[技术]使用人工智能玩微信跳一跳

周六玩跳一跳小游戏，人工模式下只能到三十来分，玩了一会儿颇感气馁，决定挑战一下自我，写了一个人工智能程序来玩跳一跳。

一、人工智能-人工神经网络

人工神经网络目前是AI的主流发展方向之一，是模拟生物神经网络的突触联接的结构进行信息处理的数学模型。

生物科学家认为：神经元的基本功能是通过接受、整合、传导和输出信息实现信息交换。通过树突与其他神经元连接，通过突触来传递数据。

以下是人工神经网络的历史

1943年，基于生物神经网络莫克罗-彼特氏神经模型（McCulloch－Pitts′neuronmodel）诞生。

McCulloch-Pitts模型的基本思想是抽象和简化生物神经元的特征性成分。这个模型不需要捕捉神经元的所有属性和行为，但要足以捕获它执行计算的方式。McCulloch-Pitts模型的6个特点中前面4点和之前总结的生物神经元一致，具体对应请见下图：

1.每个神经元都是一个多输入单输出的信息处理单元；2.神经元输入分兴奋性输入和抑制性输入两种类型；3.神经元具有空间整合特性和阈值特性；4.神经元输入与输出间有固定的时滞，主要取决于突触延搁；5.忽略时间整合作用和不应期；6.神经元本身是非时变的，即其突触时延和突触强度均为常数。

作者：HiAR链接：https://www.jianshu.com/p/078bba15fdb0來源：简书

似乎上图就是人工神经网络的鼻祖了，是的，它比计算机行业还要古老。

从上述模型中可以依稀看到生物神经网络的原理：某个神经元，接收到不同突触传来的信号，将信号进行加工，最终转换为输出。

80年代，各方研究室都在研究如何制造人工神经网络，1986年出版了《Learning representations by back-propagating errors》，将BP算法运用在神经网络上，自此之后BP神经网络开始大行其道，直至今日，采用了BP算法的前馈式神经网络成为了运用最广泛的人工神经网络。

人工神经网络

人工神经网络是模拟生物神经网络的数学模型，最早的时候只有一些数学家在模拟，近来由于学术界与工业界的互相渗透，人工神经网络的使用场景也越来越丰富，现在已有遍地皆是之感。

以上就是人工神经网络的核心部分：一个输入层，一到多个隐含层，一个输出层，输入层与隐含层的连接有各自的权重，隐含层的每一个节点都有其激活函数，隐含层与输出层之间也有其连接权重。

常见的情况是：

1、初始化一批训练数据，包含【输入值，期望输出】

2、将输入值输入“输入层”

3、输入层根据连接权重将输入值分解到各“隐含层”节点

4、隐含层节点接受到各个输入层传递来的数据，通过激活函数，计算输出

5、将输出根据权重输出到“输出层”

6、输出层汇总输出

其中关键的地方在于“激活函数”+“连接权重”。

激活函数是一种特殊的函数，具有如下的性质：y越接近0.5，其导数越大，y越接近0或者1，其导数越小。图形如下：

左侧的即为：Sigmoid激活函数，算法是：σ(x)=1/(1+e−x)，即var value = 1 / (1 + Math.exp(-x));

如果大家看不懂，那么我们换一种说法：激活函数是逻辑斯蒂函数的变种，逻辑斯蒂方程又名生物增长自我抑制方程：

逻辑斯蒂方程是初中生物的知识，用于描述生物数量的增长曲线：

1.开始期，由于种群个体数很少，密度增长缓慢，又称潜伏期。

2.加速期，随个体数增加，密度增长加快。

3.转折期，当个体数达到饱和密度一半（K/2),密度增长最快。

4.减速期，个体数超过密度一半（K/2)后，增长变慢。

5.饱和期，种群个体数达到K值而饱和。

当把逻辑斯蒂方程运用在人工神经网络的隐含层节点时，就会发生一个十分奇妙的现象：隐含层节点的输出总是趋于1或者趋于0的。（其原理为通过一定的数学设计，当y=0.5时，输出结果趋于不稳定，仅有当y=1或者0时，输出结果趋于稳定。这样就使得在重复运算中，隐含层节点的输出总是趋于1或者趋于0，通过1和0的状态来保留输入值的特征）在漫长的训练中，隐含层节点最终通过激活函数把“激活神经元的特征”通过函数形式保留并映射出来。据此，人工神经网络可以成功解决很多“非线性问题”。

