如何實現(xiàn)TensorFlow微信跳一跳的AI

這篇文章將為大家詳細(xì)講解有關(guān)如何實現(xiàn)TensorFlow微信跳一跳的AI，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。

1.需要設(shè)備：

Android手機，數(shù)據(jù)線
ADB環(huán)境
Python環(huán)境（本例使用3.6.1）
TensorFlow（本例使用1.0.0）

2.大致原理

使用adb模擬點擊和截屏，使用兩層卷積神經(jīng)網(wǎng)絡(luò)作為訓(xùn)練模型，截屏圖片作為輸入，按壓毫秒數(shù)直接作為為輸出。

3.訓(xùn)練過程

最開始想的用強化學(xué)習(xí)，然后發(fā)現(xiàn)讓它自己去玩成功率太！低！了！，加上每次截屏需要大量時間，就放棄了這個方法，于是考慮用自己玩的數(shù)據(jù)作為樣本喂給它，這樣就需要知道每次按壓的時間。

我是這樣做的，找一個手機寫個app監(jiān)聽按壓屏幕時間，另一個手機玩游戲，然后兩個手指同時按兩個手機o(╯□╰)o

4.上代碼

首先，搭建模型：

第一層卷積：5*5的卷積核，12個featuremap，此時形狀為96*96*12
池化層：4*4 max pooling，此時形狀為24*24*12
第二層卷積：5*5的卷積核，24個featuremap，此時形狀為20*20*24
池化層：4*4 max pooling，此時形狀為5*5*24
全連接層：5*5*24連接到32個節(jié)點，使用relu激活函數(shù)和0.4的dropout率
輸出：32個節(jié)點連接到1個節(jié)點，此節(jié)點就代表按壓的時間（單位s）

# 輸入：100*100的灰度圖片，前面的None是batch size，這里都為1 
x = tf.placeholder(tf.float32, shape=[None, 100, 100, 1]) 
# 輸出：一個浮點數(shù)，就是按壓時間，單位s 
y_ = tf.placeholder(tf.float32, shape=[None, 1]) 
 
# 第一層卷積 12個feature map 
W_conv1 = weight_variable([5, 5, 1, 12], 0.1) 
b_conv1 = bias_variable([12], 0.1) 
# 卷積后為96*96*12 
 
h_conv1 = tf.nn.relu(conv2d(x, W_conv1) + b_conv1) 
h_pool1 = max_pool_4x4(h_conv1) 
# 池化后為24*24*12 
 
# 第二層卷積 24個feature map 
W_conv2 = weight_variable([5, 5, 12, 24], 0.1) 
b_conv2 = bias_variable([24], 0.1) 
# 卷積后為20*20*24 
 
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) 
h_pool2 = max_pool_4x4(h_conv2) 
# 池化后為5*5*24 
 
# 全連接層5*5*24 --> 32 
W_fc1 = weight_variable([5 * 5 * 24, 32], 0.1) 
b_fc1 = bias_variable([32], 0.1) 
h_pool2_flat = tf.reshape(h_pool2, [-1, 5 * 5 * 24]) 
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1) 
 
# drapout，play時為1訓(xùn)練時為0.6 
keep_prob = tf.placeholder(tf.float32) 
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) 
# 學(xué)習(xí)率 
learn_rate = tf.placeholder(tf.float32) 
 
# 32 --> 1 
W_fc2 = weight_variable([32, 1], 0.1) 
b_fc2 = bias_variable([1], 0.1) 
y_fc2 = tf.matmul(h_fc1_drop, W_fc2) + b_fc2 
 
# 因輸出直接是時間值，而不是分類概率，所以用平方損失 
cross_entropy = tf.reduce_mean(tf.square(y_fc2 - y_)) 
train_step = tf.train.AdamOptimizer(learn_rate).minimize(cross_entropy)

其次，獲取屏幕截圖并轉(zhuǎn)換為模型輸入：

# 獲取屏幕截圖并轉(zhuǎn)換為模型的輸入 
def get_screen_shot(): 
  # 使用adb命令截圖并獲取圖片，這里如果把后綴改成jpg會導(dǎo)致TensorFlow讀不出來 
  os.system('adb shell screencap -p /sdcard/jump_temp.png') 
  os.system('adb pull /sdcard/jump_temp.png .') 
  # 使用PIL處理圖片，并轉(zhuǎn)為jpg 
  im = Image.open(r"./jump_temp.png") 
  w, h = im.size 
  # 將圖片壓縮，并截取中間部分，截取后為100*100 
  im = im.resize((108, 192), Image.ANTIALIAS) 
  region = (4, 50, 104, 150) 
  im = im.crop(region) 
  # 轉(zhuǎn)換為jpg 
  bg = Image.new("RGB", im.size, (255, 255, 255)) 
  bg.paste(im, im) 
  bg.save(r"./jump_temp.jpg") 
 
  img_data = tf.image.decode_jpeg(tf.gfile.FastGFile('./jump_temp.jpg', 'rb').read()) 
  # 使用TensorFlow轉(zhuǎn)為只有1通道的灰度圖 
  img_data_gray = tf.image.rgb_to_grayscale(img_data) 
  x_in = np.asarray(img_data_gray.eval(), dtype='float32') 
 
  # [0,255]轉(zhuǎn)為[0,1]浮點 
  for i in range(len(x_in)): 
    for j in range(len(x_in[i])): 
      x_in[i][j][0] /= 255 
 
  # 因為輸入shape有batch維度，所以還要套一層 
  return [x_in]

以上代碼過程大概是這樣：

最后，開始訓(xùn)練：

while True: 
 
  ………… 
 
  # 每訓(xùn)練100個保存一次 
  if train_count % 100 == 0: 
    saver_init.save(sess, "./save/mode.mod") 
 
  …………   
  
  sess.run(train_step, feed_dict={x: x_in, y_: y_out, keep_prob: 0.6, learn_rate: 0.00005})

訓(xùn)練所用數(shù)據(jù)是直接從采集好的文件中讀取的，由于樣本有限（目前采集了800張圖和對應(yīng)800個按壓時間，在github上train_data文件夾里），并且學(xué)習(xí)率太大又會震蕩，只能用較小學(xué)習(xí)率反復(fù)學(xué)習(xí)這些圖片。

關(guān)于“如何實現(xiàn)TensorFlow微信跳一跳的AI”這篇文章就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，使各位可以學(xué)到更多知識，如果覺得文章不錯，請把它分享出去讓更多的人看到。