猫史档案馆

【2018.01.25版本更新内容】
编程猫积木实验室上线
1、分类AI
2、GameAI
做好准备！今天的信息量很大！！！！

人工智能（Artificial Intelligence），英文缩写为AI
它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术
及应用系统的一门新的技术科学
据此，编程猫开发出了人工智能相关积木
从【积木实验室】中就可以添加使用哦


有了AI学习积木，人工智能编程不再遥远
使用此类积木，训练师们可以制作出能进行智能学习的角色游戏


使用分类AI前，技术喵先带你们了解下分类AI的基础知识！
1）什么是分类器
分类器是数据挖掘中对样本进行分类的方法的统称。
举个例子：
酒类识别：我们测量一瓶酒的颜色（波长）、酒精浓度数据，把这些数据输入机器中，那么机器就可以根据这些去判断酒的种类，是啤酒红酒还是白酒。
这种可以对输入数据进行自动分类的机器，就叫做分类器。
实现分类器有很多方法，基于神经网络的深度学习就是其中一种。
2）神经网络
神经网络是将模仿神经元的脑神经单位进行连接，形成的网络状图。
完整的神经网络包括输入层、隐藏层、输出层

（如图：输出层4个输入单元，隐藏层有2层，分别4个和3个隐藏单元，输出层有2个输出单元）
输入层：输入需要预测事物的特征值。
比如在酒类识别中，酒的特征值就是酒的颜色、酒精浓度。
↓
隐藏层：隐藏层可以是单层的，也可以是多层的。
通过复杂的隐藏层结构，提取输入数据中的显著特征，
将结果传到输出层
↓
输出层：拥有不同的输出分类结果。
比如在酒类识别中，输出的结果是啤酒、红酒、白酒。
3）神经网络训练和预测
分类器需要通过训大概地预测出分类结果。
每一组的训练数据都需要包含所有的特征值及分类类别。
而预测结果是否准确，与神经网络的结构、训练次数、甚至训练时的一些随机发生的因素都有关系，真正能够熟练地训练出效率、准确率高的神经网络，需要更多的努力！
【分类AI积木用法】

选择添加指定AI功能就会看到积木盒子列表添加了相应的AI积木
▽
1、矩阵数据积木

作用：用来直接调取指定列或行的矩阵数据。
矩阵数据分为两种：
1）训练师们自行上传相关数据的excel表格，系统会存作矩阵数据。
2）系统预制的4组矩阵数据。
2、设置训练数据积木

作用：分别设置需要训练的数据的特征和分类。
训练数据特征：必须是数字类型，非数字类型，会被自动忽略。
训练数据分类：支持数字和字符串形式，系统自动识别总共的类别数量。
（目前输出层只支持2种类别，否则无法运行）
3、神经网络隐含层结构积木

作用：设置神经网络隐藏层结构。
不同的神经网络隐藏层结构，对最后的训练结果会产生不同的影响

4、后向传播算法（训练积木）

作用：对训练数据使用特定算法进行训练，并存为模型
在训练的过程中，舞台中也会出现该模型的相关训练信息
当输出层为非2时，无法显示预测的图像
▽

当输入层也就是训练特征为2时，还会出现模型预测的训练图像。
▽

随着训练次数的增多，预测的模型也会更加准确
▽

5、预测分类积木

作用：用训练数据训练完存作的模型，对新的输入特征进行分类预测。
注意：预测的特征值数量需要与原训练数据的特征值数量一致，
否则无法预测结果。
预测出的结果分为两种形式：
（1）预测分类结果

作用：直接显示预测的分类结果，输出形式为变量。


（2）预测分类概率

作用：显示该组特征值中，不同分类结果的概率，输出形式为列表。


【分类AI效果展示】


人工智能的发展是全方位的，在游戏领域也是这样。
传说中战胜围棋世界冠军的人工智能程序AlphaGo（阿法狗）
它主要工作原理，就是利用神经网络的深度学习算法。
那么AI是如何利用神经网络结构来工作的呢？
还记得分类AI的工作原理吧？
一个完整的神经网络包括了输入层、隐藏层、输出层
GameAI也是相同的
▼

