Python 如何实现一个神经网络来玩无休止的跑步游戏？

在学习了神经网络的基础知识之后，我想创建一个小但独特的项目（比手写数字等更难的项目）。 我选择实现一个无休止的跑步游戏，记录我的动作，并用收集到的数据训练一个神经网络

游戏看起来像这样：

玩家可以左右移动（箭头），目标是避开小行星。 当玩家按下左箭头时，所有小行星的坐标、玩家位置和左移都会被记录下来。 当玩家按下向右箭头时，同样的事情发生，但“移动”被设置为向右。 我有一个问题，想知道如何记录没有运动，所以我编码它记录没有运动（直）当我按下向上箭头。所以当我不动的时候，我按向上箭头（以中等速度）

最多可以有20颗小行星，但我收集了一个较小的数据集的数据，看看它是如何工作的

收集的数据如下所示：

正如您在第一行中看到的，共有42列。 板上所有小行星的x坐标为20列。 板上所有小行星的y坐标为20列。 1列代表玩家的x坐标 移动1列（0-左；1-右；2-直，不移动）

我收集了4042个样本： 左1140 1122对 1780直

正如我之前所说，我准备处理20颗小行星，但我只收集了其中少数小行星的数据，所以其余列都用零填充

我使用tensorflow来训练神经网络

data = pd.read_csv('collected_data.csv')
y = data['move']
x = data.drop('move', axis=1)
x_train = x.to_numpy()
y_train = y.to_numpy()

x_train = tf.keras.utils.normalize(x_train, axis=1)

model = tf.keras.Sequential([
    tf.keras.layers.Dense(41,activation='hard_sigmoid',input_shape=x_train[0].shape),
    tf.keras.layers.Dense(41, activation='hard_sigmoid'),
    tf.keras.layers.Dense(41, activation='hard_sigmoid'),
    tf.keras.layers.Dense(3,activation='hard_sigmoid')
])
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy'])

model.fit(x_train, y_train, epochs=10)

model.save('model.h5')

结果：

我的型号一点也不合适。当我运行游戏时，宇宙飞船根本不动，总是选择直行。我尝试了不同的神经网络结构，更多的层，更少的层等等，但它几乎没有改变结果。我没有足够的数据吗？数据太复杂了？我选错型号了吗？

---

如有任何建议，我将不胜感激。谢谢

嗨，Bartosz，我建议你针对这样的问题来研究强化学习。强化学习擅长学习有一系列目标的游戏，这些目标会导致游戏成功（幸存）或失败（崩溃）。请参阅\Hi，谢谢您的评论。我知道强化学习通常用于这些事情，我想用监督学习做同样的事情。可能吗？理论上是的，但你现在的做法可能不可能。我认为您需要生成一些可以从中采样的概率输出（如强化学习），否则您的模型将始终执行相同的操作（这可能不是一件坏事）。另外，您可能希望跟踪历史，以便查看之前的N个移动是什么或其他。另一件事是，您应该删除最后一层的激活功能，因为您已经指定丢失功能为“from_logits”。好的，谢谢。我将尝试通过强化学习来做到这一点。