水果忍者激战版的开发心得

先放下载地址:http://dl.uu.cc/p2p/(在android 手机浏览器上输入后点击下载就OK)

去年8月份一开始接到任务,是要做一个手机间实时通信的桥梁,大家都知道国外的视频通话早已成熟,国内这坑爹的网速实在是坑爹(这高昂的费用既使能用也不敢用),在网速坑爹的时候想搞实时通信,在国内还是首义。

也不是没有类似的应用,比如微信对讲,YY语音等,但都是异步的,实时谈不上,在网络稍不好的情况下,延时是很大的。

当然,实时通信也是有延时的,那延时大到多少就不算实时呢,我们认为,只要用户能感受不到就叫实时,这是从感觉出发,实际上我们的指标不能这样制定,量化后可以是:

1.每秒至少成功传输10个以上的包

2.每个包的内容到少可以大于128个字节

(为什么要分成两个条件呢,何不改成每秒成功传输1024个字节?留个题目给大家,呵呵)

到了10月分的时候第一个DEMO已经成型:

http://v.youku.com/v_show/id_XNjQzNTUwMTU2.html

后面紧接着是找个游戏来试水,正好水果忍者ios版有对战功能(效果很差,因为国外传统的方案不适合中国特色的风速),android版上面却没有,而代码逻辑是一样的,只要改一下通信层就OK,所以10月份就立马开始现在的项目。因为用户量非常大,所以架构设计需要考虑的很多,结果我用了一周的时间出集群方案,花了三天的时间来评审,但是开发时间却很少,因为之前开发的服务器框架已久经战阵,只要改一改业务层就OK了。一个多月的时间对服务器进行压测,一个月的时间对客户端进行功能测试,但是由于水果忍者年底要冲量,实在拿不出时间来跟上我们的节奏,项目耽搁了一段时间。

过完年人力迅速补充后,公司成立了项目组,没有了冲量的压力,也没有了人员的紧张,大家都很积极地配合我这边的工作,形成了一条产品线,从产品经理到测试全部完备,(感谢关总的大力支持),灰度发布版本就定在4月30日。一个月的时间我们分成了两个迭代,一迭代是主要功能,比如实时性等,二迭代是全面测试,比如对战效果等。

凡在我们项目组呆过的人,都感受到了最后一周的压力,加到到1点不算啥,经常12点前没打卡,到第二天凌晨才想起(我还跟人事开玩笑,这个应该不算漏打卡吧)。

在自己公司的游戏上试水后,我们还想把服务推广,五一长休之后,准备出一些公用的SDK,服务于广大android开发团队,让单人游戏迅速成为多人游戏。比如我们的猜题:DEMO(我只开发了三天)

http://v.youku.com/v_show/id_XNjYxNzYxNDg0.html

甚至推广到物联网(我只开发了一天):

http://v.youku.com/v_show/id_XNjk4MzcxMDA4.html

有感性趣的,欢迎联系我,我的QQ:546025825



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