1.如何利用外挂游戏挣钱,类似类游戏外挂违法吗
2.腾讯T2I-adapter源码分析（1）-运行源码跑训练
3.轮子篇Joystick
4.还在用BeanUtils拷贝对象？MapStruct才是王者!附源码

如何利用外挂游戏挣钱,游戏外挂违法吗

       案例一、全国首例《王者荣耀》**案年5月，王者王被告人谢某为方便自己代练《王者荣耀》游戏，手游手游自行编程开发了《王者荣耀》游戏**程序，源码源码所开发的类似类**程序具有透视、视距增加、王者王语音派对源码冒险模式下怪物自动死亡等功能。手游手游经福建中证司法鉴定中心鉴定，源码源码上述《王者荣耀》**程序的类似类功能必须依附在《王者荣耀》游戏客户端游戏过程中才能实现，存在对《王者荣耀》游戏客户端实施未授权的王者王删除、修改操作，手游手游绕过了游戏的源码源码保护措施，对游戏的类似类正常操作流程和正常运行方式造成干扰，属于破坏性程序。王者王

       1、手游手游怎么利用游戏刷钱？

       谢邀。，。，。，。看到这个问题想到的就是利用游戏赚钱你是认真的吗？第一、如果利用游戏赚钱，先应该想想选择什么游戏可以赚钱？第二、你的游戏应该达到什么水平才会赚钱呢？第三、即使你已经达到可以赚钱的状态，那你需要在游戏方面花费多少精力呢？还有好多好多，。，。，。锤头线源码这是一个只把游戏当做消磨时光的人的一些想法，

       2、游戏**违法吗？

       **，是指针对特定软件编写的制造、修改软件系统运行数据，且不属于软件组成部分的程序。**使用者，通过运行**，可以实现修改系统软件运行数据，达到谋取非法利益的目的，根据刑法第二百八十五条第三款，制作、销售“**”，可能会构成提供侵入、非法控制计算机信息系统程序、工具罪。司法实践中，也出现了以提供侵入、非法控制计算机信息系统程序、工具罪对制作、销售“**”定罪处罚的典型案例：案例一、全国首例《王者荣耀》**案年5月，被告人谢某为方便自己代练《王者荣耀》游戏，自行编程开发了《王者荣耀》游戏**程序，所开发的**程序具有透视、视距增加、冒险模式下怪物自动死亡等功能，

       尔后，被告人谢某以营利为目的，通过QQ对外销售《王者荣耀》**程序源代码、**程序及相应程序激活码，合计人次。商品详细源码经福建中证司法鉴定中心鉴定，上述《王者荣耀》**程序的功能必须依附在《王者荣耀》游戏客户端游戏过程中才能实现，存在对《王者荣耀》游戏客户端实施未授权的删除、修改操作，绕过了游戏的保护措施，对游戏的正常操作流程和正常运行方式造成干扰，属于破坏性程序，

       年4月日，江苏省江阴市人民法院以被告人谢某犯提供侵入、非法控制计算机信息系统程序、工具罪，对其定罪处罚。案例二：全国首例“微信”**案年1月开始，被告人张某、刘某出于牟取非法利益的目的，在未注册合法公司，未经“微信”产品权利人腾讯公司授权或者同意的情况下，开发出《果然叼》、《玩得溜》计算机软件，

       其中《果然叼》、《玩得溜》计算机软件经鉴定，可通过加载后与服务器进行验证并下载动态库文件，对微信IOS手机客户端界面进行修改，修改及控制微信手机客户端与服务器端之间传输的数据，进而实现微信多开、一键转发朋友圈内容(文字、、小视频均可)、朋友圈无限制提醒好友的主要功能。后被告人张某、刘某租用服务器,设立上述计算机软件的宣传网站，上载软件介绍和加盟代理等项目，暴风源码向代理商及消费者进行宣传及批发销售上述软件，并主要以其名下招商银行、中国银行账户收受上述软件的非法销售所得，非法销售所得累计在人民币二十万元以上。

