Press "Enter" to skip to content

好生猛,游戏里爆肝创纪录,太强了!

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

转自:机器之心 | 杜伟

 

大家好,我是 Jack。

 

这两天逛 B 站,发现了一个非常有意思的视频!

 

在我的世界(Minecraft)中,红石是一种非常重要的物品。它是游戏中的一种独特材料,开关、红石火把和红石块等能对导线或物体提供类似电流的能量。

 

 

红石电路可以为你建造用于控制或激活其他机械的结构,其本身既可以被设计为用于响应玩家的手动激活,也可以反复输出信号或者响应非玩家引发的变化,如生物移动、物品掉落、植物生长、日夜更替等等。

 

因此,在我的世界中,红石能够控制的机械类别极其多,小到简单机械如自动门、光开关和频闪电源,大到占地巨大的电梯、自动农场、小游戏平台甚至游戏内建的计算机。

 

近日,B 站 UP 主 @辰占鳌头等人在我的世界中实现了 真正的「红石人工智能」 ,他们耗时 六个月 ,构建了 世界上首个纯红石神经网络 ,任务是 识别 15×15 手写数字 。

 

作者表示,他们使用非传统的计算方式——随机计算来实现神经网络,在设计和布局上比传统全精度计算简单许多,并且单次理论识别时间仅为 5 分钟。

 

 

这个纯红石神经网络完成了机器学习领域常见的图像识别任务——手写数字识别,并且准确率达到了 80% (在 MNIST 数据集上模拟)。

 

 

在实现的过程中,作者使用到的各种元素包括如下:

 

单个神经元 接受多个输入并产生一个输出。

 

加入「 乘法器 」,仅使用随机数和单个逻辑门运算小数乘法。

 

 

神经元阵列 输出识别结果或传递到下一层。

 

各数字的置信度。

 

 

卷积层 用来提取笔画特征。

 

全连接第一层 :压缩信息并分类。

 

激活函数阵列 :将数据非线性地映射到高维特征空间。

 

全连接第二、三层 :进一步分类并输出识别结果。

 

作者表示,该网络使用的架构是 压缩的 LeNet-5 ,准确率达到 80%。

 

不过,受限于 Minecraft 的运算能力,实际识别时间超过 20 分钟。尽管如此,这仍是红石数电领域的重大突破,也可能启发现实中的硬件神经网络。

 

目前,视频的播放量已经超过 80 万,全 B 站排行榜最高第 39 名,让各路网友叹为观止。就连 图灵奖得主 Yann LeCun 也在 Facebook 上转发了该视频,表示「一位非常有耐心且坚持不懈的人使用红石在我的世界中实现了 LeNet-5。」LeCun 是  LeNet 架构提出者。

 

 

视频地址:

 

https://www.bilibili.com/video/BV1yv4y1u7ZX
https://www.bilibili.com/video/BV1wF411F7PU

 

背后的原理

 

在另外一个视频《【Minecraft】红石卷积神经网络——原理》中,作者详细解释了红石卷积神经网络的原理。

 

总的来说,他们使用的是压缩的 LeNet-5 卷积神经网络,卷积是网络的第一步计算,使用一个带权重的窗口(卷积核)逐次扫描图像并提取笔画特征。

 

 

然后将这些笔画特征馈入到深度神经网络(全连接层)进行分类识别。

 

 

在我的世界中实现红石神经网络

 

作者首先列出了输入设备,包括 一个单脉冲式压力板手写板和 15×15 坐标屏 。其中手写板每次产生 2tick 的坐标信号,接着由屏幕绘制。

 

 

随后输入的手写数字进入卷积层,计算方法是累加卷积核被遮盖的部分,并将结果输出到下一层。并且,为了保证非线性,输出还经过了 ReLU 函数。

 

 

由于卷积核只有 3×3,因而作者直接使用了 电模运算 ,并在输出端自动进行 ReLU。

 

 

另外,又由于卷积无法像动画里那样移动,所以采用了 直接堆叠 的方式,再通过硬连线连接到手写板输入上。

 

 

到了全连接层,它的每层由若干神经网络构成。每个神经元都连接多个输入,并产生一个输出。神经元将每个输入加权累加,然后带入一个激活函数输出。

 

需要注意的是,加权求和是「线性分割」,而激活函数一定是非线性的,用于提升维度。作者 使用了 tanh(双曲正切)作为了激活函数 。

 

 

反映到 实际的神经元电路 中,如下图所示。

 

 

同时, 权重被储存在投掷器 (用来调整物品配比生成不同频率的随机串)中,输入乘以权重后通过模电累加。

 

 

最终电路实现

 

关于电路实现,首先通过 模电计算加法 ,然后转为数电信号。

 

 

累加器 则是改装了另一位 Up 主提供的 2tick 流水线加法器,使之不会溢出。

 

 

接着堆叠神经元,构成一个全连接层。

 

 

最后一层的输出以及层间缓存使用如下模电计数器,它可以统计 5Hz 串中「1」的数量,容量则为 1024。

 

 

最后在输出层,计数器的高 4 位被连接到计数板上,然后电路选取最大的值并在输出面板上显示。

 

 

视频最后,作者展示了 最终的网络结构 ,如下图所示。其中,权重范围为 [-1, 1],随机串长度为 1024,MNIST 数据集上的准确率约为 80%。不过当串长为 256 时,准确率仅为 62%。

 

 

最后

 

非常有意思的时间换空间算法,感兴趣的小伙伴,可以自 己去试试。

 

我的世界真是一款无与伦比的佳作,可 以做的东西真多 。

 

不说了,这就去学习。

 

 

 

·················END·················

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。