赛尔号二次进化神经元（赛尔号怀旧服神经元再生胶囊）

赛尔号二次进化神经元由本站整理编辑，为你带来全面的赛尔号怀旧服神经元再生胶囊内容阅读。一起跟小编来看看吧！

赛尔号二次进化神经元

楼上的说的没错，只不过到塞西利亚星上用50金豆买的粉只能获得他的一个技能：狂暴齿突，普通物理攻击，威力150，自身HP小于1/8时为2倍，而二次进化神经元是要走遍所有星球，采集黑球的能量才会有的，你走完所有星球，就会看到动画，他就会提示你已经获得二次进化神经元，并让你去进化藏进化。

赛尔号怀旧服神经元再生胶囊

神经元再生胶囊是换性格的,不会变个体,只是换性格。

去买基因重组胶囊(会把你的雷伊降到1级,个体值、学习力、性格全部改变)。

神经元再生胶囊。

价格：10个金豆。

优点：精灵的等级和其他属性不变。

缺点：精灵性格也是随机生成。 

基因重组药剂。

价格：5个金豆。

优点：精灵的学习力将重置，并重新随机生成性格和潜力。

缺点：精灵被还原成1级，并且性格是随机生成的。

《赛尔号》（英文名：SEER）是由上海淘米网络科技*开发运营的一款回合制竞技养成类游戏，于2009年6月12日在中国大陆发行。

该作以探险养成、精灵对战、社区交流为主要玩法，讲述了AI机器人“赛尔”为人类寻找新能源和宜居地时，与各种精灵之间所发生的曲折离奇的故事。

单个神经元实现二分类

交叉熵代价函数（Cross-entropy cost function）是用来衡量人工神经网络（ANN）的*值与实际值的一种方式。与二次代价函数相比，它能更有效地促进ANN的训练。在介绍交叉熵代价函数之前，本文先简要介绍二次代价函数，以及其存在的不足。

ANN的设计目的之一是为了使机器可以像人一样学习知识。人在学习分析新事物时，当发现自己犯的错误越大时，改正的力度就越大。比如投篮：当运动员发现自己的投篮方向离正确方向越远，那么他调整的投篮角度就应该越大，篮球就更容易投进篮筐。同理，我们希望：ANN在训练时，如果*值与实际值的误差越大，那么在反向传播训练的过程中，各种参数调整的幅度就要更大，从而使训练更快收敛。然而，如果使用二次代价函数训练ANN，看到的实际效果是，如果误差越大，参数调整的幅度可能更小，训练更缓慢。

以一个神经元的二类分类训练为例，进行两次实验（ANN常用的激活函数为sigmoid函数，该实验也采用该函数）：输入一个相同的样本数据x=1.0（该样本对应的实际分类y=0）；两次实验各自随机初始化参数，从而在各自的第一次前向传播后得到不同的输出值，形成不同的代价（误差）：

实验1：第一次输出值为0.82

实验2：第一次输出值为0.98

在实验1中，随机初始化参数，使得第一次输出值为0.82（该样本对应的实际值为0）；经过300次迭代训练后，输出值由0.82降到0.09，逼近实际值。而在实验2中，第一次输出值为0.98，同样经过300迭代训练，输出值只降到了0.20。

从两次实验的代价曲线中可以看出：实验1的代价随着训练次数增加而快速降低，但实验2的代价在一开始下降得非常缓慢；直观上看，初始的误差越大，收敛得越缓慢。

其实，误差大导致训练缓慢的原因在于使用了二次代价函数。二次代价函数的公式如下：

如图所示，实验2的初始输出值（0.98）对应的梯度明显小于实验1的输出值（0.82），因此实验2的参数梯度下降得比实验1慢。这就是初始的代价（误差）越大，导致训练越慢的原因。与我们的期望不符，即：不能像人一样，错误越大，改正的幅度越大，从而学习得越快。

可能有人会说，那就选择一个梯度不变化或变化不明显的激活函数不就解决问题了吗？图样图森破，那样虽然简单粗暴地解决了这个问题，但可能会引起其他更多更麻烦的问题。而且，类似sigmoid这样的函数（比如tanh函数）有很多优点，非常适合用来做激活函数，具体请自行google之

说起交叉熵损失函数「Cross Entropy Loss」，脑海中立马浮现出它的公式：

我们已经对这个交叉熵函数非常熟悉，大多数情况下都是直接拿来使用就好。但是它是怎么来的？为什么它能表征真实样本标签和*概率之间的差值？上面的交叉熵函数是否有其它变种？也许很多朋友还不是很清楚！没关系，接下来我将尽可能以最通俗的语言回答上面这几个问题。

