在真实对象输入/输出上训练神经网络，使其行为类似于对象

Question

目标是创建一个AI来玩一个简单的游戏，跟踪屏幕上水平移动的点，从而提高速度，直到不再被跟踪。

我想创建一个AI，让它的行为类似于真实的测试对象。我有大量的试验记录，记录了几个月的时间，屏幕上的点的位置和用户光标的位置。

我想在这些试验中训练网络，使网络的行为类似于真实的测试对象，然后我可以获得大量的测试数据，以观察游戏参数的变化如何影响网络跟踪移动点的能力。

我对学习神经网络的底层代码很感兴趣，并希望得到一些关于从哪里开始这个项目的建议。我理解人工智能可以很好地执行不同的任务，如蛇，或其他简单的游戏，但我的目标是让人工智能的表现类似于真正的测试对象。

Answer 1

你的问题有点宽泛，但我还是会试着回答。

要模仿受试者的行为，你可以使用LSTM网络，它了解受试者所处的状态(在你的例子中，状态可能包括关于点移动的速度和方向以及指针所在位置的信息)，然后决定一个动作。您需要将数据(点坐标和用户行为)馈送到网络中。

一种更简单但有效的方法是使用简单的MLP网络。你的问题看起来并不难，一个简单的网络应该能够了解用户在特定情况下会做什么。然而，根据您所说的“与真实测试对象相似地执行”的意思，您可能需要一个更复杂的架构。

最后是GAN网络，如果你不熟悉in，它会有点复杂，训练起来既困难又耗时，在某些情况下可能根本无法训练。好的一面是，它们被精确地设计为模拟概率分布(或者更简单地说，一组数据)。

还有两个更重要的注意事项：

1. 网络的性能在很大程度上取决于您的数据和游戏。例如，如果在您的数据集中，用户对相同的情况采取了非常不同的行为，那么MLP或LSTM将无法学习所有这些反应。
2. 您的网络只能模仿教给它的东西。因此，如果你计划弄清楚人类智能体在某些情况下会做什么，而这些条件在你的数据集中从未发生过(例如，如果在你的数据集中，点只在一条线上移动，但你希望它在实验时在圆圈中移动)，你不会得到好的结果。

希望这能有所帮助。