dota數據集如何訓練

⑴ dota1怎麼訓練快速買裝備

把商店和小雞編號，界面調到商店然後Ctrl1 Ctrl2 Ctrl3標好，用商店中不同裝備的快捷鍵快速合成。對線可以練魔瓶鞋子魔棒等。

⑵ 如何提高dota水平

果然，有人應該問這個問題。

⑶ dota2有訓練營模式嗎在哪裡

dota2沒有訓練營模式，但是玩家可以在訓練模式來訓練。在刀塔主界面選擇訓練，進入訓練模式即可。

訓練第一關主要是學習刀塔的基礎知識，比如如何走路、殺死小兵獲得經驗和金錢、殺死野怪、購買和使用治療葯膏和凈化葯水、英雄升級、使用技能、殺死敵人英雄等。第二關繼續學習到的基礎知識，比如如何使用樹之祭祀、英雄技能的使用、購買鞋子、購買信使、去神秘商店購買能量之球合成奧術鞋、信使升級成飛行信使、用飛行信使運送裝備等。

DOTA2其他情況簡介。

《刀塔2》完整繼承了原作《DotA》一百多位的英雄，並脫離了上一代作品《DOTA》所依賴的《魔獸爭霸Ⅲ》引擎的多人即時對戰游戲，《刀塔2》的世界由天輝和夜魘兩個陣營所轄區域組成，有上、中、下三條主要的作戰道路相連接，中間以河流為界。

⑷ DOTA V1.5數據集：基於航空圖像的大規模目標檢測數據集

  目標檢測是計算機視覺任務中一個具有挑戰性的方向。盡管在過去十年中目標檢測在自然場景中有了重大突破，但是在航拍圖像的進展是十分緩慢的，這不僅是因為地球表面相同類別物體的規模、方向和形狀有著巨大的差異，而且還因為缺少航拍影像中目標對象的標注信息。為了推進「Earth Vision」（也稱為「地球觀測和遙感」）中目標檢測的研究，我們提出了用於航拍影像中用於目標檢測的大規模數據集（DOTA）。我們從不同的感測器和平台收集了2806個航拍影像，每張圖像的大小約為4000*4000像素，並包含了各種不同比例、方向和形狀的目標對象。航拍圖像專家將這些DOTA數據集圖像中常見的15種對象類別進行標注。完全注釋之後的DOTA數據集圖像包含188282個實例，每個實例都由四點確定的任意四邊形（8 d.o.f.）標記。為了建立地球視覺中目標檢測的基準，我們評估了DOTA上最新的目標檢測演算法。實驗表明，DOTA能夠代表真實的地球視覺應用，並具有一定的挑戰性。

  Earth Vision中的目標檢測是指在將地球表面感興趣的物體（例如車輛、飛機場）定位並預測他們的類別。與傳統的目標檢測數據集相反，在傳統的目標檢測數據集中，物體的位置通常由於重力而以一種向上的姿態出現，航拍圖像中物體的實例通常以任意狀態出現，如圖1所示，這取決於航拍視角的關系。
  由於計算機視覺領域的最新進展以及Earth Vision應用的高要求，有大量的研究者已經開始圍繞航拍影像中的目標檢測開展研究，這些方法中的大多數嘗試將原有的目標檢測演算法應用在航拍影像中。最近，在基於深度學習的目標檢測演算法取得巨大成功的鼓舞下，Earth Vision的研究者們基於大規模數據集（ImageNet和MSCOCO數據集）預訓練模型上進行微調網路的方法，使之在航拍數據集檢測中有所改善。
  盡管這種基於微調的方法是可行的，但是如圖1所示，航拍圖像中的目標檢測與常規的目標檢測有著以下方面的區別：

  近年來，在一些較為依賴數據的研究中，數據集扮演著十分重要的角色，像MSCOCO這樣的大型數據集在促進目標檢測和圖像捕捉研究方面發揮了重要的作用。當涉及到分類任務和場景識別任務時，ImageNet以及Places也很重要。
  但是，在航拍目標檢測中，缺少像MSCOCO和ImageNet這樣在圖像數量和詳細注釋方面的數據集，特別是對於開發基於深度學習的演算法時，這是Earth Vision研究的主要障礙之一。航拍目標檢測對於車輛計數，遠程目標跟蹤和無人駕駛領域非常有用。因此，創建一個能實際應用的大規模數據集並提出富有挑戰性的航拍目標檢測基準對於促進該領域的研究十分必要。
  我們認為，一個好的航拍影像數據集應該具有以下四個屬性：
1）大量的圖片；2）每個類別都有很多實例；3）合適角度的目標注釋框；4）許多不同類別的對象，這使得數據集能夠應用到實際中。然而目前所公開的航拍數據集存在以下缺點：圖像數據和類別不足，缺少更精細的注釋以及解析度過低。而且，它們缺少復雜性並不能足以應用再實際現實世界中。

