原作：Abe Haskins

安妮 编译整理

量子位 出品 | 公众号 QbitAI

在这篇教程中，谷歌工程师Abe Haskins用简洁易懂的语言，教你用Unity3D和TensorFlow生产一只会投篮的AI。

不少人表示，文章中的这些gif图能看一天！教你用AI秒杀NBA球员的校车马上就要发车了，还不快准备上车？

准备阶段

在开始正式训练前，先检查下自己是不是准备好了下面这些工具：

• 模拟篮球和物理环境Unity
• 用于训练模型的Node.js和TensorFlow.js
• 通过ML-agent asset包将模型嵌入Unity的TensorFlowSharp
• 将TensorFlow.js转换成Unity中可用图的tsjs-converter
• 将线性回归简单可视化的Google Sheets

所需工具就是这些了，接下来我将手把手教你解释清楚这些工具是怎样应用的。我建议大家先去将开源代码下载下来，方便后续的学习和理解。

代码地址：

https://github/abehaskins

明确目标

把目标想得简单些更有利于完成目标，我们可以把这个任务想象成：如果投球手距离篮筐的距离为x，用y程度的力度投球则会进球的简单问题。

这样一想是不是觉得模型都简单了好几度？如果你对如何在Unity中制作更复杂的AI感兴趣，你可以从Unity中查看完整的ML-Agents项目。

ML-Agents项目地址：

https://github/Unity-Technologies/ml-agents

篮筐和球

在这个游戏中，我们只需要投篮就好了。首先需要用到的就是Unity，你平时打游戏时看到的那个立方体的logo就是Unity的标志。它是一个游戏引擎，可以为所有平台构建2D和3D游戏。

Unity内置物理世界系统，还包括基础3D建模和脚本运行时（Mono），支持用C#编程。

把球场的大环境拼接起来并不复杂：

没错，图中的红色块就代表玩家。模拟篮筐上设置有隐形触发器，帮助检测小球通过篮筐的具体时间。

触发器使用教程：

https://unity3d/cn/learn/tutorials/topics/physics/colliders-triggers

如上图所示，在Unity编辑器中，肉眼可见绿色的隐形触发器。可观察到触发器分为上下两个，这样就能计算出球从篮筐顶部到底部落下消耗的时间。这两个触发器可在/Assets/BallController.cs中的OnTriggerEnter中查看。

上下都有触发器的另一个好处就是，可以据此判断小球的材料，帮助掌握distance和force.y两个核心变量。

投篮

打开
/Assets/BallSpawnerController.cs，这是一个负责生产篮球并试图投中篮筐的脚本。你也可以在Shoot()结尾处查看这段代码。

不知道你有没有注意到，Instantiates代码处表示了一个全新的实例，可以在此处设置投篮的力度和距离篮板的距离。

如果你是在/Assets/BallController.cs处打开的，可以查看Start()方法，之后在加入新篮球时会在此用到这段代码。

换句话说，我们创建一个新球，然后给它一定大小的力，设置30秒后球将被自动销毁，来确保我们能处理源源不断新出现的球。

设置好一切后，我们看看自己的这个全明星投篮手是如何投篮的。你可以点击Unity编辑器中的播放按钮，我们会看到……

百发百不中！

为什么会出现这样的情况？答案就在于Assets/BallController.cs代码中float force = 0.2f这一行。这条线让所有球的行动轨迹保持一致，所以出现了一发都没进的惨烈结局。

当然~这不是我们想要的，所以我进行了下一步的与探索。

随机投篮，收集数据

我们可以通过简单将力量变为随机的方式，引入一些随机噪音。

这样就能推测出，能够投中的力度是什么样的。当然这需要一些时间~

如图所示，红色代表没有投中的球，绿色代表已经入篮的球。此时，任何力度的投篮都是我们可以使用的数据点，下面也会谈到这些。

同时，我们需要考虑到，我们希望红色的小球能从任何位置成功投篮，因此我们需要的不仅仅是只从一个地方投篮。在
Assets/BallSpawnController.cs位置中，查找这些行并去掉MoveToRandomDistance()即可解决这个问题。

这样，如果我们再次运行，就可以看到红球在每次投篮后都能在球场上热情地跳跃。

随机运动和随机力量的结合创造了一种非常奇妙的东西：数据。如果此时查看Unity中的控制台，你能看到每次投篮时记录的数据。

每次成功投进都会被记录，并且到目前为击球的数量，距离篮筐的距离以及击球所需的力量都可查看。这些数据提升的速度比较慢，我们可以将MoveToRandomDistance()中的参数0.3f（每次投篮的延迟为300毫秒）改成0.05f（延迟50毫秒）。

现在，看看我们参数调试后的结果：

有没有发现，这其实是个不错的训练方式，系统显示成功率为6.4%了。下一步，我们准备将这些数据从Unity中提取出来，并构建一个模型预测所需要的力量。

预测、模型和回归

在用到TensorFlow之前，我们先让Unity环境中的红球完成大约50次命中。

此时如果查看Unity项目的根目录，则应该能够看到一个名为successful_shots.csv的新文件。这是来自Unity的原始转储，我们把这份数据导出来，以便在excel中分析它。

这个.csv文件只有三行，index，distance和force。我在谷歌表格中导入这个文件，创建了带趋势线的散点图，这样就能了解数据的分布情况了。

这些点组合起来可以发现一些规律。y轴为力度、x轴为距离。可以看到，所需的里与投篮距离之间有明显相关性，也有一些例外情况。

是时候让TensorFlow登场了，帮助我们用类似的代码创建更复杂的模型。比如，在一个完整的游戏中，我们可以涵盖进一些新功能。

现在需要创建我们的TensorFlow.js模型了。

在你喜欢的编辑器中打开tsjs/index.js文件，这是一个基于数据训练模型的脚本successful_shots.csv。训练和保存模型的方法如下：

我们从.csv文件中加载数据创建一些列x和y坐标点，让模型学会服从这些数据，之后，保存！

遗憾的是，TensorFlowSharp并不接受Tensorflow.js可以保存成的模型格式，需要我们做些翻译工作才能将模型引入Unity。

一般来说可以将TensorFlow.js Format转化为Keras Format，创建一个检查点；我们也可以将它们与Protobuf Graph Definition合并，创建检查点。

现在，我们看看在Unity里
Assets/BallSpawnController.cs下的GetForceFromTensorFlow()中的模型是什么样子的。

比赛日

利用上面已经完成的系统，我们在模型上创建了一写变体，在训练500次时，模拟篮球的运行轨迹是这样的：

正确率提升了10倍！

这还只是训练500次的结果，剩下的交给你了~别忘了回头看看我最后生成的结果，这是多么可爱的游戏啊~

传送门

客原文地址：

https://medium/tensorflow/tf-jam-shooting-hoops-with-machine-learning-7a96e1236c32?linkId=54634097

开源代码在此：

https://github/abehaskins

祝你好运~

— 完 —

实习生招聘

量子位正在招募活动运营实习生，策划执行AI明星公司CEO、高管等参与的线上/线下活动，有机会与AI行业大牛直接交流。工作地点在北京中关村。简历欢迎投递到quxin@qbitai

具体细节，请在量子位公众号(QbitAI)对话界面，回复“实习生”三个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态