Du bist nicht angemeldet.

Werbeanzeige

domin

1x Contest-Sieger

  • »domin« ist der Autor dieses Themas
  • Private Nachricht senden

11

06.07.2016, 00:03

Danke für die Tipps! Da ich aktuell keine Nvidia Grafikkarte besitze, wird es wohl erst mal auf OpenCL hinauslaufen.
Bin mal gespannt, was da alles auf mich zu kommt.
Meine Projekte:
LightBulb, TurtleRun

KeksX

Community-Fossil

Beiträge: 2 113

Beruf: Game Designer

  • Private Nachricht senden

12

06.07.2016, 21:16

Geiles Ding.

Ist es schon so weit, dass es sich lohnt und man ein bisschen rumspielen kann, oder meinst du das dauert noch eine Weile?
WIP Website: kevinheese.de

domin

1x Contest-Sieger

  • »domin« ist der Autor dieses Themas
  • Private Nachricht senden

13

06.07.2016, 22:11

Ne ehrlich gesagt noch nicht. Aber wenn alles gut geht, sind in ein paar Monaten grob alle Features implementiert. Dann muss ich noch den Buildprozess dokumentieren, sowie eine grundlegende Doku über die Verwendung von Lightbulb schreiben. Und dann kann man sich das mal genauer anschauen und gerne auch ein bisschen herumexperimentieren. Aber keine Angst ich geb dann nochmal Bescheid, wenn es soweit ist ;)
Meine Projekte:
LightBulb, TurtleRun

domin

1x Contest-Sieger

  • »domin« ist der Autor dieses Themas
  • Private Nachricht senden

14

11.12.2016, 23:44

Es gibt mal wieder was neues zu berichten!
Nach einigen Wochen/Monaten Arbeit ist jetzt endlich Version 0.1 fertig. :)

Zwar ist das ganze immer noch nicht soweit, um in Projekten verwendet werden zu können, aber man kann es jetzt zumindest schon mal ausprobieren.

Refactoring

Die letzten Wochen habe ich damit verbracht das Projekt zu refactoren:
  • Dokumentation aller Methoden und Klassen mit doxygen
  • Umstellung des Buildsystems auf CMake
  • Einrichtung TravisCI
  • Anlegen einer grundlegenden Doku auf GitHub
  • Beheben einiger Bugs
  • ...

Reinforcement Learning

Wie ich das letzte mal ja schon erwähnt habe, bin ich auf Reinforcement Learning gestoßen. Dabei habe ich vor allem zwei neue Algorithmen integriert, einmal DQN Learning - das auch bei dem bekannten Atari Paper von Deep Mind verwendet wurde - und Policy Gradient Learning.
Getestet habe ich das ganze bisher nur an Pong. Hier kann man übrigens sich auch wieder selbst ein Bild machen und gegen eine derartige KI online antreten:


(Link)


Interessant ist übrigens noch, dass das Lernen mittels Evolutionärer Algorithmen schneller erfolgt, als mit RL Learning. Liegt aber wahrscheinlich auch an der Einfachheit des Problem. Trotzdem kann man sehr gut einen Unterschied der gelernten KIs beider Algorithmen sehen. Bei DQN Learning wirkt die KI viel vorausschauender und menschlicher. Die KI, die durch Evolution entstanden ist, folgt dagegen einfach nur stur dem Ball - was auch die einfachste Lösung des Problems ist.

Version 0.1

Die erste Version kann man sich entweder von GitHub klonen und dann selber bauen oder aber man lädt sich direkt das entsprechende Binary von GitHub (Windows only).
Meine Projekte:
LightBulb, TurtleRun

Werbeanzeige