如何用人工智能自动玩游戏
一、前言
让AI玩游戏的思想早在上世纪就已经有了,那个时候更偏向棋类游戏。像是五子棋、象棋等。在上世纪“深蓝”就击败了国际象棋冠军,而到2016年“Alpha Go”击败了人类围棋冠军。
到现在,AI涉略的不仅仅是棋类游戏。像是超级马里奥、王者荣耀这种游戏,AI也能有比较好的表现。今天我们就来用一个实际的例子讨论AI自动玩游戏这一话题,本文会用非常简单的机器学习算法让AI自动玩Google小恐龙游戏。
二、Google小恐龙与监督学习
2.1、Google小恐龙
如果你使用的是Chrome浏览器,那么相信你应该见过下面这个恐龙:
当我们用Chrome断网访问网页时,就会显示这个恐龙,或者直接在地址栏输入:chrome://dino直接访问该游戏。
游戏的玩法非常简单,只需要按空格键即可。比如下面左图,快碰到障碍物,这时需要按空格,而下面右图没有障碍(或离障碍比较远),则不需要按按键。
当然还有出现鸟的情况,我们也可以归为跳的情况。大家可以玩一下。
2.2、监督学习
玩游戏很多时候会使用一个叫强化学习的方式来实现,而本文使用比较简单的监督学习来实现。
本文会使用逻辑回归算法实现,其代码如下:
from sklearn.linear_model import LogisticRegression # 逻辑回归模型from sklearn.model_selection import train_test_split # 数据集拆分# 1、准备数据
X =[# 天河区的坐标[1,1],[1,2],[2,0],[3,2],[3,3],# 花都区的坐标[7,7],[6,7],[7,6],[8,6],[8,5]]
y =[0,0,0,0,0,1,1,1,1,1]# 2、拆分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)# 3、定义模型
model = LogisticRegression()# 4、填充数据并训练
model.fit(X_train, y_train)# 5、评估模型
score1 = model.score(X_train, y_train)
score2 = model.score(X_test, y_test)print(score1, score2)# 6、预测input=[[4,4]]
pred = model.predict(input)print(pred)
关于逻辑回归的讲解可以查看:Python快速构建神经网络 。
我们可以把玩游戏看作一个分类问题,即输入为当前游戏的图像,输出为0、1的一个二分类问题(0表示跳,1表示不跳)。要让AI实现自动玩游戏,我们需要做几件事情。分别如下:
- 玩游戏,收集一些需要跳的图片和一些不需要条的图片
- 选择合适的分类算法,训练一个模型
- 截取当前游戏画面,预测结果,判断是否需要跳跃
- 如果需要跳跃,则用程序控制键盘,按下跳跃键
下面我们来依次完成上面的事情。
三、收集数据
收集数据我们需要在玩游戏的过程中不停地截图,这里可以用
Pillow
模块来实现截图。
Pillow
模块需要单独安装,安装语句如下:
pip install pillow
截图的代码如下:
import time
from PIL import ImageGrab # 截图
time.sleep(3)whileTrue:# 截图
img = ImageGrab.grab()# print(img.size) # 960 540 480 270
img = img.resize((960,540))# 保存图片
img.save(f'imgs/{str(time.time())}.jpg')# 修改name
time.sleep(0.1)
运行程序后就可以切换到Chrome开始游戏了。进行一段时间后,我们会截取一些图片,大致如下:
这时就轮到人类智能上场了,我们手动的把我们决定需要跳的场景放置到
imgs/jump
目录下,把觉得不需要跳的场景放到
imgs/none
目录下。然后就可以进行下一步了,这里截取的图片通常不需要跳的要多很多,所有可以多收集几次。
收集完成后我们就可以把图片读入,并转换成一个1维数组,这部分代码如下:
import os
import cv2
# 所有图片的全路径
files =[os.path.join(jump_path, jump)for jump in os.listdir(jump_path)]+ \
[os.path.join(none_path, none)for none in os.listdir(none_path)]
X =[]
y =[0]*len(os.listdir(jump_path))+[1]*len(os.listdir(none_path))# 遍历jump目录下的图片for idx,fileinenumerate(files):
filepath = os.path.join(none_path,file)
x = cv2.imread(filepath,0).reshape(-1)
X.append(x)
此时
X
和
y
就是我们的特征和目标了。有了
X
和
y
就可以开始训练模型了。
四、训练分类模型
训练部分的代码非常简单,我们可以在训练完成后保存模型。代码如下:
import os
import cv2
import joblib
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
jump_path = os.path.join('imgs','jump')# 需要跳的图片的根目录
none_path = os.path.join('imgs','none')# 不需要跳的图片的根目录# 所有图片的全路径
files =[os.path.join(jump_path, jump)for jump in os.listdir(jump_path)]+ \
[os.path.join(none_path, none)for none in os.listdir(none_path)]
X =[]
y =[0]*len(os.listdir(jump_path))+[1]*len(os.listdir(none_path))# 遍历jump目录下的图片forfilein files:
x = cv2.imread(file,0).reshape(-1)
X.append(x)# 2、拆分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)# 3、定义模型
model = LogisticRegression(max_iter=500)# 4、训练模型
model.fit(X_train, y_train)# 5、评估模型
train_score = model.score(X_train, y_train)
test_score = model.score(X_test, y_test)print(train_score, test_score)# 保存模型
joblib.dump(model,'auto_play.m')
在我电脑上训练的准确率在90%以上,总体效果还是不错的。不过有几个可以改进的地方。这里说几点:
- 图像只有中间部分会对下一步操作有影响,因此可以选择对训练图片进行一些处理。把上面和下面部分设置为0。如果做了这个处理,那么在实际应用时也要做同样的处理。
- 这些图片如果移植到其它电脑可能不适用,因为分辨率等原因。所有可以选择使用更复杂的模型,比如CNN网络。
- 因为手动收集数据比较麻烦,可以选择做一下数据增强。
在这里我们不做这些改进,直接使用最简单的模型。
五、自动玩游戏
自动玩游戏需要借助pynput模块来实现,其安装如下:
pip install pynput
我们可以用下面的代码实现按下键盘的空格键:
from pynput import keyboard
from pynput.keyboard import Key
# 创建键盘
kb = keyboard.Controller()# 按下空格键
kb.press(Key.space)
知道了如何控制键盘后,我们就可以使用模型截取预测,如何判断是否要按空格,代码如下:
import time
import cv2
import joblib
import numpy as np
from PIL import ImageGrab
from pynput import keyboard
from pynput.keyboard import Key
time.sleep(3)# 0、创建键盘
kb = keyboard.Controller()# 1、加载模型
model = joblib.load('auto_play.m')whileTrue:# 2、准备数据
ImageGrab.grab().resize((960,540)).save('current.jpg')# 保存当前屏幕截屏
x = cv2.imread('current.jpg',0).reshape(-1)
x =[x]# 3、预测
pred = model.predict(x)print(pred)# 如果需要跳,则按下空格if pred[0]==0:
kb.press(Key.space)
运行上面的程序后,打开浏览器即可开始游戏。程序的代码和图片文件:https://download.csdn.net/download/ZackSock/86543410
GitHub地址为:https://github.com/IronSpiderMan/AutoPlayGoogleDino
版权归原作者 ZackSock 所有, 如有侵权,请联系我们删除。