机器/深度学习SerpentAI、StarSpace、PySC2、Fashion-MNIST介绍

以下为你介绍的机器学习/深度学习软件都可用在Linux系统上:SerpentAI(教 AI 打游戏的学习框架)、StarSpace(实体嵌入通用神经网络模型)、PySC2(星际争霸II学习环境)、Fashion-MNIST(替代 MNIST 手写数字集的图像数据集)。

1、SerpentAI(教 AI 打游戏的学习框架)

机器/深度学习SerpentAI、StarSpace、PySC2、Fashion-MNIST介绍

SerpentAI 是一个 Game Agent 框架(ps:在人机对战中,为了区分玩家,通常称机器玩家为 agent ),简单而又强大。它能把任何一个游戏变成用 Python 编写的沙盒环境,供开发者在其中创造游戏 Game Agent 做实验,使用的都是开发者非常熟悉的Python代码。

SerpentAI 旨在为机器学习和 AI 研究提供一个有价值的工具。但同时,对于爱好者来说,它也是非常有趣的。

Serpent.AI 中包含大量支持模块,在以游戏为开发环境时经常遇到的场景提供解决方案,同时也提供加速开发的 CLI 工具。支持 Linux、Windows 和 MacOS。

背景:

这个项目是出于对OpenAI Universe的钦佩而产生的,说实话,这个想法很完美,但是一些实现细节还有很多不足之处,由此,建立了框架的核心宗旨:

1]、您将本机运行,您不得使用Docker容器或VNC服务器。

2]、您应允许用户携带自己的游戏,您不要等待许可交易和特殊的游戏API。

3]、您应鼓励采取多种创新方法。

下载地址:https://github.com/SerpentAI/SerpentAI

2、StarSpace(实体嵌入通用神经网络模型)

StarSpace 是用于高效学习实体嵌入(Entity embeddings) 的通用神经模型,可解决各种各样的问题:

学习单词、句子或文档级嵌入。

文本分类或其他标签任务。

信息检索:实体/文件或对象集合的排序。

度量/相似性学习。

基于内容或协作过滤的建议,例如推荐音乐或视频。

图表嵌入。

一般情况下,它学习将不同类型的对象表示为公共矢量嵌入空间,并在名称中带有星号('*',通配符)和空格,然后在该空间中将它们彼此进行比较。也可以学习对指定查询实体/文档或对象的一组实体/文档或对象进行排序。

注:实体嵌入是基于向量的表示,它捕获上下文中引用实体的方式。

建立StarSpace:

为了在Mac OS或Linux上构建StarSpace,请使用以下命令:

git clone https://github.com/facebookresearch/Starspace.git

cd Starspace

make

为了在Windows上构建StarSpace,请在Visual Studio中打开以下内容:

MVS\StarSpace.sln

为了构建StarSpace python包装器,请参阅python目录中的自述文件。

下载地址:https://github.com/facebookresearch/Starspace

3、PySC2(星际争霸II学习环境)

机器/深度学习SerpentAI、StarSpace、PySC2、Fashion-MNIST介绍

PySC2 是 DeepMind 开源的 “星际争霸II学习环境”(SC2LE)的 Python 组件,允许研究者较容易地使用暴雪的 feature-layer API 和自己的智能体。

PySC2 提供了灵活易用的强化学习智能体界面。DeepMind 将游戏分解成了“feature layer”,其中诸如单位类型、血量、地图可见度这样的元素彼此是孤立的,同时也保留了游戏的核心视觉和空间元素。

安装PySC2:

安装PySC2的最简单方法是使用pip:

$ pip install pysc2

这将安装pysc2软件包以及所有必需的依赖项,virtualenv可以帮助您管理依赖性,您可能还需要升级pip:pip install --upgrade pip才能使pysc2安装正常工作,如果您在较旧的系统上运行,则可能需要为pygame依赖项安装libsdl库。

Pip会将一些二进制文件安装到您的bin目录中,pysc2_play可以用作python -m pysc2.bin.play的快捷方式。

源代码方式安装:

您也可以从git master分支安装最新的PySC2代码库:

$ pip install --upgrade https://github.com/deepmind/pysc2/archive/master.zip

或来自git repo的本地克隆:

$ git clone https://github.com/deepmind/pysc2.git

$ pip install --upgrade pysc2/

下载地址:https://github.com/deepmind/pysc2

4、Fashion-MNIST(替代 MNIST 手写数字集的图像数据集)

FashionMNIST是一个替代 MNIST 手写数字集的图像数据集。 它是由 Zalando(一家德国的时尚科技公司)旗下的研究部门提供。其涵盖了来自 10 种类别的共 7 万个不同商品的正面图片。FashionMNIST 的大小、格式和训练集/测试集划分与原始的 MNIST 完全一致。60000/10000 的训练测试数据划分,28x28 的灰度图片。你可以直接用它来测试你的机器学习和深度学习算法性能,且不需要改动任何的代码。

这个数据集的样子大致如下(每个类别占三行):

机器/深度学习SerpentAI、StarSpace、PySC2、Fashion-MNIST介绍

机器/深度学习SerpentAI、StarSpace、PySC2、Fashion-MNIST介绍

为什么要做这个数据集?

经典的 MNIST 数据集包含了大量的手写数字。十几年来,来自机器学习、机器视觉、人工智能、深度学习领域的研究员们把这个数据集作为衡量算法的基准之一。你会在很多的会议,期刊的论文中发现这个数据集的身影。实际上,MNIST 数据集已经成为算法作者的必测的数据集之一。有人曾调侃道:"如果一个算法在 MNIST 不 work,那么它就根本没法用,而如果它在 MNIST 上 work,它在其他数据上也可能不 work。

Fashion-MNIST 的目的是要成为 MNIST 数据集的一个直接替代品。作为算法作者,你不需要修改任何的代码,就可以直接使用这个数据集。Fashion-MNIST 的图片大小,训练、测试样本数及类别数与经典 MNIST 完全相同。

下载地址:https://github.com/zalandoresearch/fashion-mnist

注明

以上就是机器/深度学习SerpentAI、StarSpace、PySC2、Fashion-MNIST的介绍内容,这些机器学习/深度学习软件都能使用在Linux操作系统中。

栏目相关文章