Minecraft 1.12 కోసం NeuralNetworkAPI ప్లగిన్

NeuralNetworkAPI

మైన్క్రాఫ్ట్లో న్యూరల్ నెట్వర్క్లను జోడించడానికి ఒక బుక్కిట్ ప్లగిన్.

ఎలా ఉపయోగించాలి (ప్రాథమిక-డెమో)

• ప్రారంభించడానికి, అన్ని న్యూరల్ నెట్వర్క్ రకాల జాబితాను చూడటానికి /nn cnn లేదా /nn createNewNN ఉపయోగించండి. ప్రారంభించడానికి LogicalOR ఎంచుకోవాలని నేను సిఫార్సు చేస్తున్నాను
• తర్వాత, NN శిక్షణను ప్రారంభించడానికి /nn startlearning ఉపయోగించండి.
• ఆ ఆదేశాన్ని పంపిన వెంటనే, శిక్షణను ఆపడానికి /nn stoplearning ఉపయోగించండి. ఈ రెండు ఆదేశాలను పంపిన కొన్ని సెకన్లలో, బాట్ వెయ్యికి పైగా సందర్భాలను పరిశీలించి ఉంటుంది మరియు 100% ఖచ్చితంగా ఉండాలి. (ఇతర NNల కోసం, కన్సోల్ను తనిఖీ చేయడం ద్వారా ఖచ్చితత్వాన్ని తనిఖీ చేయవచ్చు.)
• ఇప్పుడు, దాన్ని పరీక్షించడానికి, రెండు ఇన్పుట్లను పరీక్షించడానికి /nn test ఉపయోగించండి, అవి true లేదా false. (ఉదాహరణ: /nn test true false)
• LogicalOR కోసం, మొదటి మరియు/లేదా రెండవ ఇన్పుట్ true అయితే అది true అని ప్రింట్ చేయాలి.

డెవలపర్లు కాని వారికి

ఈ ప్లగిన్ ఈ API సాధించగల కొన్ని డెమోలు తప్ప తనంతట తాను ఏమీ అందించదు. మీరు మీ స్వంత NeuralNetwork ప్లగిన్ను అభివృద్ధి చేయాలని లేదా ఈ APIని ఉపయోగించే మరొక ప్లగిన్ను ఉపయోగించాలని ప్లాన్ చేయకపోతే, ఈ ప్లగిన్ మీకు ఉపయోగకరంగా ఉండకపోవచ్చు.

ప్లగిన్ డెవలపర్ల కోసం

కొత్త న్యూరల్ నెట్వర్క్ రకాన్ని తయారు చేయడానికి ప్రయత్నించే ముందు మీరు తెలుసుకోవలసిన కొన్ని విషయాలు ఉన్నాయి

• ఉదాహరణ ప్యాకేజీ NNలను ఎలా సృష్టించాలో అనేక ఉదాహరణలను ఇస్తుంది. లాజిక్ గేట్ NNలు అర్థం చేసుకోవడానికి సులభమైనవి.
• డిఫాల్ట్గా, NNBaseEntityని విస్తరించే అన్ని NNలు స్వయంచాలకంగా ConfigurationSerializableని అమలు చేస్తాయి. అయితే, బుక్కిట్ ఈ విలువలను కాన్ఫిగ్ నుండి లోడ్ చేయగలగడానికి, మీరు ఈ విధంగా క్లాస్ కోసం కొత్త కన్స్ట్రక్టర్ను సృష్టించాలి:

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

...మరియు ConfigurationSerialization క్లాస్ ప్రధాన క్లాస్ యొక్క onEnable లేదా onLoadలో ఆబ్జెక్ట్ను ఈ విధంగా నమోదు చేయనివ్వండి:

