Pekiştirmeli Öğrenme

Koleksiyonlar ile düzeninizi koruyun İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.

Takviye öğrenimi kullanılarak eğitilmiş ve TensorFlow Lite ile konuşlandırılmış bir aracıya karşı bir masa oyunu oynayın.

Başlamak

TensorFlow Lite'ta yeniyseniz ve Android ile çalışıyorsanız, başlamanıza yardımcı olabilecek aşağıdaki örnek uygulamayı keşfetmenizi öneririz.

Android örneği

Android dışında bir platform kullanıyorsanız veya TensorFlow Lite API'lerini zaten biliyorsanız, eğitimli modelimizi indirebilirsiniz.

Modeli indir

Nasıl çalışır

Model, bir oyun aracısının 'Plane Strike' adlı küçük bir tahta oyunu oynaması için yapılmıştır. Bu oyunun ve kurallarının hızlı bir tanıtımı için lütfen bu BENİOKU'ya bakın.

Uygulamanın kullanıcı arayüzünün altında, insan oyuncuya karşı oynayan bir ajan oluşturduk. Aracı, kart durumunu girdi olarak alan ve 64 olası kart hücresinin her biri için tahmin edilen puanı veren 3 katmanlı bir MLP'dir. Model, politika gradyanı (REINFORCE) kullanılarak eğitilmiştir ve eğitim kodunu burada bulabilirsiniz. Aracıyı eğittikten sonra modeli TFLite'a dönüştürüyoruz ve Android uygulamasında dağıtıyoruz.

Android uygulamasında gerçek oyun sırasında, temsilcinin harekete geçme sırası geldiğinde, temsilci, önceki başarılı ve başarısız vuruşlar (isabetler ve ıskalar) hakkında bilgi içeren insan oyuncunun tahta durumuna (alttaki tahta) bakar. , ve insan oyuncu bitirmeden oyunu bitirebilmesi için bir sonraki vuruşu tahmin etmek için eğitilmiş modeli kullanır.

Performans karşılaştırmaları

Performans kıyaslama numaraları burada açıklanan araçla oluşturulur.

Model adı Model boyutu Cihaz İşlemci
İlke Gradyanı 84 Kb Piksel 3 (Android 10) 0,01 ms*
Piksel 4 (Android 10) 0,01 ms*

* 1 konu kullanıldı.

girişler

Model, kart durumu olarak (1, 8, 8) bir 3-D float32 kabul eder.

çıktılar

Model, 64 olası vuruş pozisyonunun her biri için tahmin edilen puanlar olarak bir 2-D float32 Tensör (1,64) döndürür.

Kendi modelinizi eğitin

Eğitim kodundaki BOARD_SIZE parametresini değiştirerek daha büyük/daha küçük bir tahta için kendi modelinizi eğitebilirsiniz.