什么是非线性问题？举个例子：F=ma 这个就是线性问题；而给出一张照片，判断这张照片上是否有一只猫就是非线性问题。

非线性问题是十分常见的，如照片识别，音纹识别，人工AI等等。

刚才提到了一个概念“漫长的训练中”，为什么人工智能或者机器学习都需要漫长训练？此处涉及到了概率论的知识：贝叶斯公式

贝叶斯老爷子和牛顿是同一个时代的人，不同的是：牛顿是个物理学家，而贝叶斯是一名职(wai)业(guo)牧(he)师(shang)，既然是牧师，自然需要虔诚的研究上帝以及和上帝相关的东西。贝叶斯老爷子研究的是“信念”，即信念是如何产生的。

他的研究结果即是贝叶斯公式，也即：先验概率修正公式。

举个例子：你去A医院体检，医生说你得了癌症，一半情况你不信；再换B医院体检，医生还是说你得了癌症，你会半信半疑；再换C医院体检，医生依旧说你得了癌症，那你肯定就信了。

贝叶斯公式就是这样的原理：根据经验制定一个先验概率，然后根据不断出现的事实，对此概率进行修正，重复一定的次数，修正的概率最终会达到其实际的概率。这就是信念修正法则。

在机器学习和人工智能中，贝叶斯法则比比皆是，通过长期不停的训练，最终你的机器和brain将会拥有匹配你提供数据的智能。

例如在BR前馈式神经网络中，通过每一个节点训练足够的次数，最终贝叶斯会告诉你真实的结果。

以上就是铺垫：生物神经网络，人工神经网络模型，激活函数，连接权重，贝叶斯法则。

接下来我们实现一个可用的神经网络；

二、人工神经网络

人工神经网络无外乎：数据的输入，隐含层节点的确定，隐含层激活函数，输出层输出等等。

前些年出现了新的卷积神经网络CNN，在图像识别上应用比较广泛。我们从简单的开始入手。

业内神经网络的语言一般有四种：Matlab数学家专用，Python工业界常用，C语言混合使用，其他语言偶发性使用。

抛开语言的不同，其实代码实现原理基本是相同的，对于一个顶级IT从业者来说，其实现其实区别不大。

我们找了一个Nodejs版本的神经网络brain.js，参见https://github.com/harthur/brain

选择该版本的原因为：小，且五脏俱全。

其实业内标准做法是Python，因为基础设施健全。但因为我不太想费心去找代码了，因此选择了brain.js。

brain.js是一个裸的人工智能核心，具有训练、测试、反馈等功能，代码只有五百余行，有兴趣的可以拜读一下。

另：可以考虑把brain.js翻译为C语言版本的，或者CUDA语言，可以适用于通用CPU或者GPU上运行。

关于brain.js的使用方法如下：

var net = new brain.NeuralNetwork();net.train([{input: [0, 0], output: [0]},{input: [0, 1], output: [1]},{input: [1, 0], output: [1]},{input: [1, 1], output: [0]}]);var output = net.run([1, 0]);  // [0.987]

内部代码的翻译可见：

[KANMARS原创]-人工神经网络brain.js算法解析

http://www.kanmars.com/2016/07/13/2016-07-13-neuralnetwork_analysis/

三、人工智能工程化

在学习了人工智能原理之后，我们需要构建一个人工智能工程了。如果上上面的brain.js是一条龙虾，那么将人工智能工程化的步骤就是做满汉全席了。

上图是一个人工神经网络工程化的模型。brain.js是核心部位的关键组成，负责对数据训练，生成brain，提供brain的存取与恢复。

左侧部分为人工神经网络的训练和测试部分

右侧为将训练出的神经网络运用在实际场景中，并根据实际场景的结果决定是否要加载到知识库中。

纵向来看，人工神经网络包含：

1）原始数据采集：采集照片、音频、特征码等数据

2）数据转化层：将单个原始数据转化为数字型数据，例如：将照片进行灰度、压缩处理，提取特征，提取音频转化为数字信号等

3）数据清洗层：将单个或者多个数据转化层的数据，清洗合并为统一格式的人工神经网络可识别的输入输出值

4）训练层：将数据清洗层生成的大批量数据交由人工智能核心训练，并生成新的brain

5）测试层：使用新的brain对测试数据进行测试，判断新brain是否符合实际需求

6）训练数据采集工具：辅助性工具，帮助操作人员批量获取训练数据

7）运用层：当brain已经训练好，则可交付外部使用，外部可以通过“执行工具-》原始数据采集层-》数据转化层-》运用层-》人工神经网络”的顺序发起调用，其中的“原始数据采集层”和“数据转化层”可以与训练阶段共享。（但没有“数据清洗层”，因为在实际运用中，往往是对单条数据进行运用）

