我对神经网络/机器学习/遗传算法是新手，我正在编写一个学习玩贪吃蛇的神经网络（如果你之前没有玩过，这里有一个例子）。我有一些不太理解的问题：

在提出我的问题之前，我想先确保我对基本概念的理解是正确的。有一群蛇，每条蛇都有一个随机生成的DNA。DNA是神经网络中使用的权重。每当蛇移动时，它使用神经网络来决定去哪里（使用偏置）。当种群死亡时，选择一些父母（可能是最高适应度的），并以一定的突变几率交叉它们的DNA。

1) 如果给出整个棋盘作为输入（大约400个位置），足够的隐藏层（不知道多少，可能256-64-32-2？），以及足够的时间，它能学会不把自己困住吗？

2) 什么样的输入会比较好？以下是我的一些想法：

• 400个输入，每个棋盘上的位置一个。如果蛇应该去那里（苹果）则为正值，如果是墙壁/自己的身体则为负值。数值越接近-1/1，表示距离越近。
• 6个输入：游戏宽度，游戏高度，蛇的x坐标，蛇的y坐标，苹果的x坐标和苹果的y坐标（如果这样训练，可能会学会在不同大小的棋盘上玩，但不确定如何输入它的身体，因为身体大小会变化）
• 给它一个视野（可能是头前方3×3的方块），可以提醒蛇前方有墙壁、苹果或自己的身体。（不幸的是，蛇只能看到正前方的东西，这可能会阻碍它的学习能力）

3) 给定输入方法，隐藏层的大小应该从哪里开始比较好（当然计划调整这个，只是不知道一个好的起点）

4) 最后，关于蛇的适应度。除了获取苹果的时间，它的长度和寿命之外，还应该考虑其他因素吗？为了让蛇学会不把自己困住，我还能在适应度中添加什么来帮助它吗？

谢谢！

回答：

在这篇文章中，我将向你介绍：

• 如何使用LSTM神经网络将导航指令映射到动作序列
• 帮助你学习如何使用神经网络完成任务的资源
• 如何安装和配置神经网络库，基于我自己艰难学习的经验

对你想法的总体看法：

我能看出你在尝试做什么，我相信你的游戏想法（使用随机生成的对手身份来控制他们的行为，以一种随机改变他们使用人工智能智能行为的方式）具有很大的潜力。

使用神经网络将导航指令映射到动作序列

对于处理你的游戏棋盘，因为它涉及到密集（而不是稀疏）数据，你可能会发现卷积神经网络（CNN）很有用。然而，因为你需要将地图转换为动作序列，针对序列优化的神经网络（如循环神经网络）可能会对你最有用。我确实找到了一些研究，这些研究使用神经网络将导航指令映射到动作序列，构建游戏地图，并在具有多种输入类型的游戏中移动角色：

• Mei, H., Bansal, M., & Walter, M. R. (2015). Listen, attend, and walk: Neural mapping of navigational instructions to action sequences. arXiv preprint arXiv:1506.04089. 可用地址：Listen, Attend, and Walk: Neural Mapping of Navigational Instructions to Action Sequences
• Lample, G., & Chaplot, D. S. (2016). Playing FPS games with deep reinforcement learning. arXiv preprint arXiv:1609.05521. 可用地址：Super Mario as a String: Platformer Level Generation Via LSTMs
• Lample, G., & Chaplot, D. S. (2016). Playing FPS games with deep reinforcement learning. arXiv preprint arXiv:1609.05521. 可用地址：Playing FPS Games with Deep Reinforcement Learning
• Schulz, R., Talbot, B., Lam, O., Dayoub, F., Corke, P., Upcroft, B., & Wyeth, G. (2015, May). Robot navigation using human cues: A robot navigation system for symbolic goal-directed exploration. In Robotics and Automation (ICRA), 2015 IEEE International Conference on (pp. 1100-1105). IEEE. 可用地址：Robot Navigation Using Human Cues: A robot navigation system for symbolic goal-directed exploration

对你有帮助的总体看法

听起来你对神经网络的工作原理还有一些基本的理解不足，所以我对你的主要建议是多研究神经网络背后的基本机制。重要的是要记住，神经网络是一种机器学习模型。因此，仅仅用随机参数构建一个神经网络是没有意义的。神经网络是一种从样本数据中训练的机器学习模型，一旦训练完成，就可以在测试数据上进行评估（例如，进行预测）。

机器学习的根源在很大程度上受到贝叶斯统计的影响，所以你可能会从阅读一本关于贝叶斯统计的教科书中受益，以更深入地理解机器分类的一般工作原理。

了解不同类型的神经网络之间的区别，如长短期记忆（LSTM）和卷积神经网络（CNN）对你也将是有价值的。

如果你想尝试使用神经网络进行分类任务，可以试试这个：

• Tensorflow Playground

学习数学知识：我的专业意见是，学习神经网络背后的数学知识非常重要。如果你觉得这很吓人，我可以作证，我是自己学会的。但如果你更喜欢在课堂环境中学习，那么我建议你尝试一下。一本学习神经网络机制和数学知识的优秀资源和教科书是：

• Neural Networks and Deep Learning

神经网络库的教程

我建议你尝试完成一个神经网络库的教程，例如：

• TensorFlow tutorials
• Deep Learning tutorials with Theano
• CNTK tutorials（CNTK 205: Artistic Style Transfer特别酷。）
• Keras tutorial（Keras是一个强大的高级神经网络库，可以使用TensorFlow或Theano。）