让AI玩游戏的思想早在上世纪就已经有了，那个时候更倾向棋类游戏。
像是五子棋、象棋等。
在上世纪“深蓝”就击败了国际象棋冠军，而到2016年“Alpha Go”击败了人类围棋冠军。

到现在，AI涉略的不仅仅是棋类游戏。
像是超级马里奥、王者光彩这种游戏，AI也能有比较好的表现。
本日我们就来用一个实际的例子谈论AI自动玩游戏这一话题，本文会用非常大略的机器学习算法让AI自动玩Google小恐龙游戏。

二、Google小恐龙与监督学习

2.1、Google小恐龙

如果你利用的是Chrome浏览器，那么相信你该当见过下面这个恐龙：

当我们用Chrome断网访问网页时，就会显示这个恐龙，或者直接在地址栏输入：chrome://dino直接访问该游戏。

游戏的玩法非常大略，只须要按空格键即可。
比如下面左图，快碰到障碍物，这时须要按空格，而下面右图没有障碍（或离障碍比较远），则不须要按按键。

当然还有涌现鸟的情形，我们也可以归为跳的情形。
大家可以玩一下。

2.2、监督学习

玩游戏很多时候会利用一个叫强化学习的办法来实现，而本文利用比较大略的监督学习来实现。
本文会利用逻辑回归算法实现，其代码如下：

from sklearn.linear_model import LogisticRegression # 逻辑回归模型

from sklearn.model_selection import train_test_split # 数据集拆分

# 1、准备数据

X = [

# 天河区的坐标

[1, 1],

[1, 2],

[2, 0],

[3, 2],

[3, 3],

# 花都区的坐标

[7, 7],

[6, 7],

[7, 6],

[8, 6],

[8, 5]

]

y = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

# 2、拆分数据集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 3、定义模型

model = LogisticRegression()

# 4、填充数据并演习

model.fit(X_train, y_train)

# 5、评估模型

score1 = model.score(X_train, y_train)

score2 = model.score(X_test, y_test)

print(score1, score2)

# 6、预测

input = [

[4, 4]

]

pred = model.predict(input)

print(pred)

关于逻辑回归的讲解可以查看：Python快速构建神经网络_ZackSock的博客-CSDN博客 。

我们可以把玩游戏看作一个分类问题，即输入为当前游戏的图像，输出为0、1的一个二分类问题（0表示跳，1表示不跳）。
要让AI实现自动玩游戏，我们须要做几件事情。
分别如下：

1. 玩游戏，网络一些须要跳的图片和一些不须要条的图片

2. 选择得当的分类算法，演习一个模型

3. 截取当前游戏画面，预测结果，判断是否须要跳跃

4. 如果须要跳跃，则用程序掌握键盘，按下跳跃键

下面我们来依次完成上面的事情。

三、网络数据

网络数据我们须要在玩游戏的过程中一直地截图，这里可以用Pillow模块来实现截图。
Pillow模块须要单独安装，安装语句如下：

pip install pillow

截图的代码如下：

import time

from PIL import ImageGrab # 截图

time.sleep(3)

while True:

# 截图

img = ImageGrab.grab()

# print(img.size) # 960 540 480 270

img = img.resize((960, 540))

# 保存图片

img.save(f'imgs/{str(time.time())}.jpg')

# 修正name

time.sleep(0.1)

运行程序后就可以切换到Chrome开始游戏了。
进行一段韶光后，我们会截取一些图片，大致如下： 这时就轮到人类智能上场了，我们手动的把我们决定须要跳的场景放置到imgs/jump目录下，把以为不须要跳的场景放到imgs/none目录下。
然后就可以进行下一步了，这里截取的图片常日不须要跳的要多很多，所有可以多网络几次。

网络完成后我们就可以把图片读入，并转换成一个1维数组，这部分代码如下：

import os

import cv2

# 所有图片的全路径

files = [os.path.join(jump_path, jump) for jump in os.listdir(jump_path)] + \

[os.path.join(none_path, none) for none in os.listdir(none_path)]

X = []

y = [0] len(os.listdir(jump_path)) + [1] len(os.listdir(none_path))

# 遍历jump目录下的图片

for idx, file in enumerate(files):

filepath = os.path.join(none_path, file)

x = cv2.imread(filepath, 0).reshape(-1)

X.append(x)

此时X和y便是我们的特色和目标了。
有了X和y就可以开始演习模型了。

四、演习分类模型

演习部分的代码非常大略，我们可以在演习完成后保存模型。
代码如下：

import os

import cv2

import joblib

from sklearn.model_selection import train_test_split

from sklearn.linear_model import LogisticRegression

jump_path = os.path.join('imgs', 'jump') # 须要跳的图片的根目录

none_path = os.path.join('imgs', 'none') # 不须要跳的图片的根目录

# 所有图片的全路径

files = [os.path.join(jump_path, jump) for jump in os.listdir(jump_path)] + \

[os.path.join(none_path, none) for none in os.listdir(none_path)]

X = []

y = [0] len(os.listdir(jump_path)) + [1] len(os.listdir(none_path))

# 遍历jump目录下的图片

for file in files:

x = cv2.imread(file, 0).reshape(-1)

X.append(x)

# 2、拆分数据集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 3、定义模型

model = LogisticRegression(max_iter=500)

# 4、演习模型

model.fit(X_train, y_train)

# 5、评估模型

train_score = model.score(X_train, y_train)

test_score = model.score(X_test, y_test)

print(train_score, test_score)

# 保存模型

joblib.dump(model, 'auto_play.m')

在我电脑上演习的准确率在90%以上，总体效果还是不错的。
不过有几个可以改进的地方。
这里说几点：

1. 图像只有中间部分会对下一步操作有影响，因此可以选择对演习图片进行一些处理。
把上面和下面部分设置为0。
如果做了这个处理，那么在实际运用时也要做同样的处理。

2. 这些图片如果移植到其它电脑可能不适用，由于分辨率等缘故原由。
所有可以选择利用更繁芜的模型，比如CNN网络。

3. 由于手动网络数据比较麻烦，可以选择做一下数据增强。

在这里我们不做这些改进，直策应用最大略的模型。

五、自动玩游戏

自动玩游戏须要借助pynput模块来实现，其安装如下：

pip install pynput

我们可以用下面的代码实现按下键盘的空格键：

from pynput import keyboard

from pynput.keyboard import Key

# 创建键盘

kb = keyboard.Controller()

# 按下空格键

kb.press(Key.space)

知道了如何掌握键盘后，我们就可以利用模型截取预测，如何判断是否要按空格，代码如下：

import time

import cv2

import joblib

import numpy as np

from PIL import ImageGrab

from pynput import keyboard

from pynput.keyboard import Key

time.sleep(3)

# 0、创建键盘

kb = keyboard.Controller()

# 1、加载模型

model = joblib.load('auto_play.m')

while True:

# 2、准备数据

ImageGrab.grab().resize((960, 540)).save('current.jpg') # 保存当前屏幕截屏

x = cv2.imread('current.jpg', 0).reshape(-1)

x = [x]

# 3、预测

pred = model.predict(x)

print(pred)

# 如果须要跳，则按下空格

if pred[0] == 0:

kb.press(Key.space)

运行上面的程序后，打开浏览器即可开始游戏。
程序的代码和图片文件：download.csdn.net/download/Za… GitHub地址为：github.com/IronSpiderM…