当 AI 技术的明珠——深度强化学习,遇到号称“通关率只有0.01%”的游戏“羊了个羊”,会碰撞出哪些奇思妙想呢?
P.S.S. 想了解更多深度强化学习相关知识?快来 DI-engine 训练自己的智能体。
- [bilibili] 羊群加不进去?那就来加猫群叭!深度强化学习版的羊了个羊来了
- [WeChat] 万事开头难?喵小DI玩“羊了个羊”可不难
- 如果想在线试玩 --> 在线网页(改进中)
- 如果想本地部署/测试
- 服务端(Python)
# 预先安装好 Python3 cd service pip install -r requirement.txt FLASK_APP=app.py flask run
- 客户端(react)
然后在网页中打开对应链接即可
# 预先安装好 node.js 和 react cd ui npm run build npm run preview
- 服务端(Python)
- 如果想进行完整的深度强化学习训练
# 预先安装好 Python3 cd service pip install -r requirement-train.txt python3 -u sheep_ppo_main.py
- 如果想使用定义好的 gym 羊了个羊环境 --> 点个 star 之后直接暴力 CTRL C+V 拿走
service/sheep_env.py
尽情魔改 - 如果想了解更多深度强化学习相关知识 --> 欢迎参阅 DI-engine 和相关文档
- 如果想了解未来的更新计划 --> 请参阅更新计划
- 如果有其他问题或想法 --> 欢迎 github ISSUE 区讨论,或是贡献 Pull requests
.
├── LICENSE
├── ui --> react 网页前端
└── service --> Python 核心模块(算法和服务端)
├── app.py --> flask 服务 app
├── requirement.txt --> Python 依赖库列表
├── sheep_env.py --> gym 格式环境
├── sheep_model.py --> 基于 PyTorch 的 Actor-Critic 神经网络模型
├── sheep_ppo_main.py --> 基于 DI-engine 的深度强化学习训练主函数
├── test_sheep_env.py --> gym 格式环境的单元测试
└── test_sheep_model.py --> 神经网络模型的单元测试
- 强化学习训练参数调整和算法微调
- 详细的神经网络和强化学习算法设计文档
- model-based RL 和 planning 算法
- 神经网络压缩(用于部署)
- 添加原类型游戏(比如3tiles)中的各种道具
- 牌的层数问题如何定义
- 结合 JAX 优化环境运行速度
- 更多结合 AI 的玩法设计
- 更多自定义主题和 BGM
- 在线网页端部署
- 更多 AI 训练时的行为分析
- 移动端应用(欢迎Android/IOS开发者支持)
- react 前端部分主要参考 https://github.com/StreakingMan/solvable-sheep-game ,请大家也多多支持这个 repo
DI-sheep is released under the Apache 2.0 license.