腾讯T2I-adapter源码分析（1）-运行源码跑训练

       稳定扩散、midjourney等AI绘图技术，为人们带来了令人惊叹的效果，不禁让人感叹技术发展的日新月异。然而，AI绘图的可控性一直不是很好，通过prompt描述词来操控图像很难做到随心所欲。为了使AI绘制的图像更具可控性，Controlnet、T2I-adapter等技术应运而生。本系列文章将从T2I-adapter的源码出发，分析其实现方法。

       本篇是第一篇，主要介绍源码的运行方法，后续两篇将以深度图为例，分别分析推理部分和训练部分的代码。分析T2I-Adapter，也是为了继续研究我一直在研究的课题：“AI生成同一人物不同动作”，例如：罗培羽：stable-diffusion生成同一人物不同动作的尝试（多姿势图），Controlnet、T2I-adapter给了我一些灵感，后续将进行尝试。

       T2I-Adapter论文地址如下，它与controlnet类似，都是在原模型增加一个旁路，然后对推理结果求和。

       T2I-Adapter和controlnet有两个主要的不同点，从图中可见，租赁网 源码其一是在unet的编码阶段增加参数，而controlnet主要是解码阶段；其二是controlnet复制unit的上半部结构，而T2I-Adapter使用不同的模型结构。由于采用较小的模型，因此T2I-Adapter的模型较小，默认下占用M左右，而controlnet模型一般要5G空间。

       首先确保机器上装有3.6版本以上python，然后把代码clone下来。随后安装依赖项，打开requirements.txt，可以看到依赖项的内容。然后下载示例，下载的会放到examples目录下。接着下载sd模型到model目录下，再下载T2I-Adapter的模型到目录下，模型可以按需到huggingface.co/TencentA...下载。这里我下载了depth和openpose。sd模型除了上述的v1-5，也还下载了sd-v1-4.ckpt。

       根据文档，尝试运行一个由深度图生成的例子，下图的左侧是深度图，提示语是"desk, best quality, extremely detailed"，右侧是生成出来的。运行过程比较艰辛，一开始在一台8G显存的服务器上跑，显存不够；重新搭环境在一台G显存的服务器上跑，还是不够；最后用一台G显存的服务器，终于运行起来了。

       接下来尝试跑openpose的例子，下图左侧是骨架图，提示词为"Iron man, high-quality, high-res"，右侧是生成的图像。

       既然能跑推理，那么尝试跑训练。为了后续修改代码运行，目标是准备一点点数据把训练代码跑起来，至于训练的效果不是当前关注的。程序中也有训练的脚步，我们以训练深度图条件为例，来运行train_depth.py。

       显然，习惯了，会有一些问题没法直接运行，需要先做两步工作。准备训练数据，分析代码，定位到ldm/data/dataset_depth.py，反推它的数据集结构，然后准备对应数据。先创建文件datasets/laion_depth_meta_v1.txt，用于存放数据文件的地址，由于只是测试，我就只添加两行。然后准备，图中的.png和.png是结果图，.depth.png和.depth.png是深度图，.txt和.txt是对应的文本描述。

       文本描述如下，都只是为了把代码跑起来而做的简单设置。设置环境变量，由于T2I-Adapter使用多卡训练，显然我也没这个环境，因此要让它在单机上跑。而代码中也会获取一些环境变量，因此做简单的设置。

       做好准备工作，可以运行程序了，出于硬件条件限制，只能把batch size设置为1。在A显卡跑了约8小时，完成，按默认的配置，模型保存experiments/train_depth/models/model_ad_.pth。那么，使用训练出来的模型试试效果，能生成如下（此处只是为了跑起来代码，用训练集来测试），验证了可以跑起来。

       运行起来，但这还不够，我们还得看看代码是怎么写法，下一篇见。

       PS：《直观理解AI博弈原理》是笔者写的一篇长文，从五子棋、象棋、围棋的AI演进讲起，从深度遍历、MAX-MIN剪枝再到蒙特卡罗树搜索，一步步介绍AI博弈的原理，而后引出强化学习方法，通俗易懂地介绍AlphaGo围棋、星际争霸强化学习AI、王者荣耀AI的一些强化学习要点，值得推荐。

