自動玩遊戲的軟體（人工智慧自動打遊戲）

一、前言

讓AI玩遊戲的思想早在上世紀就已經有了，那個時候更偏向棋類遊戲。像是五子棋、象棋等。在上世紀“深藍”就擊敗了國際象棋冠軍，而到2016年“Alpha Go”擊敗了人類圍棋冠軍。

到現在，AI涉略的不僅僅是棋類遊戲。像是超級馬里奧、王者榮耀這種遊戲，AI也能有比較好的表現。今天我們就來用一個實際的例子討論AI自動玩遊戲這一話題，本文會用非常簡單的機器學習演算法讓AI自動玩Google小恐龍遊戲。

二、Google小恐龍與監督學習

2.1、Google小恐龍

如果你使用的是Chrome瀏覽器，那麼相信你應該見過下面這個恐龍：

當我們用Chrome斷網訪問網頁時，就會顯示這個恐龍，或者直接在位址列輸入：chrome://dino直接訪問該遊戲。

遊戲的玩法非常簡單，只需要按空格鍵即可。比如下面左圖，快碰到障礙物，這時需要按空格，而下面右圖沒有障礙（或離障礙比較遠），則不需要按按鍵。

當然還有出現鳥的情況，我們也可以歸為跳的情況。大家可以玩一下。

2.2、監督學習

玩遊戲很多時候會使用一個叫強化學習的方式來實現，而本文使用比較簡單的監督學習來實現。本文會使用邏輯迴歸演算法實現，其程式碼如下：

from sklearn.linear_model import LogisticRegression # 邏輯迴歸模型

from sklearn.model_selection import train_test_split # 資料集拆分

# 1、準備資料

X = [

# 天河區的座標

[1, 1],

[1, 2],

[2, 0],

[3, 2],

[3, 3],

# 花都區的座標

[7, 7],

[6, 7],

[7, 6],

[8, 6],

[8, 5]

]

y = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

# 2、拆分資料集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 3、定義模型

model = LogisticRegression()

# 4、填充資料並訓練

model.fit(X_train, y_train)

# 5、評估模型

score1 = model.score(X_train, y_train)

score2 = model.score(X_test, y_test)

print(score1, score2)

# 6、預測

input = [

[4, 4]

]

pred = model.predict(input)

print(pred)

關於邏輯迴歸的講解可以檢視：Python快速構建神經網路_ZackSock的部落格-CSDN部落格 。

我們可以把玩遊戲看作一個分類問題，即輸入為當前遊戲的影象，輸出為0、1的一個二分類問題（0表示跳，1表示不跳）。要讓AI實現自動玩遊戲，我們需要做幾件事情。分別如下：

1. 玩遊戲，收集一些需要跳的圖片和一些不需要條的圖片

2. 選擇合適的分類演算法，訓練一個模型

3. 擷取當前遊戲畫面，預測結果，判斷是否需要跳躍

4. 如果需要跳躍，則用程式控制鍵盤，按下跳躍鍵

下面我們來依次完成上面的事情。

三、收集資料

收集資料我們需要在玩遊戲的過程中不停地截圖，這裡可以用Pillow模組來實現截圖。Pillow模組需要單獨安裝，安裝語句如下：

pip install pillow

截圖的程式碼如下：

import time

from PIL import ImageGrab # 截圖

time.sleep(3)

while True:

# 截圖

img = ImageGrab.grab()

# print(img.size) # 960 540 480 270

img = img.resize((960, 540))

# 儲存圖片

img.save(f'imgs/{str(time.time())}.jpg')

# 修改name

time.sleep(0.1)

執行程式後就可以切換到Chrome開始遊戲了。進行一段時間後，我們會擷取一些圖片，大致如下： 這時就輪到人類智慧上場了，我們手動的把我們決定需要跳的場景放置到imgs/jump目錄下，把覺得不需要跳的場景放到imgs/none目錄下。然後就可以進行下一步了，這裡擷取的圖片通常不需要跳的要多很多，所有可以多收集幾次。

