让AI真正玩学会游戏-我的强化学习之旅

最新推荐文章于 2024-04-28 00:53:37 发布
最新推荐文章于 2024-04-28 00:53:37 发布
阅读量728 收藏 4
点赞数
文章标签： 强化学习 神经网络 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_28816871/article/details/106956205
版权

记录一下，我从百度飞桨深度学习学院 《强化学习7日打卡营-世界冠军带你从零实践》，了解到的东西吧。。。

 

这不是按键精灵，靠颜色判断来打怪

这不是游戏辅助，用内存读写来刷图

而是真正的让AI学会玩游戏。。。

这就叫做-强化学习

什么是强化学习

  • 强化学习（英语：Reinforcement learning，简称RL）是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。
  • 核心思想：智能体agent在环境environment中学习，根据环境的状态state（或观测到的observation），执行动作action，并根据环境的反馈 reward（奖励）来指导更好的动作。

课程中用到的是如下利器：

 

 

  • GYM是强化学习中经典的环境库，用到里面的CliffWalkingWapper和FrozenLake环境，为了使得环境可视化更有趣一些，可以在PARL代码库中的examples/tutorials/lesson1中下载gridworld.py使用。

  • PARL开源库地址：https://github.com/PaddlePaddle/PARL

 

课程的内容如下：

链接在这里：https://aistudio.baidu.com/aistudio/education/group/info/1335

想学就自己去看吧。

决战鲁西南
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
零基础机器学习做游戏辅助第九课--强化学习DQN（一）
kfyzjd2008的博客
02-03 574
强化学习（英语：Reinforcement learning，简称RL）是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。强化学习是除了监督学习和非监督学习之外的第三种基本的机器学习方法。与监督学习不同的是，强化学习不需要带标签的输入输出对，同时也无需对非最优解的精确地纠正。其关注点在于寻找探索（对未知领域的）和利用（对已有知识的）的平衡，强化学习中的“探索-利用”的交换，在多臂老虎机问题和有限MDP中研究得最多。
人工智能-项目实践-强化学习-用基于策略梯度得强化学习方法训练AI玩王者荣耀.zip
12-14
人工智能-项目实践-强化学习-用基于策略梯度得强化学习方法训练AI玩王者荣耀 一、这个项目由我之前的AI玩王者荣耀 项目发展而来。 较之前的项目有进步，也更加复杂。用了强化学习的训练方法，并增加了一个判断回报状态的神经网络。 注意! 这个项目处于试验阶段，再加上本人水平有限，所以并不完善，问题很多。 二、运行环境和我之前的项目相似，请参考之前的项目，但还需要添加 PyQt5模块用于截图参考（requirements.txt）。 环境配置参考视频 1 链接：https://pan.baidu.com/s/1fJRyX-scxbeOJ2lsddTLiA 提取码：msr5 环境配置参考视频 2（minitouch安装） 链接：https://pan.baidu.com/s/1V8VV24Q1U8ajLKXU9HJT2w 提取码：rid1
ai玩游戏(马里奥)项目(机器强化学习)详解 （二）设置游戏、预处理和环境矢量化 DummyVecEnv&VecFrameStack 人工智能项目
m0_74475812的博客
04-20 1503
ai玩游戏(马里奥)项目(机器强化学习)详解系列第二弹，本文完成了设置游戏、预处理和环境矢量化 说明了DummyVecEnv、VecFrameStack的作用。解决了缺少shimmy和缺少cv2的问题。
增强学习训练AI玩游戏
banliu8076的博客
08-13 233
1.游戏简介 符号A为 AI Agent。 符号@为金币，AI Agent需要尽可能的接取。 符号* 为炸弹，AI Agent需要尽可能的躲避。 游戏下方一组数字含义如下： Bomb hit: 代表目前AI Agent所接取的炸弹数。 Coin hit: 代表目前AI Agent所接取的金币数。 Iteration：代表游戏已经进行的帧数，案例正常游玩视频，250ms一...
让AI学习玩游戏 不需人类示范就得最高分
chengyou2471的博客
11-29 538
在AI玩游戏的研究中，Atari发行的「蒙特祖马的复仇」（Montezuma’s Revenge）和「陷阱」（Pitfall）一直都被公认为AI难以突破的最难游戏，这两款游戏中都体现了真实世界问题的挑战，这种问题被称为探索问题（Hard-exploration problem），而Uber的A...