  像TAS，VEDAI，COWC等數據集只關注車輛，UCAS-AOD包含汽車和飛機，HRSC2016隻包含船隻，雖然有標注細致的分類信息。但所有這些數據集在類別的數量上都是少的，這對它們在復雜場景的泛化適應上有所約束。作為對比，NWPU VHR-10數據集由10種類型的物體組成，而它的總實例數大概只有3000。關於這些已存在的數據集的具體比較細節在表1中給出。我們在第四部分可以看到，對比這些航拍數據集，DOTA具有更龐大的目標實例數目、隨意但是均勻的方向，多樣性的分類目錄和復雜的航拍場景。此外，DOTA數據集中的場景與真實場景更加一致，所以DOTA數據集對於真實世界應用開發來說是更有幫助的。
  當涉及到普通對象數據集時，ImageNet和MSCOCO因其具有大量的圖像、更多的類別和詳細的注釋而被大多數研究人員所選擇。在所有對象檢測數據集中，ImageNet的圖像數量最多。但是每個圖像的平均實例數遠少於MSCOCO和我們的DOTA數據集，而且必須擁有干凈的背景和精心選擇的場景帶來了局限性，DOTA數據集中的圖像包含大量的對象實例，其中一些圖片具有1000多個實例。 PASCAL VOC數據集在每個圖像和場景的實例上與ImageNet相似，但是圖像數量不足使得它不適合處理大多數檢測需求。我們的DOTA數據集在實例編號和場景類型方面類似於MSCOCO，但是DOTA的類別不如MSCOCO那樣多，因為可以在航拍影像中能清晰看到的對象時非常有限的。
  此外，在上文提到的大規模普遍目標檢測基準中DOTA數據集的特別之處在於使用OBB方法注釋，OBB可以很好的區分目標物體的離散與聚集，在第三部分詳細描述了使用OBB注釋目標物體的好處。在表2中對DOTA,PASCAL VOC,ImageNet and MSCOCO等數據集的比較中給出不同點。

  在航拍數據集中由於存在多種多樣的感測器被使用的情況，導致數據集產生偏差。為了消除這些偏差，我們數據集中的圖片是由多解析度多感測器和多平台收集而來的，如谷歌地球。為了提高數據的多樣性，我們收集的圖片的城市是由圖像判讀方面的專家來挑選的。在挑選過程中，會記錄下精確的地理坐標，來捕捉圖片使得確保沒有重復的圖像。

  我們的DOTA數據集注釋選擇了15種類別，包括飛機、船隻、儲蓄罐、棒球內場、網球場、籃球場、田徑場、海港、橋、大型車輛、小型車輛、直升飛機、英式足球場、環狀交叉路口、游泳池。
  標注類別是由圖像判讀方面的莊家根據目標物體的普遍性和現實世界中存在的價值來挑選的，前十個類別在已有的數據集中很普遍，我們保留了下來，除了將交通工具的汽車分為大型和小型，因為兩種類型的汽車在航拍圖像上區別很大。其他的類別主要是由於現實場景的應用。我們選擇直升機是考慮到航拍圖像中運動物體具有重要的意義，環狀交叉路口被選中是因為它在巷道分析中具有重要意義。
  要不要把「stuff」作為一類是值得探討的，在SUN數據集中，一般說來沒有明確的定義說明什麼是stuff一類，比如海港、機場、停車場。但是，它們提供的語義信息是對檢測有幫助的。我們只採納了海港分類，因為它的邊界容易定義，並且在我們的圖片源信息中有豐富的實例。最後拓展的分類是足球場。
  在表2我們比較了DOTA和NWPU VHR_10，後者在先前存在的航拍圖像目標檢測數據集中有更多的分類數。而且DOTA在目錄分類數目和每一類下的實例數目都遠超過了NWPU VHR-10。

  我們考慮了許多不同的注釋方法。在計算機視覺領域，許多視覺概念（比如區域說明，目標，屬性，關系）都可以被一個注釋邊框說明，對邊框的一個普遍描述一般採用 ，其中 表示位置， 是邊框的寬和高度。
  沒有一定方向的物體可以採用這種注釋方式充分注釋。然而，在航拍影像中的文本和物體以這種方式標記的邊界框不能精確或緊湊地貼合物體的輪廓。如圖3（c）所示的極端但實際的普遍存在情況和圖（d）比起來，兩個邊界框之間的重疊是如此之大以至於最先進的對象檢測方法也不能區分它們。為了解決這一問題，我們需要一種其他更適合面向這種有一定方向物體的注釋方法。
  一個可選選項是採用基於 的邊界框，它被應用於一些文本檢測基準，即 ，其中 表示從邊界框與水平方向的夾角度。但這種方法的缺點是依舊不能貼合圍繞住那些不同部分之間可能有較大變形的物體。考慮到航拍圖像中物體的復雜場景和物體的各種方位，我們需要放棄這種方法選擇其他更靈活易懂的方式。一種可供選擇的方法是使用任意四邊形邊界框，它可以被描述為： ，其中 表示圖像中定向邊界框的頂點的位置，頂點按順時針順序排列，這種方法在定向場景的文本檢測中廣泛使用。我們受到這些研究的啟發，在注釋物體時使用這種任意四邊形邊界框的方式。

