MC新手入门(十七)------ 鼠标点击事件

鼠标点击事件可以实现很多效果,例如:鼠标点击后角色跳起来;鼠标点击后角色会产生爆炸等等,接来下,我们也一起用鼠标点击事件,实现角色的移动,在看看它是如何实现的。
很简单,我们要先创建两个角色:小狗跟背景。

4-1-2-5-1.png

                              

图4-1-2-4-1

这次我们要让小狗移到鼠标点击的位置,所以在背景角色上创建事件。

4-1-2-5-2.png

图4-1-2-4-2

4-1-2-5-3.png

图4-1-2-4-3

在脚本中编写如下代码

MoveTo("dog", xmouse+view.x,ymouse+view.y/2, 5, "Event Actor", "");//移到鼠标点击的位置

MoveTo("dog", xmouse+view.x,250, 5, "Event Actor", "");//y坐标不变,在x轴上移动

可以看见

4-1-2-5-4.png

图4-1-2-4-4

4-1-2-5-5.png

图4-1-2-4-5

小狗移动到鼠标点击的位置。
我们经常会用到一个按钮的点击效果,这也是鼠标点击事件中的一种,比如开始时点击左图,变成右图的效果

4-1-2-5-6.png

图4-1-2-4-6

我们将用到“鼠标键按下”事件、“鼠标键弹起”事件、“改变动画”行为和创建“动画序列”等功能。
首先,我们先来了解动画序列的应用。添加一个角色,在添加图片如下

4-1-2-5-7.png

图4-1-2-4-7

4-1-2-5-8.png

图4-1-2-4-8

角色动画变成如下图:

4-1-2-5-9.png

图4-1-2-4-9

接下来点击【动画设置】里的动画序列按键,弹出添加动画序列框。给动画序列命名,和指定帧数序列。帧数序列为int型。从0为第一帧开始往上加。不能小于0与大于动画总帧数。如下图所示。

4-1-2-5-10.png

图4-1-2-4-10

4-1-2-5-11.png


图4-1-2-4-11

4-1-2-5-12.png


图4-1-2-4-12

接着就是【鼠标键按下】、【鼠标键弹起】事件。添加【鼠标键按下】事件执行改变动画动作改变成animDown动画序列,添加【鼠标键弹起】事件执行改变动画动作改变成animUp动画序列。步骤如下图
鼠标键按下

4-1-2-5-13.png

图4-1-2-4-13

4-1-2-5-14.png


图4-1-2-4-14

鼠标键放开

4-1-2-5-15.png

图4-1-2-4-15

4-1-2-5-16.png

2012-9-19 13:17:32 上传


图4-1-2-4-16

最后测试一下你可以看见按钮点击的效果了。

注意:行为事件中,“改变动画”只是改变单个动画行为,“改变动画方向”是改变多个动画行为。

Demo下载地址:http://www.dongyo.cn/bbs/forum.php?mod=viewthread&tid=2473&extra=page%3D2%26filter%3Dauthor%26orderby%3Ddateline%26orderby%3Ddateline

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