目前我正在进行一个项目，开发一个游戏的AI玩家。我使用了UCT算法，并计划添加对对手移动的预测。为此我想使用神经网络，但我遇到了一些问题：
-
我已经有一些数据，我希望用这些数据为一个默认玩家构建一个基本的神经网络，即我之前没有见过的玩家。问题是我希望更新这个网络，使其适应每一个特定的对手。我尝试搜索在线神经网络算法，但到目前为止没有很成功。您能给我一些建议如何实现这个吗？如何基于新数据更新参数而不需要从头开始训练？
-
编程是用Java完成的，我尝试使用Weka来处理我拥有的数据。然而，我在其中找到的唯一神经网络分类器是多层感知器。我熟悉单层感知器，并且知道它的输出不是概率（与对数线性或朴素贝叶斯分类器相反）。多层感知器也不是生成模型吗？如果是这样，使用它的“分数”输出作为概率会有多不准确？我应该使用不同的神经网络算法吗？如果是的话，有没有Java可用的库？
非常感谢您。
回答：
好的，我对此又多想了一些，也做了更多的研究，我决定按以下方式进行：
-
由于没有找到更好的方法，我将使用新的训练值进行1次更新步骤，使用常规的反向传播算法。据我所知，使用新值进行1次更新是在一些其他算法中将它们转换为在线学习的常用方法。不过，找到正确的学习率可能会很有趣。因为这种方法每移动一次只进行1次更新，所以反向传播不需要进行太多优化，因此我将编写自己的解决方案，而不使用任何库。
-
在这里我可能会放弃Weka工具，转而尝试使用FANN库。因为在计算默认参数后我就不需要使用它了，所以它实际上是用另一种语言实现的这一点并不重要。
如果您知道更好的解决方案，请告诉我。谢谢。
