精选分类

文章列表

7.6k7 分钟

我试图在 2.0+ 版本中修复 mod: Ciri in Night City - Main Menu Background Replacer,添加对往日之影 Logo 的支持。 Update 1.1.0:v1.0.0 中,载入游戏时的动画消失了,我将其修复,但最后一个动画也会变成被更改的主菜单背景 写在前面:加载动画丢失的问题,归根到底是因为这个原 Mod 对背景的修改手段太粗暴了,而往日之影 Logo 缺失,则是因为这个 Mod 过期了。 如果想修复丢失的加载动画,直接跳到 “找回丢失的加载动画” 阅读就行。 这一节将从头开始构建这个 Mod。 原 Mod 启动效果图,可以看到没有往
2.8k3 分钟

本文内容会有些许凌乱,因为是 Mod 开发过程中,我对 archive 的一些文件代表的内容的想法。 而且本人没有接触过 3D 动画、游戏制作这方面的内容,描述会存在很多不专业的地方。 # 文件类型和作用 # xbm 这是一种图片类型的文件,对应游戏中出现的一些贴图的资源。 通过 WolvenKit 可以查看图片的内容,比如 expansion_logo.xbm,如下所示: # inkatlas 这是某种代表了对 xbm 图片进行具体 ” 分割 “ 利用的文件。 比如 expansion_logo.xbm 对应的 expansion_logo.inkatlas,内容如下: 再次展开这个
2k2 分钟

简单说一下吧,USYD,Master of Computer Science (adv.),目前是 24S2 末尾,临近考试。 # 学习 学习时间很紧张,这边注重实践,虽然 report 也不少。 平时课程分为 Lecture 和 Tutorial,Lec 可以理解为大课,一个教授对很多学生讲,Tut 可以理解为组织很小的偏实践课,一般是一个 tutor 对 十来个学生。 作业很多,assignment 一个接一个,通常让我很头疼,尤其是有些课每周还有固定的任务,平时闲不下来,双休日还得余出一天写作业。 但收获也很多,虽然有不少对提升学识毫无意义的 report,但也起码提升了我的英语写作技巧
2.2k2 分钟

解决的问题:目标检测和识别、分类和检索、超分辨率重构 核心问题:如何进行 特征提取 # 整体架构 卷积神经网络 和 传统网络 的区别: CNN 的输入数据都是 3 维的,不用拉成一个向量 输入层:与传统网络的区别是,直接传入了图像数据(3 维) 卷积层:提取特征 池化层:数据压缩 全连接层:传统神经网络结构;输出层的每一个神经元都与上一层的每一个神经元连接; 每次卷积之后,都会加入一个 Relu 激活函数 卷积层 + 池化层 只是进行特征提取,获得结果还是靠神经网络的全连接层; 因为全连接层无法直接处理 多维 的数据(图像),所以要先把数据拉成 向量 的格式 # 卷积 (提取特
4.2k4 分钟

# 神经网络基本原理 解决的问题:特征提取(哪些特征比较合适) 应用:检测、识别 # 前向传播 前向传播:得出损失值 (其中 xxx 为输入数据,WWW 为权重参数,LLL 为损失值) # 得分函数 线性函数:从输入 -> 输出的映射 其结果表示输入数据对于每个分类的得分。 数学表示: f(x,W)=Wx (+b)f(x, W)=Wx\ (+b)f(x,W)=Wx (+b) 其中 xxx 为图像,WWW 为权重参数,bbb 为偏置参数。 通常 WWW 对结果起决定作用,bbb 对结果起微调作用; 假设图片为 [32×32×3][32\times32\
8511 分钟

# 多层感知器 (MLP, Multi Layer Perceptron) 模仿人的思考机制 => (网状结构) 树突接受 多个 神经元的轴突释放的递质,产生信息并将信息转递给轴突,并由轴突再次向后续神经元释放递质,实现信息传递。 从 多个 上一层的模型中获得输入数据,通过某个 f(x)f(x)f(x) 得到输出数据,并作为下一层模型的数据输入。 MLP 数学表达式(简化): $ a_1}({2) =g(\theta_10}({1)x_0}+\theta_{11}({1)x_1}+\theta_{12}({1)x_2}+\theta_{13}({1)x_{3}
3921 分钟

# 模型优化 # 数据 数据的质量决定模型表现的上限 检查: 数据属性的意义,是否为无关数据 => 删除不必要的属性 => 减少过拟合、节约运算时间 不同属性数据的数量级差异性如何 => 数据预处理:归一化、标准化 => 平衡数据影响,加快训练收敛 是否有异常数据 => 是否保留或过滤掉异常数据 => 提高鲁棒性 数据样本数量是否足够 => 扩大数据样本 采集数据的方法是否合理,采集到的数据是否有代表性 对于标签结果,要确保标签判定规则的一致性(统一标准) # 不同的模
1.3k1 分钟

# 混淆矩阵 使用准确率进行模型评估的局限性: (以预测 0/1 数据为例,不用模型,直接预测结果全是 1 的准确率也可能很高) 没有体现数据预测的实际分布情况 没有体现模型错误预测的类型。 混淆矩阵:又称误差矩阵,用于衡量分类算法的准确程度 True Positives (TP):预测准确、实际为正样本的数量 True Negatives (TN):预测准确、实际为负样本的数量 False Positives (FP):预测错误、实际为正样本的数量 False Negatives (FN):预测错误、实际为负样本的数量 更丰富的模型评估指标 指标 公式 定
4.4k4 分钟

# 决策树 (Decision Tree) 一种对实例进行分类的树形结构,通过多层判断区分目标所属类别 本质:通过多层判断,从训练数据集中归纳出一组分类规则 优点: 计算量小,运算速度快 易于理解,可清晰查看各属性的重要性 缺点: 忽略属性间的相关性 样本类别分布不均匀时容易影响模型表现 # 求解方法 问题核心:属性选择(每一个节点,应该选用哪个属性) 信息熵: 熵是衡量数据集纯度的一个指标(也是度量不确定性的指标)。 对于一个类别变量 C 的数据集 D, 其熵定义为: Entropy(D)=−∑i=1ncP(ci)log⁡2P(ci)Entropy(D)&#x