  為了進行更具體的注釋，如圖3所示，我們強調了第一點 的重要性，該點通常表示對象的「首部」。對於直升機，大型車輛，小型車輛，港口，棒球鑽石，輪船和飛機等類別，我們選擇與之豐富的潛在用途有關的點作為起始點。對於足球場，游泳池，橋梁，地面田徑場，籃球場和網球場類別來說，沒有視覺上的線索來確定第一個點，因此我們通常選擇左上角的點作為起點。
  我們在圖4中展示了DOTA數據集中一些已經注釋過的例子(不是全部的初始圖像)

  為了確保訓練數據和測試數據分布大致相同，我們隨機選擇原始圖像的一半作為訓練集，將1/6作為驗證集，將1/3作為測試集。 我們將為訓練集和驗證集公開提供所有帶有原始事實的原始圖像，但不會為測試集提供。 為了進行測試，我們目前正在構建評估服務。

  與其他圖像數據集相比，航拍圖像一般尺寸很大。我們的數據集中圖像的原始大小約為800×800到4000×4000之間不等，而常規數據集中的大多數圖像（例如PASCAL-VOC和MSCOCO）則不超過1000×1000。我們在原始完整圖像上進標注，而不將其分割成塊，以避免將單個實例分割成不同碎片的情況。

  如圖1（f）所示，我們的數據集在不同方向的實例中達到了比較好的平衡，這對於網路檢測器的魯棒性提升有很大幫助。此外，我們的數據集更接近真實場景，因為在現實世界中通常會看到各種方向的對象。

  我們還為數據集中的每幅圖像提供了空間解析度，這可以推斷出實例的實際大小。空間解析度對檢測任務的重要性有兩個方面。首先，它使模型對於相同類別的各種對象更具適應性和魯棒性。眾所周知，從遠處看物體會顯得更小。具有不同大小的同一對象會給模型造成麻煩並損害分類。但是，通過提供解析度信息而不是對象的大小，模型可以更加關注形狀。其次，可以進行進行更精細的分類。例如，將一艘小船與一艘大型軍艦區分開是很簡單的。
  空間解析度還可以用於過濾數據集中標記錯誤的離群值，因為大多數類別的類內實際大小變化是有限的。在較小的空間解析度范圍內，選擇與同類物體尺寸相差較大的物體，可以發現離群值(Outliers)。

  按照[33]中的規定，我們將水平邊框的高度（簡稱為像素大小）稱為實例大小的度量。我們根據水平邊界框的高度將數據集中的所有實例分為三個部分：較小的范圍為10到50，中間的范圍為50到300，較大的范圍為300以上。圖3說明了不同數據集中的三個實例拆分的百分比。顯然，PASCAL VOC數據集，NWPU VHR-10數據集和DLR 3K Munich Vehicle數據集分別由中間實例，中間實例和較小實例主導。但是，我們在小實例和中間實例之間實現了良好的平衡，這與現實世界場景更加相似，因此有助於在實際應用中更好地捕獲不同大小的對象。
  值得注意的是，像素大小在不同類別中有所不同。例如，車輛可能小到30像素，但是橋梁可能大到1200像素，比車輛大40倍。不同類別實例之間的巨大差異使檢測任務更具挑戰性，因為模型必須足夠靈活以處理極小的物體。

表3：航拍圖像和自然圖像中某些數據集的實例大小分布比較

  對於基於錨的模型，例如Faster RCNN和YOLO V2，長寬比是至關重要的因素。我們對數據集中所有實例的兩種長寬比進行計數，以提供更好的模型設計參考：1）最低程度受限於水平邊界框的橫縱、2）原始四邊形邊框的長寬比。圖5說明了我們數據集中實例的兩種縱橫比分布類型，我們可以看到實例的縱橫比差異很大。此外，DOTA數據集中有許多橫縱比較大的實例。

