pembangunan bahagian belakang
Tutorial Python
Cara menggunakan Python untuk melatih AI untuk bermain permainan Ular
Cara menggunakan Python untuk melatih AI untuk bermain permainan Ular
Ini ialah panduan ringkas tentang cara menggunakan pembelajaran pengukuhan untuk melatih AI untuk bermain permainan Ular. Artikel itu menunjukkan langkah demi langkah cara menyediakan persekitaran permainan tersuai dan menggunakan perpustakaan algoritma Stable-Baselines3 piawai python untuk melatih AI bermain Snake.
Dalam projek ini, kami menggunakan Stable-Baselines3, perpustakaan piawai yang menyediakan pelaksanaan algoritma pembelajaran tetulang (RL) berasaskan PyTorch yang mudah digunakan.
Pertama, sediakan persekitaran. Terdapat banyak persekitaran permainan terbina dalam pustaka Stable-Baselines Di sini kami menggunakan versi Ular klasik yang diubah suai, dengan dinding silang silang tambahan di tengah.
Pelan ganjaran yang lebih baik adalah dengan hanya memberi ganjaran langkah lebih dekat dengan makanan. Penjagaan mesti diambil di sini, kerana ular itu masih boleh belajar berjalan dalam bulatan, mendapat ganjaran apabila mendekati makanan, kemudian berpusing dan kembali. Untuk mengelakkan ini, kita juga mesti memberikan penalti yang setara untuk menjauhi makanan, dengan kata lain, kita perlu memastikan bahawa ganjaran bersih pada gelung tertutup adalah sifar. Kita juga perlu memperkenalkan penalti untuk memukul dinding, kerana dalam beberapa kes seekor ular akan memilih untuk memukul dinding untuk mendekati makanannya.
Kebanyakan algoritma pembelajaran mesin agak kompleks dan sukar untuk dilaksanakan. Nasib baik, Stable-Baselines3 sudah melaksanakan beberapa algoritma terkini yang kami gunakan. Dalam contoh, kami akan menggunakan Pengoptimuman Dasar Proksimal (PPO). Walaupun kami tidak perlu mengetahui butiran tentang cara algoritma berfungsi (lihat video penjelasan ini jika anda berminat), kami perlu mempunyai pemahaman asas tentang hiperparameternya dan perkara yang dilakukannya. Nasib baik, PPO hanya mempunyai beberapa daripadanya, dan kami akan menggunakan yang berikut:
kadar_pembelajaran: Menetapkan seberapa besar langkah untuk kemas kini dasar, sama seperti senario pembelajaran mesin yang lain. Menetapkannya terlalu tinggi boleh menghalang algoritma daripada mencari penyelesaian yang betul atau menolaknya ke arah yang tidak boleh pulih. Menetapkannya terlalu rendah akan menjadikan latihan mengambil masa yang lebih lama. Helah biasa ialah menggunakan fungsi penjadual untuk menalanya semasa latihan.
gamma: faktor diskaun untuk ganjaran masa hadapan, antara 0 (hanya ganjaran segera penting) dan 1 (ganjaran masa depan mempunyai nilai yang sama dengan ganjaran segera). Untuk mengekalkan kesan latihan, adalah lebih baik untuk mengekalkannya di atas 0.9.
clip_range1+-clip_range: Satu ciri penting PPO, ia wujud untuk memastikan model tidak berubah dengan ketara semasa latihan. Mengurangkannya membantu memperhalusi model dalam peringkat latihan kemudian.
ent_coef: Pada asasnya, lebih tinggi nilainya, lebih banyak algoritma digalakkan untuk meneroka tindakan tidak optimum yang berbeza, yang boleh membantu skim melarikan diri maksimum ganjaran tempatan.
Secara umumnya, mulakan sahaja dengan hiperparameter lalai.
Langkah seterusnya adalah untuk melatih beberapa langkah yang telah ditetapkan, kemudian lihat sendiri prestasi algoritma, dan kemudian mulakan semula dengan parameter baharu yang mungkin berprestasi terbaik. Di sini kami merancang ganjaran untuk masa latihan yang berbeza.
Selepas langkah yang mencukupi, algoritma latihan ular menumpu kepada nilai ganjaran tertentu, anda boleh melengkapkan latihan atau cuba memperhalusi parameter dan meneruskan latihan.
Langkah latihan yang diperlukan untuk mencapai ganjaran maksimum yang mungkin bergantung pada masalah, skema ganjaran dan hiperparameter, jadi adalah disyorkan untuk mengoptimumkan sebelum melatih algoritma. Pada akhir contoh melatih AI untuk bermain permainan Ular, kami mendapati bahawa AI dapat mencari makanan dalam labirin dan mengelak daripada berlanggar dengan ekor.
Atas ialah kandungan terperinci Cara menggunakan Python untuk melatih AI untuk bermain permainan Ular. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!
Alat AI Hot
Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik
AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.
Undress AI Tool
Gambar buka pakaian secara percuma
Clothoff.io
Penyingkiran pakaian AI
Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!
Artikel Panas
Alat panas
Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma
SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan
Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa
Dreamweaver CS6
Alat pembangunan web visual
SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)
Topik panas
1392
52
Bytedance Cutting melancarkan keahlian super SVIP: 499 yuan untuk langganan tahunan berterusan, menyediakan pelbagai fungsi AI
Jun 28, 2024 am 03:51 AM
Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal
Pembantu pengekodan AI yang ditambah konteks menggunakan Rag dan Sem-Rag
Jun 10, 2024 am 11:08 AM
Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi
Bolehkah penalaan halus benar-benar membolehkan LLM mempelajari perkara baharu: memperkenalkan pengetahuan baharu boleh menjadikan model menghasilkan lebih banyak halusinasi
Jun 11, 2024 pm 03:57 PM
Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya
Tujuh Soalan Temuduga Teknikal GenAI & LLM yang Cool
Jun 07, 2024 am 10:06 AM
Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks
Lima sekolah pembelajaran mesin yang anda tidak tahu
Jun 05, 2024 pm 08:51 PM
Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada
Untuk menyediakan tanda aras dan sistem penilaian menjawab soalan saintifik dan kompleks baharu untuk model besar, UNSW, Argonne, University of Chicago dan institusi lain bersama-sama melancarkan rangka kerja SciQAG
Jul 25, 2024 am 06:42 AM
Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka
Prestasi SOTA, kaedah AI ramalan pertalian protein-ligan pelbagai mod Xiamen, menggabungkan maklumat permukaan molekul buat kali pertama
Jul 17, 2024 pm 06:37 PM
Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S
SK Hynix akan memaparkan produk berkaitan AI baharu pada 6 Ogos: HBM3E 12 lapisan, NAND 321 tinggi, dsb.
Aug 01, 2024 pm 09:40 PM
Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas
