что такое accuracy boost
Что такое клатч, дроп, камбек и буст? Терминология CS:GO
Серии Counter-Strike больше двадцати лет. Логично, что терминология игры за это время трансформировалась чуть ли не в свой язык. Со стороны он также непонятен, как латынь для японца. Именно поэтому блог CS.MONEY собрал для тебя небольшую шпаргалку из самых частоупотребляемых и важных игровых терминов. Погнали!
Базовые термины
База, респаун, респа — место, на котором команды появляются в начале раунда и где могут закупаться экипировкой.
Контры, си-ти, КТ (ка-тэ), защита — команда спецназа. В режиме с установкой C4 для победы в раунде КТ должны защищать две точки от противников: не дать установить С4 до конца раунда, либо раздефьюзить ее (о, еще один термин 🙂 )
Плент — место для установки C4. На картах соревновательного набора их всегда два: A и B.
Терры, атака — команда террористов. Для победы в раунде им нужно уничтожить всех контров или подорвать C4.
Тиммейт — товарищ по команде.
Фраг, минус, килл — убитый противник или сам факт убийства.
Ха-эс, хедшот, хэд — попадание в голову. Часто его достаточно для фрага.
ХэПэ, хиты, хэлс — очки здоровья игрока. Полученный урон в соревновательном режиме невозможно восстановить.
А-ка, калаш — основная винтовка атаки, AK-47.
Авик, слон, авэпэ, снайперка — снайперская винтовка AWP.
Дефьюзить — разминировать.
Дифуза, киты, щипцы — набор для обезвреживания C4, доступный для покупки только игрокам защиты.
Моменталка — флешка, брошенная таким образом, что соперник не успевает заметить полет гранаты; она моментально и полностью ослепляет его.
Муха — снайперская винтовка SSG 08.
Спрей, зажим — стрельба длинной очередью.
Эмка, кольт — основная винтовка защиты, M4A4 или M4A1-S.
Ютилити, расходники — гранаты, закупленные игроком или командой.
Передохни от изучения терминологии CS:GO и выиграй новые скины из операции «Хищные воды»!
Терминология CS:GO: Игровые ситуации A-Н
Байт — игра, с целью выманить противника для убийства или размена. Например, пропрыг открытого пространства, чтобы заставить снайпера или опорника команды соперника сделать выстрел и выдать свою позицию.
Буст, подсадка — использование модельки игрока в качестве дополнительной текстуры в попытке забраться в труднодоступное место. В процессе одна моделька оказывается на второй. Некоторые бусты выполняются втроем или вчетвером.
Допы, овертайм — дополнительные раунды при ничье после 30 раундов.
Камбек, закамбэчить — взять карту из плохого счета. Например, выиграть, закончив первую половину с 3 взятыми раундами.
Клатч — ситуация, в которой последний выживший игрок команды пытается затащить раунд против одного или нескольких соперников.
Дефьюз, деф, дефать — разминирование С4.
Мап-поинт, матч-поинт — возможный последний раунд карты и матчакарта соответственно.
Ниндзя дефьюз — незаметное для противника обезвреживание С4.
Ноускоуп, ноузум — фраг из авика или мухи с выключенным зумом
Оружейный/девайсовый раунд — раунд, в котором обе команды покупают основные винтовки и ютилити.
Терминология CS:GO: Игровые ситуации О-Я
Пуш, раш, аркада — агрессивная атака, зачастуюобычно без предварительной подготовки.
Поджим — подготовленный ретейк позиции от КТ в попытке застать соперника врасплох и сделать фраг, собрать информацию и получить контроль над этой локацией.
Пистолетка — первый раунд в каждой половине, когда команды могут использовать только пистолеты.
Перетяжка, стяжка, ротация — перемещение игрока между удаленными друг от друга позициями на карте. Например: стяжка с зига на длину на Д2, или перетяжка с плента А на Б для усиления защиты.