  航拍圖像中常常包括數以千計的實例，它們完全與自然場景圖像不同。例如IMANEET數據集中每張圖像平均包含2個類別和2個實例，MSCCO共有3.5個類別、7.7個實例。如圖5所示我們的DOTA數據集更豐富，每個圖像的實例可以高達2000個。
  在一幅圖像中有如此多的實例，不可避免地會看到很密集的實例聚集在某個區域。在COCO數據集中，實例並不是逐個注釋的，因為圖像中的遮擋使之難以將實例與其相鄰實例區分開來。在這些情況下，實例組被標記為一個屬性名為「crowd」的片段。然而，這種情況不會在航拍圖像下出現，因為從航拍視角來看，很少有遮擋物。因此，我們可以在擁擠的實例場景中將實例一個個分別標注。圖4展示了聚集著很多實例的一個例子。在這種情況下檢測物體對現有的檢測方法提出了巨大的挑戰。

  我們在DOTA上評估了最新的物體檢測方法。對於水平物體檢測，我們謹慎地選擇Faster R-CNN，R-FCN，YOLO V2和SSD作為我們的基準測試演算法，因為它們在一般物體檢測中具有出色的性能。對於定向對象檢測，我們修改了原始的Faster R-CNN演算法，以便可以預測正確定向的邊界框，表示為 。
  值得注意的是，R-FCN和Faster R-CNN的骨幹網路分別ResNet-101，用於SSD的是Inception V2，YOLO V2用的是GoogLeNet 。

  為了全面評估基於深度學習的DOTA檢測方法的現狀，我們提出了兩個任務，即在水平邊界框（簡稱HBB）上進行檢測以及在定向邊界框（簡稱OBB）上進行檢測。更具體地說，無論採用何種方法訓練，我們都根據兩種不同的基礎事實（HBB或OBB）評估這些方法。

  DOTA的圖像太大，無法直接發送到基於CNN的探測器。因此，我們將原始圖像裁剪為一系列1024*1024的面片，步幅設置為512。注意在裁剪過程中，完整的物體可能會被切成兩部分。為了方便起見，我們將原始對象的面積為 ，劃分部分 的面積為 然後計算：
  最終我們將U<0.7的部分標記為「difficult」，其他的標記和原始注釋一樣。對於那些新生成的部分的頂點我們需要保證它們可以被一個具有4個順時針排列頂點的定向邊界框用一種合適的方法來描述。
  在測試階段，我們首先將裁剪後的面片送到一個臨時的結果中，然後將結果合並在一起，來重構原始圖像的檢測，最後我們對預測結果使用NMS(非極大值抑制演算法)。我們設置NMS的參數閾值對於水平邊界框（簡稱HBB）將閾值設置為0.3，定向的邊界框閾值設置為0.1。通過使用這種方式，我們在基於CNN的模型上訓練和測試了DOTA數據集。
  對於評價的度量，我們使用和PSASCAL VOC一樣的mAP計算方式。

  HBB實驗的ground truth 是通過在原始的已標注的邊界框上計算軸對稱邊界框產生的，為了公平起見，我們將實驗的配置以及超參數設置為與文章[4,16,25,26]一致。
  在表4中給出了HBB實驗的預測結果，我們注意到SSD上的結果比其他模型低很多。我們懷疑可能是因為SSD數據集數據增長策略中的隨意裁剪操作，這種操作在普通的目標檢測中有用，但是在航拍圖像目標檢測的大規模小實例上作用有所降低。實驗結果也進一步表明了航拍圖像和普通目標圖像檢測在實例大小上的巨大差別。

  OBB的預測比較困難，因為現有的目標檢測方法並非針對定向對象而設計。因此，我們依據准確性和效率選擇Faster R-CNN作為基礎框架，然後對其進行修改使之能預測定向的邊界框。
  由RPN（候選區域生成網路）產生的RoIs（興趣區域）是可以被表示為 的矩形框，更為詳盡的解釋是 。在R-CNN程序中，每個RoI都附加有一個ground truth定向邊界框寫作: ，然後R-CNN的輸出目標 由以下等式計算:

其中 。
  其他配置和超參數設置保持與Faster R-CNN中所述相同。數值結果顯示在表5中。為了與我們為OBB實施的Faster R-CNN進行比較，我們評估了OBB地面實況在HBB上訓練的YOLO V2，R-FCN，SSD和Faster R-CNN。如表5所示，在HBB上訓練的那些方法的結果比在OBB上訓練的Faster R-CNN的結果低得多，這表明對於空中場景中的定向目標檢測，相應地調整這些方法可能會得到更好的結果。

