来将要实现吃子规则，由于代码较多直接上传了。代码地址：

原创 QT5.9学习笔记之中国象棋暗棋游戏（五）

本节完成 棋盘初始化#ifndef BOARD_H#define BOARD_H#include <QMainWindow>#include <QPainter>#include "chesshandler.h"#include "chess.h"#include "judge.h"#include "player.h"#include<QMouseEvent>class Board : public QMainWindow{ Q_OB

原创 QT5.9学习笔记之中国象棋暗棋游戏（四）

本节完成：检查点击位置是否合法，翻棋功能。

原创 QT5.9学习笔记之中国象棋暗棋游戏（三）

上一节我们用图片棋盘美化，这一节我们开始绘制棋盘，以及设计棋子类，并且可以用绘图和图片两种方式显示棋盘和棋子，代码效果如下：图片模式下效果：绘图模式下效果：#ifndef BOARD_H#define BOARD_H#include <QMainWindow>#include <QPainter>#include "chess.h"class Board : public QMainWindow{ Q_OBJECTpublic: //ches

原创 QT5.9学习笔记之中国象棋暗棋游戏（二）

上一节绘制了一个简单的棋盘，这一节将棋盘美化，以及绘制棋子。效果如下：#include "board.h"Board::Board(QWidget *parent) : QMainWindow(parent){}Board::~Board(){}void Board::paintEvent(QPaintEvent *){ ////////////////画棋盘 开始/////////////////////////////// //设置背景图片

原创 QT5.9学习笔记之中国象棋暗棋游戏（一）

学习QT已经有几天了，做一个阶段性的小项目来熟练QT的使用，刚好学到绘图这一章，就一步步做一个暗棋游戏。首先了解一下暗棋游戏基本知识：每方共32个，分为红黑双组，各16个，双方轮流执行：红棋子：兵5个、炮2个、车2个、马2个、相2个、仕2个、帅1个共16个棋子。黑棋子：卒5个、炮2个、车2个、马2个、象2个、士2个、将1个共16个棋子。首先进行棋盘的绘制，棋盘共32个格子。共9根竖线，5根横线。效果：代码如下：//.h文件#ifndef BOARD_H#define BOARD_H

原创 QT5.9学习笔记之 QByteArray使用注意

QByteArray::data返回的是内部指针，QByteArray没了data就没了，所以如果想保存就要memcpy或者拷贝一个副本//////////头文件class test{ public: QByteArray a; QByteArray geta();}//////cpp文件 QByteArray test::geta(){ return a; }int main(){ class test; //错误c指向的地址 char * c=

原创 QT5.9学习笔记之使用QSqlQuery的方法

使用QSqlQuery操作mysql数据库进行查找，插入，更新数据void dbopen(){ QSqlDatabase db=QSqlDatabase::addDatabase("QMYSQL"); db.setHostName("192.168.200.129"); db.setUserName("root"); db.setPassword("123456"); db.setPort(3306); qDebug()<<db.open(); thi