我们知道，在二分类问题模型：例如逻辑回归「Logistic Regression」、神经网络「Neural Network」等，真实样本的标签为 [0，1]，分别表示负类和正类。模型的最后通常会经过一个 Sigmoid 函数，输出一个概率值，这个概率值反映了*为正类的可能性：概率越大，可能性越大。

Sigmoid 函数的表达式和图形如下所示：

其中 s 是模型上一层的输出，Sigmoid 函数有这样的特点：s = 0 时，g(s) = 0.5；s >> 0 时， g ≈ 1，s << 0 时，g ≈ 0。显然，g(s) 将前一级的线性输出映射到 [0，1] 之间的数值概率上。这里的 g(s) 就是交叉熵公式中的模型*输出 。

我们说了，*输出即 Sigmoid 函数的输出表征了当前样本标签为 1 的概率：

很明显，当前样本标签为 0 的概率就可以表达成：

重点来了，如果我们从极大似然性的角度出发，把上面两种情况整合到一起：

也即，当真实样本标签 y = 0 时，上面式子第一项就为 1，概率等式转化为：

当真实样本标签 y = 1 时，上面式子第二项就为 1，概率等式转化为：

两种情况下概率表达式跟之前的完全一致，只不过我们把两种情况整合在一起了。重点看一下整合之后的概率表达式，我们希望的是概率 P(y|x) 越大越好。首先，我们对 P(y|x) 引入 log 函数，因为 log 运算并不会影响函数本身的单调性。则有：

我们希望 log P(y|x) 越大越好，反过来，只要 log P(y|x) 的负值 -log P(y|x) 越小就行了。那我们就可以引入损失函数，且令 Loss = -log P(y|x)即可。则得到损失函数为：

非常简单，我们已经推导出了单个样本的损失函数，是如果是计算 N 个样本的总的损失函数，只要将 N 个 Loss 叠加起来就可以了：

这样，我们已经完整地实现了交叉熵损失函数的推导过程。

可能会有读者说，我已经知道了交叉熵损失函数的推导过程。但是能不能从更直观的角度去理解这个表达式呢？而不是仅仅记住这个公式。好问题！接下来，我们从图形的角度，分析交叉熵函数，加深大家的理解。

首先，还是写出单个样本的交叉熵损失函数：

我们知道，当 y = 1 时：

这时候，L 与*输出的关系如下图所示：

看了 L 的图形，简单明了！横坐标是*输出，纵坐标是交叉熵损失函数 L。显然，*输出越接近真实样本标签 1，损失函数 L 越小；*输出越接近 0，L 越大。因此，函数的变化趋势完全符合实际需要的情况。当 y = 0 时：

这时候，L 与*输出的关系如下图所示：

同样，*输出越接近真实样本标签 0，损失函数 L 越小；*函数越接近 1，L 越大。函数的变化趋势也完全符合实际需要的情况。

从上面两种图，可以帮助我们对交叉熵损失函数有更直观的理解。无论真实样本标签 y 是 0 还是 1，L 都表征了*输出与 y 的差距。

另外，重点提一点的是，从图形中我们可以发现：*输出与 y 差得越多，L 的值越大，也就是说对当前模型的 “ 惩罚 ” 越大，而且是非线性增大，是一种类似指数增长的级别。这是由 log 函数本身的特性所决定的。这样的好处是模型会倾向于让*输出更接近真实样本标签 y。

什么？交叉熵损失函数还有其它形式？没错！我刚才介绍的是一个典型的形式。接下来我将从另一个角度推导新的交叉熵损失函数。

这种形式下假设真实样本的标签为 +1 和 -1，分别表示正类和负类。有个已知的知识点是Sigmoid 函数具有如下性质：

这个性质我们先放在这，待会有用。

好了，我们之前说了 y = +1 时，下列等式成立：

如果 y = -1 时，并引入 Sigmoid 函数的性质，下列等式成立：

重点来了，因为 y 取值为 +1 或 -1，可以把 y 值带入，将上面两个式子整合到一起：

接下来，同样引入 log 函数，得到：

要让概率最大，反过来，只要其负数最小即可。那么就可以定义相应的损失函数为：

还记得 Sigmoid 函数的表达式吧？将 g(ys) 带入：

好咯，L 就是我要推导的交叉熵损失函数。如果是 N 个样本，其交叉熵损失函数为：

接下来，我们从图形化直观角度来看。当 y = +1 时：

这时候，L 与上一层得分函数 s 的关系如下图所示：

横坐标是 s，纵坐标是 L。显然，s 越接近真实样本标签 1，损失函数 L 越小；s 越接近 -1，L 越大。另一方面，当 y = -1 时：

这时候，L 与上一层得分函数 s 的关系如下图所示：

同样，s 越接近真实样本标签 -1，损失函数 L 越小；s 越接近 +1，L 越大。

本文主要介绍了交叉熵损失函数的数学原理和推导过程，也从不同角度介绍了交叉熵损失函数的两种形式。第一种形式在实际应用中更加常见，例如神经网络等复杂模型；第二种多用于简单的逻辑回归模型。

