Einführung

Dieser Artikel ist eine Fortsetzung von "Machen wir mit Pylearn 2 eine dreiäugige KI". Es enthält Informationen wie das von Ihnen verwendete MLP-Modell und das Format der Partitur. Wir empfehlen daher, den vorherigen Artikel zu lesen, bevor Sie diesen Artikel lesen.

Im vorherigen Artikel

In Zukunft werde ich es basierend auf den Ergebnissen eines Trainings leicht machen, den nächsten Schritt für jede Eingabe zu bekommen und ihn in einem Drei-Augen-Spiel umzusetzen. Zunächst muss ich ein Spielprogramm hintereinander erstellen.

Da es damit verbunden war, werde ich dies erkennen. Dazu musste ich das trainierte Modell speichern und laden. Ich werde Ihnen zeigen, wie das geht, und tatsächlich eine dritte Zeile in wxPython erstellen. Notwendige Dateien wie der Quellcode werden auf GitHub veröffentlicht. Bitte beziehen Sie sie von dort.

So speichern und laden Sie ein Modell in Pylearn 2

Sobald ich es wusste, war es einfach.

from pylearn2.utils import serial
...
...
ann = mlp.MLP([h0,out], nvis=9)
path = "./hoge.pkl"

# save model
serial.save(path, ann, on_overwrite='backup')

# load model
ann = serial.load(path)

Sie können'ignore 'oder' backup'for'on_overwrite 'auswählen.

ignorieren: ignorieren und überschreiben
backup: Sichern Sie vor dem Speichern als .bak und löschen Sie die .bak-Datei, wenn das Speichern erfolgreich ist. Sie können wiederherstellen, wenn das Speichern fehlschlägt.

Wenn Sie keinen bestimmten Grund haben, denke ich, dass "Backup" in Ordnung ist.

WxPython dritter Ordnung

Betriebsüberprüfungsumgebung

LinuxMint 17.3 (python2.7.6 + wxpython3.0.3)

Ich denke, wxPython wird auch mit 2.8 funktionieren. Klicken Sie hier, um das Installationsverfahren für wxPython anzuzeigen [http://qiita.com/kanlkan/items/5e6f2e63de406f46b3b1#wxpython%E3%81%AE%E3%82%A4%E3%83%B3%E3%82%B9%E3 Siehe% 83% 88% E3% 83% BC% E3% 83% AB) und so weiter. Die Installation von Pylearn 2 ist unter Windows eine schwierige Aufgabe. Führen Sie sie daher unter Linux aus. Auf dem Mac ... Es tut mir leid, ich weiß nicht ...

Wie benutzt man

Stellen Sie die Modellparameter ein und speichern Sie das trainierte Modell Stellen Sie die Modellparameter in der rechten Hälfte ein.

h0 : Sigmoid
irange: Anfangsgewichtsbereich. Sie wird zufällig aus dem Bereich von ± Orange eingestellt.
Init Bias: Anfänglicher Bias-Wert
out : Softmax
irange: Anfangsgewichtsbereich. Sie wird zufällig aus dem Bereich von ± Orange eingestellt.
open .csv
Geben Sie die zu lesende Score-Datei an. Es wird aus demselben Ordner wie tic_tac_toe.py gelesen.
save .pkl
Name der zu speichernden Modelldatei. Es wird im selben Ordner wie tic_tac_toe.py erstellt.
term criterion
terminierungskriterium. Legen Sie den EpochCounter-Wert fest, um das Lernen zu beenden.

Wählen Sie den Spielemodus

Man vs Comp: Die Leute greifen zuerst an, dann der Computer
Comp vs Man: Computer zuerst, Leute zweitens

1. Geben Sie die zu ladende Modelldatei und den Spielstart an
Klicken Sie mit der linken Maustaste, um 〇 × zu platzieren. Der Computer setzt es automatisch aus dem Lernergebnis.

Sobald Sie das Modell gespeichert haben, können Sie es einfach angeben und damit spielen.

Punkte zu genießen

Wenn Sie die zu lesende Score-Datei ändern, diejenige, die der erste Angriff gewinnt (records_1st_win.csv), diejenige, die der erste Angriff verliert (records_1st_lose.csv) oder diejenige, die alle zusammenfasst (records.csv), ändert sich das Verhalten. Mit einem Modell, das mit der Punktzahl trainiert wurde, die der erste Angriff gewonnen hat, wenn Sie Computer im zweiten Angriff treffen lassen ... Wenn Sie + terminierungskriterium auf einen sehr kleinen Wert setzen ...
Basierend auf der Punktzahl, dass Sie Ihr Bestes geben ...

Bitte genießen Sie es, das Verhalten der KI zu beobachten, indem Sie die Parameter wie z. Es wird auch empfohlen, das Spiel zu spielen, während Sie das Konfidenzniveau (ich nenne es) der Hand beobachten, die der Computer wie unten gezeigt an die Konsole ausgibt.

[ 0.1223754   0.07839377  0.1005455   0.09967972  0.0958171   0.05355689
  0.13877278  0.08772236  0.22313648]
[  1.69255291e-01   1.79474672e-01   6.59611187e-02   8.35728072e-02
   1.76704145e-01   5.69182580e-05   1.74977445e-01   1.48576416e-01
   1.42118607e-03]
[  3.94020768e-02   3.56583963e-03   9.39233627e-05   1.20089713e-01
   4.85647829e-01   2.05857441e-04   2.00150417e-01   1.50013023e-01
   8.31320404e-04]
[  3.55036488e-01   8.74969597e-03   2.24572898e-04   7.35919590e-04
   1.89100732e-02   3.48102279e-04   2.63566398e-01   3.48737495e-01
   3.69125555e-03]

Die neun in [] eingeschlossenen Zahlen ergeben eine. Neun Zahlen entsprechen neun Quadraten. KI trifft das Quadrat mit dem höchsten Wert unter ihnen. Wenn Sie diese Zahl als Wahrscheinlichkeit betrachten,

Wenn es keinen großen Unterschied in einer der Zahlen gibt → Nicht sehr sicher.
Wenn nur ein Wert überwältigend groß ist → Voller Zuversicht

Wenn Sie mit vollem Selbstvertrauen auf ein seltsames Feld treffen, ist es ein wenig bezaubernd.

Bitte probieren Sie verschiedene Dinge aus und spielen Sie damit.

Referenz

https://github.com/lisa-lab/pylearn2/blob/master/pylearn2/train.py http://fastml.com/how-to-get-predictions-from-pylearn2/ http://deeplearning.net/software/pylearn2/library/utils.html

[PYTHON] Lassen Sie uns mit Pylearn2 eine Drei-Wege-KI erstellen - Modell speichern und laden -