Прострелить, прошить — нанести демедж сопернику через текстуру, не видя его.
Пикать, пикнуть — выходить из-за укрытия или находиться в открытой позиции с целью начать перестрелку с оппонентом.
Префаер — стрельба наперед в ситуации, когда ожидаешь, что соперник вот-вот появится в прицеле; например, когда контролишь точку и слышишь топот, или когда ожидаешь увидеть соперника в позиции, которую собираешься проверить.
Ранбуст — пропрыг области на карте, спрыгнув с головы тиммейта; делается в процессе движения обоих игроков. Из-за механики игры, этот прыжок длиннее и имеет большее ускорение, чем обычный прыжок.
Раскидка — тактическое командное использование гранат, результатом которого является преимущество в процессе атаки на точку. Например, задымление и отфлешивание одной из частей плента, чтобы разобраться с опорниками в другой части плента, не попав под перекрестный огонь.
Ретейк, выбивание — попытка команды повторно занять потерянную позицию. Например, попытка игроков защиты контр-атаковать плент, занятый игроками атаки и разминировать С4.
Сплит — выход на одну точку сразу с нескольких направлений.
Фейк — индивидуальный или командный обманный трюк, с целью выманить врага или отвлечь от защиты точки.
Фликшот — выстрел после резкого перевода прицела в противоположный конец экрана.
Холд — медленный стиль игры с акцентом на удержание позиций / прекращение всех перемещений в процессе атаки или удержании точки.
Чекнуть — проверить точку на карте для сбора информации
Эйс — игрок совершает эйс, если убивает всех противников в одном раунде.
Энтри, энтри-фраг — первый фраг в раунде.
Терминология CS:GO: Экономика
Лосс-бонус — дополнительные средства, которые получает команда за серию проигранных раундов. С каждым раундом, проигранным подряд, лосс-бонус увеличивается.
Полный закуп, фуллбай, фул — покупка лучшей экипировки для команды. Обычно состоит из винтовки, брони и набора гранат. У КТ — еще дефьюз киты
Ресет — поражение в раунде сразу после победы. Раньше ресеттакое сбрасывало счетчик бонуса за проигрыш до нуля, а команда получала минимально возможную сумму за проигранный раунд. Теперь так называется ситуация, в которой команда теряет экономическое преимущество из-за проигранного раунда.
Форс, форсированная закупка, форс-бай — неполный (отсутствует какой-то из элементов — броня, гранаты, часто с более слабым основным девайсом) закуп, на часть или все доступные средства или до нуля в попытке взять раунд, переломить ход матча в свою пользу и нанести максимальный вред экономике соперника.
Эко, экобай — минимальный закуп, часто по пистолету или гранате на игрока с целью сэкономить деньги для полного закупа в следующем раунде.
Терминология CS:GO: Роли в игре
ИГЛ, капитан, ин-гейм-лидер, коллер — игрок, который управляет остальными, раздавай по ходу раунда задачи.
Люркер — игрок, играющий в отрыве от остальной команды. Обычно заходит в спину или блокирует перетяжки противника.
Опорник — защитники точкиек, которыйе уходият с плеэнта в последнюю очередь.
Рифлер — игрок, использующий автоматические винтовки: AK-47, M4A4, M4A1-S.
Снайпер — игрок, использующий в основном снайперские винтовки вроде AWP или SSG 08.
Хелпа, саппорт — игрок, который оказывает поддержку другим. В основном раскидкой гранат и своевременными перетяжками для усиления одного из плентов.
Как видишь, вокруг Counter-Strike образовалась огромный пласт терминологии. Особое словечко есть чуть ли не для каждой ситуации. Запоминать все и сразу нет нужды, главное охватить самую базу. А чтобы было удобнее это делать — добавь нашу заметку в закладки и она всегда будет у тебя под рукой.
