RTS指数,有哪些低配置电脑也能玩的电脑单机游戏

RTS指数，有哪些低配置电脑也能玩的电脑单机游戏？

首先感谢邀请！

不多说，这次则介绍三款游戏。

第一款：《要塞:十字军东征》

（官方也推出了HD版本，支持更高系统和分辨率）

作为一款RTS游戏的“异类”，《要塞》系列将经营作为游戏的主要手段，而战争作为经营的点缀，因为支持一场战争的要求，就是拥有足够的经济基础。

喂饱你的臣民，满足他们的需求，并丰富他们的生活，成为一个贤明的君王；或者是依靠严酷的刑具，恐吓统治，营造出一种恐怖的氛围，成为一个严厉的国王。全看玩家自己的选择，而选择又有所不同。

（而丰富的任务，让玩家在一个个挑战下成为一名合格的中世纪君主）

而要塞系列一贯的城堡建造，满足了“建筑师”们的创造欲，可玩性很高。如何将城堡建设的又美观，又能结合区位决策理论对各种设施进行合理的选址，是一件很有趣且值得揣摩的学问。

游戏细节又很丰富，比如观察一个砍树工人做木头的步骤，采石场工人捞切运石料的过程，或是铸剑师的日常，你们肯定都有看过；

或者点击一个臣民，他会依照现在的生活对玩家进行回复，他可能会对玩家的提税而感到不满，但又会对玩家丰富饮食而感到欣喜，亦或者是被刑具吓到战战兢兢。

（但不要忘记，这是一款RTS游戏，攻城也是游戏中的亮点）

在经济足以支撑战争的时候，游戏则换到了真正的RTS上来，野战在游戏中几乎不存在，所以大多数情况下，玩家不是依靠城墙进行防御，就是利用攻城武器选择进攻。那么如何攻克一个城堡，亦如何守住一个城堡，成为了玩家的一个又一个乐趣之一，而战役中也专门提供了大量攻城战役，让玩家直接免除经营的过程，而直接投入作战之中。

（HD版本，绝对低配，只要你的电脑不是80年代的）

第二款：《皇帝：龙之崛起》

（制作商试图模仿中国风格，有些很成功，有些……就比如这个不知道是多少朝代杂配出来的“中国人”）

《龙之崛起》的背景设定在古代中国，在《凯撒大帝》、《法老王》等经典前作的铺垫下，这款游戏则更加贴近我们的感觉，甚至在某些方面做的相当的不错

而细节方面在那个时代，确实是很完美，例如加入了十二生肖，作为玩家的起始年，本命年时，玩家将会获得别样的收获，而不在本命年时，玩家则会经历一些小问题；而风水的加入，也着实让我们在这款国外游戏之中，耳目一新。

（比起之前的作品来说，这款游戏的美工和氛围都很不错）

而游戏加入了历史时代的战役，分别为远古、夏、商、周、汉、隋唐、宋金，帮助部分玩家了解当时的历史，并加入了历史著名战役，领导各个朝代屹立不倒。

随着游戏进展，不同的建筑和事件也会解锁，例如兵马俑、长城这样的宏伟奇观，也有佛寺庙宇，甚至是公园这样的民生建筑，一步步地将传统的世界推演前进，而在此时候，玩家还要维持住粮食和收支的平衡，不然随之而来的，就是一场危机。

（而对于更多的玩家来说，还原一个王朝的首都，或者是打造自己的城市，然后看它欣欣向荣）

另外，游戏中加入了神祗的概念，好好供奉一个神明，她或他就会在人间保护你的臣民，例如武圣关二爷，他会防止城内出现暴动，也会增加武器，还有一个让人不解的能力，就是可以赐予玩家大量的免费豆腐。

当然，游戏之中还有战争元素，但和《要塞》系列一样，在没有足够的经济基础时，你是无法支撑起一个军队的成长。

（也不是很高，基本上可以说是2005年的配置就足够了）

第三款：《骑马与砍杀》

（游戏并不大，但却有着相当丰富的玩法）

刚刚介绍了两款2D游戏，现在则介绍一款3D的游戏，骑砍对于大多数沙盒玩家来说并不陌生。

作为卡拉迪亚大陆上的一员，玩家要做的就是在这片大陆上生存下去，无论是作为一个富可敌国的商人，还是一个隐居山林的绿林好汉；你也可以作为一名忠心耿耿的骑士，或者是一个怀有二心的领主，甚至是通过各种手段，成为一国的国王，最后君临大陆。

