从零使用强化学习训练AI玩儿游戏(8)——使用DQN(Keras)

最新推荐文章于 2025-06-14 14:01:20 发布
最新推荐文章于 2025-06-14 14:01:20 发布
阅读量6.1k 收藏 32
点赞数 33
CC 4.0 BY-SA版权
分类专栏： 机器学习 文章标签： Keras搭建DQN AI玩游戏 Keras使用强化学习 DQN玩游戏 神经网络玩游戏
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/u012465304/article/details/81318957

上一篇我们讲了怎么用TensorFlow搭建DQN来玩游戏，这一篇我们使用Keras算法基本上跟上一篇一样，玩的游戏也一样

GitHub上源代码

这几天，天天找工作面试，终于有点时间把Keras的版本给写了。从TensorFlow换到用Keras搭建的神经网络了，这样就有便于后面我们把神经网络换成CNN加LSTM的操作，因为如果用TensorFlow加这两的话实在是没有Keras方便。

首先我们来解决一个Keras可视化的问题，Keras的可视化需要额外的安装几个包代码如下

pip3 install pydot
pip3 install pydot-ng
pip3 install graphviz

但是光执行这个是会报错的，而且错误非常有误导性，其实是需要去graphviz的官网上下载一个安装包，安装过后还需要添加环境变量path C:\Program Files (x86)\Graphviz2.38\bin 一直到这个bin文件就好了

加入环境变量过后记得重启，就能正常的显示我们搭建的两个神经网络图片了（我就是忘记重启了搞了半天）

下面贴出我创建的简单神经网络的图：

         