  當我們分析表4中呈現的數據結果時，小型汽車，大型汽車，船隻的分類結果不盡人意，因為它們的尺寸較小，並且在航拍圖像中位置十分密集。然而大型的離散物體如飛機，游泳池、網球場等，表現出的效果較好。
  在圖6中我們比較了HBB和OBB兩種檢測方式的結果。在圖6(a)和6(b)中表示的緊密圖像中，HBB實驗的定位精度要比OBB實驗差的多，並且許多結果受到先前工作的限制。所以OBB回歸是定向物體檢測的一個正確方式，並且可以被真正在實際中應用。在圖6(c)中，使用OBB來標注縱橫比較大的物體（比如橋和海港），對於現在的檢測器來說很難做回歸。但是在HBB方法中，這些物體通常有著較為普通的縱橫比，因此結果如圖6(d)看起來比OBB好很多。但是在一些極度擁擠的場景下，比如圖6(e)和6(f)，HBB和OBB的結果並不盡如人意，表明了現階段檢測器具有一定的缺陷。

  交叉數據集驗證是數據集泛化能力的一個評價方式。我們選擇UCAS-AOD數據集來做交叉數據集泛化，因為它與其他航空物體檢測數據集相比有著更大的數據量。因為沒有UCAS-AOD數據集的官方劃分方式，於是我們隨機選擇1110個進行訓練和400個進行測試。選擇YOLO V2作為所有測試實驗的檢測器，並且將所有的ground truth使用HBB標注。將UCAS-AOD數據集中原始圖片大小改為960*544作為輸入的圖片大小，其餘的配置不改變。
  結果顯示在表6中，對於YOLOv2-A模型而言兩個數據集之間的性能差異分別為35.8和15.6。這表明DOTA極大地覆蓋了UCAS-AOD，並且具有更多的模式和特性，而UCAS-AOD則不具備這種特性。兩種模型在DOTA上的結果都很低，這表明DOTA更具挑戰性。

  我們建立了一個大型數據集，用於航拍圖像中進行定向物體檢測，這個數據集比這個領域中所有現有的數據集都要大。 與一般對象檢測基準相反，我們使用定向邊界框標注大量分布良好的定向物體。 我們猜測這個數據集是具有挑戰性的，並且非常類似於自然的航拍場景，更適合實際應用。我們還為航拍圖像物體檢測建立了基準，並展示了通過修改主流檢測演算法生成定向邊界框的可行性。
  這個數據集在大圖片中檢測密集排列的小實例和具有任意方向的超大實例都將特別有意義且具有挑戰性。我們相信DOTA不僅會推動Earth Vision中物體檢測演算法的發展，而且還會對計算機視覺中的一般物體檢測提出有趣的問題。

⑸ dota新手

DOTA常識
1，打到敵人小兵最後一下才能收到錢，這個叫正補

2，打到自己小兵最後一下對面的經驗要少一半拿不到錢，這叫反補，自己小兵過半血才可以反A

3，小兵交戰的地方叫做線

4，每A小兵一下，如果對方英雄沒A你的小兵也沒放范圍技能，線就要向對面移動2厘米，雙方1塔的距離不過是50厘米左右

5，如果沒帶凈化水和魔瓶，一級的時候除非有把握殺人，否則不要放第2次技能。第一個技能的藍可以慢慢回復回來。如果放太多次就很難回來。

6，被動技能絕大部分在初期不重要。比如魚人的被動暈前期學一級拼人品就夠。除非一些初期所有技能都很有用，否則一個技能滿其他點黃點是絕大部分英雄應該的選擇

7，盛典指環和流浪的群甲都會影響控線，如果沒有進塔殺人的英雄組合，請不要給小兵加甲壓線

8，前期支配頭散件的鐵意其實比吸血回復抗壓性更好。如果你是一個需要出支配轉撒旦的後期英雄，請先出鐵意再出吸血，有安心的打錢環境一定要控線，不要出了吸血就在那A地板來補血，攻擊力低下的時候吸血的回復力非常差。每正補一個小兵，必須反A小兵一次，對面沒人三陪你的時候做不到反補也沒關系。一個需要你最少2次攻擊才能殺死的紅血小兵，請讓他走過來和你的小兵交戰之後再正補掉。

9，如果你是力量帶控制英雄，請在交戰的時候沖在最前面，走在最後一個，除非你完全紅血沒有補給而戰斗依然在繼續。如果你有藍也請不要馬上回家

10，人多對人少追殺的時候，不要只追著對面血少英雄。戰線拉長很容易被對方逃逸並且自己人會被打成亞健康甚至反殺。原則上誰最靠近就把誰留下，除非一些追殺能力超級強的英雄比如血魔敵法女王螞蟻。

11，蹲點抓人的時候，如果機會沒到可以在最近的一些比較弱的野怪身上找點錢。如果發生戰斗，請不要說等我殺完這個半血野怪就到，應該直接放下一切去加入。

12，如果你是需要守線打錢的英雄，自己方面有人來抓對面3陪的英雄，在隊友接近到一屏幕到半屏幕距離的時候，請把你能磨血的技能先放出去。人家要包眼要抓人沒地方打錢，人頭是他們很重要的經濟來源。

