XLXZ's Blog

对了，这里还有一个很坑的问题，就是早在 2021 年，淘宝就发文称，npm 淘宝镜像已经从 registry.npm.taobao.org 切换到了 registry.npmmirror.com。旧域名也将于 2022 年 5 月 31 日停止服务（不过，直到今天 HTTPS 证书到期才真正不能用了）

国内可用源

1. 淘宝npm源

1 2	https://registry.npm.taobao.org https://registry.npmmirror.com

2. 清华大学npm源

1	https://mirrors.tuna.tsinghua.edu.cn/npm/

3. 华为npm源

1	https://repo.huaweicloud.com/repository/npm/

4. 中科大npm源

1	https://mirrors.ustc.edu.cn/npm/

阅读全文 »

ZZZ-mod-manager 开发记录

发表于 2024-08-29 更新于 2025-02-01 本文字数： 52 阅读时长 ≈ 1 分钟

# electron
# 未完成

ZZZ-mod-manager 开发记录

阅读全文 »

2024/08.29 星期四

发表于 2024-08-29 本文字数： 525 阅读时长 ≈ 2 分钟

�ж��???, ��???.

阅读全文 »

INSIDE：一款十分不错的解密游戏

发表于 2024-08-20 更新于 2024-08-21 本文字数： 1.8k 阅读时长 ≈ 6 分钟

# INSIDE

inside 我不想介绍过多，这里只是记录一下我的游戏体验，以及拆分出游戏的一些元素。

游戏体验

inside 是一款具有独特画风的解密游戏，在游戏中，玩家扮演一个小男孩，穿越在一个充满了奇怪的机械设备和人类实验的世界中。

游戏中使用了极具特色的画风，配乐精美：

在剧情设计上，inside并不通过对话来展示故事，而是通过场景和角色的动作来让玩家感受到游戏的氛围，玩家通过和场景中的元素互动来推动游戏的剧情发展，并且了解背景故事。随着游戏的进行，谜题也逐渐变得复杂，设定也逐渐完善。

在谜题设计上，难度逐渐增加，但是整体来说并不难。

简单拆分一下游戏元素

这里主要是指游戏中的可玩操作，而非美术设计或者剧情。

游戏中的谜题主要可以分为两大类： 1. 追击类：玩家需要在一定时间内逃脱追击，否则会被抓住。在此过程中，玩家需要找到关键的操作点，比如在某个地方短暂的停下来，或者在某个地方跳过去、避免被绊倒 2. 谜题类：玩家需要通过操作场景中的元素，来解开谜题，推动剧情发展。这类谜题主要是通过操作场景中的机关来解开，比如拉动某个机关，或者按照某个顺序操作某些机关

而常规的平台跳跃的部分，则被弱化了，游戏中并没有太多需要玩家进行复杂跳跃或者操作的地方。

追击类

追击类更像是让故事背景主动的向你展开，使得玩家被动的带入游戏的氛围中。在游戏的开头，玩家就会被一群人追击，而玩家需要通过操作场景中的元素来逃脱，这一过程使得游戏在一开头就营造出了一种紧张的氛围。

被人追击可以说是最简单也是最直接的一种解密的方式，又因为游戏中的平台跳跃元素的弱化，实际上玩家做的只是跑，从而躲避追击者。

谜题类

谜题类则是游戏的主要玩法，也是玩家主动去探索世界背景，推动游戏剧情发展的方式。

游戏中，主要是设计了5大核心的谜题，分别是： 1. 通过脑机接口控制行尸走肉 2. 控制潜艇 3. 反重力水 4. 蒸汽滑块 5. 投掷物品

这五大核心谜题设计，都围绕着各自的核心机制展开，逐渐增加难度。同时也在不同的关卡中，通过不同的组合方式，来展示出不同的谜题设计。

在这里我懒得具体展开，总而言之这几类机关设计的都挺有意思的。 实际上，还能围绕这些机关设计出更多的谜题，游戏中有一些元素只是简单的做了几个关卡，而没有更深入的挖掘。而随着游戏的阶段的推进，有一些机关设计并不会再次出现

缺点

剧情的结局

整个游戏给我带来的遗憾就是，故事的结尾并不明晰，也没能给出一个明确的结局……扑朔迷离的结局，让我对整个游戏的评价打了一个折扣：在结尾，主人公小男孩进入了一个巨大的实验室，而在实验室的最深处，有一个巨大的肉球，而小男孩最终进入了这个肉球，并且操控肉球，最终肉球横冲直撞，被欺骗进入一个收容装置，但是小男孩又通过扒拉墙壁，逃出了收容装置，并且一路横冲直撞，最终逃出了实验室，但是实验室的外面，却是一片丛林与河岸……然后小男孩就不动了，游戏结束。

