環境のロード

AIアリーナのPython環境への入力は3つのカテゴリがあります：

1. 1ラウンドあたりの秒数 - デフォルトは60秒ですが、トレーニング用に変更することができます。
2. 互いに競争する2つのモデル
   1. 対戦相手は、入力→出力の標準に準拠している限り、機械学習モデルでもルールベースのエージェントでもかまいません。詳しくは コード・コンプライアンス をご覧ください。
3. 両方のモデルの戦闘属性。詳しくは ゲーム環境をご覧ください。

以下に、入力を初期化する例を示します。

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,
}

入力ができたら、次は環境を初期化します。

from env.game_environment import Game

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

<aside> 💡 なお、インストール後すぐに使用できるスターターモデルを用意しています。 スターターモデル

</aside>

モデルのトレーニング

モデルの学習方法は自由ですが、まずは2つのテンプレートを用意しました：

• 片側強化学習(One-Sided Reinforcement Learning)：１つのエージェントを改良し、そのエージェントの行動を定常環境でシミュレートすることにのみ焦点を当てます。対戦相手は学習しないので、環境は静止しています。
• **セルフプレイ：**互いのコピーである2つのモデルを学習させます。セルフプレイでは、対戦相手のポリシーが常に変化しているため、環境は非定常です。詳しくは セルフプレイ をご覧ください。

テンプレートについて詳しくはこちらをご覧ください シミュレーション・テンプレート。

<aside> 💡 私たちはスターターテンプレートを提供していますが、自由に様々な学習方法を試してみてください。例えば、遺伝的アルゴリズムや、ルールベースのエージェントを作成し、そのポリシーを学習するためにニューラルネットワークを模倣学習でトレーニングすることもできます。

</aside>

モデルのエクスポート

トレーニングが完了したら、モデルを Python から JSON ファイルにエクスポートして、AIアリーナのリサーチャー・プラットフォームに取り込む必要があります。

私たちのプラットフォームを使用するには、イーサリアムウォレットが必要です。最も一般的に使用されているのはMetamaskです。ウォレットはこちらからダウンロードできます。Chrome拡張機能を使用することをお勧めします。セットアップの詳細については、以下を参照してください。 Web3セットアップ。

プラットフォームと互換性を持たせるために必要な特定のスキーマについては、こちらをご覧ください。 コード・コンプライアンス。

現在、私たちのPythonパッケージは、以下の深層学習フレームワークでのエクスポートをサポートしています：

• PyTorch
• Tensorflow v1 ・ v2

<aside> ⬅️ 戻る

</aside>

<aside> ➡️ 次のページ

</aside>