13，原則上大部分英雄過了10級以後，單抓人就開始有難度。要抓人最好3人左右集體行動。以抓後期英雄比如假面靈魂為主。

14，你打錢的時候對面也在打錢。你去抓人沒打錢但是只要能抓准，級別的優勢和少許的人頭野怪收入可以讓你非常有錢。是否有錢不在於你出了什麼裝備，而是你出的裝備比對方的要好多少。

15，要集合的時候，除非你需要一件非常重要的道具而且只要十幾秒就夠錢，否則必須馬上趕到。先集合的一方總是會有短暫的優勢有機會先擊殺對面一到兩人形成多打少的優勢局面

16，回程卷其實是最BUG的道具。前期死亡後復活第一個應該買回程速度趕到。塔被攻擊第一時間用回程趕到。如果對面人太多塔附近有隊友正在趕過去，點塔回程可以讓塔獲得短暫的大幅甲的提高，對方除非一些技能只能普通攻擊塔1滴血。2秒後按S可以讓你自己不去送人頭。

17，關於反殺。如果你半血附近有2個滿血有技能英雄在，對面單人過來偷襲你放個技能你紅血了，請不要直接回頭就跑。這樣你的隊友也追不到而對方很有機會追死你。正確的做法是繞隊友跑讓他們放技能A人，如果自己有控制技能比如暈或者瞬傷技能比如修補的激光導彈也可以放。注意血條和血量的關系，一個1500半血不到的骷髏王依然有500來血。而一個滿血總血卻只有800的獵人，過來給你套連技能最多也就打掉300多血。你放個錘子隊友補點技能就完全秒殺他你需要跑嗎？你當他帶著聖劍一刀可以砍死你嗎？

18，關於後期，高攻分裂克分身，分身克暈，暈克高攻分裂。部分是可以重合的。不管用誰，別沒事想著無限暈。別永遠就知道一把蝴蝶。對面多法師多控制，黑黃是主要裝備，堆血很重要。對面有PA這樣的高倍擊，近戰砍暈控制他是關鍵。對面有混沌猴子娜家這樣的分身系，2把狂戰是關鍵。巨魔是既克制轉高攻又可以轉暈的一個後期英雄，沒事別廢話什麼無限暈。隊友控制的住你換遠程的形態殺他都沒反映，對方強控制，你出6把暈錘都是被對方先暈死或者變羊死。站的住的輸出永遠比帶N把聖劍的攻擊被秒的輸出要高要有威脅。團戰的時候不是單挑，想著和對方後期單挑比強弱的人是最白痴的
遠程無發球英雄，後期冰吸是最好的輸出。大電錘在對面後期出來後完全需要拆掉出蝴蝶之後轉撒旦，冰眼根據情況選擇。

19.夜魔很強大嗎？虛空的傷害單體傷害只比修補激光的神聖320傷害以級人馬那換血的400傷害雙刃劍低。325扣掉魔抗還有244的傷害。而一個敏捷智力英雄6級左右的血很難超過700.2個虛空加上A一下平均50的攻擊力，真的是秒人嗎？不，保持滿血。虛空的CD時間是9秒。被夜魔放一個虛空，你看到他並且反映過來算需要3秒，然後按TP回溫泉，算需要2秒。TP時間3秒，總共是8秒。而夜魔在這時間內無法打斷你的TP。8秒時間他可以A你400血？走過來都得1-2秒吧。而且你從看到夜魔到TP真的需要整整5秒嗎？同樣的可以這么對付毒龍。被噴到毒直接TP。同樣的對付小狗。前期半血被咬到直接TP。你會發現對方非常懊惱，你的135花的非常值得

20，什麼樣的人能做後期DPS，是不是有個倍擊就能當高攻，是個近戰就能堆狂戰，有個加攻速就能無限暈？請注意，DPS看的是你每秒平均輸出多少，不是看你攻擊有多高。
倍擊的，正常的後期主要有幻影刺客（PA）。骷髏王的倍也不差，熊貓人一個技能就帶了倍和躲避，他們能嗎？請注意，PA擁有5秒一次的閃擊，在戰場上的機動性很好。模糊其實是PA的精髓。曾經用白牛，面對一個起來的PA，隊友都叫我重點照顧PA。盡量注意著他，有大放大，有撞就撞。開始戰斗的時候還好，他一個閃擊，我得找半天才能確定他是閃哪裡去了。而且PA可以在接戰瞬間直接突進過來強殺法師，經常有人被殺還沒明白PA過來了。骷髏王呢？丟個錘子是不錯，一路走啊走啊，沖到法師身邊。那麼大一堆骨頭近視低於1000度的基本都注意到他了。有暈的暈他有變的變他，要麼沒走過來直接吹上去，想靠狂戰輸出，除非你的隊友完全打散了對方的陣型，但是如果已經這樣了，你出什麼不能輸出？對面人都閃光了需要狂戰嗎？。同理熊貓。想突進戰斗你起碼得多個跳刀。多個跳刀就少了輸出
無限暈的呢？獸王有個技能好啊，砍一刀加一次攻速，加滿有100%。他適合後期嗎？巨魔的大絕加很高的攻擊速度和移動速度，配合黑黃甚至不配合黑黃就可以強行沖陣，假面有個大絕放的好就可以安心的砍5秒。獸王除了一個最強的單體暈後期有什麼留人技能？別說那小豬，AOE之下瞬間就沒掉。況且要砍4刀後才能到達最大攻擊速度。你認為有人願意先站著給你砍4刀嗎？換個人砍攻擊速度加成又要降低
分身系的，請注意這點，分身只繼承部分被動技能和屬性加成，單純的堆攻擊的結果是主體攻高脆弱，分身攻低的可憐更加脆弱。

