dota数据集如何训练

⑴ dota1怎么训练快速买装备

把商店和小鸡编号，界面调到商店然后Ctrl1 Ctrl2 Ctrl3标好，用商店中不同装备的快捷键快速合成。对线可以练魔瓶鞋子魔棒等。

⑵ 如何提高dota水平

果然，有人应该问这个问题。

⑶ dota2有训练营模式吗在哪里

dota2没有训练营模式，但是玩家可以在训练模式来训练。在刀塔主界面选择训练，进入训练模式即可。

训练第一关主要是学习刀塔的基础知识，比如如何走路、杀死小兵获得经验和金钱、杀死野怪、购买和使用治疗药膏和净化药水、英雄升级、使用技能、杀死敌人英雄等。第二关继续学习到的基础知识，比如如何使用树之祭祀、英雄技能的使用、购买鞋子、购买信使、去神秘商店购买能量之球合成奥术鞋、信使升级成飞行信使、用飞行信使运送装备等。

DOTA2其他情况简介。

《刀塔2》完整继承了原作《DotA》一百多位的英雄，并脱离了上一代作品《DOTA》所依赖的《魔兽争霸Ⅲ》引擎的多人即时对战游戏，《刀塔2》的世界由天辉和夜魇两个阵营所辖区域组成，有上、中、下三条主要的作战道路相连接，中间以河流为界。

⑷ DOTA V1.5数据集：基于航空图像的大规模目标检测数据集

  目标检测是计算机视觉任务中一个具有挑战性的方向。尽管在过去十年中目标检测在自然场景中有了重大突破，但是在航拍图像的进展是十分缓慢的，这不仅是因为地球表面相同类别物体的规模、方向和形状有着巨大的差异，而且还因为缺少航拍影像中目标对象的标注信息。为了推进“Earth Vision”（也称为“地球观测和遥感”）中目标检测的研究，我们提出了用于航拍影像中用于目标检测的大规模数据集（DOTA）。我们从不同的传感器和平台收集了2806个航拍影像，每张图像的大小约为4000*4000像素，并包含了各种不同比例、方向和形状的目标对象。航拍图像专家将这些DOTA数据集图像中常见的15种对象类别进行标注。完全注释之后的DOTA数据集图像包含188282个实例，每个实例都由四点确定的任意四边形（8 d.o.f.）标记。为了建立地球视觉中目标检测的基准，我们评估了DOTA上最新的目标检测算法。实验表明，DOTA能够代表真实的地球视觉应用，并具有一定的挑战性。

  Earth Vision中的目标检测是指在将地球表面感兴趣的物体（例如车辆、飞机场）定位并预测他们的类别。与传统的目标检测数据集相反，在传统的目标检测数据集中，物体的位置通常由于重力而以一种向上的姿态出现，航拍图像中物体的实例通常以任意状态出现，如图1所示，这取决于航拍视角的关系。
  由于计算机视觉领域的最新进展以及Earth Vision应用的高要求，有大量的研究者已经开始围绕航拍影像中的目标检测开展研究，这些方法中的大多数尝试将原有的目标检测算法应用在航拍影像中。最近，在基于深度学习的目标检测算法取得巨大成功的鼓舞下，Earth Vision的研究者们基于大规模数据集（ImageNet和MSCOCO数据集）预训练模型上进行微调网络的方法，使之在航拍数据集检测中有所改善。
  尽管这种基于微调的方法是可行的，但是如图1所示，航拍图像中的目标检测与常规的目标检测有着以下方面的区别：

  近年来，在一些较为依赖数据的研究中，数据集扮演着十分重要的角色，像MSCOCO这样的大型数据集在促进目标检测和图像捕捉研究方面发挥了重要的作用。当涉及到分类任务和场景识别任务时，ImageNet以及Places也很重要。
  但是，在航拍目标检测中，缺少像MSCOCO和ImageNet这样在图像数量和详细注释方面的数据集，特别是对于开发基于深度学习的算法时，这是Earth Vision研究的主要障碍之一。航拍目标检测对于车辆计数，远程目标跟踪和无人驾驶领域非常有用。因此，创建一个能实际应用的大规模数据集并提出富有挑战性的航拍目标检测基准对于促进该领域的研究十分必要。
  我们认为，一个好的航拍影像数据集应该具有以下四个属性：
1）大量的图片；2）每个类别都有很多实例；3）合适角度的目标注释框；4）许多不同类别的对象，这使得数据集能够应用到实际中。然而目前所公开的航拍数据集存在以下缺点：图像数据和类别不足，缺少更精细的注释以及分辨率过低。而且，它们缺少复杂性并不能足以应用再实际现实世界中。

