悬窗厂家
免费服务热线

Free service

hotline

010-00000000
悬窗厂家
热门搜索:
技术资讯
当前位置:首页 > 技术资讯

如何用机器学习练出一个玩“石头剪刀布”的大师出来-电子发烧友网

发布时间:2022-04-25 18:22:21 阅读: 来源:悬窗厂家
如何用机器学习练出一个玩“石头剪刀布”的大师出来-电子发烧友网

来和机器人玩“石头剪刀布”,体验被支配的快感!Reddit上一位大神用3层简单RNN训练出一个“石头剪刀布”大师,你下一把想出什么,它都能猜个差不多。采用3D打印的漂亮外壳,纽扣电池即可供电,不服来战!

我们每个人都玩过石头剪刀布,这个简单的游戏,似乎总有人特别擅长。你总觉得自己出什么,都尽在对面的掌握之中。

终于,在你连输N次5局3胜的比试,被弹了一头包之后,你硬着头皮问对面那个满脸得意的人:“哥,你咋怎么厉害呢?”

对面一般会一脸神秘又略带不屑地对你说一句:“你要出啥,我早都预料到了。”

近日Reddit上热议的一个话题就是,如何用机器学习练出一个玩“石头剪刀布”的大师出来。

也许这篇文章的作者小时候也被大神蹂躏过。他利用机器学交通运输长页
习训练模型,造出了一台会玩“石头剪刀布”的微型机器人,它的本事就是预测对面下一次出啥。

作者表示,这个机器人在机器学习原理方面并不复杂,模型使用的网络是一个小型的3层vanilla RNN(在TensorFlow/keras中训练),训练数据是两名玩家玩”石头剪子布”的记录数据,将这些数据作为输入,并预测输出对手下一步会出什么。这些记录数据来自roshambo.me上的真人游戏信息。

“我添加了一些周期序列的模拟数据,人们在与AI对战时很可能会尝试的做这些事情。”

如果没有模拟数据(易于预测),模型在测试集上的准确率达到38%(相比之下,完全随机对战的胜率为33%批发零售长页
,这么看,其实也没强太多?)。

模型在较大批规模进行训练时遇到了一些问题(无论是填充还是填充和屏蔽渐变)所以最后训练的批规模(batch_size)为1,这对于规模如此之小的网络来说还是可以接受的。

更有趣的部分是,这个网络能够在一个小型微控制器上运行。对网络权重进行量化(以8位整型数据存储)可以节省一些空间,因为使用的微控制器只有2kB RAM和16kB闪存,计算是使用软件浮点数完成的,性能不是真正的问题。微控制器上运行的C语言代码都是定制的,不是特别复杂。

最终的实体设备大约为硬币大小(但更厚一些)。使用定制的PCB板,由CR2032纽扣电池即可供电,并有一个漂亮的3D打印外壳。外形上非常接近我之前定制完成的电子骰子,所以其实工作量不是太大。