разработка

Анимация загадки с сердцем

Рассказывать про прогресс разработки за прошедший месяц 2 месяца долго и скучно.
В очередной раз перенесли релиз. Список того что осталось доделать влезет в 30 слов, но надо это еще сделать.

Анимация духа в лесу

Рассказывать про прогресс разработки за прошедший месяц долго и скучно.
Собственно дневник путешествия закончен. 
Добавлены ачивки для стим.
Сделано несколько загадок.
По сути осталось мелочи по анимации и 14 загадок \ интерактивных мест взаимодействия.
Ну и анимация насвистывающего призрака в лесу, чтобы показать что мы что-то делаем.

Не так давно захотелось мне немного окунуться в геймдев. В виде хобби. Пока изучал Unity, получилась небольшая игрушка, навеянная HighFleet. Подумал, почему бы не выложить на Реактор.

Собственно вот ссылка: https://michaelid13.itch.io/hi-fly

Изначально предполагалось что-то вообще простое, так как в планах у меня сделать некую пошаговую 2D RPG. Но процесс разработки затягивает круче многих игрушек. Всегда хочется добавить ещё фишек и идей. Сначала интерфейс ваяешь, потом звуки и спецэффекты, потом меню с настройками и выбором уровня сложности, дальше меню паузы, стрельбу очередями. И вдруг ловишь себя, что сидишь над этой игрой уже месяц. Но за этот месяц, конечно, многому научился. Идей было ещё много, от самонаводящихся ракет до наземных врагов, но решил всё-таки остановиться.

Визуальный ряд немного неровный, модели из разных вселенных, но что сумел найти в бесплатных ассетах Unity, то и вставил. И так потратил не мало времени на них.

Анимация дневника

Ответ на вопрос: зачем это нужно? (Показать что мы не умерли от ковида)
- Показать что мы продолжаем работу и близимся к завершению. 

Да будет стрим!

Через 40 минут, в 18:00 по Московскому времени мы начинаем стрим прохождения демоверсии нашей игры Blackberry the Witch: Journey для фестиваля Steam Next Fest.

Ссылка на страницу в магазине стим, где тоже будет стрим.

Да будет стрим!

Через 5 дней начинется фестиваль демоверсий игр в стиме, поэтому в связи с правилами и требованиями мы решили, что у нас нет выбора и мы проведём стрим!
(Никто из нас никогда раньше этого не делал и даже не планировал)
Стрим будет в следующую субботу в 18:00.
Ссылка на страницу с новостью в стим

Всем привет, разрабатываю сейчас нейросеть, но не хватает знаний и навыков. Пишу на python c tf.keras, модель Sequential

Пытаюсь воспроизвести классическую задачу переноса стиля, с некоторыми доп. параметрами.

Конкретнее, на входе я подаю маленькие кусочки большого изображения + позиция изображения на большой картинке + миниатюра большого изображения. На выходе у меня этот же кусочек изображения. Обучаю на 30 больших изображениях.

С изображением небольшого размера (32х32) всё работает отлично, со значением inner_layers = 3 через 500 эпох я получаю более менее приемлемое изображение: 

Но вот с 400х300 изображение уходит в loss = 0.009 а предсказания показывают только градиенты. 

- learning rate пробовал уменьшать, без результатов.

- изменение loss function на CategoricalCrossentropy "ломает" модель,  loss поднимается до 2000, а предсказания - статичная картинка

- аналогично ломается модель, если изменить функцию активации слоёв с relu на sigmoid. Хотя, если не ошибаюсь, то установка друг за другом нескольких relu слоёв одинаковой длины - должна быть бессмысленной.

inner_layers = 9

model = models.Sequential()

model.add(layers.Dense(input_size, input_dim=input_size))

for i in range(inner_layers):

      model.add(layers.Dense(input_size,      activation='relu'))

model.add(layers.Dense(int(output_size/8), activation='relu'))

for i in range(inner_layers):

      model.add(layers.Dense(output_size,      activation='relu'))   

model.add(layers.Dense(output_size,       activation='linear'))

model.compile(loss='MeanAbsoluteError')

Приму любые советы, как можно улучшить модель или даже какую архитектуру стоит использовать. 

Пробовал так же использовать CNN, но я не знаю, как во входные данные дать ему доп. параметры, кроме самого изображения.

Использовать RNN было бы тоже логично, но не совсем понятно, как организовать использование двумерной памяти, чтобы картинка ориентировалась не только на картинку "слева", но и "сверху".

Так же, понятно, что можно использовать готовое решение а-ля это, но там используется не Keras, и к такой реализации я пока не готов. 

P.S. кроме этого часть входа с кусочками изображения я заменяю пустым значением, чтобы нейросеть не училась воспроизводить изображение по нему 1 к 1, а ориентировалась на миниатюру и позицию. Но здесь, кажется, тоже не все так гладко.