2020-07-30 blog
我发现我有点奇怪。
在很长一段时间不玩游戏之后，会一直想着怎么找游戏玩。
在玩了某个游戏一段时间之后，会慢慢地进入一种半弃坑的状态，直到慢慢完全弃坑。然后后悔自己氪了金。
我发现，这个问题，虽然跟我自己有关系，但是跟游戏的设计其实也有很大关系。
其实我玩过这么多游戏，总结起来基本都是，刚开始玩的时候，肝点很多，基本上是连续几天都是几乎全部时间投进去那种。之后呢，发展开始进入平稳期，然后基本上也是可以保证每天登陆，做做日常什么的。再然后呢，爬到高层了，达到差不多第一梯队了甚至就是第一梯队了，然后发展就进入了瓶颈期。然后基本上就是在这个时间段附近退坑。
一方面是，随着玩家的游戏时长增加，游戏的内容被快速消耗，一方面是游戏的新内容增加不能跟上消耗的速度。然后就会出现两种情况：一种是玩家登顶了，没啥事情干了，游戏转为社交性质或者pvp性质；一种是游戏制作方将各种培养路线的斜率拉高，使玩家培养速度放慢，以适应缓慢的开发。前者不必多说，一大堆的游戏都是这种情况。而后者，其实就是我目前在玩的游戏的现状。
但是很明显，相比起前者，后者的问题是更大的。前者还可以说玩家登顶了，再创建一个小号继续培养。而后者最直观的体验就是：游戏刺激到玩家爽点的能力大幅下降。而且我更不明白的是，明明这是一个还在测试期，还没正式上线的游戏，为什么要这么早就用力过猛地“预先处理”这种游戏发展了几年大概到夕阳期才会遇到的问题呢？这是非常让人不解的。按理说，应该是让一部分玩家能够体验到游戏的完整内容，才更方便测试出游戏的bug，或者是各种平衡问题，设计问题等等。
想不明白。想不明白。
可能，是因为小团队吧。之前我写过一篇文章分析过这个团队的“经济学”，最后的结论是“没有人懂经济学”。
但是，同样曾经是小团队（现在是不是我已经不知道了），明日方舟就能做得很不错。
如果说是由我来做程序那一块（假设我有手游开发方面的一部分知识储备的话），可能我三个月的进度就顶得上他们半年以上？
而且现在回头看过来，这个游戏当初吸引我点进去玩的一些所谓吸引点，其实这些到了后期都是没有任何用处的。也就是说它只能成为一个吸引新人的卖点，但是不是游戏的特点。也许它这个游戏是有某一个或者某一些，在这一类游戏里面比较突出的点，但是没有办法形成一个足够强的特点或者卖点，能够让玩家以此为核心并且乐此不疲地玩下去。
而且你说这个游戏没有人氪金支持吗？也不是，至少能看得到的氪金十万以上的都有好几个，看不见的那就不知道了。十万以下但是至少7500以上的，也有不少。这样一个氪金量，对于一个小团队来说其实已经是一个很不错的成绩了。关键是，他们可能在某种程度上辜负了玩家的期待吧。
当然，你说我又不是这个公司的人，瞎操什么心呢？确实。但是我也并不是为他们着想，而是把它作为一个镜子。至少，我可以从中总结出：什么做法其实是不work的。
突然想到一种神经网络的运算机制，有点像图但是又不完全是。
输入部分，输入部分无论是多少维的，暂时理解为“展平后”的一维状态（当然第一个维度是batch就暂时忽略掉）。然后是中间的层，最后是输出。
首先是定义一下层。输入层，比方说输入是5x5x1的图像。然后是神经层，边长可以是比5大的，也可以是比5小的，另外层有深度。假定边长为A，深度为C，也就是AxAxC个Cell。
然后是数据流的问题。首先是数据映射，从输入层到神经层之间有一个映射，参照CNN卷积里面那种，一个映射到3×3或者5×5，然后是限制一个输入最多映射到T个Cell。为了运算的简单，可以认为是在一个KxK的域里面随机选择T个位置，记录坐标值，其他地方设置为0，而这些位置使用随机高斯分布创建初始权重。然后是映射到Cell之后，对所有接收到的值进行加总，然后是经过一个Gate ReLU，使得Cell接收到达到一定阈值的信号才被激活。激活之后得到的值，用X来表示。
接下来是重头戏。每一个Cell与它自己周围的3×3或者5×5的Cell之间创建一个单项连接，同样是在一个KxK的域里面随机选择Q个位置。用X乘以这些连接，进行一次信号传递，将这些传递的值与原来的X加到一起，并且同样是用Gate ReLU激活，得到的值用Y来表示。这一传递过程可以进行P次。
进行第P次之后的值O，即为该层的输出。
这个模型以这个描述的话，其实是一个不可增模型，虽然它预留出了可以增加连接的位置。所以之后可以思考一种“能够让连接的权重从0变成非0”的机制。
如果是不可增模型的话，其实初始化的过程还可以继续简化：数据映射和信号传递，可以是直接整个KxK映射域按照随即高斯分布创建权重，在后续训练的过程中它会自己裁切的（加上惩罚项）。不过还是要注意一个点，那就是信号传递阶段的权重，映射域的中间点权重为0，也就是信号传递不传递给自己。
而如果是增长模型的话，可能在基于“增加链接机制”的前提下，可以在初始的时候一个值只映射一个点。反正后续是可增的。
另外，对于KxK权重的创建，还有以下的考虑：靠近中心的映射肯定比远离中心的几率要高，可能可以根据到中心的距离来创建权重。比如说3×3的映射域，权重就是生成的值的1倍；5×5的映射域，内圈3×3的权重是生成值的q倍，而外圈5×5（挖掉中间的部分）的权重是生成值的(1-q)倍，（0<q<1）。然后比如说7×7的话，最内圈是q倍，中间圈是q^2倍，外圈是1-q-q^2倍。当然这个机制也可以作为这个模型的升级版，后续再尝试实现。目前暂时先按照最简单的来实现再说。
因此，比较有必要研究Initializers类的机制了。
整个过程可能比较硬核，可能还需要手动画图来辅助分析以及构建。
重新分析了一下，发现第一个过程和第二个过程可以拆开。
然后发现，第一个过程其实也可以分成两类，第一类是映射域在输入区，第二类是映射域在结果区。第一类就是卷积那种。然后可以通过映射的stride达到和卷积的stride一样的效果，以及padding。
然后发现，其实第二类跟第一类也非常接近，其实自身周围的映射，就相当于第二类映射，只不过比较特殊的是权重初始化的时候要把中间点设置为0。同时其实也可以用stride以及padding之类的来控制输出的尺寸。至于重复这一步，其实可以理解为把这个运算打包成一个新的Layer。
那么，接下来首先要做的事情就是，研究TensorFlow怎么自己实现出卷积算法。
然后就是研究如何自定义出符合自己想法的权重。
然后是写出这种自定义卷积。