输入层负责收集信息，就是游戏中实时变化的数据；
比如自己角色的坐标、自己的血量、敌人的坐标、敌人的数量等等。
这些信息导入隐藏层后进行运算和处理；
最终从输出层中输出的分类结果，就相当于我们玩游戏时做出的决策。
比如控制角色移动，控制角色跳跃，控制角色发射子弹等等。

那么为了让GameAI做出正确的决策，
我们也需要对整个神经网络结构进行训练，得到我们需要的模型。
以《FlappyBird》这款游戏为例，介绍如何通过GameAI让人工智能自己玩起Flappy Bird
▼
【遗传算法--让AI自己学会玩游戏】

通过生成大量的随机模型，让AI角色在游戏中不断的尝试，
这些模型有的会很快淘汰掉，有的却可以得很高的分。
然后通过遗传算法，将得分高的模型结构保留下来，像生物一样让他们相互之间进化，
最终训练出一代更比一代强，能够获得更高分，表现地更好的模型。

1、模块初始化
首先选择需要作为AI的角色：小鸟

初始化一个模型：模型1
其中输入层和输出层的数据先空着，隐含层可以自己调整，这里设置为单层4个神经元

对于遗传算法来说，如果每次只运行一个角色，效率太低了，
因此我们设置每轮运行数量100
然后启动GameAI

2、角色变量、事件启动
为了让这100只小鸟独立运行，我们需要改变一些游戏设置：角色变量和事件启动积木。
1）设置角色变量
对于这个游戏来说，需要修改小鸟Y方向的速度为角色变量。

修改脚本积木中涉及到的变量：

2）修改触发事件积木
因为克隆出100只小鸟需要一定时间，为了避免部分小鸟比其他小鸟先行动，我们需要把游戏开始时的触发事件改为“当GameAI启动”使所有小鸟同步行动。

3、确定输入输出信息
1）确定输入层的信息
对于FlappyBird的这个游戏，决定小鸟能不能通过柱子最重要的因素就是：小鸟与柱子下的Y坐标。     所以我们选择的两个特征是：1、小鸟的Y坐标值，2、柱子下的Y坐标值。

将中心点设置在小鸟中间，以及柱子下的顶部中心
（如图所示的位置↓）

2）确定输出层的信息
我们自己玩这个游戏时，会有两种操作结果：什么都不做，和点击鼠标
那么对应到GameAI，就会是两个输出结果：1、不操作，2、使小鸟飞行。
我们需要先把游戏本身鼠标点击触发的事件（飞行），用函数封装起来。

然后才能选择AI角色使用行为：不操作和飞行，AI的使用行为必须是函数形式。

设置AI角色喵亡条件：

然后设置实时读取的AI角色特征值：

3）完善输入输出数量
确认了输入输出信息后，还要记得在初始化模型的位置填入输入层和输出层的数量，完成整个模型的设定。
输入层输入的特征是小鸟的Y坐标和柱子下的Y坐标，所以是2个；
输出层输出的是不操作和飞翔，所以也是2个。

4、GameAI决策
让AI基于当前的特征值做出使用行为的决策，即不操作或飞行。

5、遗传算法
当AI角色喵亡时，记录AI角色的得分，等到所有AI角色都喵亡，就能从中找出这一批里更好的模型。

当所有的AI角色都喵亡后，使用“遗传算法”优化模型，并重启GameAI进行下一次预测。

训练完毕后，如果想保留之前的训练结果，记得移开初始化模型积木哦，这样程序才会在之前模型1的基础上继续优化模型！

6、使用模型
模型训练完毕，我们可以使用模型，让AI角色自动游戏啦！
使用模型，启动GameAI。

【GameAI效果展示】

（建议购买代码，实际操作一下哦~）

如果对模型满意的话，我们还可以用AI模型制作AI游戏哦~
像是改编游戏，控制水管，给AI角色制造难度
▽

积木实验室后续还会增加更多功能块，以及《源码图鉴》的相关更新内容哦！

咳咳，此次更新内容略有难度，萌新们别担心，之后会有详细教学哦~
dalao们请尽情食用！