末尾部分的谜题设计

在将近结尾的时候，游戏的节奏变得很快……同时也让人感到迷茫。

在游戏的前半段，玩家只需要一股脑的想办法到达右边，而在后半段，玩家变成肉球后，需要在实验室内横冲直撞。虽然说这段剧情也是情节的高潮之处，但是仍然让人感到有些迷茫（或许这种迷茫也是设计者的本意？）

小男孩变成肉球后，按理来说，实验室的人应该会感到恐慌，想办法阻止小男孩，但是实验室的人却没有任何反应，有很多人在围观，甚至为小男孩开路……虽然说后面揭示了这实际上是他们的计划，通过这种方式勾引小男孩进入收容装置……

在玩家需要逃离收容装置的时候，为了氛围的营造，整体的画面变得很暗，而且玩家需要通过扒拉收容装置的墙壁来逃离，这种操作方式让人感到有些迷茫，因为在这种情况下，玩家很难看清楚周围的环境，而且扒拉墙壁的操作也不是很直观，本身墙壁的设计就让人不会感觉是可以扒拉的再加上很多地方扒拉开之后也是不能走的，只有收容装置的右下角的那块墙壁扒拉之后，玩家可以通过那里露出来的排气口逃离……这一段感觉有点败笔。

总结

整体来说，inside是一款十分不错的解密游戏，画风独特，配乐精美，剧情设计独特，谜题设计也很有意思。但是游戏的结局和末尾部分的谜题设计，让人感到有些遗憾。

9/10

2024/08.13 星期二

发表于 2024-08-13 本文字数： 89 阅读时长 ≈ 1 分钟

�ж��???, ��???.

阅读全文 »

d2l-4-overfit过拟合现象

发表于 2024-07-31 本文字数： 42 阅读时长 ≈ 1 分钟

# 未完成
 #

d2l-4-overfit过拟合现象

阅读全文 »

d2l-1-基础知识和数据处理

发表于 2024-07-30 更新于 2024-08-01 本文字数： 3.7k 阅读时长 ≈ 14 分钟

# python
# d2l

基础知识——符号说明

实际上，学习深度学习，对于初学者来说，需要的基础知识面很广，比如说微积分，概率论，线性代数等，但是实际上涉及的并不深…

上面的东西刚好大一就会学，所以说，对于大一的同学来说，学习这个东西基本上没有障碍……简单回顾一下下面的这些数学符号基本上就差不多了：

本书中使用的符号概述如下。 ### 数字

\(x\)：标量
\(\mathbf{x}\)：向量
\(\mathbf{X}\)：矩阵
\(\mathsf{X}\)：张量
\(\mathbf{I}\)：单位矩阵
\(x_i\), \([\mathbf{x}]_i\)：向量\(\mathbf{x}\)第\(i\)个元素
\(x_{ij}\), \([\mathbf{X}]_{ij}\)：矩阵\(\mathbf{X}\)第\(i\)行第\(j\)列的元素

集合论

\(\mathcal{X}\): 集合
\(\mathbb{Z}\): 整数集合
\(\mathbb{R}\): 实数集合
\(\mathbb{R}^n\): \(n\)维实数向量集合
\(\mathbb{R}^{a\times b}\): 包含\(a\)行和\(b\)列的实数矩阵集合
\(\mathcal{A}\cup\mathcal{B}\): 集合\(\mathcal{A}\)和\(\mathcal{B}\)的并集
\(\mathcal{A}\cap\mathcal{B}\)：集合\(\mathcal{A}\)和\(\mathcal{B}\)的交集
\(\mathcal{A}\setminus\mathcal{B}\)：集合\(\mathcal{A}\)与集合\(\mathcal{B}\)相减，\(\mathcal{B}\)关于\(\mathcal{A}\)的相对补集

函数和运算符

\(f(\cdot)\)：函数
\(\log(\cdot)\)：自然对数
\(\exp(\cdot)\): 指数函数
\(\mathbf{1}_\mathcal{X}\): 指示函数
\(\mathbf{(\cdot)}^\top\): 向量或矩阵的转置
\(\mathbf{X}^{-1}\): 矩阵的逆
\(\odot\): 按元素相乘
\([\cdot, \cdot]\)：连结
\(\lvert \mathcal{X} \rvert\)：集合的基数
\(\|\cdot\|_p\): ：\(L_p\) 正则
\(\|\cdot\|\): \(L_2\) 正则
\(\langle \mathbf{x}, \mathbf{y} \rangle\)：向量\(\mathbf{x}\)和\(\mathbf{y}\)的点积
\(\sum\): 连加
\(\prod\): 连乘
\(\stackrel{\mathrm{def}}{=}\)：定义

