Python 为TensorFlow重塑健身房阵列

我正在学习如何使用健身房环境来训练用TFLearn构建的深度学习模型

目前，我的观察序列的形状如下：

（210、160、3）

关于重塑该阵列以便将其用于TensorFlow分类模型的最佳方法的任何建议？

标准方法（如DeepMing所述）为：

将其转换为灰度，以（210160）结束。在这里，你最好检查一下，没有有用的信息丢失，在一些游戏中可能会发生这种情况。（例如，球变成与背景相同的“颜色”）。在这里，您可以使用以下内容：

processed=np.mean（第2帧，keepdims=False）

向下采样至（110,84）。在这里，您可以使用OpenCV或任何其他方便的库：

resized=cv2.resize（已处理（110,84），插值=cv2.CV\u INTER\u LINEAR）

裁剪屏幕中央部分（84,84）

result=resized[13:97]

尽管DeepMind论文中描述了这一点，但您可以使用更方便但仍然有效的程序，如：

转换为灰度：

processed=np.mean（第2帧，keepdims=False）

作物中心部分：

crapped=processed[35:195]

按2的因子进行下采样，得到（80,80）图像：

result=crapped[：：2，：：2]

Andrej Karpathy在他的研究中也采用了类似的方法

您还可以使用其他尺寸，将其转换为二值图像，而不是灰度图像或任何更适合您的应用程序的图像

处理完图像后，可以将其馈送至卷积网络，或将其展平至一维阵列，然后馈送至完全连接的网络

---

使用多个帧（通常为4帧）的堆栈作为网络输入，以及跳过帧（在获取一帧后跳过接下来的3帧）也很有用，因为它们通常不包含太多有用的信息。

请注意，Gym本身有一个

AtariPreprocessing

包装器，可用于预处理Atari环境。我相信包装纸的作用与Asakruukin提到的DQN纸类似

您可以这样使用它：

导入健身房
从gym.wrappers导入或重新处理
环境=健身房品牌（'Pong-v0'）
env=AtariPreprocessing（env，frame_skip=1）

---

有关包装器的更多信息，请访问。

非常感谢，我将查看博客和文章！为什么你要裁剪中心部分，并且知道你需要的正是

[35:195]

@SebM这是Karpathy在他的博客中使用的，但是你可以使用不同的区域，这对你更有效，或者根本不裁剪，只需减少样本。这种想法是，在许多游戏中，顶部和底部区域不包含有用的信息，主要动作发生在靠近中心的地方。因此，在训练图像之前，您应该始终检查已处理的输出，以确保没有丢失任何有用的信息。