  像TAS，VEDAI，COWC等数据集只关注车辆，UCAS-AOD包含汽车和飞机，HRSC2016只包含船只，虽然有标注细致的分类信息。但所有这些数据集在类别的数量上都是少的，这对它们在复杂场景的泛化适应上有所约束。作为对比，NWPU VHR-10数据集由10种类型的物体组成，而它的总实例数大概只有3000。关于这些已存在的数据集的具体比较细节在表1中给出。我们在第四部分可以看到，对比这些航拍数据集，DOTA具有更庞大的目标实例数目、随意但是均匀的方向，多样性的分类目录和复杂的航拍场景。此外，DOTA数据集中的场景与真实场景更加一致，所以DOTA数据集对于真实世界应用开发来说是更有帮助的。
  当涉及到普通对象数据集时，ImageNet和MSCOCO因其具有大量的图像、更多的类别和详细的注释而被大多数研究人员所选择。在所有对象检测数据集中，ImageNet的图像数量最多。但是每个图像的平均实例数远少于MSCOCO和我们的DOTA数据集，而且必须拥有干净的背景和精心选择的场景带来了局限性，DOTA数据集中的图像包含大量的对象实例，其中一些图片具有1000多个实例。 PASCAL VOC数据集在每个图像和场景的实例上与ImageNet相似，但是图像数量不足使得它不适合处理大多数检测需求。我们的DOTA数据集在实例编号和场景类型方面类似于MSCOCO，但是DOTA的类别不如MSCOCO那样多，因为可以在航拍影像中能清晰看到的对象时非常有限的。
  此外，在上文提到的大规模普遍目标检测基准中DOTA数据集的特别之处在于使用OBB方法注释，OBB可以很好的区分目标物体的离散与聚集，在第三部分详细描述了使用OBB注释目标物体的好处。在表2中对DOTA,PASCAL VOC,ImageNet and MSCOCO等数据集的比较中给出不同点。

  在航拍数据集中由于存在多种多样的传感器被使用的情况，导致数据集产生偏差。为了消除这些偏差，我们数据集中的图片是由多分辨率多传感器和多平台收集而来的，如谷歌地球。为了提高数据的多样性，我们收集的图片的城市是由图像判读方面的专家来挑选的。在挑选过程中，会记录下精确的地理坐标，来捕捉图片使得确保没有重复的图像。

  我们的DOTA数据集注释选择了15种类别，包括飞机、船只、储蓄罐、棒球内场、网球场、篮球场、田径场、海港、桥、大型车辆、小型车辆、直升飞机、英式足球场、环状交叉路口、游泳池。
  标注类别是由图像判读方面的庄家根据目标物体的普遍性和现实世界中存在的价值来挑选的，前十个类别在已有的数据集中很普遍，我们保留了下来，除了将交通工具的汽车分为大型和小型，因为两种类型的汽车在航拍图像上区别很大。其他的类别主要是由于现实场景的应用。我们选择直升机是考虑到航拍图像中运动物体具有重要的意义，环状交叉路口被选中是因为它在巷道分析中具有重要意义。
  要不要把“stuff”作为一类是值得探讨的，在SUN数据集中，一般说来没有明确的定义说明什么是stuff一类，比如海港、机场、停车场。但是，它们提供的语义信息是对检测有帮助的。我们只采纳了海港分类，因为它的边界容易定义，并且在我们的图片源信息中有丰富的实例。最后拓展的分类是足球场。
  在表2我们比较了DOTA和NWPU VHR_10，后者在先前存在的航拍图像目标检测数据集中有更多的分类数。而且DOTA在目录分类数目和每一类下的实例数目都远超过了NWPU VHR-10。

  我们考虑了许多不同的注释方法。在计算机视觉领域，许多视觉概念（比如区域说明，目标，属性，关系）都可以被一个注释边框说明，对边框的一个普遍描述一般采用 ，其中 表示位置， 是边框的宽和高度。
  没有一定方向的物体可以采用这种注释方式充分注释。然而，在航拍影像中的文本和物体以这种方式标记的边界框不能精确或紧凑地贴合物体的轮廓。如图3（c）所示的极端但实际的普遍存在情况和图（d）比起来，两个边界框之间的重叠是如此之大以至于最先进的对象检测方法也不能区分它们。为了解决这一问题，我们需要一种其他更适合面向这种有一定方向物体的注释方法。
  一个可选选项是采用基于 的边界框，它被应用于一些文本检测基准，即 ，其中 表示从边界框与水平方向的夹角度。但这种方法的缺点是依旧不能贴合围绕住那些不同部分之间可能有较大变形的物体。考虑到航拍图像中物体的复杂场景和物体的各种方位，我们需要放弃这种方法选择其他更灵活易懂的方式。一种可供选择的方法是使用任意四边形边界框，它可以被描述为： ，其中 表示图像中定向边界框的顶点的位置，顶点按顺时针顺序排列，这种方法在定向场景的文本检测中广泛使用。我们受到这些研究的启发，在注释物体时使用这种任意四边形边界框的方式。