赛尔号诺拉德

1.诺姆

为什么诺姆是第一我想就不需要多费口舌了。70威力的先手，较高的速度和特工。大招一般，有冰火草三个大招。缺点是防御低了点。外战 大招+先手 碰到元素（你留的东西）克的系，可以使用（其实威力才大5，不过加了刻印就多25） 不过，缺点就是这只没有麻痹睡眠害怕这种招，也没有强化速度，所以不能秒团！ 现在BOSS等级70，很好打了，用罗德单挑过了，或者先消强化，用六个一百拼。如果没有诺姆，普通系就练儿童节的那个小狗也不错，不过普通系想秒团，就等着吧。

2.诺拉德

超NO才可以得到150大招。超BT，

内外战胜率也不错,内战最大敌人是波戈,防太高(种族102),不过那大招的命中率....哬哬,看RP吧。遇见诺姆也不怕,防种族只有79,直接大招+先手杀。外战没啥好说,对各系伤害都是1倍,又是大招+先手杀吧!诺拉德建议刷满功击+体力。速度不快可放弃刷,就算刷也只可欺负下精灵王的新手。

3.帕多尼

暗黑第八门普通系。588的种族值总和属于中上等的，也算不错。体力是一个亮点，极限可以达到434。防御和特防也还可以。但特攻和速度不算优秀，满个体不加不减分别是：323,303.可以看出特功达不到秒人的境界，速度也不算快。从强化技能来说，帕多尼绝对有秒队的能力，祈祷+尽情高歌+补血+互动就足矣秒团。睡梦的话打boss有点用。总的来说强化技能配置很强大！

作为暗黑门里的第2只普通系，整体的实力比第一只强很多。技能也很不错，也具有秒队的实力。没有诺姆的的推荐练他。

4.兔子

星兔的优点在于“幻影迷踪步”和“奋力一掷”，在遇到同系的精灵的时候，因为普通系对打是威力是不减半也不加倍的，所以可以直接用“奋力一掷”有很大的胜算。遇到高速精灵时可以用“幻影迷踪步”，就能超越大部分的精灵了。

如果你是至尊NONO玩家，那我推荐你去练一只星兔。如果你不是，那就不要花冤枉钱给淘米送钱了吧。

5.塔格沃

参加精灵嘉年华的“拔河比赛”，获胜多次就有机会得到塔格沃，不过这样太麻烦了，我用了浅蓝哥的那个方法真的很不错。只要来到拔河的地方，再把刷刷赛尔或者果味的ID改成1，启用飞行模式进入对战，然后就可以抓啦！有了“衰竭”这个神技，基本没啥好怕的了。由于普通系对打威力不减半，也不加倍，所以遇到同类，直接大招加先手伺候，也可以“衰竭+强化+大招”伺候。

遇到高速精灵，比如：雷伊、魔焰猩猩。可以“衰竭+大招+先手”伺候，如果快没体力了记得及时补充哦！

6.古林斯特

首先看他的种族值总和是579，还可以吧，再看他的父母，老妈是大名鼎鼎的一代灭团王嘟咕噜王，继承了老妈的远古六芒阵，也成了一代灭团王，老爸是打普尼真身必备的嘟噜噜王，继承了他的必中招时空感应，也成了打谱尼必备的精灵。拥有很好的强化招数：战斗法则，弥补了大招miss的坏处，其实大招不怎么爱miss，在我练级的过程中miss过四次，miss率应为百分之一吧。总体来说，这只精灵在单打和灭团方面都很不错，尤其是在巅峰之战中，只要不碰上高速的罗德里斯就基本上赢，但要碰上龙系就坑定会输，因为普通打龙伤害减半嘛，

7.嘟咕噜王

乍一看之下，它的能力最突出的就是115特攻和102速度，不得不说这个速度相当阴险，目前有不少热门精灵的速度都集中于95~100之间，比如像卡鲁耶克（95），卡鲁克斯（95），艾斯菲格（100），不过容易被厄尔塞拉的103速度阴，所以练速度的橙毛有必要注意一下103种族~105种族的精灵，尤其是雷伊。大家别忘了他。

8..泰勒斯

虽然是个臭家伙，但很不错。

大招没话说，150都不到。消强化可以保留，强化一般。值得一提的是先手“闪光一击”威力不小，加刻应就80威力了，最重要是先手+2，正是着这一招，让他做上了“单挑之王”的宝座。建议配招“大招，先手，强化,消强”

现在出来了刻印，说不定可以排前三。

9.小狗

没啥厉害的，强化牛点。

以上就是本站小编整理的关于赛尔号二次进化神经元的相关知识，内容来源网络仅供参考，希望能帮助到你。