Загрузка Среды

Существует три категории вводных данных в среду AI Arena python:

1. Секунды на раунд (по умолчанию 60, но вы можете изменить это значение для тренировки)
2. Две модели, которые соревнуются друг с другом
   1. Оппонентом может быть либо модель машинного обучения, либо агент, основанный на правилах, если он соответствует стандарту "ввод → вывод". Чтобы узнать больше, см. Code Compliance
3. Боевые атрибуты для обеих моделей. Чтобы узнать больше, см. Игровое окружение

Вот пример инициализации вводов:

seconds_per_round = 60

model1 = your_ml_model(*params)
model2 = some_other_agent(*params)

attributes1 = your_attributes = {
    "power": 50,
    "speed": 62,
    "defence": 30,
    "accuracy": 78,
}
attributes2 = your_attributes = {
    "power": 45,
    "speed": 49,
    "defence": 90,
    "accuracy": 67,
}

Имея вводные данные, вы можете инициализировать среду:

from env.game_environment import Game

env = Game(seconds_per_round)
env.load_fighters(model1, model2, attributes1, attributes2)

<aside> 💡 Обратите внимание, что мы предоставляем вам стартовые модели, чтобы вы могли начать движение сразу после установки! Чтобы проверить их, перейдите по адресу Стартовые модели

</aside>

Модели обучения

Хотя вы можете обучать свои модели как угодно, мы предлагаем два шаблона, которые помогут вам начать:

• Одностороннее Обучение с подкреплением: Ваша единственная цель - улучшить одного агента и смоделировать действия этого агента в неподвижной среде. Среда неподвижна, потому что противник, с которым вы сталкиваетесь, не обучается.
• Самостоятельная игра: Вы отвечаете за обучение двух моделей, которые в конечном итоге являются копиями друг друга. При самостоятельной игре среда нестационарна, потому что политика противника постоянно меняется. Для получения дополнительной информации смотрите Self-Play.

Чтобы узнать больше о наших шаблонах, смотрите Шаблоны симуляции.

<aside> 💡 Несмотря на то, что мы даем вам начальные шаблоны, не стесняйтесь исследовать различные методы обучения. Примерами различных подходов могут быть генетические алгоритмы или даже написание агента на основе правил и обучение нейронной сети для изучения этой политики с помощью имитационного обучения.

</aside>

Экспорт моделей

После завершения обучения вам необходимо экспортировать модели из python в JSON-файл, чтобы перенести их на платформу AI Arena Исследовательская Платформа.

Для использования нашей платформы вам понадобится кошелек Ethereum. Наиболее часто используемым является Metamask. Вы можете скачать кошелек здесь - мы рекомендуем использовать расширение для хрома. Более подробную информацию о настройке смотрите в Web3 Setup.

Чтобы узнать о специфической схеме, необходимой для совместимости с нашей платформой, ознакомьтесь с Code Compliance.

В настоящее время наш пакет python поддерживает экспорт со следующими фреймворками глубокого обучения:

• PyTorch
• Tensorflow v1 and v2

<aside> ⬅️ Previous

</aside>

<aside> ➡️ Next

</aside>