Créons une IA à trois voies avec Pylearn2 --Save and load model -

introduction

Cet article est une suite de "Faisons une IA à trois yeux avec Pylearn 2". Il contient des informations telles que le modèle MLP que vous utilisez et le format de la partition, nous vous recommandons donc de lire l'article précédent avant de lire cet article.

Dans l'article précédent

À l'avenir, sur la base des résultats d'une formation, j'essaierai de l'implémenter dans un jeu à trois yeux afin que je puisse facilement obtenir le prochain coup pour n'importe quelle entrée. Tout d'abord, je dois créer un programme de jeu d'affilée.

Puisqu'il était lié, je vais m'en rendre compte. Pour ce faire, nous avons dû enregistrer et charger le modèle entraîné. Je vais vous montrer comment faire cela et créer une troisième ligne dans wxPython. Les fichiers nécessaires tels que le code source sont publiés sur GitHub, veuillez donc les obtenir à partir de là.

Comment enregistrer et charger un modèle dans Pylearn 2

Une fois que je l'ai su, c'était facile.

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)

Vous pouvez sélectionner «ignorer» ou «sauvegarde» pour «sur réécriture».

• ignorer: ignorer et écraser
• sauvegarde: Sauvegardez en .bak avant d'enregistrer et supprimez le fichier .bak si l'enregistrement réussit. Vous pouvez récupérer si l'enregistrement échoue.

À moins que vous n'ayez une raison spécifique, je pense que la «sauvegarde» est bien.

Trois yeux par wxPython

Environnement de contrôle de fonctionnement

• LinuxMint 17.3 (python2.7.6 + wxpython3.0.3)

Je pense que wxPython fonctionnera également avec 2.8. Cliquez ici pour la procédure d'installation de wxPython [http://qiita.com/kanlkan/items/5e6f2e63de406f46b3b1#wxpython%E3%81%AE%E3%82%A4%E3%83%B3%E3%82%B9%E3 Veuillez consulter% 83% 88% E3% 83% BC% E3% 83% AB) et ainsi de suite. L'installation de Pylearn 2 est une tâche difficile sous Windows, alors exécutez-le sous Linux. Sur Mac ... je suis désolé, je ne sais pas ...

Comment utiliser

1. Définissez les paramètres du modèle et enregistrez le modèle entraîné Définissez les paramètres du modèle dans le demi-panneau droit.

• h0 : Sigmoid
• irange: plage de poids initiale. Il est défini aléatoirement dans la plage de ± irange.
• init bias: valeur initiale du biais
• out : Softmax
• irange: plage de poids initiale. Il est défini aléatoirement dans la plage de ± irange.
• open .csv
• Spécifiez le fichier de partition à lire. Il est lu dans le même dossier que tic_tac_toe.py.
• save .pkl
• Nom du fichier modèle à enregistrer. Il sera créé dans le même dossier que tic_tac_toe.py.
• term criterion
• terminaison_criterion. Définissez la valeur EpochCounter pour terminer l'apprentissage.

2. Sélectionnez le mode de jeu

• Man vs Comp: les gens d'abord, l'ordinateur ensuite
• Comp vs Man: l'ordinateur d'abord, les gens ensuite

3. 3. Spécifiez le fichier de modèle à charger et Game Start
4. Cliquez avec le bouton gauche de la souris pour placer 〇 ×. L'ordinateur le met automatiquement à partir du résultat d'apprentissage.

Une fois que vous avez enregistré le modèle, vous pouvez simplement le spécifier et jouer avec.

Points à apprécier

• Si vous modifiez le fichier de score à lire, celui que la première attaque gagne (records_1st_win.csv), celui que la première attaque perd (records_1st_lose.csv), ou celui qui rassemble le tout (records.csv), le comportement va changer. Avec une figurine qui a été entraînée avec le score remporté par la première attaque, si vous faites toucher Computer lors de la deuxième attaque ... Si vous définissez + terminaison_criterion sur une très petite valeur ...
• En fonction du score que vous faites de votre mieux ...

Veuillez regarder le comportement de l'IA en modifiant les paramètres tels que. Il est également recommandé de jouer au jeu tout en regardant le niveau de confiance (je l'appelle) de la main que l'ordinateur émet vers la console comme indiqué ci-dessous.

[ 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]

Les neuf nombres entre [] font un total. Neuf nombres correspondent à neuf carrés. L'IA atteint la case avec la valeur la plus élevée parmi elles. Si vous considérez ce nombre comme une probabilité,

• S'il n'y a pas beaucoup de différence entre les nombres → Pas très confiant.
• Si une seule valeur est extrêmement élevée → Plein de confiance

Lorsque vous touchez un carré étrange en toute confiance, c'est un peu adorable.

Essayez différentes choses et jouez avec.

référence

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