  为了进行更具体的注释，如图3所示，我们强调了第一点 的重要性，该点通常表示对象的“首部”。对于直升机，大型车辆，小型车辆，港口，棒球钻石，轮船和飞机等类别，我们选择与之丰富的潜在用途有关的点作为起始点。对于足球场，游泳池，桥梁，地面田径场，篮球场和网球场类别来说，没有视觉上的线索来确定第一个点，因此我们通常选择左上角的点作为起点。
  我们在图4中展示了DOTA数据集中一些已经注释过的例子(不是全部的初始图像)

  为了确保训练数据和测试数据分布大致相同，我们随机选择原始图像的一半作为训练集，将1/6作为验证集，将1/3作为测试集。 我们将为训练集和验证集公开提供所有带有原始事实的原始图像，但不会为测试集提供。 为了进行测试，我们目前正在构建评估服务。

  与其他图像数据集相比，航拍图像一般尺寸很大。我们的数据集中图像的原始大小约为800×800到4000×4000之间不等，而常规数据集中的大多数图像（例如PASCAL-VOC和MSCOCO）则不超过1000×1000。我们在原始完整图像上进标注，而不将其分割成块，以避免将单个实例分割成不同碎片的情况。

  如图1（f）所示，我们的数据集在不同方向的实例中达到了比较好的平衡，这对于网络检测器的鲁棒性提升有很大帮助。此外，我们的数据集更接近真实场景，因为在现实世界中通常会看到各种方向的对象。

  我们还为数据集中的每幅图像提供了空间分辨率，这可以推断出实例的实际大小。空间分辨率对检测任务的重要性有两个方面。首先，它使模型对于相同类别的各种对象更具适应性和鲁棒性。众所周知，从远处看物体会显得更小。具有不同大小的同一对象会给模型造成麻烦并损害分类。但是，通过提供分辨率信息而不是对象的大小，模型可以更加关注形状。其次，可以进行进行更精细的分类。例如，将一艘小船与一艘大型军舰区分开是很简单的。
  空间分辨率还可以用于过滤数据集中标记错误的离群值，因为大多数类别的类内实际大小变化是有限的。在较小的空间分辨率范围内，选择与同类物体尺寸相差较大的物体，可以发现离群值(Outliers)。

  按照[33]中的规定，我们将水平边框的高度（简称为像素大小）称为实例大小的度量。我们根据水平边界框的高度将数据集中的所有实例分为三个部分：较小的范围为10到50，中间的范围为50到300，较大的范围为300以上。图3说明了不同数据集中的三个实例拆分的百分比。显然，PASCAL VOC数据集，NWPU VHR-10数据集和DLR 3K Munich Vehicle数据集分别由中间实例，中间实例和较小实例主导。但是，我们在小实例和中间实例之间实现了良好的平衡，这与现实世界场景更加相似，因此有助于在实际应用中更好地捕获不同大小的对象。
  值得注意的是，像素大小在不同类别中有所不同。例如，车辆可能小到30像素，但是桥梁可能大到1200像素，比车辆大40倍。不同类别实例之间的巨大差异使检测任务更具挑战性，因为模型必须足够灵活以处理极小的物体。

表3：航拍图像和自然图像中某些数据集的实例大小分布比较

  对于基于锚的模型，例如Faster RCNN和YOLO V2，长宽比是至关重要的因素。我们对数据集中所有实例的两种长宽比进行计数，以提供更好的模型设计参考：1）最低程度受限于水平边界框的横纵、2）原始四边形边框的长宽比。图5说明了我们数据集中实例的两种纵横比分布类型，我们可以看到实例的纵横比差异很大。此外，DOTA数据集中有许多横纵比较大的实例。

