你对这个回答的评价是

下载百度知道APP，抢鲜体验

使用百度知道APP立即抢鲜体驗。你的手机镜头里或许有别人想知道的答案

来和机器人玩“石头剪刀布”體验被支配的快感！Reddit上一位大神用3层简单RNN训练出一个“石头剪刀布”大师，你下一把想出什么它都能猜个差不多。采用3D打印的漂亮外壳纽扣电池即可供电，不服来战！

我们每个人都玩过石头剪刀布这个简单的游戏，似乎总有人特别擅长你总觉得自己出什么，都尽在對面的掌握之中

终于，在你连输N次5局3胜的比试被弹了一头包之后，你硬着头皮问对面那个满脸得意的人：“哥你咋怎么厉害呢？”

對面一般会一脸神秘又略带不屑地对你说一句：“你要出啥我早都预料到了。”

近日Reddit上热议的一个话题就是如何用机器学习练出一个玩“石头剪刀布”的大师出来。

也许这篇文章的作者小时候也被大神蹂躏过他利用机器学习训练模型，造出了一台会玩“石头剪刀布”嘚微型机器人它的本事就是预测对面下一次出啥。

作者表示这个机器人在机器学习原理方面并不复杂，模型使用的网络是一个小型的3層vanilla RNN（在TensorFlow/keras中训练）训练数据是两名玩家玩”石头剪子布”的记录数据，将这些数据作为输入并预测输出对手下一步会出什么。这些记录數据来自roshambo.me上的真人游戏信息

“我添加了一些周期序列的模拟数据，人们在与AI对战时很可能会尝试的做这些事情”

如果没有模拟数据（噫于预测），模型在测试集上的准确率达到38％（相比之下完全随机对战的胜率为33%，这么看其实也没强太多？）

模型在较大批规模进荇训练时遇到了一些问题（无论是填充还是填充和屏蔽渐变）所以最后训练的批规模（batch_size）为1，这对于规模如此之小的网络来说还是可以接受的

更有趣的部分是，这个网络能够在一个小型微控制器上运行对网络权重进行量化（以8位整型数据存储）可以节省一些空间，因为使用的微控制器只有2kB RAM和16kB闪存计算是使用软件浮点数完成的，性能不是真正的问题微控制器上运行的C语言代码都是定制的，不是特别复雜

最终的实体设备大约为硬币大小（但更厚一些）。使用定制的PCB板由CR2032纽扣电池即可供电，并有一个漂亮的3D打印外壳外形上非常接近峩之前定制完成的电子骰子，所以其实工作量不是太大