Crazy Learning for Day 4

1、DontDestroyOnLoad(切换场景,保留物件不被删除)

singleton(单例模式)

using System.Collections;
using System.Collections.Generic;
using UnityEngine;
using UnityEngine.SceneManagement;

public class GameManager : MonoBehaviour {
    //singleton
    //单例模式

    private static GameManager instance;
    void Awake() {
        if (instance==null)
        {
            instance = this;
            DontDestroyOnLoad(this);
            name = "最初的游戏管理";
        }
        else if (this != instance)
        {
            string sceneName = SceneManager.GetActiveScene().name;
            Debug.Log("删除" + sceneName + "的" + name);
            Destroy(gameObject);
        }
    }
}

2、如何将MC玩成音游

https://www.bilibili.com/video/av3207263/

不管你喜欢玩游戏还是玩音乐,都别错过Mogees Play这个东西

http://www.ifanr.com/681763

3、音乐游戏好玩在哪里?

我自己学过三种乐器,学成了两种,但是我更加喜欢音游,我觉得这是我的骄傲。个人认为音乐游戏吸引人的地方有几点:1·游戏,技术占绝大部分(疼讯请走开没钱玩毛啊),没技术再有钱你也做不了赢家,关键还是要看你那双手。2·弥补遗憾:你再屌也学不了所有种类的乐器吧,我擅长弦乐但是让我玩键盘就是杀人了。但是我真的很希望自己能够随心所欲的操纵键盘,怎么办?打游戏吧!钢琴曲那么多,总有一个适合你。3·音乐欣赏:说实话,我非常挑剔,只会听最好听的歌,我玩的音乐游戏也只是有限的几种包括V家,LL,deemo之类,尤其是deemo,纯音乐能让人那么享受的我觉得不多。4·背歌词(歌手限定):一首歌背不过怎么办?打上八十遍!我绝对受不了单曲循环八十遍,但是如果是游戏我觉得可以勉强接受。5·紧张感&成就感(骨灰玩家限定):全连的紧张感,完成后酣畅淋漓激动不已的感觉不玩真的感受不到,手抖了都想扇自己,终有一天你的动作在别人面前只是残影。。。6·游戏会让人沉迷的根本原因:数值化世界是公平的竞技也是可以让人任意的比较的,差一点也是输,如同运动一样的胜负心理是支持大部分人走向游戏不归路的一点吧。废话很多,请见谅。

4、什么叫“四分音符为一拍”

https://www.zhihu.com/question/27762526

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