（简单的3D画面，不过将战场人数扩大到一定水平，那么对机器的负担也陡然上升）

而游戏的选择完全交予了玩家，抢劫一个村子，然后烧成一片灰烬，或者是帮助一个村子的村长将一片废墟建成一片欣欣向荣的领地，完全取决于你的想法。

另外，游戏也支持MOD，鼓励MOD制作者的开发，于是骑砍在原版的基础上，又因为MOD丰富了大量的内容。

国内制作较为出名的MOD，是《骑马与砍杀：泡菜—光明与黑暗》和《汉匈全面战争》、《二战：中国战场》等等。而国外则有着《潘德的预言》、《魔戒》、《1257AD》、《16世纪：北半球》等等更为丰富的MOD扩展包，对于玩家来说，则有着不同的选择，不过部分MOD对于玩家配置要求较高，所以要慎重选择。

（MOD《1257AD》，以公元1257年作为游戏蓝本，游戏中的采邑制则是游戏亮点之一）

不过游戏自身自带的DLC也很丰富，例如《战团》、《火与剑》、《维京征服》、《拿破仑战争》，分别是卡拉迪亚大陆的扩展、17世纪中叶沙俄危机、867年维京人入侵和拿破仑战争，这些丰富的内容也足以让玩家在原版基础上获得乐趣。

（原版游戏配置，但对于部分MOD来说，则要根据MODer的要求来选择）

深度学习适合什么人学习？

机器学习

机器学习是（使用样本获取近似函数的）统计学的一个分支。我们有一个确实存在的理论函数或分布用以生成数据，但我们目前不知道它是什么。我们可以对这个函数进行抽样，这些样本选自我们的训练集。

图片标注示例：函数：f⋆（图片）→图片描述样本：data∈（image，description）。注意：由于一个物体有许多有效的描述，所以描述是文本空间中的一个分布：图片描述〜文本。

机器的目标是找到模型：有足够的表现力来逼近真正的函数。有一个高效的算法，它使用训练数据找到函数最优解。而且此最优解必须对未知输入有良好的泛化能力。

机器学习的可能应用：将输入转换为另一种形式 - 学习「信息」，提取并表达。例如：图像分类，图像标注。预测序列的遗漏值或未来值 - 学习「因果关系」，并进行预测。合成类似的输出 - 学习「结构」并生成它。

泛化与过拟合

当你的模型过分依赖于训练集从而不具备泛化能力，我们就称之为过拟合。例如：一个学生记住了测试试卷的答案，那么当考测试卷时他可以得分很高，但是考期末试卷时可能考的很差。

有几种权衡标准：模型表达能力：弱模型无法模拟函数，但功能强大的模型更容易过拟合。迭代训练：训练太少，没有足够的时间来拟合函数，训练太多会引起过拟合。你需要在欠拟合模型和过拟合模型之间找到一个平衡点。

标准技术是进行交叉验证：留出部分「从未训练过的测试数据」。在所有训练完成后，我们将在最终测试集上运行该模型。在最后测试之后（您当然可以收集更多的数据）不能调整模型。如果对模型进行阶段性的训练，则需要为每个阶段保留测试数据。

深度学习是机器学习技术的一个分支。它是一个强大的模型，也得到了成功地推广。

前馈网络

前馈网络表示具有函数族 u=f(x;θ) 的 y=f⋆(x)

θ是模型参数。它可以是成千上万个参数θ1...θT。

f 是一个函数族。f（x;θ）是 x 的单个函数。u 是模型的输出。

你可以想象一下，如果你选择了一个十分常见的函数族，其中之一有可能将类似于 f⋆。

例如：用参数表示矩阵和向量：f（x→θ）（）= [θ0θ1θ2θ3] x→+ [θ4θ5]

设计输出层

最常见的输出层就是：f(x;M,b)=g(Mx+b)

