NeuralNetworkAPI Plugin za Minecraft 1.12

NeuralNetworkAPI

Bukkit dodatak za dodavanje neuronskih mreža u Minecraft.

Kako koristiti (osnovna demonstracija)

• Za početak, koristite /nn cnn ili /nn createNewNN da vidite listu svih tipova neuronskih mreža. Preporučujem da za početak izaberete LogicalOR
• Zatim koristite /nn startlearning da započnete obuku neuronske mreže.
• Skoro odmah nakon slanja te komande, koristite /nn stoplearning da zaustavite obuku. U roku od nekoliko sekundi od slanja ove dve komande, bot je prošao kroz više od hiljadu scenarija i trebalo bi da bude 100% tačan. (Za druge neuronske mreže, tačnost možete proveriti u konzoli.)
• Sada, da biste je testirali, koristite /nn test za testiranje dva ulaza, bilo true ili false. (primer: /nn test true false)
• Za LogicalOR, trebalo bi da ispiše true ako je prvi i/ili drugi ulaz true.

Za one koji nisu programeri

Ovaj dodatak sam po sebi ne pruža ništa osim nekoliko demonstracija onoga što ovaj API može da postigne. Ako ne planirate da razvijate sopstveni NeuralNetwork dodatak ili da koristite drugi dodatak koji koristi ovaj API, ovaj dodatak vam može biti beskorisan.

Za programere dodataka

Postoji nekoliko stvari koje treba da znate pre nego što pokušate da napravite novi tip neuronske mreže

• Primer paketa daje niz primera kako da se kreiraju neuronske mreže. Logičke kapije neuronskih mreža bi trebalo da budu najlakše za razumevanje.
• Podrazumevano, sve neuronske mreže koje nasleđuju NNBaseEntity automatski implementiraju ConfigurationSerializable. Međutim, da bi bukkit mogao da učita ove vrednosti iz konfiguracije, potrebno je da napravite novi konstruktor za klasu ovako:

public CustomNeuralNetwork(Map<String,Object> map){ super(map); }

...i da pustite da klasa ConfigurationSerialization registruje objekat u onEnable ili onLoad glavne klase ovako:

public void onEnable(){ ConfigurationSerialization.registerClass(CustomNeuralNetwork.class); }

• Nakon ovoga, trebalo bi da možete da sačuvate i učitate NNBaseEntity u i iz konfiguracije. Imajte na umu da ne možete da sačuvate instancu NeuralNetwork u konfiguraciju.
• U idealnom slučaju, nijedan drugi deo vašeg dodatka ne bi trebalo direktno da referencira vaš prilagođeni objekat neuronske mreže. Umesto toga, svi pozivi tom objektu treba da se obavljaju preko objekta NeuralNetwork.
• Za najbolje rezultate, pozovite DeepReinformentUtil.instantaneousReinforce samo kada neuronska mreža nije uspela na bilo koji način. Pozivanje kada je vratila tačnu vrednost obično je natera da "zaboravi" ono što je možda već naučila.
• Ovaj API je još u razvoju. Neki aspekti ovog dodatka mogu se promeniti u budućim ažuriranjima. Stalno proveravajte github stranicu za ažuriranja i uverite se da vaš projekat uvek referencira najnoviju verziju.
• Kada obučavate svoju NeuralNetwork, ako ne želite da se konzola puni porukama za debagovanje, koristite NeuralNetworksetBroadcasting(false); da onemogućite debagovanje u konzoli.
• Ako vaša AI ne vraća vrednosti koje očekujete, ili želite da znate šta vaša neuronska mreža "misli" za dati ulaz, možete otvoriti grapher da biste dobili vizualizaciju onoga što se dešava. Koristite NeuralNetworkopenGrapher(); da otvorite instancu graphera. Kada završite, možete koristiti NeuralNetworkcloseGrapher(); da pravilno zatvorite prozor.
• Dodavanje više skrivenih slojeva u vašu neuronsku mrežu povećava složenost obrazaca koje može da nauči.
• U određenim slučajevima, posedovanje BiasNeuron može povećati ili smanjiti sposobnost mreže da uči. Za situacije gde su potrebni određeni izlazi ako nema ulaza (XNOR, NAND, Inverted, na primer), tada je bolje imati najmanje 1 bias neuron u ulazima.
• Posedovanje BiasNeurons na skrivenim slojevima može ili ne mora pomoći u određenim situacijama.

Kako ovo funkcioniše

Neuronske mreže počinju sa tri osnovne komponente: senzornim nizom, AI objektom i Controler objektom.

• Senzorni niz određuje ulaze. To mogu biti boolean vrednosti, koje predstavljaju true ili false vrednost, ili brojevi koji predstavljaju moguća stanja za ulaz.
• AI je ono što pretvara ulaze u izlaze. Kroz niz neurona, svaki sa svojim vrednostima i pragovima, informacija se prenosi od ulaza do izlaza na osnovu toga kako je neuronska mreža obučena.
• Controler je način na koji pretvarate izlaze u podatke koje možete koristiti. Na primer, controler može da pretvori izlaze u boolean, određujući da li je AI detektovao psovku za filter psovki, ili određujući zbir dva cela broja.

Github stranica:

https://github.com/ZombieStriker/NeuralNetworkAPI

Ovaj dodatak prikuplja statistiku koristeći bStats:

Bestats prikuplja samo informacije o arhitekturi vašeg sistema, verziji servera i verziji dodatka. Ako zaista ne želite da se bilo koja od ovih informacija šalje, možete onemogućiti bstats tako što ćete u konfiguraciji podesiti: "enableStats" na false.