一個後期DPS，要滿足，
1有生存力，能站著的DPS才 DPS，躺地上的那個叫屍體甚至連屍體都不如，屍體還能讓深淵魔王炸起來造傷害呢
2需要一定的持續輸出力，比如假面的罩子，小娜家網人抓著砍
3需要一定的突擊能力，比如PA，SA都有閃擊，螞蟻的縮地。
4需要一定的爆發力。如果完全沒有爆發力。比如一個2心的隱刺，能當DPS？
1是必須保證的。隊友控制力好是你的生存保障，隊友控制不好一定的要堆血，出黑黃或者挑戰等等。
234是需要根據英雄選擇的。能夠持續輸出又有突擊能力，即使沒爆發力也是個合格的DPS。如果爆發極高比如一個1蝴蝶3猴棒一大炮的PA，幾乎是閃一次秒一個人。就算是走著過去對面的肉盾都得看看自己身上有幾個魔龍心考慮是不是讓道。再比如一些力量型的後期英雄，剛背依靠HY剛毛的群傷很強，加上超強的生存力在，後期也是很牛比的英雄。龍騎士3級變身普通攻擊就有群傷有減速，甲高生存強。
如何選擇一個合理的後期英雄？如果你個前期比較無力中期基本被秒後期非常NB的英雄，你需要的就是找錢。除人頭要考慮給GANK的隊友外，其他任何能找到的錢全部不能放棄。如果你是一個前期比較有力中期可以輔攻後期比較NB的英雄，你需要是在前中期幫忙壓制守塔抓人，順帶找錢，後期根據情況轉肉或者DPS或者輔助奶媽。不要永遠想著刷錢，同神裝條件，有些英雄無論如何不可能打敗某些英雄。
不要以為你去抓人就沒錢。曾經有潮汐配合隊友防禦。對面過來一群小兵加4個英雄，一個大放了幾個G拿了2個人頭，結果錢從600變成1800之後找波兵刷幾個野速度的出了龍心，換你守線打野你敢開大清兵嗎？ 錨擊我根本就沒點滿，假腿振奮什麼的也沒買，守線刷兵打野不見的就能賺到錢。你的敵人不會忘記你，你不能每次都能逃生。死亡掉的錢加上死亡時間少賺的錢都讓你變窮，窮和富是相對的，讓敵人比你更窮，讓隊友比你更富，你就算穿個鞋2個護腕出去，面對對面一幫4樹脂連鞋都買不起你會認為自己窮嗎。窮不窮不是看你有多少刷錢裝。一個帶HY飛鞋的電魂，面對對面5個飛鞋中間還帶個修補，人手1W以上的大件裝備，你認為有可能有地方給他安心刷錢？估計著這裝備就得保持到結束。即使不抓人直接強破高地，這樣的電魂能有刷錢時間？不回家3分內直接破你基地，回家這么沒生存的見之秒之。
不是冰眼靈魂可以1V5，是冰眼靈魂可以面對5個身上沒超過1W大件的1V5。同時這個靈魂的等級還不能落下太多。
不是開著撒旦爆走的巨魔能秒人，是開著撒旦爆走的巨魔可以秒那些血沒過1500的法師。
不是假面可以無限暈，是假面可以無限暈那些沒帶蝴蝶隊友沒控制沒羊刀沒DPS的。
不是PA一個爆就秒人。是PA一個爆可以秒那些血少的可憐的法師或者敏英
不是小狗可以開大粘死人，是小狗可以開大追死沒物理攻擊輸出力的沒跳刀沒閃爍的人

