7月30号csonline 服务器维护,DOTA2 7月30日更新日志:7.19游戏性更新

最新Dota2更新涉及到多个英雄的技能调整,包括亚巴顿、远古冰魄、嗜血狂魔、育母蜘蛛等,主要变化集中在技能的魔法消耗、伤害和移动速度加成上。部分英雄如卓尔游侠、凤凰、帕格纳等也受到了基础属性或技能冷却时间的调整。此外,瘟疫法师、主宰和寒冬飞龙等英雄的神杖升级效果及技能作用范围也有所改变,整体上旨在提高游戏的策略性和平衡性。
摘要由CSDN通过智能技术生成

综合:

- 每日奖励英雄从2个魔法芒果改为1个

- 夜魇主野区圣坛下方悬崖附近增加2棵树

英雄:

亚巴顿

- 迷雾缠绕的魔法消耗从50/60/70/80点降低至50点

远古冰魄

- 冰霜漩涡的魔法消耗从80/90/100/110点降低至65/80/95/110点

嗜血狂魔

- 25级天赋从+20% 嗜血渴望最大移速和攻击力减少至+18%

- 嗜血渴望的加成效果从16/24/32/40调整为7/18/29/40

育母蜘蛛

- 织网的移动速度加成从40/50/60/70%减少至25/40/55/70%

- 织网的能量恢复时间从40秒增加至45秒

半人马战行者

- 基础力量提升2点

水晶室女

- 冰霜新型的魔法消耗从100/120/140/160点增加至130/140/150/160点

卓尔游侠

- 基础力量减少1点

魅惑魔女

- 自然之助的魔法消耗从110/120/140/150点增加至170/160/150/140点

主宰

- 剑刃风暴的伤害从80/105/130/150点提升至90/115/140/160点

瘟疫法师

- 神杖升级死神镰刀的冷却时间从55/40/25秒增加至60/50/40秒

- 幽魂护罩的对己魔法抗性降低从30%增加至40%

- 死神镰刀的施法前摇从0.5秒增加至0.55秒

食人魔魔法师

- 火焰爆轰的伤害从55/110/165/220点提升至60/120/180/240点

殁境神蚀者

- 神智之蚀的伤害系数从8/9/10提升至9/10/11

- 精气光环的额外魔法值从125/200/275/350点提升至150/250/350/450

幻影长矛手

- 并列的幻象承受伤害从500%增加至600%

- 基础智力减少2点

凤凰

- 15级天赋从+60 烈火精灵每秒伤害减少至+50

帕克

- 新月之痕的沉默持续时间从1.5/2/2.5/3秒提升至2/2.5/3/3.5秒

帕吉

- 肉钩的冷却时间从17/15/13/11秒增加至27/22/17/12秒

帕格纳

- 基础攻击力减少2点

力丸

- 烟幕的施法前摇从0.4秒降低至0.2秒

暗影萨满

- 基础护甲提升1点

狙击手

- 15级天赋从+25 榴霰弹每秒伤害提升至+35

斯温

- 基础攻击力提升2点

圣堂刺客

- 灵能陷阱的伤害从250/350/450点减少至250/300/350点

伐木机

- 活性护甲的每次效果从1/1.2/1.4/1.6提升至1.3/1.4/1.5/1.6

树精卫士

- 寄生种子的魔法消耗从80/95/110/125点增加至100/110/120/130点

维萨吉

- 陵卫斗篷的最低触发伤害从50点减少至40点

编织者

- 基础移动速度从280减少至275

风行者

- 风行的冷却时间从12秒增加至15/14/13/12秒

寒冬飞龙

- 碎裂冲击的魔法消耗从90/110/130/150点增加至105/120/135/150点

宙斯

- 雷云的作用范围从500减少至450

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
### 回答1: 这个错误是由于你的计算机没有足够的内存来分配一个包含 30 行和 32183100 列的对象类型(object)的数组。你可以尝试以下几种方法来解决这个问题: 1. 减少数组的大小:你可以尝试减少数组的大小,或者使用其他数据类型,例如整数或浮点数,来减少内存使用量。 2. 使用更高效的算法:有些算法可以减少内存使用量,例如分块算法或稀疏矩阵算法。 3. 使用更高级的硬件:如果你的计算机没有足够的内存,你可以考虑使用云计算或者更高级的硬件,例如 GPU。 4. 优化代码:你可以尝试优化代码,例如使用向量化操作或者避免不必要的内存拷贝等。 ### 回答2: 出现这个错误原因是在使用numpy时分配的内存不足。 根据错误信息,你尝试创建一个形状为 (30, 32183100)、数据类型为 object 的数组。根据估算,这个数组将需要 7.19 GiB 的内存空间。 出现这个错误的原因可能有以下几个: 1. 内存不足:你的计算机内存不足以容纳这么大的数组。可以尝试释放一些内存空间或者增加计算机内存。 2. 32位操作系统限制:如果你的操作系统是32位的,它只能使用最多4GB的地址空间。在这种情况下,无论你的计算机有多少内存,你也无法创建大于4GB的数组。 3. 运行其他进程:可能运行了其他大内存消耗的程序或进程,导致当前可用内存不足。 解决这个问题的方法有以下几种: 1. 减小数组的大小:可以考虑减小数组的大小,或者修改算法以减少内存占用。 2. 使用压缩数据类型:如果你的数组中的对象没有特殊要求,可以考虑使用压缩的数据类型来减少内存使用量。 3. 增加计算机内存:如果你的计算机内存不足,可以考虑增加内存容量。 4. 优化内存使用:可以使用numpy的内存映射(memory-mapping)功能,将部分数据存储在磁盘中,从而减少内存的使用。 总之,这个错误是由于内存不足导致的,需要你根据具体情况进行调整,以确保能够成功创建所需大小的数组。 ### 回答3: numpy.core._exceptions._ArrayMemoryError错误提示无法分配7.19 GiB的内存给一个形状为(30, 32183100)和数据类型为object的数组。 这个错误通常是由于计算机内存不足导致的。在创建大型数组时,会尝试分配连续的内存空间来存储数组的数据,在内存不足的情况下,就无法完成分配操作。 解决这个问题的方法有几种: 1. 减少数组的大小:可以尝试减少数组的维度或者使用更小的数据类型来降低内存消耗。 2. 释放内存:在运行程序之前,可以尝试关闭其他不必要的程序或者释放掉一些内存占用较大的资源,以腾出更多的内存给numpy数组使用。 3. 使用分块计算:如果任务允许,可以将数据分为多个较小的块进行处理,以减少每个数组的内存需求。 4. 增加计算机的内存:如果以上方法无法解决问题,可以考虑增加计算机的内存容量。 需要根据具体情况选择适合的方法来解决这个问题。
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