  航拍图像中常常包括数以千计的实例，它们完全与自然场景图像不同。例如IMANEET数据集中每张图像平均包含2个类别和2个实例，MSCCO共有3.5个类别、7.7个实例。如图5所示我们的DOTA数据集更丰富，每个图像的实例可以高达2000个。
  在一幅图像中有如此多的实例，不可避免地会看到很密集的实例聚集在某个区域。在COCO数据集中，实例并不是逐个注释的，因为图像中的遮挡使之难以将实例与其相邻实例区分开来。在这些情况下，实例组被标记为一个属性名为“crowd”的片段。然而，这种情况不会在航拍图像下出现，因为从航拍视角来看，很少有遮挡物。因此，我们可以在拥挤的实例场景中将实例一个个分别标注。图4展示了聚集着很多实例的一个例子。在这种情况下检测物体对现有的检测方法提出了巨大的挑战。

  我们在DOTA上评估了最新的物体检测方法。对于水平物体检测，我们谨慎地选择Faster R-CNN，R-FCN，YOLO V2和SSD作为我们的基准测试算法，因为它们在一般物体检测中具有出色的性能。对于定向对象检测，我们修改了原始的Faster R-CNN算法，以便可以预测正确定向的边界框，表示为 。
  值得注意的是，R-FCN和Faster R-CNN的骨干网络分别ResNet-101，用于SSD的是Inception V2，YOLO V2用的是GoogLeNet 。

  为了全面评估基于深度学习的DOTA检测方法的现状，我们提出了两个任务，即在水平边界框（简称HBB）上进行检测以及在定向边界框（简称OBB）上进行检测。更具体地说，无论采用何种方法训练，我们都根据两种不同的基础事实（HBB或OBB）评估这些方法。

  DOTA的图像太大，无法直接发送到基于CNN的探测器。因此，我们将原始图像裁剪为一系列1024*1024的面片，步幅设置为512。注意在裁剪过程中，完整的物体可能会被切成两部分。为了方便起见，我们将原始对象的面积为 ，划分部分 的面积为 然后计算：
  最终我们将U<0.7的部分标记为“difficult”，其他的标记和原始注释一样。对于那些新生成的部分的顶点我们需要保证它们可以被一个具有4个顺时针排列顶点的定向边界框用一种合适的方法来描述。
  在测试阶段，我们首先将裁剪后的面片送到一个临时的结果中，然后将结果合并在一起，来重构原始图像的检测，最后我们对预测结果使用NMS(非极大值抑制算法)。我们设置NMS的参数阈值对于水平边界框（简称HBB）将阈值设置为0.3，定向的边界框阈值设置为0.1。通过使用这种方式，我们在基于CNN的模型上训练和测试了DOTA数据集。
  对于评价的度量，我们使用和PSASCAL VOC一样的mAP计算方式。

  HBB实验的ground truth 是通过在原始的已标注的边界框上计算轴对称边界框产生的，为了公平起见，我们将实验的配置以及超参数设置为与文章[4,16,25,26]一致。
  在表4中给出了HBB实验的预测结果，我们注意到SSD上的结果比其他模型低很多。我们怀疑可能是因为SSD数据集数据增长策略中的随意裁剪操作，这种操作在普通的目标检测中有用，但是在航拍图像目标检测的大规模小实例上作用有所降低。实验结果也进一步表明了航拍图像和普通目标图像检测在实例大小上的巨大差别。

  OBB的预测比较困难，因为现有的目标检测方法并非针对定向对象而设计。因此，我们依据准确性和效率选择Faster R-CNN作为基础框架，然后对其进行修改使之能预测定向的边界框。
  由RPN（候选区域生成网络）产生的RoIs（兴趣区域）是可以被表示为 的矩形框，更为详尽的解释是 。在R-CNN程序中，每个RoI都附加有一个ground truth定向边界框写作: ，然后R-CNN的输出目标 由以下等式计算:

其中 。
  其他配置和超参数设置保持与Faster R-CNN中所述相同。数值结果显示在表5中。为了与我们为OBB实施的Faster R-CNN进行比较，我们评估了OBB地面实况在HBB上训练的YOLO V2，R-FCN，SSD和Faster R-CNN。如表5所示，在HBB上训练的那些方法的结果比在OBB上训练的Faster R-CNN的结果低得多，这表明对于空中场景中的定向目标检测，相应地调整这些方法可能会得到更好的结果。

