遊戲中的深度學習與人工智慧

Q1：機器學習和深度學習在文本日誌分析領域有做得比較好的案例嗎？面對這麼龐大的日誌，貌似目前都沒有一個很好的解法，這個相信很多同學都碰到類似的問題，不管監督還是非監督學習，對於未知文本分析都起不了很好的作用，總不能人肉長期來分析，也不是特別合適，不知道老師對這方面的看法是如何的？

關於文本挖掘是有專門的領域來研究的，如果是形態比較好的日誌，那麼分析的手段就比較多了，因為裡面會有大量的帶有強烈的提示性的ERROR或者WARNING等。如果是文字比較多，那麼也是NLP研究的一個範疇。這類應該還是比較典型的監督學習。目前如果使用深度學習做文本分析，還是需要由人來大量標定樣本，進而讓分類器識別相應的文本分類。如果是NLP，那麼主要也是靠分詞以及文章類別的標定等方法。聚類也是可以用的，不過聚類只能找出那些彼此近似的日誌，這種情況下研究離群點可能更合適，看看這些點是不是代表著典型的且嚴重的問題，拿這些作為樣本來訓練。

Q2：高老師，請問，深度學習應用於遊戲的最大特點和難點是什麼？

深度學習的特點是可以End-to-End，那麼在以圖片或者視頻作為輸入的場景中，顯然巨大的樣本維度是一個非常難以應付的問題。所以在這種情況下，我們通常都會考慮採用降採樣的方法來降維，來讓網路收斂快一些。其次，對於一些演化太過複雜的遊戲來說，越豐富的信息也就意味著需要越多的樣本進行訓練，而且數量是幾何級的，這個也是比較大的問題。當然，卷積網路肯定是非常好的選擇，因為它的降採樣功能本身有著很好的抗過擬合，和收斂快的效果，只不過在不同的遊戲中，網路的設計需要多種嘗試才能確定，沒有固定的套路來一步到位。這個也是比較麻煩的事情。

Q3：AI如何在遊戲中自動進化？

這個比較容易，簡單說就是隨著樣本越來越多，那麼AI在這其中就能學到越來越多，越來越靠譜的決策方法。

Q4：像星際這樣的遊戲，如何把大量的狀態映射到一定的矩陣中？

FC遊戲的強化學習，我的TEAM已經在嘗試中了，其實原理是一樣的，只不過顯然星際爭霸這樣的遊戲更為複雜。所以第一肯定是考慮採用帶有池化層的卷積網路來進行降維以及特徵提取，其次的話可以考慮人為做一些降採樣的功能，比如可以通過多個網路來進行不同的動作。有的網路用來標定其中的NPC或者PLAYER的位置以及分類，這個可以考慮用RCNN來做；有的網路用來獲取當前處於整個大地圖的位置；有的用來獲取玩家當前的各種資源狀態等等……這些網路都是有著極好的而且極大效率的降維功能，對於整個演算法的訓練收斂是有幫助的。所以，這些方式都應該是我們優先嘗試的對象。

如果各位還有別的疑問，請在評論區提出。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！