如何用人工智能自动玩游戏
热门推荐
ZackSock的博客
09-18 4万+
让AI玩游戏的思想早在上世纪就已经有了，那个时候更偏向棋类游戏。像是五子棋、象棋等。在上世纪“深蓝”就击败了国际象棋冠军，而到2016年“Alpha Go”击败了人类围棋冠军。到现在，AI涉略的不仅仅是棋类游戏。像是超级马里奥、王者荣耀这种游戏，AI也能有比较好的表现。今天我们就来用一个实际的例子讨论AI自动玩游戏这一话题，本文会用非常简单的机器学习算法让AI自动玩Google小恐龙游戏。
案例分享 | 24 分钟让 AI 跑起飞车类游戏
谷歌开发者
04-27 723
文 / 腾讯 IEG 图灵实验室李旭冬导语：本文主要介绍如何用 TensorFlow 让 AI 在 24 分钟内学会玩飞车类游戏。我们使用 Distributed PPO 训练 AI，...
游戏AI之初步介绍（0）
weixin_33901926的博客
11-23 3921
目录 游戏AI是什么？ 游戏AI和理论AI 智能的假象 （更新）游戏AI和机器学习 介绍一些游戏AI 4X游戏AI 《求生之路》系列 角色扮演/沙盒游戏中的NPC 游戏AI 需要学些...
cs50ai：本课程探索现代人工智能基础上的概念和算法，并深入探讨产生诸如游戏引擎，手写识别和机器翻译之类技术的思想。 通过动手项目，学生将图搜索算法，分类，优化，强化学习以及人工智能和机器学习中的其他主题整合到自己的Python程序中，从而可以接触到这些理论。 到课程结束时，学生将具备在机器学习库以及人工智能原理知识方面的丰富经验，这些知识使他们能够设计自己的智能系统
02-16
《cs50ai：探索人工智能与机器学习的实践之旅》 cs50ai是一门深入研究人工智能基础概念和算法的课程，旨在引导学生理解和应用现代AI技术，如游戏引擎、手写识别和机器翻译等。这门课程的独特之处在于它强调实践性...
深度学习学习资料，适合零基础入门学习
01-12
深度学习是人工智能领域的一个重要分支，它通过模拟人脑神经网络的工作原理，让计算机能够从大量数据中自动学习特征并进行预测或决策。本套学习资料专为深度学习初学者设计，涵盖了从基础到进阶的多个关键主题，旨在...
reinforcementLearning_toolbox.rar_加强学习_学习_机器学习_机器学习 pdf
07-15
加强学习（Reinforcement Learning，RL）是人工智能领域的一个重要分支，主要研究智能系统如何通过与环境的交互来学习最优策略。...通过学习，你将能够运用加强学习解决实际问题，为你的机器学习之旅增添新的技能。
吴恩达2021深度学习第一章课后作业代码
07-31
深度学习是人工智能领域的一个重要分支，它通过模拟...因此，对于想要深入学习深度学习的人来说，这份"吴恩达2021深度学习第一章课后作业代码"是非常宝贵的资源，它提供了从理论到实践的桥梁，助力深度学习的学习之旅。
12万个俄罗斯笑话数据集
12-07
《12万个俄罗斯笑话数据集：深度学习与人工智能的幽默之旅》 在信息化时代，数据已经成为推动科技进步的重要驱动力，特别是在人工智能（AI）领域。这个包含12万个俄罗斯笑话的数据集，为研究者们提供了一个独特的...
让AI学习如何玩游戏 OpenAI打造强化学习通用模型
weixin_34258078的博客
12-10 847
过度学习是许多AI模型的问题，要开发出通用型AI，就必须解决这道难题，OpenAI近日释出一个特别的训练环境CoinRun，该平台藉由游戏设计，能够提供指针，让程序将过去学习到的经验，转移到全新环境中。 OpenAI近日释出一个特别的训练环境CoinRun，该平台藉由游戏设计，能够提供关键的量化指针，让程序将过去学习到的经验，转移到全新环境中，也解决了强化学习长久以来的难题，CoinRun的环境...
教ai玩游戏_简单解释：DeepMind如何教AI玩视频游戏
cumian9828的博客
07-15 1016
教ai玩游戏by Aman Agarwal 通过阿曼·阿加瓦尔(Aman Agarwal) 简单解释：DeepMind如何教AI玩视频游戏 (Explained Simply: How DeepMind taught AI to play video games) Google’s DeepMind is one of the world’s foremost AI research team...
Google让三个AI一起玩对抗游戏，其中两个学会如何“防偷听”
syh_486_007的专栏
02-18 624
人工智能那么聪明，未来连人类都解密不了他们的算法怎么办？ 人类的极限真的已经到了吗？很难说，万一哪天人工智能开发了自己的一套源码，真的很可能人类就不行了。 人类已经不满于让人工智能和人类对决了。 人们越来越想知道，究竟人工智能还能做什么？人工智能之间，还能擦出什么火花？ 于是，我们翻出了去年10月Google的另一个人工智能团队Google Brai