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

• దీని తర్వాత, మీరు NNBaseEntityని కాన్ఫిగ్కు మరియు కాన్ఫిగ్ నుండి సేవ్ చేయగలగాలి మరియు లోడ్ చేయగలగాలి. NeuralNetwork ఇన్స్టాన్స్ను కాన్ఫిగ్కు సేవ్ చేయలేరని గమనించండి.
• ఆదర్శంగా, మీ ప్లగిన్ యొక్క ఇతర భాగం ఏదీ మీ కస్టమ్ న్యూరల్ నెట్వర్క్ ఆబ్జెక్ట్ను నేరుగా సూచించకూడదు. బదులుగా, ఆ ఆబ్జెక్ట్కు అన్ని కాల్స్ NeuralNetwork ఆబ్జెక్ట్ ద్వారా చేయాలి.
• ఉత్తమ ఫలితాల కోసం, NN ఏదో ఒక విధంగా విఫలమైనప్పుడు మాత్రమే DeepReinformentUtil.instantaneousReinforceని కాల్ చేయండి. అది సరైన విలువను తిరిగి ఇచ్చినప్పుడు దాన్ని కాల్ చేయడం వల్ల అది ఇప్పటికే నేర్చుకున్నదాన్ని "మరచిపోవడానికి" దారితీస్తుంది.
• ఈ API ఇంకా అభివృద్ధిలో ఉంది. ఈ ప్లగిన్ యొక్క కొన్ని అంశాలు భవిష్యత్ అప్డేట్లలో మారవచ్చు. అప్డేట్ల కోసం github పేజీని నిరంతరం తనిఖీ చేయండి మరియు మీ ప్రాజెక్ట్ ఎల్లప్పుడూ నవీనతమ వెర్షన్ను సూచిస్తుందని నిర్ధారించుకోండి.
• మీ NeuralNetworkకు శిక్షణ ఇస్తున్నప్పుడు, కన్సోల్ డీబగ్ సందేశాలతో నిండకూడదనుకుంటే, కన్సోల్ డీబగ్గింగ్ను నిలిపివేయడానికి NeuralNetworksetBroadcasting(false); ఉపయోగించండి.
• మీ AI మీరు ఆశించిన విలువలను తిరిగి ఇవ్వకపోతే, లేదా ఇన్పుట్ ఇచ్చినప్పుడు మీ NN ఏమి "ఆలోచిస్తోందో" తెలుసుకోవాలనుకుంటే, ఏమి జరుగుతుందో దృశ్యమానం చేయడానికి మీరు గ్రాఫర్ను తెరవవచ్చు. గ్రాఫర్ ఇన్స్టాన్స్ను తెరవడానికి NeuralNetworkopenGrapher(); ఉపయోగించండి. మీరు పూర్తి చేసిన తర్వాత, విండోను సరిగ్గా మూసివేయడానికి మీరు NeuralNetworkcloseGrapher(); ఉపయోగించవచ్చు.
• మీ న్యూరల్ నెట్వర్క్కు ఎక్కువ హిడెన్ లేయర్లను జోడించడం వల్ల అది నేర్చుకోగల నమూనాల సంక్లిష్టత పెరుగుతుంది.
• కొన్ని సందర్భాల్లో, BiasNeuron కలిగి ఉండటం నెట్వర్క్ నేర్చుకునే సామర్థ్యాన్ని పెంచవచ్చు లేదా తగ్గించవచ్చు. ఇన్పుట్లు లేనప్పుడు కొన్ని అవుట్పుట్లు అవసరమయ్యే పరిస్థితుల్లో (ఉదాహరణకు XNOR, NAND, Inverted), ఇన్పుట్లలో కనీసం 1 బయాస్ న్యూరాన్ ఉండటం మంచిది.
• హిడెన్ లేయర్లపై BiasNeurons కలిగి ఉండటం కొన్ని పరిస్థితుల్లో సహాయపడవచ్చు లేదా పడకపోవచ్చు.

ఇది ఎలా పనిచేస్తుంది

NeuralNetworks మూడు ప్రాథమిక భాగాలతో ప్రారంభమవుతాయి: ఒక Sensory array, ఒక AI ఆబ్జెక్ట్, మరియు ఒక Controler ఆబ్జెక్ట్.

• Sensory array ఇన్పుట్లను నిర్ణయిస్తుంది. ఇవి true లేదా false విలువను సూచించే బూలియన్లు కావచ్చు, లేదా ఇన్పుట్ కోసం సాధ్యమయ్యే స్థితులను సూచించే సంఖ్యలు కావచ్చు.
• AI ఇన్పుట్లను అవుట్పుట్లుగా మారుస్తుంది. ప్రతి ఒక్కటి తమ స్వంత విలువలు మరియు థ్రెషోల్డ్లను కలిగిన న్యూరాన్ల శ్రేణి ద్వారా, NN ఎలా శిక్షణ పొందింది అనే దాని ఆధారంగా సమాచారం ఇన్పుట్ నుండి అవుట్పుట్లకు ప్రసారమవుతుంది.
• Controler అనేది మీరు అవుట్పుట్లను మీరు ఉపయోగించగల డేటాగా మార్చే విధానం. ఉదాహరణకు, కంట్రోలర్ అవుట్పుట్లను బూలియన్గా మార్చవచ్చు, తిట్టు ఫిల్టర్ కోసం AI తిట్టు పదాన్ని గుర్తించిందో లేదో నిర్ణయించడం, లేదా రెండు పూర్ణాంకాల మొత్తాన్ని నిర్ణయించడం.

GithubPage:

https://github.com/ZombieStriker/NeuralNetworkAPI

ఈ ప్లగిన్ bStats ఉపయోగించి గణాంకాలను సేకరిస్తుంది:

Bestats మీ సిస్టమ్ ఆర్కిటెక్చర్, సర్వర్ వెర్షన్, మరియు ప్లగిన్ వెర్షన్కు సంబంధించిన సమాచారాన్ని మాత్రమే సేకరిస్తుంది. ఈ సమాచారంలో ఏదైనా పంపబడకూడదనుకుంటే, మీరు కాన్ఫిగ్లోకి వెళ్లి "enableStats"ను falseగా సెట్ చేయడం ద్వారా bstatsను నిలిపివేయవచ్చు.