最低0.47元/天 解锁文章

200万优质内容无限畅学
零基础机器学习做游戏辅助第一课--神经网络与Keras介绍
kfyzjd2008的博客
01-20 1147
人工神经网络（英语：Artificial Neural Network，ANN），简称神经网络（Neural Network，NN）或类神经网络，在机器学习和认知科学领域，是一种模仿生物神经网络（动物的中枢神经系统，特别是大脑）的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统，通俗地讲就是具备学习功能。
Keras深度学习实战（42）——强化学习基础
盼小辉丶的博客
12-26 6090
强化学习是当前人工智能领域的研究热点问题，强化学习主要通过考察智能体与环境的相互作用，得到策略模型、优化策略并最大化累积回报的过程。强化学习具有巨大的研究价值和应用潜力，是实现通用人工智能的关键技术。本文首先介绍强化学习的基本原理，包括马尔可夫决策过程、价值函数、探索-利用问题等，然后介绍经典的强化学习算法，最后使用 Keras 实现在游戏中模拟强化学习算法。
使用强化学习快速让AI学会玩贪食蛇游戏(轻量级二十分钟训练+代码)
热门推荐
ZYunfei的博客
07-10 1万+
如何让AI玩会贪食蛇，甚至比你厉害概述构建问题(强化学习求解的一般步骤)环境动作定义状态定义奖励设计训练奖励值收敛图效果代码 概述 所用技术：强化学习(Deep Reinforcement Learning)，属于一种无监督学习，利用奖励rewardrewardreward教会智能体AgentAgentAgent在合适的场景做合适的决策。 采用算法：试过两种算法D3QN和离散版本的PPO算法，最终采用离散版本PPO算法+GAE（PPO是我用过的性能最好的算法之一） 编程语言与深度学习框架：Python3.
从零使用强化学习训练AI玩儿游戏(1)——安装环境
蛋烘糕的博客
07-02 1万+
            本文目前主要是写给自己的一个笔记，接下来这段时间会逐步记录我是怎么通过学习使用TensorFlow+Keras训练神经网络自己玩儿游戏，如果能间接帮助到他人就最好不过了，不喜勿喷。 目前准备使用第一层卷积神经网络，第二层LSTM的方式通过DQN增强学习的方式来训练这个神经网络。 我是在Windows7上运行的，做完了会把代码放到GitHub上 资源：IDE：PyCha...
让AI像小孩玩游戏一样学会数学推理：约翰斯·霍普金斯大学研究团队的惊人发现
最新发布
至顶AI实验室
06-14 513
最令人惊讶的发现是，仅仅通过玩游戏训练的AI，在数学推理任务上的表现竟然超越了专门用数学数据训练的AI模型。不同类型的游戏可能会培养不同的认知技能，如何系统地设计游戏组合来培养特定的推理能力，这还需要更多的研究。结果发现，只训练过贪吃蛇和旋转识别的AI，在从未见过的太空侵略者、吃豆人等游戏中也表现出色，获得的总分几乎是未经游戏训练的AI的两倍。数据生成也体现了研究团队的远见。更令人惊讶的是，这种通过游戏训练的AI模型不仅在数学方面表现出色，还能在其他需要复杂推理的任务上超越那些专门用数学数据训练的模型。
训练一个简单的游戏AI（Deep Q Network）
12-26 1027
Deep Q Network是DeepMind最早(2013年)提出来的，是深度强化学习方法。 最开始AI什么也不会，通过给它提供游戏界面像素和分数，慢慢把它训练成游戏高手。 Github上有不少DQN实现，在本帖中，我使用TensorFlow训练一个简单的游戏AI。 使用pygame写一个简单的小游戏 使用强化学习训练游戏AI pygame小游戏
让AI帮你玩游戏（二）训练模型并获取结果
pp2351的博客
10-27 6607
让AI帮你玩游戏 让AI帮你玩游戏（二）训练模型并获取结果 训练模型 用训练好的Model获取坐标 实现我们想要的功能 最后再次声明：本文所涉及的内容仅用作学习研究，严禁用于非法用途，游戏中违反相关协议可能会使你失去你的游戏账号！ 教程完结，祝大家生活愉快！ 书接上文： 我们在上一期介绍了我们整体的思路以及创建训练数据，搭建ssd-resnet50模型，现在我们开始训练我们的模型，并用我们训练好的模型获得浮标所在的坐标。 让AI帮你玩游戏（二）训练模型并获取结果 训练模型.
从零使用强化学习训练AI玩儿游戏(9)——使用DQN(Keras+CNN)
蛋烘糕的博客
08-03 8819
做了这么。。。。。终于到达这一步了。 GitHub上源代码 上一篇我们用简单的全连接神经网络实现了DQN玩儿了一个简单的游戏，今天我们要用一个复杂的神经网络来玩儿一个复杂的游戏，SpaceInvaders-v0，就玩这个游戏吧，看起来很棒的样子，随便选的。 在这个游戏中observaction是一个屏幕RGB的图片，shape是（210,160,3） = 100800个数据正好试一下卷积神经...
从零使用强化学习训练AI玩儿游戏(3)——使用Q-learning
蛋烘糕的博客
07-05 6928
        本文目前主要是写给自己的一个笔记，接下来这段时间会逐步记录我是怎么通过学习使用TensorFlow+Keras训练神经网络自己玩儿游戏，如果能间接帮助到他人就最好不过了，不喜勿喷。的...
从零使用强化学习训练AI玩儿游戏(5)——使用DQN(TensorFlow)
蛋烘糕的博客
07-23 1万+
