Tensorflow 在培训期间切换AI学习技术？

我正在考虑创建一个AI来尝试玩游戏。然而，从0开始自学将需要很长时间。因此，我想知道是否有可能从现有游戏（来自人类）的数据开始训练，然后在人工智能达到了解基础知识的程度时切换到机器学习

---

如果可能的话，有没有一种方法可以用TensorFlow实现，或者我应该从sratch实现？

如果游戏并不复杂（即开放世界），那么你可能会对深度强化学习感兴趣（你提到TensorFlow），它不需要现有的游戏。它将开始自己玩游戏，并逐渐积累经验，并在此基础上制定游戏获胜策略。除此之外，使用监督学习创建模型听起来很困难，在我看来需要更多的澄清。

将先验知识应用到AI中总是好的。然而，我认为很难追踪人类的行为并将其转化为逻辑。你有其他信息吗？例如，游戏是什么？规则是什么？@SebastianR。游戏是火箭联赛，所以我想我们可以说，不一定有大量的数据作为输入（旋转、所有玩家的位置+球），但游戏本身可能变得非常复杂。除了动态学习的强化学习之外。用谷歌搜索这些关键词，你会发现一些适合你的情况：

行为克隆

和

模仿学习

。是的，我所说的游戏是火箭联赛，所以我认为深度强化学习太慢，无法从0开始学习这就是为什么我希望从AI开始，尝试预测游戏中职业玩家的移动，然后AI何时达到职业玩家或接近职业玩家的水平，我会转向强化学习，这样它就可以自己学习更复杂的东西，而不用担心基础。啊哈，我明白了。这可能是有问题的，因为与比方说国际象棋不同，你不能以适当的格式访问所有可用信息（你的模型需要的功能很复杂-你提到了所有玩家的位置，你是否可以随时访问他们的位置以便你做出决定？）。我能想到的唯一方法是，使用您可用的信息太复杂了，使用CV处理您面前的图像，但这种方法也存在问题。我会推荐，但这听起来是一项非常困难的任务。我听说游戏中有一个名为RLbot的程序/mod，可以用来编写bot，你可以获得位置、速度等信息。这是很有用的，因为我可以为AI提供比像素RGB更有用的信息。是的，我完全可以为最终的网络使用额外的信息。但是，用户并不总是能够访问其他玩家的位置，比如说其他玩家的位置，因为他们在用户屏幕上不可见（据我所知，我从未玩过游戏），因此在现实场景中无法使用。