这段文字主要介绍了机器学习和深度学习在 Halite 游戏中的应用。作者首先解释了机器学习分类器的一般结构,即输入向量和输出向量。输入向量包含一些数值特征,例如玩家拥有的星球数量、船只数量、敌方数量、敌方距离等。输出向量则是一个“one-hot”编码,表示不同的行动选择,例如攻击、采矿、探索等。
作者接着说明了 Halite 游戏中使用机器学习的两种方法:第一种是使用 Halite 提供的 “ML starter bot”,它通过读取游戏记录文件,分析游戏状态,并决定船只的分配策略。第二种方法则是通过自己构建机器学习模型,将游戏状态转化为输入向量,并根据模型的输出选择行动。
最后,作者提到了 Halite 提供的 “ML starter bot” 的局限性,因为它只负责船只分配,而没有其他功能。
您好,欢迎来到关于使用 Halite II 进行深度学习的教程。 在本教程及后续教程中,我将分解一些使用神经网络甚至其他分类器来玩 Halite II 的选项。 总的来说,要进行 AI,您需要一个固定的特征集和固定的标签。 特征集是神经网络的输入向量,标签将是输出层。 所有特征集都必须相同,并且每个特征集中的每个索引必须与下一个特征集的索引具有相同的类型。 文本教程和示例代码:https://pythonprogramming.net/deep-learning-halite-ii-artificial-intelligence-competition/https://pythonprogramming.net/support-donate/