M 和 b 就是上文说的θ 中的参数。

线性变换 Mx+b 确保你的输出层依赖于所有的输入。

非线性部分 g(x) 让模型更好的拟合 y 的分布。

以图片输入为例，输出分布应该是：线性：y∈ℝ。例如，小猫的照片。Sigmoid：y∈[0,1]。例如，它是一只猫的概率。Softmax：y∈RC 和Σy= 1。例如，是 CC 品种之一的猫的概率。

为了确保 g（x）拟合真实分布，可以使用：线性：g（x）= x。Sigmoid：g（x）= 11 + e-x。Softmax：g(x)c=exc∑iexi。

Softmax 实际上是受限制的，通常 x0 设置为 1. 在这种情况下，Sigmoid 只是在 2 个变量中的 softmax。

这就是为什么最好选择 g 的理论背景，但有很多不同的选择。

找到θ

通过求解 J 的代价函数的以下优化问题求θ：minθ∈modelsJ(y,f(x;θ))

深度学习的成功源自有一系列很好的算法来计算最小值。

那些算法都是梯度下降法的变种：

theta = initial_random_values()

loop {xs = fetch_inputs()

ys = fetch_outputs()

us = model(theta)(xs)

cost = J(ys, us)if cost < threshold: exit;

theta = theta - gradient(cost)}

直观地讲，你在每一个θ 选择可以最大程度上降低损失的方向。

这需要计算梯度 dcostdθt。

你不希望梯度接近 0，这样学习速度太慢或接近 inf，且不稳定。

这是一个贪心的算法，因此可能会收敛到局部最小值。

选择损失函数

这个损失函数可以是任何形式：绝对误差的和： J=∑|y−u|。平方误差之和： J=∑(y−u)2。只要最小值在同分布时出现，在理论上它将会起作用。

用 u 表示 y 的分布参数是一个不错的主意。理由：通常自然过程是模糊的，任何输入都可能有一系列的输出。这种方法也能平滑地衡量我们的准确程度。最大似然估计：θML=argmaxθp（y; u）。因此，我们要最小化：J = -p（y; u）。对于第 i 个样本：J = -ipip（yi; u）取对数：J'= - Σilogp（yi; u）。这称为交叉熵。

应用这个想法：y〜Gaussian（center = u）：p（y; u）= e-（y-u）2。J=−∑loge−(y−u)2=∑(y−u)2。这促使平方和误差作为一个不错的选择。

正则化

正则化是为了降低泛化误差提出的，这并不表示它会提高训练误差。

偏好更小的 θ 值：通过将θ的一些函数加入到 J 中，可以取到更小的参数。L2：J'= J +Σ|θ| 2。L1：J'= J +Σ|θ|。L0 不平滑。注意：对于θ→Mx + b，通常只添加 M。

数据增多：通过更多的样本减少过拟合。还要考虑从现有数据生成有效的新数据。旋转，拉伸现有图像以创建新图像。将小噪音注入 x，网络层，甚至参数。

多任务学习：在几个不同的任务之间共享一层。图层被迫选择与通用任务集相关的有用特征。

提前停止：保留从未接受过训练的测试数据集，称为验证集。当验证集的损失下降时，停止训练。你需要一个额外的测试集才能真正测试最终模型。

参数共享：如果你知道有关数据的常量，请将其硬编码为选择参数。例如：图像是平移不变的，所以每个小块应该有相同的参数。

剪枝：随机关闭网络层中的一些神经元。神经元学习真正理解输入数据。

对抗：尝试通过在这些点附近产生对抗数据，使训练点附近的点不变。

深度前馈网络

深度的前馈网络改为使用：u=f(x,θ)=fN(…f1(x;θ1)…;θN)

这个模型有 N 层。f1 ... fN-1：隐藏层。fN：输出层。

深层模型听起来不够好，因为它需要更多的参数。

实际上，它实际上需要更少的参数，并且模型表现更好（为什么？）。

一个可能的原因是每层学习数据的越来越抽象的特征。

残差模型：f'n（x）= fn（x）+ xn-1。数据可能来自过去，我们再加上一些细节。

设计隐藏层

最常见的隐藏层是：fn(x)=g(Mx+b)

