2012移动开发工具盘点:16大跨平台游戏引擎

CSDN为大家介绍了Top傻瓜式移动游戏开发工具,现在将为大家,介绍好用的跨平台游戏开发工具,但当中大部分需要一定的编程基础,比较专业,少量工具则适合没有编程基础的人。

1. Edgelib2D及3D中间件游戏引擎,支持iOS、Android、Windows Phone、塞班、Mac,Linux等等平台的游戏开发。可免费使用。

2. Emo移动游戏框架,利用Squirrel脚本语言,基于OpenGL ES及OpenAL/OpenSL开发iOS及Android游戏。开源,免费。

3. Unreal Development Kit是目前世界最知名的授权最广的顶尖游戏引擎,占有全球商用游戏引擎80%的市场份额。支持iOS及Android。虚幻3引擎的免费版本,不包含源代码,但包含了开发基于虚幻3引擎独立游戏的所有工具。

4. JMonkey Engine基于Java OpenGL的免费开源引擎,一个基于场景图、高性能的图形API,是一个使用Java语言编写的图形绘制引擎。通过使用一个抽象层,支持任意的绘制系统。可用Java语言编程并导入任何与OpenGL 2兼容的设备。

5. ShiVa3D号称最具跨平台意义的移动游戏引擎,是一个3D游戏引擎及开发工具包,支持iOS,Android,WP及黑莓。国内有专门的书作介绍。

6. Libdx免费的Android、HTML5及Java 3D/2D游戏开发框架,只写一次便可以适配到多个平台。

图:用Libgdx开发的游戏

7. Papaya Social Game Engine:2D游戏引擎,帮助轻松开发移动社交游戏,支持iOS及Android。另外还提供游戏内购买系统,帮助你实现游戏的货币化。

8. MoSyncHTML5/JavaScript的轻量级工具,用于开发iOS,Android及Windows Phone的本地移动App。开发者能通过MoSync精简库调用本地设备API,开发的App还能使用本地的UI控件。为Android设备做开发时,MoSync可以创建Dalvik字节码,也能在使用Java-Native界面和NDK时直接工作于C++层面。

9. NME免费开源框架,能用于开发Android、iOS、黑莓及WindowsPhone App,无需C或C++开发技巧。

图:用NME开发的游戏


10. SIO2基于OpenGLES的跨平台2D及3D游戏引擎,支持iOS及Android,采用的是C及C++语言。官网上有入门教程,可以去参考。

11. Corona SDK著名跨平台游戏开发工具,支持iOS,Android,据说有150000开发者使用这个工具。很多iOS开发者反映这个工具很好用,但据Android开发者说该工具用起来不是特别顺心。

图:用Corona开发的游戏“The Lost City”

12. Marmalade采用C/C++开发跨平台的原生游戏及App,能适配到桌面端及移动端,支持iOS、Android及黑莓,可循环利用代码,兼容PhoneGap API。

13. BattryTech:一个游戏开发框架,能为Android及iPhone平台写原生C++代码。引擎基于Lua 5.1语言,所以你只需要懂一点Lua语言即可,引擎免费。

14. App Game Kit跨平台游戏开发工具,利用BASIC脚本语言,支持黑莓、Android、iOS平台。支持开发商结合Eclipse开发环境,使用LoadImage、Sprite、PlaySound等简单的程序命令制作游戏,然后将这些游戏编译到指定的平台。

图:用App Game Kit开发的游戏

15. Antiryad Gx:跨平台的多核3D及2D游戏引擎,支持C、C++及Gel语言,使用iOS,Windows及Android平台。

图:Antiryad Gx设计界面

16. Unity  Mobile:游戏开发者都不会陌生,这是一个非常好的游戏引擎,移动版的著名3D Unity引擎(推荐阅读:天才之为责任:Unity CEO谈论Unity 4.0游戏引擎),支持iOS及Android,Madfinger曾用于开发游戏“Shadowgun”(暗影之枪)。


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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