  当我们分析表4中呈现的数据结果时，小型汽车，大型汽车，船只的分类结果不尽人意，因为它们的尺寸较小，并且在航拍图像中位置十分密集。然而大型的离散物体如飞机，游泳池、网球场等，表现出的效果较好。
  在图6中我们比较了HBB和OBB两种检测方式的结果。在图6(a)和6(b)中表示的紧密图像中，HBB实验的定位精度要比OBB实验差的多，并且许多结果受到先前工作的限制。所以OBB回归是定向物体检测的一个正确方式，并且可以被真正在实际中应用。在图6(c)中，使用OBB来标注纵横比较大的物体（比如桥和海港），对于现在的检测器来说很难做回归。但是在HBB方法中，这些物体通常有着较为普通的纵横比，因此结果如图6(d)看起来比OBB好很多。但是在一些极度拥挤的场景下，比如图6(e)和6(f)，HBB和OBB的结果并不尽如人意，表明了现阶段检测器具有一定的缺陷。

  交叉数据集验证是数据集泛化能力的一个评价方式。我们选择UCAS-AOD数据集来做交叉数据集泛化，因为它与其他航空物体检测数据集相比有着更大的数据量。因为没有UCAS-AOD数据集的官方划分方式，于是我们随机选择1110个进行训练和400个进行测试。选择YOLO V2作为所有测试实验的检测器，并且将所有的ground truth使用HBB标注。将UCAS-AOD数据集中原始图片大小改为960*544作为输入的图片大小，其余的配置不改变。
  结果显示在表6中，对于YOLOv2-A模型而言两个数据集之间的性能差异分别为35.8和15.6。这表明DOTA极大地覆盖了UCAS-AOD，并且具有更多的模式和特性，而UCAS-AOD则不具备这种特性。两种模型在DOTA上的结果都很低，这表明DOTA更具挑战性。

  我们建立了一个大型数据集，用于航拍图像中进行定向物体检测，这个数据集比这个领域中所有现有的数据集都要大。 与一般对象检测基准相反，我们使用定向边界框标注大量分布良好的定向物体。 我们猜测这个数据集是具有挑战性的，并且非常类似于自然的航拍场景，更适合实际应用。我们还为航拍图像物体检测建立了基准，并展示了通过修改主流检测算法生成定向边界框的可行性。
  这个数据集在大图片中检测密集排列的小实例和具有任意方向的超大实例都将特别有意义且具有挑战性。我们相信DOTA不仅会推动Earth Vision中物体检测算法的发展，而且还会对计算机视觉中的一般物体检测提出有趣的问题。

⑸ dota新手

DOTA常识
1，打到敌人小兵最后一下才能收到钱，这个叫正补

2，打到自己小兵最后一下对面的经验要少一半拿不到钱，这叫反补，自己小兵过半血才可以反A

3，小兵交战的地方叫做线

4，每A小兵一下，如果对方英雄没A你的小兵也没放范围技能，线就要向对面移动2厘米，双方1塔的距离不过是50厘米左右

5，如果没带净化水和魔瓶，一级的时候除非有把握杀人，否则不要放第2次技能。第一个技能的蓝可以慢慢回复回来。如果放太多次就很难回来。

6，被动技能绝大部分在初期不重要。比如鱼人的被动晕前期学一级拼人品就够。除非一些初期所有技能都很有用，否则一个技能满其他点黄点是绝大部分英雄应该的选择

7，盛典指环和流浪的群甲都会影响控线，如果没有进塔杀人的英雄组合，请不要给小兵加甲压线

8，前期支配头散件的铁意其实比吸血回复抗压性更好。如果你是一个需要出支配转撒旦的后期英雄，请先出铁意再出吸血，有安心的打钱环境一定要控线，不要出了吸血就在那A地板来补血，攻击力低下的时候吸血的回复力非常差。每正补一个小兵，必须反A小兵一次，对面没人三陪你的时候做不到反补也没关系。一个需要你最少2次攻击才能杀死的红血小兵，请让他走过来和你的小兵交战之后再正补掉。

9，如果你是力量带控制英雄，请在交战的时候冲在最前面，走在最后一个，除非你完全红血没有补给而战斗依然在继续。如果你有蓝也请不要马上回家

10，人多对人少追杀的时候，不要只追着对面血少英雄。战线拉长很容易被对方逃逸并且自己人会被打成亚健康甚至反杀。原则上谁最靠近就把谁留下，除非一些追杀能力超级强的英雄比如血魔敌法女王蚂蚁。

11，蹲点抓人的时候，如果机会没到可以在最近的一些比较弱的野怪身上找点钱。如果发生战斗，请不要说等我杀完这个半血野怪就到，应该直接放下一切去加入。

12，如果你是需要守线打钱的英雄，自己方面有人来抓对面3陪的英雄，在队友接近到一屏幕到半屏幕距离的时候，请把你能磨血的技能先放出去。人家要包眼要抓人没地方打钱，人头是他们很重要的经济来源。