隐藏层与输出层具有相同的结构。

然而，对于输出层工作良好的 g（x）却不适用于隐藏层。

最简单和最成功的 g 是 ReLU ：g（x）= max（0，x）。与 sigmoid 相比，当 x 非常大时，ReLU 的梯度不接近零。

其他常见的非线性函数包括：

调制 ReLU：g（x）= max（0，x）+αmin（0，x）。其中 alpha 为-1，非常小，或模型参数本身。直觉是这个函数具有 x <0 的斜率。实际应用中，它和 ReLU 差不多。

Maxout：g(x)i=maxj∈G(i)xj。G 将范围 [1..I] 分为子集 [1..m]，[m + 1..2m]，[I-m..I]。为了比较，ReLU 为ℝn→ℝn，maxout 为ℝn→ℝnm。它是每组 m 输入的最大值，将其视为 m 段线性段。

线性：g（x）= x。与下一层相乘后，相当于：fn（x）= g'（NMx + b'）。这是有用的，因为可以使用参数较少的窄 N 和 M。

优化方法

我们使用的方法基于随机梯度下降：选择训练数据的一个子集（一个小批量），并从中计算梯度。优点：不依赖于训练集的大小，而是依赖于批量大小。

有多种方法进行梯度下降（使用：gradient g，学习率ε，梯度更新Δ）梯度下降 - 使用梯度：Δ=εg。动量 - 使用指数衰减梯度：Δ=εΣe-tgt。自适应学习率，其中 ε=εt：AdaGrad - 根据梯度幅度逐渐学习：εt=εδ+Σg2t√εt=εδ+Σgt2。RMSProp - 慢指数衰减梯度梯度学习：εt=εδ+Σe-tg2t。Adam - 复杂

牛顿法：由于技术原因很难应用。

批归一化是一个具有如下变换的层：y = mx-μσ+ by = mx-μσ+ b。m 和 b 是可学习的，而μ和σ是平均值和标准偏差。这意味着这一层可以完全独立（假设上一层的分布）。

课程学习：首先提供容易学习的东西，然后再加入复杂的东西。

简化网络

在这一点上，我们有足够的基础来设计和优化深网络。

但是，这些模型非常普遍且庞大。

如果你的网络有 N 个网络层，各层有 S 个输入/输出，参数空间|θ| = O（NS2）。这有两个缺点：过拟合，训练时间长。

减少参数空间的方法有很多种：

找出问题中的对称性，选择对称性不变的层。

创建具有较低输出维度的层，网络必须将信息归纳成更紧凑的表示形式。

卷积层

卷积网络通过使用卷积而不是矩阵乘法（用星号表示）简化了一些层：fn(x)=g(θn∗x)

上式适用于空间分布的数据，适用于 1d，2d 和 3d 数据。

1d: (θ∗x)i=∑aθaxi+a

2d: (θ∗x)ij=∑a∑bθabxab+ij

与数学定义略有不同，但是想法一致：每个点的输出是附近点的加权和。

优点：如果θ为零，则获取局部性的概念，除了在 i = 0 附近的窗口中。获取转换不变性的概念，因为每个点使用相同的θ。将模型参数空间复杂度从 O（S2）减少到 O（w2）。

如果有 n 层卷积，一个基值将能够影响半径的输出。

实际考量：用 0 填充边缘，以及填充范围。平铺卷积（在不同的卷积之间切换）。

池化层

与与卷积网络一起使用的公共层是最大池化层：fn(x)i=maxj∈G(i)xj

与 maxout 相同，在 1d 中一样。

对于更高的尺寸，G 将输入空间分割成区域块。

这减少了输入数据的大小，可以将输入的局部区域的主要信息保留下来。

小的变动也是不变的。

循环网络

循环网络使用以前的输出作为输入，构成循环：s(t)=f(s(t−1),x(t);θ)

状态 s 包含过去的信息，而 x 是每个步骤的输入。

这是比全动态模型更简单的模型：s（t）= d（t）（x（t），... x（1）;θ'）所有的θ都是跨时间共享的 - 循环网络假定时间不变。RNN 可以学习任何输入长度，而全动态模型对于每个输入长度需要不同的 g。

