《Cocos2d 跨平台游戏开发指南(第2版)》一1.6 使用RenderTexture创建精灵

简介:

本节书摘来异步社区《Cocos2d 跨平台游戏开发指南(第2版)》一书中的第1章,第1.1节,作者: 【印度】Siddharth Shekar(谢卡)译者: 武传海 责编: 胡俊英,更多章节内容可以访问云栖社区“异步社区”公众号查看。

1.6 使用RenderTexture创建精灵

RenderTexture用来创建占位精灵,它们可以用来构建游戏原型。如果你想测试精灵的移动、跳跃代码,但又不想访问精灵,使用RenderTexture是创建精灵既快速又直接的方式。

1.6.1 准备工作

为了创建RenderTexture精灵,我们将编写一个新函数,当我们给出要创建精灵的尺寸与颜色时,它将创建并返回创建好的精灵。

1.6.2 操作步骤

在MainScene.h文件中,之前我们创建了scene函数,在该函数之下,添加如下粗体代码。

+(CCScene*)scene;

-(CCSprite *)spriteWithColor:(ccColor4F)bgColor
textureWidth:(float)textureWidth
textureHeight:(float)textureHeight;

@end

这个函数将根据所给出的颜色、宽度、高度创建并返回CCSprite精灵。

在MainScene.m文件中,在init函数之下,添加前面函数定义如下:

-(CCSprite *)spriteWithColor:(ccColor4F)bgColor
textureWidth:(float)textureWidth
textureHeight:(float)textureHeight {


  CCRenderTexture *rt =
    [CCRenderTexture
    renderTextureWithWidth:textureWidth
    height:textureHeight];

  [rtbeginWithClear:bgColor.r
    g:bgColor.g
    b:bgColor.b
    a:bgColor.a];

     [rt end];

  return [CCSpritespriteWithTexture:rt.sprite.texture];

}

在该函数中,我们创建了一个新变量rt,它是CCRenderTexture类型,并且把传入函数的宽度与高度传递给它。

然后,使用传入的颜色清空RenderTexture,再调用rt的end函数。

最后,我们将通过传入rt精灵纹理创建CCSprite,并作为函数返回值进行返回。

1.6.3 工作原理

为了使用RenderTexture函数,需要先在添加背景到场景的代码之下添加如下代码。

//rtSprite
CCSprite* rtSprite = [self spriteWithColor:ccc4f(1.0, 1.0, 0.0, 1.0)
textureWidth:150textureHeight:150];
rtSprite.position = CGPointMake(winSize.width/2,
winSize.height/2);
[selfaddChild:rtSprite];

在上述代码中,我们创建了一个新变量rtSprite,它是CCSprite类型,并把调用我们的函数所创建出的精灵赋给它。

调用函数时,将通过传入的r、g、b、a值,创建ccc4f类型的颜色。为了获得黄色,把红色、绿色全部设置为1。此外,我们还分别把宽度、高度值设置150。

然后,把rtSpirte精灵的位置设置到场景中心,最后将其添加到场景中。运行场景,你将看到如图1-17所示的结果。


1_17

1.6.4 更多内容

通过修改rgba颜色值,可以更改精灵颜色。

比如,这里我把rgba颜色值修改为(1.0,0.0,1.0,1.0)(品红色—注:原书所述的黄色是错误的,应为品红色),你将看到如图1-18所示的结果。

//rtSprite
CCSprite* rtSprite = [self spriteWithColor:ccc4f(1.0, 0.0, 1.0, 1.0)
textureWidth:150textureHeight:150];
rtSprite.position = CGPointMake(winSize.width/2, winSize.height/2);
[selfaddChild:rtSprite];


1_18

相关文章
|
8天前
|
数据采集 人工智能 安全
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
298 164
|
3天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
307 155
|
11天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
846 6
|
5天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
239 113