加载环境

进入AI Arena python环境的输入有三类：

1. 每回合的秒数（默认为60，但你可以在训练时改变它）
2. 两个相互竞争的模型
   1. 对手可以是机器学习模型，也可以是基于规则的代理，只要它符合输入→输出的标准。要了解更多信息，请看 代码合规性
3. 两种模型的战斗属性。要了解更多信息，请看 游戏环境

下面是一个初始化输入的例子：

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,
}

一旦你有了你的输入，你现在可以初始化环境：

from env.game_environment import Game

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

<aside> 💡 请注意，我们为您提供了启动模型，在安装后就可以上路运行了! 要查看它们，请到 初始模型

</aside>

训练模型

尽管你可以自由地训练你的模型，但我们提供两个模板来帮助你开始：

• **单边强化学习：**你唯一的重点是改进一个代理，并在一个固定的环境中模拟该代理的行动。这个环境是静止的，因为你所面对的对手没有学习。
• **自我游戏：**Y你负责训练两个模型，它们最终是彼此的副本。在自我游戏中，环境是非静止的，因为对手的政策在不断变化。更多信息见 自我游戏。

要阅读更多关于我们的模板的信息，请参见 模拟模板。

<aside> 💡 尽管我们给了你启动模板，但你可以自由探索不同的训练方法。不同方法的一些例子可以是遗传算法，甚至编写一个基于规则的代理，并训练一个神经网络，通过模仿学习来学习该政策。

</aside>

导出模型

一旦你完成了训练，你需要将模型从python导出到一个JSON文件，以便将它们带到AI Arena 研究者平台。

为了使用我们的平台，你将需要一个以太坊钱包。最常用的是Metamask。你可以下载钱包这里 - 我们建议使用chrome扩展。有关设置的更多信息，请参阅 Web3设置。

要了解使其与我们的平台兼容所需的特定模式，请查看 代码合规性。

目前，我们的python包支持与以下深度学习框架进行输出：

• PyTorch
• Tensorflow v1 和 v2

<aside> ⬅️ 上一页

</aside>

<aside> ➡️ 下一页

</aside>