       AUTOMATIC的webui是近期很流行的stable-diffusion应用，它集合stable-diffusion各项常用功能，还通过扩展的形式支持controlnet、lora等技术，我们也分析了它的源码实现，写了一系列文章。

轮子篇Joystick

       轮子篇Joystick 实现指南

       在开发过程中，我曾针对摇杆交互遇到不舒适的问题，决定自定义一个轻量级的解决方案。目标是创建一个类似《王者荣耀》风格的摇杆，包括背景、摇杆头以及方向指示。以下是整个过程的概述：

       UI设计与搭建

       首先，根据需求草图，我们使用UGUI构建了一个结构，仅需四个Image组件：Touch区、背景、摇杆头和方向指示。Touch区保持透明以接收触控事件，Dir区在摇杆操作时显示方向。

       事件处理

       借鉴NGUI的经验，利用IEventSystemHandler的OnPointerDown、OnDrag和OnPointerUp事件，定义JoystickEvent类，携带一个Vector2方向数据，以及对应的按下、移动和抬起回调函数。

       摇杆操作逻辑

       关键在于计算摇杆的移动，即向量b（摇杆头中心）与向量a（背景中心）之间的差值，形成向量c，这模拟了摇杆操作的实际效果。

       注意事项

       在Drag回调中，确保正确处理向量计算，确保摇杆移动的准确性。

       总结与源码分享

       这个过程虽然简单，但通过编写代码和分享，我找到了调整心态的方式。最后，我想提醒大家：坚持不易，但放弃就意味着失败。源码已上传至Git，欢迎各位Fork或Star，地址如下：

       ...

还在用BeanUtils拷贝对象？MapStruct才是王者!附源码

       MapStruct 是一个强大的 Java 代码生成工具，专用于简化 JavaBean 类型之间的映射实现，尤其在多层应用中实体类与数据传输对象（DTO）之间映射的场景中发挥巨大优势。与传统的手工实现映射相比，MapStruct 通过生成高性能且易于理解的映射代码，显著提高了开发效率，降低了错误率。

       MapStruct 的核心特点包括：

       自动代码生成：MapStruct 作为编译器插件，在编译时自动为映射接口生成映射代码，实现对象属性的快速映射。

       性能优化：生成的映射代码基于普通方法调用，高效且类型安全，支持快速开发和错误检查。

       约定优于配置：默认提供了丰富的映射规则，减少配置复杂性，但允许用户自定义实现特殊映射行为。

       以下是 MapStruct 的基本使用流程：

       引入依赖：确保在项目中正确配置 MapStruct 与 Lombok 的版本兼容性。

       定义实体类和 DTO 类：创建需要映射的对象。

       创建映射接口：定义映射方法，约定映射规则。

       生成映射代码：编译项目，MapStruct 会自动生成实现类，包含所有定义的映射逻辑。

       使用映射接口：在客户端代码中注入映射接口，调用映射方法完成对象间的转换。

       除了基础用法，MapStruct 还提供了更高级的特性：

       @Mapper 注解：用于标记映射接口，激活代码生成。

       @Mapping 属性：用于配置映射规则，支持多种映射策略，如通过源属性、表达式或常量。

       @Mappings、@MappingTarget 等注解：支持更复杂、动态的映射逻辑，如更新已有对象的属性。

       扩展功能：如支持多个对象映射至单个对象等高级用法。

       MapStruct 与传统拷贝方法的对比显示，它在处理大数据量时具有显著的性能优势。在性能测试中，MapStruct 的表现优于其他常见拷贝工具，如 Apache BeanUtils、cglib 等。在实际应用中，选择 MapStruct 作为对象映射工具，尤其在需要处理大量数据时，能够显著提升系统性能，优化资源利用。