收集完成後我們就可以把圖片讀入，並轉換成一個1維陣列，這部分程式碼如下：

import os

import cv2

# 所有圖片的全路徑

files = [os.path.join(jump_path, jump) for jump in os.listdir(jump_path)] /

[os.path.join(none_path, none) for none in os.listdir(none_path)]

X = []

y = [0] * len(os.listdir(jump_path)) [1] * len(os.listdir(none_path))

# 遍歷jump目錄下的圖片

for idx, file in enumerate(files):

filepath = os.path.join(none_path, file)

x = cv2.imread(filepath, 0).reshape(-1)

X.append(x)

此時X和y就是我們的特徵和目標了。有了X和y就可以開始訓練模型了。

四、訓練分類模型

訓練部分的程式碼非常簡單，我們可以在訓練完成後儲存模型。程式碼如下：

import os

import cv2

import joblib

from sklearn.model_selection import train_test_split

from sklearn.linear_model import LogisticRegression

jump_path = os.path.join('imgs', 'jump') # 需要跳的圖片的根目錄

none_path = os.path.join('imgs', 'none') # 不需要跳的圖片的根目錄

# 所有圖片的全路徑

files = [os.path.join(jump_path, jump) for jump in os.listdir(jump_path)] /

[os.path.join(none_path, none) for none in os.listdir(none_path)]

X = []

y = [0] * len(os.listdir(jump_path)) [1] * len(os.listdir(none_path))

# 遍歷jump目錄下的圖片

for file in files:

x = cv2.imread(file, 0).reshape(-1)

X.append(x)

# 2、拆分資料集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 3、定義模型

model = LogisticRegression(max_iter=500)

# 4、訓練模型

model.fit(X_train, y_train)

# 5、評估模型

train_score = model.score(X_train, y_train)

test_score = model.score(X_test, y_test)

print(train_score, test_score)

# 儲存模型

joblib.dump(model, 'auto_play.m')

在我電腦上訓練的準確率在90%以上，總體效果還是不錯的。不過有幾個可以改進的地方。這裡說幾點：

1. 影象只有中間部分會對下一步操作有影響，因此可以選擇對訓練圖片進行一些處理。把上面和下面部分設定為0。如果做了這個處理，那麼在實際應用時也要做同樣的處理。

2. 這些圖片如果移植到其它電腦可能不適用，因為解析度等原因。所有可以選擇使用更復雜的模型，比如CNN網路。

3. 因為手動收集資料比較麻煩，可以選擇做一下資料增強。

在這裡我們不做這些改進，直接使用最簡單的模型。

五、自動玩遊戲

自動玩遊戲需要藉助pynput模組來實現，其安裝如下：

pip install pynput

我們可以用下面的程式碼實現按下鍵盤的空格鍵：

from pynput import keyboard

from pynput.keyboard import Key

# 建立鍵盤

kb = keyboard.Controller()

# 按下空格鍵

kb.press(Key.space)

知道了如何控制鍵盤後，我們就可以使用模型擷取預測，如何判斷是否要按空格，程式碼如下：

import time

import cv2

import joblib

import numpy as np

from PIL import ImageGrab

from pynput import keyboard

from pynput.keyboard import Key

time.sleep(3)

# 0、建立鍵盤

kb = keyboard.Controller()

# 1、載入模型

model = joblib.load('auto_play.m')

while True:

# 2、準備資料

ImageGrab.grab().resize((960, 540)).save('current.jpg') # 儲存當前螢幕截圖

x = cv2.imread('current.jpg', 0).reshape(-1)

x = [x]

# 3、預測

pred = model.predict(x)

print(pred)

# 如果需要跳，則按下空格

if pred[0] == 0:

kb.press(Key.space)

執行上面的程式後，開啟瀏覽器即可開始遊戲。程式的程式碼和圖片檔案：download.csdn.net/download/Za… GitHub地址為：github.com/IronSpiderM…