        上一篇我们使用了Sarsa-lambda和Sarsa玩一个寻宝的游戏，这一篇我们要使用DQN（Deep Q Network）来玩儿真正的游戏了，也就是DeepMind前几年用来玩儿电动使得比人类还厉害，然后被谷歌收购的原因之一，想想还有些小激动呐。         还是先po上莫烦大神关于DQN的讲解视频，在这个视频之前你首先的有一点神经网络的知识，和TensorFlow的基础知...
《Keras深度学习：入门、实战与进阶》之 Keras构建深度学习模型
jiabiao1602的专栏
11-03 931
本文来自《Keras深度学习：入门、实战与进阶》第一章 第四小节 Keras构建深度学习。 将利用Keras自带的MNIST数据集来构建深度全连接深度学习模型，进行手写数字0~9的类别预测。MNIST数据集共有训练数据60000项、测试数据10000项。MNIST数据集中的每一项数据都由image（数字图像）和label（真实的数字）所组成。Keras已经提供了现成的函数dataset_mnist()，可以帮助我们下载并读取数据。第一次执行dataset_mnist()，程序会检查用...
keras实现REINFORCE算法强化学习
03-10
keras实现REINFORCE算法强化学习： # Policy Gradient Minimal implementation of Stochastic Policy Gradient Algorithm in Keras ## Pong Agent ![pg](./assets/pg.gif) This PG agent seems to get more frequent wins after about 8000 episodes. Below is the score graph.
基于Keras的OpenAI-gym强化学习的车杆/FlappyBird游戏
aohun0743的博客
08-23 1987
强化学习 课程：Q-Learning强化学习(李宏毅)、深度强化学习 强化学习是一种允许你创造能从环境中交互学习的AI Agent的机器学习算法，其通过试错来学习。如上图所示，大脑代表AI Agent并在环境中活动。当每次行动过后，Agent接收到环境反馈。反馈包括回报Reward和环境的下个状态State，回报由模型设计者定义。如果类比人类学习自行车，可以将车从起始点到当前位...
5分钟了解Ai 之 深度学习 自动玩游戏 (tensorflow2实现dqn网络)
失业求捞！
10-24 1万+
准备环境 安装python 游戏包 pip install gym 运行这个脚本，如果正常出现名称列表，就是说已经成功安装了 # Deep-Q learning Agent import tensorflow as tf import gym.envs as envs import numpy as np import tensorflow.keras as keras print(envs...
基于深度强化学习的DQN模型实现自动玩俄罗斯方块游戏（附详细代码讲解）
haosen
07-28 3117
DQN（Deep Q-Network）是一种强化学习方法，通过结合Q-learning算法和深度神经网络来解决强化学习问题。它是深度强化学习的里程碑之一，由DeepMind在2013年提出，被广泛应用于各种复杂的强化学习任务。DQN方法的概述如下：1.强化学习问题：在强化学习中，智能体与环境进行交互，通过观察环境的状态并采取动作，来最大化累积奖励。智能体在环境中移动并与之交互，不断学习并优化策略，以在不同的状态下选择最优动作。
Keras的强化学习：QLearning和Proximal Policy Optimization
AI天才研究院
12-31 977
1.背景介绍 强化学习（Reinforcement Learning, RL）是一种人工智能技术，它旨在让智能体（Agent）在环境（Environment）中学习如何做出最佳决策，以最大化累积奖励（Cumulative Reward）。强化学习可以应用于各种领域，如游戏、机器人控制、自动驾驶等。 Keras是一个高级的深度学习API，基
Keras深度学习实战（43）——深度Q学习算法
盼小辉丶的博客
12-28 1558
我们已经学习了强化学习的基本概念，并且介绍了如何在给定状态下采取随机动作。此外，我们还使用自定义环境，计算下一个状态、动作和奖励。在本节中，我们首先介绍 Q 学习与深度 Q 学习的基本思想，然后利用 OpenAI 的 Gym 库模拟 Frozen Lake 和 CartPole 问题，并使用 Keras 实现 Q 学习解决这两个问题。
Keras 的强化学习:实现智能代理与决策系统
AI天才研究院
12-27 966
1.背景介绍 强化学习(Reinforcement Learning, RL)是一种人工智能技术，它通过在环境中执行动作并从环境中接收反馈来学习。强化学习的目标是在不同的环境中找到最佳的行为策略。强化学习的主要特点是它可以在没有预先标记的数据的情况下学习，并且可以适应不同的环境。 Keras 是一个开源的深度学习框架，它可以用于构建和训练神经网络模型。Keras 提供了一个简单的、高级的接口，...
强化学习DQN之俄罗斯方块
qq128252的博客
02-21 2752
本项目目的是训练一个基于深度强化学习的俄罗斯方块。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值