Prism Port

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

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

开发中：noneSycamore/Weapon-Inspection-CP2077

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

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

# 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\

# 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}

# 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

# 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

# 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