输出：模型可以在每个时间步长返回 y（t）：步中无输出，只有最终状态很重要。例如情感分析。y（t）= s（t），模型没有内部状态，因此功能较弱。但训练更容易，因为训练数据 y 就是 s。y（t）= o（s（t）），使用输出层来转换（和隐藏）内部状态。但训练更为间接，更难。一如以往，我们倾向于将 y 作为分布参数。

被选择的输出可以作为额外的输入反馈到 f。如果没有馈送，y 有条件地彼此独立。当生成句子时，我们需要词之间的条件依赖，例如：A-A 和 B-B 可能是有效的，但 A-B 可能无效。

完成：输入结束时完成。这适用于 x（t）→y（t）。输出完成后，额外输出 yend（t）。额外输出剩余输出长度/总数的长度 ylength(t)。

使用相同的梯度下降类方法完成优化。梯度是通过将循环体展开为平铺式子，利用称为反向传播时间（BPTT）来计算的。

BPTT 的一个难点是梯度Δ=∂∂st：Δ> 0：状态爆炸，提供不稳定的梯度。解决方案是将梯度更新剪为合理的大小。Δ≈0：这允许状态持续很长时间，但是梯度下降方法需要一个梯度才能工作。Δ<0：RNN 处于信息丢失的恒定状态。

有一些 RNN 的变体，在帮助保持状态 s（t）≈（t-1）之前应用一个简单的方法： s（t）= fts（t-1）+ f（...）：我们得到一个直接一阶导数∂∂x。它允许我们从前面的步骤中传递梯度，即使 f 本身具有零梯度。

长期记忆（LSTM）模型输入，输出和遗忘：s（t）= fts（t-1）+ itf（s（t-1），x（t）;θ）：输出是：y（t）= ots（t）。它使用概率（称为门）：ot 为输出门，ft 遗忘门，it 为输入门。门通常是 sigmoid 层：ot = g（Mx + b）= 11 + eMx + b。长期信息被保留，因为生成新的数据 g 和使用它是分离的。保留更多梯度信息，因为过去和未来之间有直接联系。

门循环单元（GRU）是一个更简单的模型：s（t）=（1-ut）s（t-1）+ utf（rts（t-1），x（t）;θ）：门：ut 更新，rt 重置。没有完全好的结构。

对于剪枝，更喜欢 d（f（s，x;θ）），不存储信息，超过 d（s）丢失信息。

内存网络和注意机制。

有用的数据集

有大量类别的输入数据，应用程序是无限制的。

图像向量 [0-1] WH [0-1] WH：图像到标签，图像到描述。

每个时间片的音频向量：语音到文本。

文本嵌入，每个单词映射到一个向量 [0-1] N：翻译。

知识图：问题回答。

自编码器

自编码器有两个函数，它们将 f 和解码 g 从输入空间编码为表示空间。目标函数J=L(x,g(f(x)))

L 是损失函数，图像相似时较低。

主要思想是表示空间会学习重要的特征。

为了防止过拟合，我们有一些额外的正则化工具：稀疏自编码器最小化：J'= J + S（f（x））。这是表示空间的正则化。

去噪自动编码器最小化：J = L（x，g（f（n（x）））），其中 n 表示噪声。这迫使网络将噪声与信号区分开来。

压缩自动编码器最小化：J'= J +Σ∂f∂x。这迫使编码器平滑：类似的输入获得相似的输出。

预测自动编码器：J = L（x，g（h））+ L'（h，f（x））。不是同时优化 g 和 h，而是单独优化。

另一个解决方案是训练一个鉴别器网络 D，该鉴别器网络 D 输出一个代表生成输入概率的标量。

表示学习

主要思想就是我们通过优化 u=ro(f(ri(x);θ)) 来代替优化 u=f(x;θ)。

ri 和 ro 是输入和输出表示，但这个思想可以应用于 CNN，RNN 等模型。例如，自编码器的编码器一半可用于表示输入 ri。希望有其他的表示，使任务更容易。

这些表示可以对大量数据进行训练，并从基础数据中学习到特征。

例如：单词是非常稀疏的输入向量（全零，有一个具有实际意义）。有更容易使用的单词的语义表示。

上手建议

有一套成功的标准

尽可能构建一个可行的模型

从数据中迭代学习

附录：概率论

概率是一个有用的工具，因为它允许我们建模如下：随机性：真正的随机系统（量子等）。隐藏变量：确定性，但我们看不到所有关键因素。不完整的模型：在对小扰动敏感的混沌系统中特别有用。