微积分

\(\frac{dy}{dx}\)：\(y\)关于\(x\)的导数
\(\frac{\partial y}{\partial x}\)：\(y\)关于\(x\)的偏导数
\(\nabla_{\mathbf{x}} y\)：\(y\)关于\(\mathbf{x}\)的梯度
\(\int_a^b f(x) \;dx\): \(f\)在\(a\)到\(b\)区间上关于\(x\)的定积分
\(\int f(x) \;dx\): \(f\)关于\(x\)的不定积分

概率与信息论

\(P(\cdot)\)：概率分布
\(z \sim P\): 随机变量\(z\)具有概率分布\(P\)
\(P(X \mid Y)\)：\(X\mid Y\)的条件概率
\(p(x)\): 概率密度函数
\({E}_{x} [f(x)]\): 函数\(f\)对\(x\)的数学期望
\(X \perp Y\): 随机变量\(X\)和\(Y\)是独立的
\(X \perp Y \mid Z\): 随机变量\(X\)和\(Y\)在给定随机变量\(Z\)的条件下是独立的
\(\mathrm{Var}(X)\): 随机变量\(X\)的方差
\(\sigma_X\): 随机变量\(X\)的标准差
\(\mathrm{Cov}(X, Y)\): 随机变量\(X\)和\(Y\)的协方差
\(\rho(X, Y)\): 随机变量\(X\)和\(Y\)的相关性
\(H(X)\): 随机变量\(X\)的熵
\(D_{\mathrm{KL}}(P\|Q)\): \(P\)和\(Q\)的KL-散度

复杂度

\(\mathcal{O}\)：大O标记

数据处理

数据处理主要涉及到两个核心的问题，一个是如何读取数据，另外一个则是如何处理为空的数据。

将数据处理之后我们还需要将其转换为

读取数据

在Python中，我们可以使用pandas库来读取数据，pandas库提供了read_csv函数，可以读取csv文件，返回一个DataFrame对象。

作为实例，我们创建一个人工数据集，然后将其保存为csv文件，然后使用pandas库读取数据。

import os

os.makedirs(os.path.join('..', 'data'), exist_ok=True)
data_file = os.path.join('..', 'data', 'house_tiny.csv')
with open(data_file, 'w') as f:
    f.write('NumRooms,Alley,Price\n')  # 列名
    f.write('NA,Pave,127500\n')  # 每行表示一个数据样本
    f.write('2,NA,106000\n')
    f.write('4,NA,178100\n')
    f.write('NA,NA,140000\n')

import pandas as pd
data = pd.read_csv(data_file)
print(data)

处理空数据

在panda中，数据集中的空数据被标记为NA，在进行机器训练的时候，不能让机器直接处理空数据，所以说我们需要对空数据进行处理，一般有下述几种办法: 1. 删除法 2. 插值法

删除法将带有空数据的行视为无效数据，直接删除，插值法则是用已知数据的平均值或者中位数等来填充空数据。

在这里，我们用插值法来处理空数据。

# 读取输入和输出数据
inputs = data.iloc[:, [0,1]]
outputs = data.iloc[:, 2]

# 用平均值填充空数据
tempRaw = data.iloc[:,0]
print(tempRaw,tempRaw.mean())
tempRaw = tempRaw.fillna(tempRaw.mean())
print(tempRaw,type(tempRaw))

print(inputs,type(inputs))
inputs.iloc[:, 0] = tempRaw
print(inputs)
print(outputs)

下面逐行解释一下上述代码：

[[data.iloc]] 用于选取数据集中的行和列，data.iloc[:, [0,1]]表示选取所有行和第0、1列的数据，data.iloc[:, 2]表示选取所有行和第2列的数据。

[[data.fillna]] 用于填充空数据，tempRaw.fillna(tempRaw.mean())表示用该列的平均值填充空数据。

[[data.iloc]] 返回的是一个DataFrame对象，我们可以直接对其进行操作，inputs.iloc[:, 0] = tempRaw表示将tempRaw的数据赋值给inputs的第0列。

转换为张量

使用 pandas 读取数据之后，我们得到的数据类型是 pandas 的 DataFrame 对象，我们需要将其转换为张量，才能用于训练。

import torch

X = torch.tensor(inputs.to_numpy(dtype=float))
y = torch.tensor(outputs.to_numpy(dtype=float))
X, y

torch.tensor() 使用 numpy 数组初始化创建一个张量，inputs.to_numpy() 将 DataFrame 对象转换为 numpy 数组，dtype=float 表示将数据转换为浮点数类型。

数据从 DataFrame -> numpy 数组 -> 张量，完成了数据的转换。