游戏中的深度学习与人工智能

Q1：机器学习和深度学习在文本日志分析领域有做得比较好的案例吗？面对这么庞大的日志，貌似目前都没有一个很好的解法，这个相信很多同学都碰到类似的问题，不管监督还是非监督学习，对于未知文本分析都起不了很好的作用，总不能人肉长期来分析，也不是特别合适，不知道老师对这方面的看法是如何的？

关于文本挖掘是有专门的领域来研究的，如果是形态比较好的日志，那么分析的手段就比较多了，因为里面会有大量的带有强烈的提示性的ERROR或者WARNING等。如果是文字比较多，那么也是NLP研究的一个范畴。这类应该还是比较典型的监督学习。目前如果使用深度学习做文本分析，还是需要由人来大量标定样本，进而让分类器识别相应的文本分类。如果是NLP，那么主要也是靠分词以及文章类别的标定等方法。聚类也是可以用的，不过聚类只能找出那些彼此近似的日志，这种情况下研究离群点可能更合适，看看这些点是不是代表着典型的且严重的问题，拿这些作为样本来训练。

Q2：高老师，请问，深度学习应用于游戏的最大特点和难点是什么？

深度学习的特点是可以End-to-End，那么在以图片或者视频作为输入的场景中，显然巨大的样本维度是一个非常难以应付的问题。所以在这种情况下，我们通常都会考虑采用降采样的方法来降维，来让网络收敛快一些。其次，对于一些演化太过复杂的游戏来说，越丰富的信息也就意味着需要越多的样本进行训练，而且数量是几何级的，这个也是比较大的问题。当然，卷积网络肯定是非常好的选择，因为它的降采样功能本身有着很好的抗过拟合，和收敛快的效果，只不过在不同的游戏中，网络的设计需要多种尝试才能确定，没有固定的套路来一步到位。这个也是比较麻烦的事情。

Q3：AI如何在游戏中自动进化？

这个比较容易，简单说就是随着样本越来越多，那么AI在这其中就能学到越来越多，越来越靠谱的决策方法。

Q4：像星际这样的游戏，如何把大量的状态映射到一定的矩阵中？

FC游戏的强化学习，我的TEAM已经在尝试中了，其实原理是一样的，只不过显然星际争霸这样的游戏更为复杂。所以第一肯定是考虑采用带有池化层的卷积网络来进行降维以及特征提取，其次的话可以考虑人为做一些降采样的功能，比如可以通过多个网络来进行不同的动作。有的网络用来标定其中的NPC或者PLAYER的位置以及分类，这个可以考虑用RCNN来做；有的网络用来获取当前处于整个大地图的位置；有的用来获取玩家当前的各种资源状态等等……这些网络都是有着极好的而且极大效率的降维功能，对于整个算法的训练收敛是有帮助的。所以，这些方式都应该是我们优先尝试的对象。

如果各位还有别的疑问，请在评论区提出。