阅读论文和更先进的机器学习方法非常有用，但对搭建网络并不重要。

概率：P（x，y）表示 P（x = x，y = y）。

边缘概率：P（x）=ΣyP（x = x，y = y）。

链式法则：P（x，y）= P（x | y）P（y）。

如果 x 和 y 是独立的：P（x，y）= P（x）P（y）。

期望：Ex∼P[f(x)]=∑xP(x)f(x)

贝叶斯定理：P（x | y）= P（x）P（y | x）P（y）= P（x）P（y | x）ΣxP（x）P（y | x）

自信息：I（x）= - logP（x）。

信息熵：H（x）= Ex〜P [I（x）] = - ΣxP（x）log⁡P（x）。

KL 散度：DKL（P || Q）= Ex〜P [log⁡P（x）Q（x）]。这是 P 和 Q 的相似分布（不是真正的测量，不对称）的测量方法。

交叉熵：H（P，Q）= H（P）+ DKL = -Ex〜Plog⁡Q（x）。

最大似然：p 是数据，q 是模型：θML=arg⁡maxθQ（X;θ）。假设 iid 并使用 log：θML=arg⁡maxθΣxlog⁡Q（x;θ）。由于每个数据点等可能：θML=arg⁡maxθH（P，Q;θ）。变化的 KL 的唯一分量是熵：θML=arg⁡maxθDKL（P || Q;θ）。

最大后验：

θMAP=argmaxθQ（θ| X）=argmaxθlogQ（X |θ）+ logQ（θ）θMAP=arg⁡maxθQ（θ| X）=arg⁡maxθlog⁡Q（X |θ）+ log_Q（θ）。

这就像基于 Q（θ）之前的正则化项。

如何看待法国总统马克龙在参与对叙利亚打击之后？

法国总统马克龙此次派兵打击叙利亚，出于多方面的原因，这在之前的问答中已经回答过，这里简单说一下：缓解国内政治压力、转移国人视线；继续巩固与美、英盟友的友谊，扩大国际影响力；经济利益，谁都想分块“经济蛋糕”；为“地中海战略”探路。

在军事打击之前，马克龙就与普京通过电话，对外宣称的是“探讨解决叙利亚问题”。另外，还有消息称：法国在军事打击前通知了俄罗斯。从这两则消息中可以看出：马克龙并不想与俄罗斯为敌，更不想与俄罗斯发生正面冲突。就在昨天，马克龙公开称：法国不会与叙利亚为敌。

普京当然不希望美、英、法继续抱在一起，如今的结果正是俄罗斯最愿意看到的：英国首相特蕾莎•梅已经公开表示，“英国不会再去打击叙利亚”；法国马克龙也打了“退堂鼓”；现在就剩美国特朗普还在坚持，副总统彭斯称“已为第二次打击做好准备”。美、英、法各有盘算，能够利用此点，分散它们，才是普京外交的过人之处。

普京自然会欢迎马克龙的访问，这是毫无疑问的：第一次的军事打击行动根本就没对叙利亚造成多大伤害，更未伤及俄罗斯一根“毫毛”。如何抉择，普京很清楚。

马克龙现在正在扮演一个角色：美、俄调停人的角色。通过政治解决美俄在叙利亚的矛盾，进而解决叙利亚问题，这是马克龙的目的：叙利亚问题一旦真的在马克龙的斡旋下得以解决，不仅法国的国际地位得到提高，更能增加法国在中东问题上的话语权，还能捞到实实在在的好处——经济利益。巴沙尔已经公开称：叙利亚重建需要1000亿美元，将以其丰富的石油资源作为重建的费用来源，并称“全部交给俄罗斯”。马克龙此时与俄罗斯搞好关系，也没什么稀奇的：国际上只有永恒的利益。

对于马克龙来说，访问俄罗斯是势在必行的：为解决叙利亚问题寻求办法，马克龙此举不仅可以缓解其执政压力，更能为其留下一笔政治遗产。