13，原则上大部分英雄过了10级以后，单抓人就开始有难度。要抓人最好3人左右集体行动。以抓后期英雄比如假面灵魂为主。

14，你打钱的时候对面也在打钱。你去抓人没打钱但是只要能抓准，级别的优势和少许的人头野怪收入可以让你非常有钱。是否有钱不在于你出了什么装备，而是你出的装备比对方的要好多少。

15，要集合的时候，除非你需要一件非常重要的道具而且只要十几秒就够钱，否则必须马上赶到。先集合的一方总是会有短暂的优势有机会先击杀对面一到两人形成多打少的优势局面

16，回程卷其实是最BUG的道具。前期死亡后复活第一个应该买回程速度赶到。塔被攻击第一时间用回程赶到。如果对面人太多塔附近有队友正在赶过去，点塔回程可以让塔获得短暂的大幅甲的提高，对方除非一些技能只能普通攻击塔1滴血。2秒后按S可以让你自己不去送人头。

17，关于反杀。如果你半血附近有2个满血有技能英雄在，对面单人过来偷袭你放个技能你红血了，请不要直接回头就跑。这样你的队友也追不到而对方很有机会追死你。正确的做法是绕队友跑让他们放技能A人，如果自己有控制技能比如晕或者瞬伤技能比如修补的激光导弹也可以放。注意血条和血量的关系，一个1500半血不到的骷髅王依然有500来血。而一个满血总血却只有800的猎人，过来给你套连技能最多也就打掉300多血。你放个锤子队友补点技能就完全秒杀他你需要跑吗？你当他带着圣剑一刀可以砍死你吗？

18，关于后期，高攻分裂克分身，分身克晕，晕克高攻分裂。部分是可以重合的。不管用谁，别没事想着无限晕。别永远就知道一把蝴蝶。对面多法师多控制，黑黄是主要装备，堆血很重要。对面有PA这样的高倍击，近战砍晕控制他是关键。对面有混沌猴子娜家这样的分身系，2把狂战是关键。巨魔是既克制转高攻又可以转晕的一个后期英雄，没事别废话什么无限晕。队友控制的住你换远程的形态杀他都没反映，对方强控制，你出6把晕锤都是被对方先晕死或者变羊死。站的住的输出永远比带N把圣剑的攻击被秒的输出要高要有威胁。团战的时候不是单挑，想着和对方后期单挑比强弱的人是最白痴的
远程无发球英雄，后期冰吸是最好的输出。大电锤在对面后期出来后完全需要拆掉出蝴蝶之后转撒旦，冰眼根据情况选择。

19.夜魔很强大吗？虚空的伤害单体伤害只比修补激光的神圣320伤害以级人马那换血的400伤害双刃剑低。325扣掉魔抗还有244的伤害。而一个敏捷智力英雄6级左右的血很难超过700.2个虚空加上A一下平均50的攻击力，真的是秒人吗？不，保持满血。虚空的CD时间是9秒。被夜魔放一个虚空，你看到他并且反映过来算需要3秒，然后按TP回温泉，算需要2秒。TP时间3秒，总共是8秒。而夜魔在这时间内无法打断你的TP。8秒时间他可以A你400血？走过来都得1-2秒吧。而且你从看到夜魔到TP真的需要整整5秒吗？同样的可以这么对付毒龙。被喷到毒直接TP。同样的对付小狗。前期半血被咬到直接TP。你会发现对方非常懊恼，你的135花的非常值得

20，什么样的人能做后期DPS，是不是有个倍击就能当高攻，是个近战就能堆狂战，有个加攻速就能无限晕？请注意，DPS看的是你每秒平均输出多少，不是看你攻击有多高。
倍击的，正常的后期主要有幻影刺客（PA）。骷髅王的倍也不差，熊猫人一个技能就带了倍和躲避，他们能吗？请注意，PA拥有5秒一次的闪击，在战场上的机动性很好。模糊其实是PA的精髓。曾经用白牛，面对一个起来的PA，队友都叫我重点照顾PA。尽量注意着他，有大放大，有撞就撞。开始战斗的时候还好，他一个闪击，我得找半天才能确定他是闪哪里去了。而且PA可以在接战瞬间直接突进过来强杀法师，经常有人被杀还没明白PA过来了。骷髅王呢？丢个锤子是不错，一路走啊走啊，冲到法师身边。那么大一堆骨头近视低于1000度的基本都注意到他了。有晕的晕他有变的变他，要么没走过来直接吹上去，想靠狂战输出，除非你的队友完全打散了对方的阵型，但是如果已经这样了，你出什么不能输出？对面人都闪光了需要狂战吗？。同理熊猫。想突进战斗你起码得多个跳刀。多个跳刀就少了输出
无限晕的呢？兽王有个技能好啊，砍一刀加一次攻速，加满有100%。他适合后期吗？巨魔的大绝加很高的攻击速度和移动速度，配合黑黄甚至不配合黑黄就可以强行冲阵，假面有个大绝放的好就可以安心的砍5秒。兽王除了一个最强的单体晕后期有什么留人技能？别说那小猪，AOE之下瞬间就没掉。况且要砍4刀后才能到达最大攻击速度。你认为有人愿意先站着给你砍4刀吗？换个人砍攻击速度加成又要降低
分身系的，请注意这点，分身只继承部分被动技能和属性加成，单纯的堆攻击的结果是主体攻高脆弱，分身攻低的可怜更加脆弱。