8）结果汇总层：brain的输出结果往往有很多个，需要在结果汇总层进行数据汇总

9）结果处理层：结果处理层是根据汇总的结果进行下一步实际操作的步骤，并且最终产生了“响应”

10）结果反馈层：记录每一次的输入输出到监督学习区

11）监督学习：在此步骤判断正确的“输入输出”，并录入到训练阶段的“原始数据采集层”中

可以看到，按照此模型，仅需适当的“引导”（训练数据采集层），即可让人工神经网络运转起来。

-----------------------------------------------------------------------------------------------------

项目如下：

-----------------------------------------------------------------------------------------------------

上图为一个可运行的神经网络工程化项目：

1）traintools_000_main.js：训练数据采集工具，用于在手机上截屏，并且记录每次截屏的跳一跳需要按下时间

2）traintools_001_getPixs.js：数据转化层，将采集到的图片进行解码，编码为灰度图片，压缩35*35倍生成小图片特征

3）traintools_002_getCleanData.js：数据清洗层，将小图片特征与每张小图片的按下时间进行汇总，最终生成批量清洗数据

4）traintools_003_startTrain.js：训练层，将批量清洗数据灌入brain.js，并生成最终的brain

5）traintools_004_startTest.js：测试层，将生成的brain对测试数据进行测试，判断最终命中率

读到这边，估计很多人纳闷：生成的brain是什么?

brain就是：受过训练的大脑。你可以把它想象成一颗泡在福尔马林中的标本。

截图如下：

图中这一串串串串串绿油油的数据就是brain，模拟了神经元模型中，每个神经元与其他神经元的连接点，连接权重等信息。

6）main.js：执行工具，用于触发每一次实际的操作

7）sh_use_001_getPixs.js：数据转化层，将采集到的图片进行解码，编码为灰度图片，压缩35*35倍生成小图片特征

与traintools_001_getPixs.js基本类似，代码共用。共用部分放在common.js和common.pixs.js中

8）sh_use_002_startBrain.js：运用层，数据汇总层，将上个步骤采集到的“实时数据”灌注到生成的brain中，并获取结果，将结果进汇总为可识别的数据

9）sh_use_003_dosth.js：结果处理层，根据可识别的数据执行后续操作。在本跳一跳示例中，是实现了：往前跳的操作。

此外在sh_use_003_dosth.js中兼职了结果反馈层，监督学习的工作，可以将每一跳都作为下一次的学习数据，大大提升了系统的闭环性。

通过以上步骤你就看到了一个可用于“微信跳一跳”小程序的人工神经网络。通过对跳一跳进行训练，使它可以初步运行，然后投入实际生产环境，在不断的使用中学习前进，最终可以达到：

具有自我意识，能自动判断前进距离，自动向前跳跃的能力。

（受限于时间、CPU性能、算法等因素，这个跳一跳程序目前只能达到三岁小孩的智力，能往前跳三步左右，相信只要有充足的时间，可以将这个程序训练为跳一百、一千步的高手）

另外我比较欣慰的是：有以上程序，我仅需把数据采集层和结果处理层进行适当修改，以上程序可以运用在各种场景中：验证码识别、身份证识别、音频采集等等，应用场景十分广阔。

----------------------------------------------------------------------------------------------------------------------

缺陷：任何事物都有缺陷，人工神经网络也不例外，它的缺陷如下，也是目前世界正在努力解决的问题：

1）原始数据采集问题：人工智能驾驶使用的是激光采集器，十分昂贵。而人工智能至今未能制造出可媲美人类眼睛、耳朵、皮肤的器官。因此原始数据不纯净的问题严重阻碍了人工智能发展。本例中采用了手机视频截图，adb shell 截屏

