手游创业公司需要迭代文化


迭代(iteration)才能创造优质游戏。以下是创造团队迭代文化三个重要的步骤。



1.不断回顾总结

  目标:团队里的每个人都应以建设性的方式帮助彼此创造出尽可能最好的产品。

  创建迭代文化的第一步:与团队成员一起不断回顾自己的工作。尽管起初工作难以开展,特别是当工作正处于进展状态,建立循环反馈系统是非常关键的。在Proletariat(游戏开发公司),我们会在每周五进行一次正式的回顾周会,并在Twitch(视频游戏实时流媒体平台)上滚动实况,同时在小团队中开展一些非正式的回顾会议。

  行动项目(KPI标志):正式地开展回顾工作,不同岗位人员给予意见的反馈,然后慢慢的形成有组织计划的工作。

2.  没有开发完全的游戏产品

  目标:保持产品特征的灵活性,因此研发人员能够随时返回到过去的游戏产品,对其进行润色加工,让游戏不断进化发展。
  不断地回顾,此过程能够让团队意识到游戏产品并没有彻底完成。下一步让团队意识到“没有开发完全的的游戏”。一款游戏无论是美术,设计或者代码总会有再加工,润色打磨的空间。一款游戏的更新,功能特色的完善需要多次再加工。“没有开发完全的游戏”意味着开发团队有机会对游戏产品功能进行迭代。但前提是,开发团队必须充分信任制作方和安排计划表。

  在Proletariat,我们会建立一个“未完成事务清单”(backlog),团队成员可以反复着手更新。在每个目标阶段达成时,我们会留一个周的时间处理这个清单,我们把它称为“债务”处理周。团队成员能够优先排序他们认为亟待关注的问题。

  行动项目:构建需要加工的“未完成事务清单”。在开发过程中经常提供间歇,供员工反复挖掘打磨。

3.公开自己的想法

  目标:允许公开、真诚的反馈,来鼓励团队不要坚持己见。

  经常可以看见开发商们因为纠结是否应该放弃他们的游戏创意,而阻挠游戏的开发。我们建议将想法公开,让团队其他成员基于原本想要放弃的想法进行集体打磨再建。

  每个人都应该抛出各自的想法,其他成员就可以基于别人的想法贡献出自己独一无二的创意,这也是对成型的产品的最大贡献。团队的每一个成员都应该意识到,想法是大家的而不是一个人的。这个理论同样适用于游戏美术,音乐,代码制作等。

  行动项目:不要在乎想法的来源。建立一个进程,可以客观分析游戏的创作选择。

总结

  创造迭代文化需要聚焦整个团队,并需要大量时间。优先事务处理顺序可以不断进行调整,改变对游戏开发造成负面影响的过程。然而,一旦这种迭代文化被建立起来,它能够使团队在积极协作的工作氛围下,创造出自己最佳的游戏作品。

  作者标注:Seth Sivak是一位游戏程序员,产品经理,主设计师以及执行制作人。Seth曾是Zynga旗下一款名为Indiana Jones Adventure World (Facebook上的社交游戏)的主设计师。现任游戏开发公司Proletariat的CEO。在2011年,他被“游戏开发杂志”评为50位优秀开发者之一。2012年进入排行榜前30,并于GDC上发表个人演说。

 

 

via:GameRes

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