在python中设置可变数量的输入节点

Question

我有一个简单的游戏，其中有一个球在屏幕上弹跳，玩家可以左右移动屏幕并向上射箭以弹出球，每次玩家击球时，球会爆裂并分裂成两个较小的球，直到它们达到最小尺寸并消失。 我正在尝试使用基于 python 整洁库的遗传算法和关于 flappy bird https://www.youtube.com/watch?v=MMxFDaIOHsE&list=PLzMcBGfZo4-lwGZWXz5Qgta_YNX3_vLS2 的本教程来解决这个游戏，所以我有一个配置文件，我必须在其中指定网络中必须有多少输入节点，我曾想过将玩家的 x 坐标、玩家的 x 坐标与球的 x 坐标之间的距离以及玩家的 y 坐标与球的 y 坐标之间的距离作为输入。

我的问题是在游戏开始时我只有一个球，但经过几次移动后我可以在屏幕上有更多的球，所以我应该有更多的输入节点，屏幕上的球越多我必须向网络提供的输入坐标越多。

那么如何以可变方式设置输入节点的数量呢？

config-feedforward.txt 文件

"""
# network parameters
num_hidden              = 0
num_inputs              = 3 #this needs to be variable
num_outputs             = 3
"""

python 文件

    for index,player in enumerate(game.players):
        balls_array_x = []
        balls_array_y = []

        for ball in game.balls:
            balls_array_x.append(ball.x)
            balls_array_x.append(ball.y)




        output = np.argmax(nets[index].activate(("there may be a number of variable arguments here")))


        #other...

最终代码

for index,player in enumerate(game.players):
    balls_array_x = []
    balls_array_y = []

    for ball in game.balls:
        balls_array_x.append(ball.x)
        balls_array_y.append(ball.y)

  
    distance_list = []
    player_x = player.x
    player_y = player.y
    
    i = 0

    while i < len(balls_array_x):
        dist = math.sqrt((balls_array_x[i] - player_x) ** 2 + (balls_array_y[i] - player_y) ** 2)
        distance_list.append(dist)
        i+=1

    i = 0

    if len(distance_list) > 0:
        nearest_ball = min(distance_list)

        output = np.argmax(nets[index].activate((player.x,player.y,nearest_ball)))

Answer 1

这是一个很好的问题，据我通过快速 Google 搜索得知，NEAT 等简单的 ML 算法尚未解决。

Deep NN 的传统尺寸调整方法（填充、裁剪、RNN、中间层等）显然不能在这里应用，因为 NEAT 显式编码每个单个神经元和连接。

我也不知道有任何通用方法/技巧可以使传统 NEAT 算法的输入大小可变，坦率地说，我认为没有。虽然我可以考虑对算法进行一些更改以使这成为可能，但我想这对您没有帮助。

---

因此，我认为您有 3 个选择：

• 您将输入大小增加到算法应该跟踪的最大球数，并将不存在的球的 x-diff/y-diff 值设置为否则不可能的数字（例如 -1）。如果球存在，您实际上设置了那些 x-diff/y-diff 输入神经元的值，并在它们消失时再次将它们设置为 -1。然后你让 NEAT 弄清楚。还值得考虑连接 2 个单独的 NEAT NN，第一个 NN 有 2 个输入，1 个输出，第二个 NN 有 1（玩家位置）+ x（最大球数）输入和 2 个输出（左，右）。第一个 NN 为每个球的位置产生一个输出（并且每个球都相同），第二个 NN 获取第一个 NN 的输出并将其转换为一个动作。另外：球的最大数量不必是可显示球的最大数量，也可以限制为 10 个，并且只考虑最近的 10 个球。

• 您只考虑每个动作方 1 个球（使您的输入为 1 + 2*2）。这可能是考虑每侧最低的球或每侧最近的球。这种预处理可以使这些简单的神经网络任务变得很容易解决。也许您可以在您的测试环境中添加惯性，从而添加非线性，使得总是传送/匆忙到最低的球变得不那么简单。

• 您将整个观察空间输入 NEAT（或均匀下采样的分数），例如整个游戏在任何分辨率下都是最低的，但仍然是明智的。我知道这个观察空间很大，但是 NEAT 在处理这些空间时效果很好。

---

我知道这不是您可能希望的 NEAT 的可变输入大小选项，但如果不显着更改底层 NEAT 算法，我不知道任何此类通用选项/技巧.

但是，如果有人知道更好的选择，我很高兴得到纠正！