FPN(feature pyramid networks)
Getting free accuracy boost on almost any architecture
I have planned to read major object detection papers (although I have skimmed through most of them, now I will be reading them in detail, good enough to write a blog about them). The papers are related to deep learning-based object detection. Feel free to give suggestions or ask doubts will try my best to help everyone. Anyone starting with the field can skip a lot of these papers. I will also write the priority/importance of the papers once I read them all.
I have written the blog considering readers similar to me and still learning. Although I will try my best to write the crux of the paper by understanding paper in depth from various sources including blogs, codes, and videos, in case you find any error feel free to highlight it or add a comment on the blog. I have mentioned the list of papers that I will be covering at the end of the blog.
Yah subtitle is correct, FPN is a very simple method that can be used with almost any model to improve results. We will jump into technicalities of the paper soon, but for this blog, there are some pre-requisites. You should have a high-level idea about the following Fast RCNN, Faster RCNN, anchor boxes, knowledge of SSD will come in handy. I have blogs for all these papers as well you can check them(links at the end of this blog). FPN is a relatively simpler if you understand all the prerequisites well.
Image pyramids(multiple images of multiple scales) are often used at the time of predictions to improve the results. But computing results using modern deep learning architectures is often an expensive process in terms of both computing and time.
FPN is based on exploiting the inherent multi-scale pyramidal hierarchy of deep CNN. It is analogous to the difference between RCNN and Fast RCNN, RCNN is a region-based object detector in which first we find ROI’s using an algorithm such as selective search and then crop these ROI’s(around 2000) from the image and feeding them into CNN to get results and in Fast RCNN the initial layers of CNN are shared for complete image and the ROI cropping is done on the extracted feature map thus saving a lot of time. In the case of FPN, the research is based on exploiting internal multi-scale nature, and the image pyramid is somehow implemented internally to architecture and sharing most parts of the network. We will jump into technical details now.
CNN is based on the hierarchical structure in which the resolution of the feature map is reduced after each layer but semantics captured by every deeper layer is stronger than the previous layer. The semantically stronger features are spatially coarser because of downsampling. FPN creates an architecture where the semantically stronger features are merged with the features from previous layers(which are subsampled fewer times and thus have more accurate localization information).
The architecture consists of two pathways:
Bottom-up pathway (Left pyramid in the above image)
Top-down pathway (Right pyramid in the above image)
In this pathway, deeper features are merged with lower features using lateral connections. Since the number of channels of layers in the bottom-up pathway is not the same, a 1*1 convolution is applied first to get a fixed number of channels for each layer(this dimension is kept 256 in the paper). The spatial size is also different thus we upsample(2x) the deeper features so that the spatial size of this feature is matched with a higher resolution feature map of the previous layer in the bottom-down pathway. Now the dimensions of two feature maps are the same and they are merged by element-wise addition.
We can understand this with an example. Let’s say our image size is 512*512, now the size of feature map after each convolution layer(C2, C3, C4, C5) will be [(128*128),(64*64),(32*32),(16*16)]. Output number of channels of each layer is [256,512,1024,2048]. Now we apply a 1*1 convolution(with output number of channels = 256) on the outputs of C2, C3, C4, C5 to get an equal number of channels. We will call these intermediate features with the same number of output channels as S2, S3, S4, S5 corresponding to C2, C3, C4, C5. Now S5 is upsampled to 32*32 and merged with S4 using element-wise addition. Now, this output will be upsampled to 64*64 and will be merged with S3 and so on. We will call outputs from this stage as T2, T3, T4, T5.
To reduce the effect of aliasing because of upsampling a 3*3 convolution is applied on T2, T3, T4, T5 to get our final feature maps P2, P3, P4, P5 corresponding to C2, C3, C4, C5. These features are used to generate final classification and regression scores(bbox). The parameters for the head can be shared and separate head gives no added benefit.
That’s it in the theory of FPN. But we will see how FPN can be implemented for Faster RCNN and Fast RCNN.