一个后期DPS，要满足，
1有生存力，能站着的DPS才 DPS，躺地上的那个叫尸体甚至连尸体都不如，尸体还能让深渊魔王炸起来造伤害呢
2需要一定的持续输出力，比如假面的罩子，小娜家网人抓着砍
3需要一定的突击能力，比如PA，SA都有闪击，蚂蚁的缩地。
4需要一定的爆发力。如果完全没有爆发力。比如一个2心的隐刺，能当DPS？
1是必须保证的。队友控制力好是你的生存保障，队友控制不好一定的要堆血，出黑黄或者挑战等等。
234是需要根据英雄选择的。能够持续输出又有突击能力，即使没爆发力也是个合格的DPS。如果爆发极高比如一个1蝴蝶3猴棒一大炮的PA，几乎是闪一次秒一个人。就算是走着过去对面的肉盾都得看看自己身上有几个魔龙心考虑是不是让道。再比如一些力量型的后期英雄，刚背依靠HY刚毛的群伤很强，加上超强的生存力在，后期也是很牛比的英雄。龙骑士3级变身普通攻击就有群伤有减速，甲高生存强。
如何选择一个合理的后期英雄？如果你个前期比较无力中期基本被秒后期非常NB的英雄，你需要的就是找钱。除人头要考虑给GANK的队友外，其他任何能找到的钱全部不能放弃。如果你是一个前期比较有力中期可以辅攻后期比较NB的英雄，你需要是在前中期帮忙压制守塔抓人，顺带找钱，后期根据情况转肉或者DPS或者辅助奶妈。不要永远想着刷钱，同神装条件，有些英雄无论如何不可能打败某些英雄。
不要以为你去抓人就没钱。曾经有潮汐配合队友防御。对面过来一群小兵加4个英雄，一个大放了几个G拿了2个人头，结果钱从600变成1800之后找波兵刷几个野速度的出了龙心，换你守线打野你敢开大清兵吗？ 锚击我根本就没点满，假腿振奋什么的也没买，守线刷兵打野不见的就能赚到钱。你的敌人不会忘记你，你不能每次都能逃生。死亡掉的钱加上死亡时间少赚的钱都让你变穷，穷和富是相对的，让敌人比你更穷，让队友比你更富，你就算穿个鞋2个护腕出去，面对对面一帮4树脂连鞋都买不起你会认为自己穷吗。穷不穷不是看你有多少刷钱装。一个带HY飞鞋的电魂，面对对面5个飞鞋中间还带个修补，人手1W以上的大件装备，你认为有可能有地方给他安心刷钱？估计着这装备就得保持到结束。即使不抓人直接强破高地，这样的电魂能有刷钱时间？不回家3分内直接破你基地，回家这么没生存的见之秒之。
不是冰眼灵魂可以1V5，是冰眼灵魂可以面对5个身上没超过1W大件的1V5。同时这个灵魂的等级还不能落下太多。
不是开着撒旦爆走的巨魔能秒人，是开着撒旦爆走的巨魔可以秒那些血没过1500的法师。
不是假面可以无限晕，是假面可以无限晕那些没带蝴蝶队友没控制没羊刀没DPS的。
不是PA一个爆就秒人。是PA一个爆可以秒那些血少的可怜的法师或者敏英
不是小狗可以开大粘死人，是小狗可以开大追死没物理攻击输出力的没跳刀没闪烁的人

