爷青回！GAN生成的超级马里奥关卡，可以永不通关的那种！
共 1760字，需浏览 4分钟
·
2021-05-10 08:53
点击上方“机器学习与生成对抗网络”，关注星标
获取有趣、好玩的前沿干货！
子豪 发自 凹非寺 本文转自：量子位（QbitAI）
先来一波回忆杀~
《超级马里奥兄弟》的重度玩家们，可能已经发现了，这并不是原本32关里面的。
不过，如果你以为这是《马里奥制造》的杰作，那你就猜错了~这是AI利用GAN搞出来的！
利用GAN生成红白机游戏画面，并不是新鲜事，不过，这一次是可以无限延长的那种~
花样还不少：
只需用4个颜色通道表示对象
在游戏中，关卡数据以压缩格式存储，通常，每个对象用两个字节来描述位置和类型。
一个字节指定16x16网格中的xy坐标；第二个字节指定对象的类型。比如在第一关的场景中，仅用了12个字节来描述：
07 81 | 47 24 | 57 00 | 63 01 | 77 01 | C9 71
作者为了将关卡编码为16x16的图像，分别设置了4个独立颜色通道：
比如，第一关的截图，就可以表示成这样：
这样的编码方式，既能够涵盖足够多的对象，又不至于太过复杂。
并且，根据关卡中对象的排列方式进行分组，有利于模型进行学习并重现。比如，实心砖用于布置楼梯、砖块则通常水平放置。
此外，将所有对象组织成一个合理的方案，减少生成网络失误对输出结果的负面影响。
比如用硬币代替砖块，影响非常小；而如果用管道或库巴来代替，就会出现问题。
开发者还找出了游戏的一些特点：
管道可以连接地面或一排浮动块；
方块通常用来构建各种尺寸的楼梯；
砖块和问题块，大多排在第3位和第7位；
其他角色一般会分成两三组。
接下来，作者使用TensorFlow作为后端，利用Keras来构建模型，并进行训练。
生成器通过输入的一组特征向量，来生成新的样本图像；鉴别器则区分是训练集中的真实图像，还是生成器伪造的。
随着遍历训练集的次数增加，生成效果也逐渐改善：
最终输出的结果，是这样的：
嗯，效果真的很不错~
想永不通关？用cGAN
现在，只需把一张张“截图”连接起来，你就会得到：
半个库巴、半个管道，以及半个马里奥……
怎么才能无缝拼接，得到连贯的关卡呢？
这就需要利用「有条件的GAN」，把前一个场景作为后一个场景的边界条件。
就像这样：
可以看出，场景的左侧部分，是以第一行图像作为边界条件生成的。
具体来说，首先要在之前的基础上，向生成器输入一组16×4的图像，作为上一个场景的边界部分。
网络架构是这样的：
生成器在输入条件的限制下，生成16x16的图像，然后，把它们与16×4的输入图像进行拼接，再用拼接后的图像来训练鉴别器。
利用16×4图像的不断迭代，最终就能拼接成连续的场景，比如，经过40次迭代的结果：
“不想通关综合症”可能有救了！
开发者表示，虽然效果不是特别完美，但是已经具备了趣味性和可玩性~
是不是和那个“能玩一辈子的游戏”——《马里奥制造》有点像？它同样主打关卡制造，不过是玩家来手动设计。
△马里奥制造2 （图源：游戏官网）
在发布关卡之前，作者必须通关一次，于是有些人就加入隐蔽的“作者通道”，偷个懒直达终点。
不少高手都曾被“马造毒图”难倒，当然如果玩家发现隐蔽通道，就能“偷鸡”通关~
这样“有趣又有毒”的关卡，不知道AI能否构建出来呢？
原文链接：
https://medium.com/@eway/using-a-generative-adversarial-network-to-author-playable-super-mario-bros-levels-223736bd4ce
猜您喜欢：
附下载 |《TensorFlow 2.0 深度学习算法实战》