FPN for Faster RCNN
Faster RCNN uses region proposal network. RPN is used to generate bounding box proposals and these proposals are later used to generate final predictions. RPN is a small network that is implemented over the extracted features of the last layer(C5). A 3*3 convolution is applied to this extracted feature followed by two similar 1*1 convolution layers (one for classification and other for regression).
RPN is adapted here by simply replacing a single scale feature map with FPN. Thus now RPN is implemented for P2-P5 and not C5 alone. For training of RPN, anchor boxes of multiple scales are used. But since the multi-scale is now inherent in the extracted feature, it is not necessary to have multi-scale anchor boxes on any of the levels. Instead, a single scale anchor box is assigned to each level. The size of the anchor boxes used in the paper is <32², 64², 128², 256², 512²>for
These anchor boxes are matched with ground truth boxes and the model is trained end to end.
FPN for Fast RCNN
Implementation of the FPN in fast RCNN is very simple. Fast RCNN uses region proposal techniques such as selective search to generate ROI and uses ROI pooling on the single-scale feature map to get final results. By applying FPN we will have multiple feature maps of different scales and we need a strategy to assign given ROI to feature map(now we have multiple feature maps, which feature map to use for given ROI?).
The feature map used is calculated using:
Here 224 is training size of the image in the imagenet dataset(resnet used is retained on imagenet). k0 is the feature map to which ROI of size 224 is assigned, w and h is width and height of ROI. The head has shared parameters for each feature map.
How (in)accuracy works in CS:GO
Although Counter-Strike: Global Offensive is a competitive eSports shooter, there is a significant amount of randomness in it. And where there’s randomness, there’s always luck. CS.MONEY here to tell you about the most frequent instance of randomness in the game — the accuracy of shooting.
By accuracy, we mean the extent to which the result of the shot matches the expectations: whether the bullet lands exactly at the center of the crosshairs, for example.
Shooting plates
Every weapon has a specific accurate range in the buy menu. This value is measured in meters and shows at what distance the gun can hit a “plate with a diameter of 30 centimeters.” The size of this plate roughly equals that of a head. That is, the parameter indicates the maximum distance at which the bullet will hit the head if you aim exactly in the center.
Plate with a diameter of 30 centimeters
When shooting at a greater distance than indicated in the buy menu, there’s a chance to miss even with perfect aim. For example, an AK-47 headshot at the window on Mirage from top mid will result in a miss in two cases out of five. Trying to make a headshot with a P250 across the entire B Site on Train is genuine Russian roulette. This gun can miss at 14 meters!
The only way to make the weapon more accurate is to crouch. That greatly increases the accurate range — the aforementioned P250 can hit the enemy’s head at over 17 meters. Not a bad boost, right?
Shooting on the run
In addition to the built-in inaccuracy, there are also movement-related penalties. Walking, running, jumping — all of these reduce firing accuracy. There are three important things to keep in mind here. First, the characters in the game show inertia when moving. That is, they don’t instantly stop after you take your finger off the key.
To counteract the inertia, you need to press the movement key in the opposite direction.
For example, if you move out from behind a corner strafing to the right, quickly press left before firing. This will instantly stop the character and allow you to shoot with maximum accuracy.
Second, the rules don’t change on the jump. It’s a bit counter-intuitive: right after you’ve jumped or right before you land, the accuracy penalty is large, but it’s minimal at the peak of the jump. If you jump with an SSG 08, the rifle will be accurate at 5 meters without scope; with it, the distance will amount to more than 20 meters!
Ladders are a separate topic here. Being on a ladder causes a huge penalty to accuracy. The SSG 08 from the example above can miss from a distance of 2 meters when shooting from a ladder. Remember, only the MAC-10 and UMP-45 are more or less good at shooting from a ladder. If you get caught with any other gun, you’d better count on your luck.
Spraying
Another way to shoot worse is to press and hold your fire button. The longer the burst of fire, the less accurate the shots will be. The first shot always has the highest accuracy; each next bullet in the sequence will fly farther and farther away from the crosshairs.