1心1猴棒1大炮1假腿的20级小狗NB不NB？对面一远行一撒旦一冰眼1蝴蝶一大炮一圣剑外带穿着队友影魔穿着强袭甲的25级火枪说，这谁家养的狗啊，没人要我就宰了吃了哈
一鞋2护腕一瓶子的16级骷髅王弱不弱？碰上对面几个裸密法一鞋的10级刚到的法师和一鞋几个破树脂的8级UG见一次杀一次
1先锋一心的人马能不能顶？3路超级兵直接把他淹了
1100球若干护腕一鞋的11级狼人能不能顶？对面的7级影魔被杀的连支配死灵都没了，A过来可有感觉？

⑹ 如何提高DOTA水平

看了不少人在这里误人子弟，不免发笑。 竟然还有说打2 到5电脑的？ 这种菜也敢来回答人家问题？

首先说 本人VS大号16级，并不算什么高手， 但相比之下 买了个年VIP天天在一房玩 也不至于太菜，也许提供点经验您可以参考下。说的对不对的多包涵。
我其实打dota时间不比你长多少，一年半左右， 但从说的话看得出来你的水平确实有待提高， dota如果你不打CDEC职业 只是作为一个平时娱乐消遣的话， 那么配合意识就是扯淡了， 这种个人打路人局的方式 最重要的就是两个东西 走位 和补刀。

先说走位， 走位没有人能几句话讲清楚， 都是依据当前形势来判断， 最终目的都是为了尽可能的多砍对方一刀 少挨对方揍一下， 高手之所以可以在面对实力弱一些的玩家时 一个人双杀 三杀， 甚至一些特殊的英雄（地卜师有可能）一个人单挑了5个人， 最主要的就是依靠了走位， 换句话说， 该打的时候 站桩输出 不犹豫 不乱走， 该跑的时候 果断跑 零点几秒之内选择正确的逃跑路线进行逃跑。

然后说补刀，如果你和对面的人实力相当， 在同等级和接近的装备情况下要想轻松地单杀掉他基本不可能的， 那么就需要正反补数据的支持，也就是通常说的补刀。这东西 依照我个人的经历来讲，完全可以通过训练达到一定水平的。 主要分两步走， 第一步 开单机 打-om 中路自己补刀， 一开始可以选择自己最拿手 喜欢的 或是想要练好的英雄， 尽量选择一些cw中常客， 冰女 火女 DP 这都是很好的选择， 因为目前很多战队收人时的考试基本上都以这三个英雄单机10分钟补刀为规则。 简单说， 你选一个英雄不带任何装备 包括鞋子 10分钟单机补刀 正补+反补总数达到90 你用这个英雄哪怕到路人一房玩 怎么着也不会被人说菜， 如果你达到100 甚至110 那么去黑店房你也已经具备这个实力了。
第二部就是去实战咯， 如果你在学校篮球队玩过，你会知道， 教练上来都是先让你练习基本的运球，无人盯防时让你锻炼出感觉来， 然后才能进入有人盯防的状态下 去进一步调整 完善你的技术动作和意识协调能力， dota也一样的， 忽略了第一步 打打路人不挨骂可以， 想成为高手？ 这真不一定。同样，别和菜鸟玩，去和高手打。 和高手对线时，你会感到补每一刀都很困难，然后你会慢慢反过来体会到练好基本功的作用， 不仅是单纯的打到一些钱， 同样对于操作鼠标 手眼协调能力 甚至小规模打架团战时控制对方的血量 拿人头的能力 都是一种无形中的提高。

全是自己的一些经验，希望你有提高。 我VS号 InG1412 周末我组织哥们一起开黑，愿意来可以加我好友说。

⑺ DOTA练习模式命令

你-test之后能看到提示的，钱：-gold ****，中间有空格，****为多的钱数，英雄：-noherolimit，无限选，-lvlup 25，直接满级，主要就这些，还可以在最开始输入-wtf，技能无cd

⑻ dota2 职业选手 如何训练自己

简单的说职业选手训练分2种一种是路人开黑，就是几个职业玩家大战路人高端玩家，别以为职业选手打路人玩家一定赢哦被按在地上打的次数也不少的，另一种就是正式的他们会和自己的2队或者其它职业战队5人打比赛模式也就是CW模式这个是建立私人房间一般是不允许外人观看的，因为很多最新的战术还有套路都是训练总结出来的。暂时就这些了有什么问的再说吧

⑼ 求教，关于Dota2里的训练任务

练了5分钟然后重新来，玩单机模式！！，建议用小骷髅，身上别带装备，对了练得时候不能加点！远程同理，黄点也别加，你会发现你玩近战的补刀技术会有较大的提升。坚持练个几十次，就是连机器人都没有的那种(或者直接试玩英雄)，就在线上补刀。然后用ug教你个好方法。