我正在为游戏2048编写一个AI。目前，我可以从浏览器中获取游戏状态并向游戏发送移动指令，但我不知道如何将其与TensorFlow整合。项目的性质不适合训练数据，所以我想知道是否可以将游戏状态传入网络，让网络输出一个移动指令，执行该移动，重复此过程直到游戏结束，然后进行训练？

回答：

这当然是可能的，而且非常简单。你需要设置你想要使用的模型，我假设这个模型已经构建好了。

从与TensorFlow模型交互的角度来看，你只需要将数据整理成numpy数组，通过feed_dict属性传入sess.run中即可。

要将输入传递给TensorFlow并获取结果，你可以运行如下代码：

result = sess.run([logits], feed_dict={x:input_data})

这将执行一次前向传递，产生模型的输出，而不进行任何更新。现在你可以使用results来进行游戏的下一步操作。

现在你有了行动的结果（例如标签），你可以执行更新步骤：

sess.run([update_op], feed_dict={x:input_data, y:labels})

就这么简单。请注意，你的模型会定义一个优化器（在这个例子中是update_op），但如果你不请求TensorFlow计算它（如第一个代码示例），就不会发生更新。TensorFlow完全是关于依赖图的。优化器依赖于输出logits，但计算logits并不依赖于优化器。

你可能会随机初始化这个模型，所以最初的结果将是随机生成的，但之后的每一步都将受益于之前应用的更新。

如果你使用的是强化学习模型，那么你只会在未来的某个不确定的时间产生奖励，并且运行更新的时间会与这个例子略有不同，但问题的总体性质保持不变。