In a line of ten shots made with the AK-47, the accuracy range of the last bullet will be three times less! Simply put: with the first bullet, you can confidently make a headshot from 20 meters; with the tenth, there’s a chance to miss at a distance of 10 meters even if you have ideal aim and compensation of recoil.
To remove this accuracy penalty, just stop shooting. Each weapon has its own “spread cooldown period.” You can see the exact values in the table by SlothSquadron. This is an awesome tool that contains all info about every gun.
What can inaccuracy be handled?
Unfortunately, there are no “legal” ways to remove this randomness from shooting in Counter-Strike: Global Offensive. There are console commands, but they cannot be used in matchmaking. The only option is to get accustomed to them — and use them for your own purposes.
If you’re playing with a rifle and your opponent has a pistol, try to keep your distance. And if it’s you who’s using a pistol, don’t forget to buy a flashbang or a smoke to cut the distance and fight on equal terms.
When shooting at a distance, “tapping” (making repeated single shots) is better than straying. Shooting single shots gives a much better chance of hitting the target — when shooting in bursts, the inaccuracy only grows. Don’t forget to decrease the inertia when strafing, and naturally, forget about jumping around the corner. You can indeed surprise your opponent that way, but would hardly be enough to send them to the respawn location.
Быстрый градиентный бустинг с CatBoost
Привет, хабровчане! Подготовили перевод статьи для будущих учеников базового курса Machine Learning.
В градиентном бустинге прогнозы делаются на основе ансамбля слабых обучающих алгоритмов. В отличие от случайного леса, который создает дерево решений для каждой выборки, в градиентном бустинге деревья создаются последовательно. Предыдущие деревья в модели не изменяются. Результаты предыдущего дерева используются для улучшения последующего. В этой статье мы подробнее познакомимся с библиотекой градиентного бустинга под названием CatBoost.
Источник
CatBoost — это библиотека градиентного бустинга, созданная Яндексом. Она использует небрежные (oblivious) деревья решений, чтобы вырастить сбалансированное дерево. Одни и те же функции используются для создания левых и правых разделений (split) на каждом уровне дерева.
Источник
По сравнению с классическими деревьями, небрежные деревья более эффективны при реализации на процессоре и просты в обучении.
Работа с категориальными признаками
Наиболее распространенными способами обработки категориальных данных в машинном обучении является one-hot кодирование и кодирование лейблов. CatBoost позволяет использовать категориальные признаки без необходимости их предварительно обрабатывать.
При использовании CatBoost мы не должны пользоваться one-hot кодированием, поскольку это влияет на скорость обучения и на качество прогнозов. Вместо этого мы просто задаем категориальные признаки с помощью параметра cat_features.
Преимущества использования CatBoost
Есть несколько причин подумать об использовании CatBoost:
Параметры обучения
Давайте рассмотрим общие параметры в CatBoost:
Пример с регрессией
CatBoost в своей реализации использует стандарт scikit-learn. Давайте посмотрим, как мы можем использовать его для регрессии.
Первый шаг, как всегда, импортировать регрессор и создать его экземпляр.
При обучении модели CatBoost также позволяет нам визуализировать его, установив plot=true:
Также мы можем выполнять кроссвалидацию и визуализировать процесс:
Аналогично вы можете выполнить grid search и визуализировать его:
Также мы можем использовать CatBoost для построения дерева. Вот график первого дерева. Как вы видите из дерева, листья разделяются при одном и том же условии, например, 297, значение > 0.5.
CatBoost дает нам словарь со всеми параметрами модели. Мы можем вывести их, как словарь.
В этой статье мы рассмотрели преимущества и ограничения CatBoost, а также ее основные параметры обучения. Затем мы реализовали простую регрессию с помощью scikit-learn. Надеюсь, вы получили достаточно информации об этой библиотеке, чтобы самостоятельно продолжить ее исследование.