2）层与层数据传输问题：本例使用的是文件式传输，但是文件式传输速度略慢，将来可以改成共享内存或者消息队列，或者流式计算

3）brain.js性能问题：js性能，比c还是略差一点的，比GPU运算更是慢了不止一点。当前人工神经网络的重点研究方向就是计算效能的提升，又分为空间效率和时间效率：

3.1）时间效率：同一批数据，A神经网络用一天可以学习完成，B神经网络用三天可以学习完成，则A的效率高于B

3.2）空间效率：同一批数据，A神经网络学习十分之一即可完成99.99%识别，而B神经网络学习二分之一才能完成99.99%识别，则A的效率高于B

这两个方向是神经网络专家的研究方向，我见过不少专家的算法，都是在这两个方面努力的

4）监督学习问题：人为监督还是机器自我监督，使用机器自我监督会更加节省。

全文完。

[技术]使用人工智能玩微信跳一跳相关推荐

“Python来玩微信跳一跳”教程（问题总结）
原文:<"Python来玩微信跳一跳"教程> 在上一篇文章中,收到了大家大量的问题反馈,因为问题比较多,并且有很多重复的问题,所以并没有一一回复,这里表示一下歉意,并整 ...
跳一跳python开挂_微信跳一跳物理外挂—教你用 Python 来玩微信跳一跳
微信跳一跳出物理外挂了,教你用 Python 来玩微信跳一跳,最高可跳 4000 分.这里为大家整理了一份完整的使用教程,让你轻轻松松那高分! 1.下载程序:打开下面的链接,点右侧 clone or ...
python玩微信跳一跳_用python玩微信跳一跳
前言:有個學弟之前問我有沒有玩微信跳一跳,我說沒有啊,他說可以用python刷分,然后后來她推薦給了我,一起玩了起來挺好玩的,然后想起我在學python,然后就看看怎么 make it happen, ...
微信跳一跳python_用python来玩微信跳一跳
周六晚上看了强子老师讲的用python来玩微信跳一跳,感觉很有意思,所有自己动手试了一下,与大家分享一下. 完整的程序源码包.链接: https://pan.baidu.com/s/1c1TAJja ...
opencv在电脑屏幕上画_用Python+OpenCV让电脑帮你玩微信跳一跳
前言最近微信小游戏跳一跳大热,自己也是中毒颇久,无奈手残最高分只拿到200分.无意间看到教你用Python来玩微信跳一跳一文,在电脑上利用adb驱动工具操作手机,详细的介绍以及如何安装adb驱动可以 ...
使用Python玩微信跳一跳教程
在上一篇文章里介绍了使用Python玩微信跳一跳的详细使用教程,不过依旧还是有很多小伙伴有各种各样的问题.为了让各位小伙伴都能使用黑科技,于是再做一个超详细教程.从Python的安装开始,手把手教你一 ...
AI 玩微信跳一跳的正确姿势：跳一跳 Auto-Jump 算法详解
作者丨安捷 & 肖泰洪学校丨北京大学硕士生研究方向丨计算机视觉本文经授权转载自知乎专栏「学术兴趣小组」. 最近,微信小游戏跳一跳可以说是火遍了全国,从小孩子到大孩子仿佛每一个人都在刷跳一 ...
AI玩微信跳一跳的正确姿势：跳一跳Auto-Jump算法详解
最近,微信小游戏跳一跳可以说是火遍了全国,从小孩子到大孩子仿佛每一个人都在刷跳一跳,作为无(zhi)所(hui)不(ban)能(zhuan)的 AI 程序员,我们在想,能不能用人工智能(AI)和计算机 ...
python 遍历usb设备_python程序员教你写脚本玩微信跳一跳，只要有耐心，你就是王者！...
温馨提示:微信已经开始检测分数异常高的情况了,请大家不要跑太高哦游戏模式这是一个 2.5D 插画风格的益智游戏,玩家可以通过按压屏幕时间的长短来控制这个「小人」跳跃的距离.可能刚开始上手的时候,因 ...
Python来帮你玩微信跳一跳
> 2017 年 12 月 28 日下午,微信发布了 6.6.1 版本,加入了「小游戏」功能,并提供了官方 DEMO「跳一跳」. >自己也是上瘾,玩了一百多局,也只有得到189分,后来看到 ...

[技术]使用人工智能玩微信跳一跳

[技术]使用人工智能玩微信跳一跳相关推荐

最新文章

热门文章