安妮 编译整理
量子位 出品 | "大众年夜众号 QbitAI
在这篇教程中，谷歌工程师Abe Haskins用简洁易懂的措辞，教你用Unity3D和TensorFlow生产一只会投篮的AI。
不少人表示，文章中的这些gif图能看一天！
教你用AI秒杀NBA球员的校车立时就要发车了，还烦懑准备上车？
准备阶段
在开始正式演习前，先检讨下自己是不是准备好了下面这些工具：
仿照篮球和物理环境Unity用于演习模型的Node.js和TensorFlow.js通过ML-agent asset包将模型嵌入Unity的TensorFlowSharp将TensorFlow.js转换成Unity中可用图的tsjs-converter将线性回归大略可视化的Google Sheets所需工具便是这些了，接下来我将手把手教你阐明清楚这些工具是若何运用的。我建议大家先去将开源代码下载下来，方便后续的学习和理解。
代码地址：
https://github.com/abehaskins
明确目标
把目标想得大略些更有利于完成目标，我们可以把这个任务想象成：如果投球手间隔篮筐的间隔为x，用y程度的力度投球则会进球的大略问题。
这样一想是不是以为模型都大略了好几度？如果你对如何在Unity中制作更繁芜的AI感兴趣，你可以从Unity中查看完全的ML-Agents项目。
ML-Agents项目地址：
https://github.com/Unity-Technologies/ml-agents
篮筐和球在这个游戏中，我们只须要投篮就好了。首先须要用到的便是Unity，你平时打游戏时看到的那个立方体的logo便是Unity的标志。它是一个游戏引擎，可以为所有平台构建2D和3D游戏。
Unity内置物理天下系统，还包括根本3D建模和脚本运行时（Mono），支持用C#编程。
把球场的大环境拼接起来并不繁芜：
没错，图中的赤色块就代表玩家。仿照篮筐上设置有隐形触发器，帮助检测小球通过篮筐的详细韶光。
触发器利用教程：
https://unity3d.com/cn/learn/tutorials/topics/physics/colliders-triggers
如上图所示，在Unity编辑器中，肉眼可见绿色的隐形触发器。可不雅观察到触发器分为高下两个，这样就能打算出球从篮筐顶部到底部落下花费的韶光。这两个触发器可在/Assets/BallController.cs中的OnTriggerEnter中查看。
高下都有触发器的另一个好处便是，可以据此判断小球的材料，帮助节制distance和force.y两个核心变量。
投篮打开/Assets/BallSpawnerController.cs，这是一个卖力生产篮球并试图投中篮筐的脚本。你也可以在Shoot()结尾处查看这段代码。
不知道你有没有把稳到，Instantiates代码处表示了一个全新的实例，可以在此处设置投篮的力度和间隔篮板的间隔。
如果你是在/Assets/BallController.cs处打开的，可以查看Start()方法，之后在加入新篮球时会在此用到这段代码。
换句话说，我们创建一个新球，然后给它一定大小的力，设置30秒后球将被自动销毁，来确保我们能处理源源不断新涌现的球。
设置好统统后，我们看看自己的这个全明星投篮手是如何投篮的。你可以点击Unity编辑器中的播放按钮，我们会看到……
百发百不中！
为什么会涌现这样的情形？答案就在于Assets/BallController.cs代码中float force = 0.2f这一行。这条线让所有球的行动轨迹保持同等，以是涌现了一发都没进的惨烈结局。
当然~这不是我们想要的，以是我进行了下一步的与探索。
随机投篮，网络数据我们可以通过大略将力量变为随机的办法，引入一些随机噪音。
这样就能推测出，能够投中的力度是什么样的。当然这须要一些韶光~
如图所示，赤色代表没有投中的球，绿色代表已经入篮的球。此时，任何力度的投篮都是我们可以利用的数据点，下面也会商到这些。
同时，我们须要考虑到，我们希望赤色的小球能从任何位置成功投篮，因此我们须要的不仅仅是只从一个地方投篮。在Assets/BallSpawnController.cs位置中，查找这些行并去掉MoveToRandomDistance()即可办理这个问题。
这样，如果我们再次运行，就可以看到红球在每次投篮后都能在球场上激情亲切地跳跃。
随机运动和随机力量的结合创造了一种非常奇妙的东西：数据。如果此时查看Unity中的掌握台，你能看到每次投篮时记录的数据。
每次成功投进都会被记录，并且到目前为击球的数量，间隔篮筐的间隔以及击球所需的力量都可查看。这些数据提升的速率比较慢，我们可以将MoveToRandomDistance()中的参数0.3f（每次投篮的延迟为300毫秒）改成0.05f（延迟50毫秒）。
现在，看看我们参数调试后的结果：
有没有创造，这实在是个不错的演习办法，系统显示成功率为6.4%了。下一步，我们准备将这些数据从Unity中提取出来，并构建一个模型预测所须要的力量。
预测、模型和回归在用到TensorFlow之前，我们先让Unity环境中的红球完成大约50次命中。
此时如果查看Unity项目的根目录，则该当能够看到一个名为successful_shots.csv的新文件。这是来自Unity的原始转储，我们把这份数据导出来，以便在excel等分析它。
这个.csv文件只有三行，index，distance和force。我在谷歌表格中导入这个文件，创建了带趋势线的散点图，这样就能理解数据的分布情形了。
这些点组合起来可以创造一些规律。y轴为力度、x轴为间隔。可以看到，所需的里与投篮间隔之间有明显干系性，也有一些例外情形。
是时候让TensorFlow登场了，帮助我们用类似的代码创建更繁芜的模型。比如，在一个完全的游戏中，我们可以涵盖进一些新功能。
现在须要创建我们的TensorFlow.js模型了。
在你喜好的编辑器中打开tsjs/index.js文件，这是一个基于数据演习模型的脚本successful_shots.csv。演习和保存模型的方法如下：
我们从.csv文件中加载数据创建一些列x和y坐标点，让模型学会服从这些数据，之后，保存！
遗憾的是，TensorFlowSharp并不接管Tensorflow.js可以保存成的模型格式，须要我们做些翻译事情才能将模型引入Unity。
一样平常来说可以将TensorFlow.js Format转化为Keras Format，创建一个检讨点；我们也可以将它们与Protobuf Graph Definition合并，创建检讨点。
现在，我们看看在Unity里Assets/BallSpawnController.cs下的GetForceFromTensorFlow()中的模型是什么样子的。
比赛日
利用上面已经完成的系统，我们在模型上创建了一写变体，在演习500次时，仿照篮球的运行轨迹是这样的：
精确率提升了10倍！
这还只是演习500次的结果，剩下的交给你了~别忘了转头看看我末了天生的结果，这是多么可爱的游戏啊~
传送门博客原文地址：
https://medium.com/tensorflow/tf-jam-shooting-hoops-with-machine-learning-7a96e1236c32?linkId=54634097
开源代码在此：
https://github.com/abehaskins
祝你好运~
— 完 —
演习生招聘
量子位正在招募活动运营演习生，策划实行AI明星公司CEO、高管等参与的线上/线下活动，有机会与AI行业大牛直接互换。事情地点在北京中关村落。简历欢迎投递到quxin@qbitai.com
详细细节，请在量子位公众年夜众号(QbitAI)对话界面，回答“演习生”三个字。
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技能和产品新动态