Go学习(二)狼人杀

1. 所有人要坐进来,   满8人开局   分配身份  2警察  2杀手 4平民

2. 进入第一晚,  警察、杀手可以互相知道队友身份

3. 警察杀手, 可以聊天, 决定查验的人和杀掉的人

4. 天亮, 宣布结果。   判断游戏是否结束 (一方职业死光光)

5. 从死者开始遗言  顺时针发言

6, 投票

7,杀死最高票

8, 判断游戏是否结束

9, 继续2号循环

--------------------------------------------------------------------------------------------------

每个人进来

”我叫姚梦嘉, 我要来玩狼人杀“

“姚梦嘉请坐2号座位”  / “2号姚梦嘉加入了游戏, 当前座位列表人员是 1,2,3,4,5,6,7,8”

-----

“游戏开始,  你的职业是 XXXX”

----------

“天黑了”

“警察你们有 2 5 8 三人,请决定查验人”  

   “”我们查2号姚梦嘉”

“杀手你们有 1 3 4 三人, 请决定要杀的人”

   “我们杀2号姚梦嘉”

----------30秒过去 -----------------

“2号身份。。。。。”

“天亮了, 昨晚2号死亡  2号请发遗言”

-----  顺序发言 -------------

“大家投票”

“X号被投票出具, 游戏继续、结束XX胜利”

 

=============================开始======================================

1.使用json来传输数据

客户端传cmd和内容到服务器,服务器根据接受到cmd对数据进行处理。

如果cmd==1 :服务器返回cmd1的数据,告诉他用户名建立成功

客户端收到cmd=1的数据,则显示“你的用户名为xxx”,并且发送一个cmd=2的请求,让服务器通知大家他来了

*这里遇到问题,我创建了一个结构体和一个sync.map

type info struct {
    Number int
    Name string 
    Connect *conn.TData
}

我想将每一个接入的客户端信息传入map里,记录下来,并且遍历map获得connect,从而进行广播

遍历map后还需要遍历结构体获得connect,但是我一直无法转换结构体遍历出来的值,于是我打算先用三个map分别保存三个字段

 

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