基于pytorch+Resnet101加GPT搭建AI玩王者荣耀

本源码模型主要用了SamLynnEvans Transformer 的源码的解码部分。以及pytorch自带的预训练模型"resnet101-5d3b4d8f.pth"

本资源整理自网络,源地址:https://github.com/FengQuanLi/ResnetGPT

注意运行本代码需要注意以下几点 注意!!!!!

1、目前这个模型在用后裔100多局对战数据下训练出来后,对局表现出各种送人头之类的问题,以及代码本身各种不规范,请多原谅。

2、本代码本来只是我试验模型能否玩王者荣耀,B站朋友强烈要求开源。仓促开源估计问题很多,请多原谅。

3、运行环境win10;win7未测试,估计是可以。需要一张6G或以上显存的英伟达显卡,虽然4G的1050ti勉强也可以。

4、需要一台打开安卓调试并能玩王者荣耀的手机,虚拟机没有试过,理论上应该可行。

5、需要下载scrcpy 的windows版本。把所有文件解压到项目根目录即可(这是我的笨办法) 。

位置如图

基于pytorch+Resnet101加GPT搭建AI玩王者荣耀_第1张图片

6、pyminitouch库运行时会自动安装minitouch。如果无法自动安装则需要手动安装minitouch ,比较麻烦,如有困难请多多百度。

还有,minitouch不支持Android10

7、本人用的手机分辨率是1080*2160的,本代码并没有针对不同的手机做优化。不同的手机minitouch命令中所描述的位置会有差异,需要对代码做出相应调整,请务必注意。

8、注意游戏的布局,务必要一样。布局可参考B站视频或者我上传的训练用截图。如图。

基于pytorch+Resnet101加GPT搭建AI玩王者荣耀_第2张图片

9、游戏更新以后可能会导致无法预料的后果,因此并不能保证此代码玩王者荣耀的长期有效性。

我之后可能出视频教程,同时讲讲我的设计思路。部分地区截图不可见,可下载项目在pycharm下打开readme.md即可见。

运行与生成训练数据

需要的库

torch

torchvision

pynput

pyminitouch

可能还有其它库

运行训练好的模型

如果前面的工作做好了就可以把模型跑起来了,这里声明这个经过训练的模型仅仅训练100多局,水平很低,青铜人机都未必能打过。

一、首先下载模型 你可以从google云盘 下载训练过的模型,也可以百度网盘下载

链接:https://pan.baidu.com/s/1Bt7BXukDDCpc1aWFI2iKxg

提取码:5c1k

后放入weights文件夹下

二、先运行 “启动和结束进程.py” 启动scrcpy 把“训练数据截取_A.py” 中的两项改成你的,_DEVICE_ID 是 adb devices后显示的那个id

基于pytorch+Resnet101加GPT搭建AI玩王者荣耀_第3张图片

三、启动王者荣耀进入5v5人机对战 运行 “训练数据截取_A.py” 即可。

生成训练数据

运行 “训练数据截取_A.py” 时可以通过按键操控角色,这时就可以生成训练用的数据,如果没有操控则会生成一个空文件夹和空json文件。

按"i"键则结束或则是重新运行

按键'w' 's ' 'a' 'd'控制方向 左、下、右箭头对应是1、2、3技能,上箭头长按则攻击。其它按键请参考源码。

每次获取训练图片最好不要超过5000张

你也可以下载训练数据样本(只是样本,数据量不大,不能指望两局对战数据就有效果,我估计这个模型现有参数可以吃下上万场的对战数据)

百度网盘 链接:https://pan.baidu.com/s/1Ak1sLcSRimMWRgagXGahTg

提取码:t4k3

google云盘

解压后注意存放位置,请参考源码。

如何训练

一、数据预处理

将图片用resnet101预处理后再和对应操作数据一起处理后用numpy数组储存备用。

具体要做的就是运行 “处理训练数据5.py”

二、训练

预处理完成以后运行 “训练_B.py”即可。

游戏按键映射本地化

按键映射通过 './json/名称_操作.json' 文件完成,如前文所述,由minitouch进行按压模拟。

1. 前期准备:

开启“开发者模式”,允许“USB调试”,允许“USB调试(安全设置):允许通过USB调试修改权限或模拟点击”。后两项均在进入开发者选项后可以找到。

2. 按键可视化,按键轨迹监控:

开启“显示点按操作的视觉反馈”,开启“指针位置”。后者方便查看自己手机屏幕点按的像素点坐标信息,从而生成对应本地手机按键映射的.json文件。

3. 映射本地化计算说明:

基于pytorch+Resnet101加GPT搭建AI玩王者荣耀_第4张图片

此计算以手机充电口朝右握持为例,反向握持同理可推。样例手机分辨率1080x2160。Android“指针位置”中显示的坐标信息以图中左上角红色原点所示,xy轴如图。此原点不论如何握持(充电口朝左或右),其始终保持在视野左上角,由重力感应判定。minitouch坐标原点如图中左下角蓝色原点所示,此点为物理固定点,不随手机握持方向改变,反向握持此点在右上角。另外注意两个坐标系xy轴方向不同。在图中设定下,Android指针坐标(X,Y)对应minitouch坐标(1080-Y,X):即在点按屏幕中某点时,安卓调试显示的(X,Y)在.json文件中的坐标应为(1080-Y,X)。

4. 本地映射文件生成:

'check_json.py'为调试和生成本地.json按键映射文件的脚本。重映射时请一一记录每个按键在自己手机中显示的“指针位置”,并按照上述计算方法换算为.json文件中需 要输入的坐标。此脚本会生成一个'./json/local_layout.json'文件,请在'处理训练数据5.py'中进行相应替换。此外,'处理训练数据5.py'中:‘加一技能’,‘加二技能’,‘加三技能’,‘购买’变量也许进行同样处理。.json文件中指令含义请参照minitouch。

往期精品内容推荐

计算机视觉经典教材-《计算机视觉:算法与应用第二版》免费pdf分享

斯坦福NLP大佬Chris Manning-《信息检索和网页搜索》课程分享

2020年8月新书-《机器学习角度-因果推理算法介绍》免费pdf分享

PyTorch精品课程-《PyTorch框架+项目实战》推荐

周志华《机器学习》(西瓜书)-所有公式推导集合pdf版分享

2020年强化学习免费新书-《不确定性决策与强化学习》pdf分享

Cristos Goodrow访谈-YouTube算法概述

中文自然语言处理医疗、法律等公开数据集整理分享

你可能感兴趣的:(tensorflow原理,深度学习优化策略汇总,生成对抗网络GAN,深度学习,计算机视觉)