1心1猴棒1大炮1假腿的20級小狗NB不NB？對面一遠行一撒旦一冰眼1蝴蝶一大炮一聖劍外帶穿著隊友影魔穿著強襲甲的25級火槍說，這誰家養的狗啊，沒人要我就宰了吃了哈
一鞋2護腕一瓶子的16級骷髏王弱不弱？碰上對面幾個裸密法一鞋的10級剛到的法師和一鞋幾個破樹脂的8級UG見一次殺一次
1先鋒一心的人馬能不能頂？3路超級兵直接把他淹了
1100球若干護腕一鞋的11級狼人能不能頂？對面的7級影魔被殺的連支配死靈都沒了，A過來可有感覺？

⑹ 如何提高DOTA水平

看了不少人在這里誤人子弟，不免發笑。 竟然還有說打2 到5電腦的？ 這種菜也敢來回答人家問題？

首先說 本人VS大號16級，並不算什麼高手， 但相比之下 買了個年VIP天天在一房玩 也不至於太菜，也許提供點經驗您可以參考下。說的對不對的多包涵。
我其實打dota時間不比你長多少，一年半左右， 但從說的話看得出來你的水平確實有待提高， dota如果你不打CDEC職業 只是作為一個平時娛樂消遣的話， 那麼配合意識就是扯淡了， 這種個人打路人局的方式 最重要的就是兩個東西 走位 和補刀。

先說走位， 走位沒有人能幾句話講清楚， 都是依據當前形勢來判斷， 最終目的都是為了盡可能的多砍對方一刀 少挨對方揍一下， 高手之所以可以在面對實力弱一些的玩家時 一個人雙殺 三殺， 甚至一些特殊的英雄（地卜師有可能）一個人單挑了5個人， 最主要的就是依靠了走位， 換句話說， 該打的時候 站樁輸出 不猶豫 不亂走， 該跑的時候 果斷跑 零點幾秒之內選擇正確的逃跑路線進行逃跑。

然後說補刀，如果你和對面的人實力相當， 在同等級和接近的裝備情況下要想輕松地單殺掉他基本不可能的， 那麼就需要正反補數據的支持，也就是通常說的補刀。這東西 依照我個人的經歷來講，完全可以通過訓練達到一定水平的。 主要分兩步走， 第一步 開單機 打-om 中路自己補刀， 一開始可以選擇自己最拿手 喜歡的 或是想要練好的英雄， 盡量選擇一些cw中常客， 冰女 火女 DP 這都是很好的選擇， 因為目前很多戰隊收人時的考試基本上都以這三個英雄單機10分鍾補刀為規則。 簡單說， 你選一個英雄不帶任何裝備 包括鞋子 10分鍾單機補刀 正補+反補總數達到90 你用這個英雄哪怕到路人一房玩 怎麼著也不會被人說菜， 如果你達到100 甚至110 那麼去黑店房你也已經具備這個實力了。
第二部就是去實戰咯， 如果你在學校籃球隊玩過，你會知道， 教練上來都是先讓你練習基本的運球，無人盯防時讓你鍛煉出感覺來， 然後才能進入有人盯防的狀態下 去進一步調整 完善你的技術動作和意識協調能力， dota也一樣的， 忽略了第一步 打打路人不挨罵可以， 想成為高手？ 這真不一定。同樣，別和菜鳥玩，去和高手打。 和高手對線時，你會感到補每一刀都很困難，然後你會慢慢反過來體會到練好基本功的作用， 不僅是單純的打到一些錢， 同樣對於操作滑鼠 手眼協調能力 甚至小規模打架團戰時控制對方的血量 拿人頭的能力 都是一種無形中的提高。

全是自己的一些經驗，希望你有提高。 我VS號 InG1412 周末我組織哥們一起開黑，願意來可以加我好友說。

⑺ DOTA練習模式命令

你-test之後能看到提示的，錢：-gold ****，中間有空格，****為多的錢數，英雄：-noherolimit，無限選，-lvlup 25，直接滿級，主要就這些，還可以在最開始輸入-wtf，技能無cd

⑻ dota2 職業選手 如何訓練自己

簡單的說職業選手訓練分2種一種是路人開黑，就是幾個職業玩家大戰路人高端玩家，別以為職業選手打路人玩家一定贏哦被按在地上打的次數也不少的，另一種就是正式的他們會和自己的2隊或者其它職業戰隊5人打比賽模式也就是CW模式這個是建立私人房間一般是不允許外人觀看的，因為很多最新的戰術還有套路都是訓練總結出來的。暫時就這些了有什麼問的再說吧

⑼ 求教，關於Dota2里的訓練任務

練了5分鍾然後重新來，玩單機模式！！，建議用小骷髏，身上別帶裝備，對了練得時候不能加點！遠程同理，黃點也別加，你會發現你玩近戰的補刀技術會有較大的提升。堅持練個幾十次，就是連機器人都沒有的那種(或者直接試玩英雄)，就在線上補刀。然後用ug教你個好方法。