案例一：训练AI玩Atari游戏
最新发布
禅与计算机程序设计艺术
04-28 599
1. 背景介绍 1.1 Atari 游戏与强化学习 Atari 游戏作为上世纪 70-80 年代的经典游戏，其简单的规则和丰富的视觉效果使其成为强化学习算法的理想测试平台。强化学习旨在训练智能体通过与环境交互，学习最佳策略以最大化累积奖励。Atari 游戏提供了多种多样的环境和挑战，可以评
零基础机器学习做游戏辅助第十课--强化学习DQN（二）
kfyzjd2008的博客
02-06 385
游戏失败需要给一个比较大的负值。deque队列有先进先出的特性。DQN的整个训练过程：随机初始化一个状态 s，初始化记忆池（Replay DB），设置观察值。循环遍历（是永久遍历还是只遍历一定次数这个自己设置）:(1) 根据策略选择一个行为（action）。(2) 执行该行动(aaction)，得到奖励（reward）、执行该行为后的状态 s`和游戏是否结束 done。(3) 保存 s, a, r, s`, done 到记忆池里。
基于强化学习的放置类游戏
ziliwangmoe的博客
08-13 772
描述
pytorch深度强化学习让ai玩Atari游戏
04-03
PyTorch是一个开源的Python机器学习库，它提供了强大的工具来进行深度学习和强化学习。在这篇文章中，我们将使用PyTorch来构建一个深度强化学习模型，让AI玩Atari游戏。 Atari游戏是一系列经典的电子游戏，如Pong、Space Invaders和Breakout。这些游戏简单易懂，但是对于人类玩家来说仍然有挑战性。我们将使用Atari游戏作为我们的强化学习环境，以训练我们的AI代理。 我们将使用Deep Q-Networks（DQN）算法来训练我们的AI代理。DQN是一种基于深度学习的强化学习算法，它将神经网络与Q学习相结合，使得AI代理可以学习如何最大化其预期回报。 首先，我们需要安装PyTorch和OpenAI Gym。OpenAI Gym是一个用于开发和比较强化学习算法的工具包。您可以在这里找到有关安装方法的说明：https://pytorch.org/get-started/locally/ 和 https://gym.openai.com/docs/#installation。 在安装完成后，我们可以开始编写我们的代码。 首先，我们需要导入必要的库： ```python import random import math import torch import torch.nn as nn import torch.optim as optim import torch.nn.functional as F import numpy as np import gym ``` 接下来，我们定义我们的Agent类。Agent类负责与环境交互并学习如何玩游戏。 ```python class Agent: def __init__(self, env, gamma, epsilon, lr): self.env = env self.gamma = gamma self.epsilon = epsilon self.lr = lr self.memory = [] self.model = Net(env.observation_space.shape[0], env.action_space.n) self.optimizer = optim.Adam(self.model.parameters(), lr=self.lr) def act(self, state): if random.random() < self.epsilon: return self.env.action_space.sample() else: state = torch.FloatTensor(state).unsqueeze(0) q_values = self.model(state) return q_values.max(1)[1].item() def remember(self, state, action, next_state, reward): self.memory.append((state, action, next_state, reward)) def learn(self, batch_size): if len(self.memory) < batch_size: return transitions = random.sample(self.memory, batch_size) batch = Transition(*zip(*transitions)) state_batch = torch.FloatTensor(batch.state) action_batch = torch.LongTensor(batch.action) reward_batch = torch.FloatTensor(batch.reward) next_state_batch = torch.FloatTensor(batch.next_state) q_values = self.model(state_batch).gather(1, action_batch.unsqueeze(1)) next_q_values = self.model(next_state_batch).max(1)[0].detach() expected_q_values = (next_q_values * self.gamma) + reward_batch loss = F.smooth_l1_loss(q_values, expected_q_values.unsqueeze(1)) self.optimizer.zero_grad() loss.backward() self.optimizer.step() ``` 我们的Agent类具有几个方法： 1. `__init__`方法初始化代理。我们传递的参数包括环境，折扣因子（gamma），ε贪心策略中的ε值和学习率（lr）。我们还创建了一个神经网络模型和Adam优化器。 2. `act`方法根据当前状态选择一个动作。我们使用ε贪心策略，在一定概率下随机选择动作，否则选择当前状态下具有最高Q值的动作。 3. `remember`方法将经验元组（state，action，next_state，reward）添加到内存中。 4. `learn`方法从内存中随机选择一批经验元组，然后使用这些经验元组进行训练。我们计算当前状态下的Q值和下一个状态下的最大Q值，然后使用这些值计算预期Q值。我们使用平滑L1损失函数计算损失，并使用Adam优化器更新我们的模型。 接下来，我们定义我们的神经网络模型。 ```python class Net(nn.Module): def __init__(self, input_size, output_size): super(Net, self).__init__() self.fc1 = nn.Linear(input_size, 128) self.fc2 = nn.Linear(128, 128) self.fc3 = nn.Linear(128, output_size) def forward(self, x): x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x ``` 我们的模型是一个简单的前馈神经网络，具有三个全连接层。我们使用ReLU激活函数，并且输出层的大小等于动作空间的大小。 最后，我们定义我们的主函数，用于实际运行我们的代理。 ```python if __name__ == '__main__': env = gym.make('Breakout-v0') agent = Agent(env, gamma=0.99, epsilon=1.0, lr=1e-4) batch_size = 32 num_episodes = 1000 for i_episode in range(num_episodes): state = env.reset() total_reward = 0 done = False while not done: action = agent.act(state) next_state, reward, done, _ = env.step(action) agent.remember(state, action, next_state, reward) agent.learn(batch_size) total_reward += reward state = next_state agent.epsilon = max(0.01, agent.epsilon * 0.995) print("Episode: {}, total reward: {}, epsilon: {}".format(i_episode, total_reward, agent.epsilon)) ``` 我们使用OpenAI Gym中的Breakout游戏来测试我们的代理。在每个训练周期中，我们重置环境并运行一个周期，直到游戏结束。我们将每个状态、动作、下一个状态和奖励作为经验元组传递给我们的Agent，并使用这些经验元组进行训练。我们使用逐步减小的ε值来平衡探索和利用。我们打印出每个训练周期的总奖励以及当前的ε值。 现在我们已经编写了我们的代码，我们可以开始训练我们的代理。运行主函数，我们将看到我们的代理在游戏中逐渐变得更加熟练。我们可以尝试调整参数来进一步优化我们的代理的性能。 总结： 在本文中，我们使用PyTorch和OpenAI Gym构建了一个深度强化学习代理，让它玩Atari游戏。我们使用Deep Q-Networks算法和ε贪心策略来训练我们的代理，并逐步减小ε值来平衡探索和利用。我们的代理在游戏中逐渐变得更加熟练，展示了PyTorch在深度强化学习中的强大功能。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值