NeuralNetworkAPI

 NeuralNetworkAPI

Wtyczka Bukkit do dodawania sieci neuronowych do Minecrafta.

  Jak korzystać (Podstawowa demonstracja)

•  Na początek użyj `/nn cnn` lub `/nn createNewNN`, aby zobaczyć listę wszystkich typów sieci neuronowych. Polecałbym wybrać `LogicalOR`, aby zacząć.
• Następnie użyj `/nn startlearning`, aby rozpocząć trenowanie sieci NN.
• Prawie od razu po wysłaniu tej komendy użyj `/nn stoplearning`, aby zakończyć trenowanie. W ciągu kilku sekund od wysłania tych dwóch poleceń bot przejdzie przez tysiące scenariuszy i powinien być w 100% dokładny. (Dla innych NN możesz sprawdzić dokładność, przeglądając konsolę.)
• Aby to przetestować, użyj `/nn test`, aby przetestować dwa wejścia, prawda lub fałsz. (np. `/nn test true false`)
• Dla LogicalOR powinno wyświetlać true, jeśli pierwsze i/lub drugie wejście jest prawdziwe.

Dla nie-developerów

Ta wtyczka nie zapewnia nic samodzielnie poza kilkoma demonstracjami tego, co to API potrafi osiągnąć. Jeśli nie planujesz tworzyć własnej wtyczki NeuralNetwork lub używać innej wtyczki, która korzysta z tego API, ta wtyczka może być dla Ciebie bezużyteczna.

 Dla twórców wtyczek

Są pewne rzeczy, które powinieneś wiedzieć, zanim spróbujesz stworzyć nowy typ sieci neuronowej

•  Pakiet `example` podaje szereg przykładów tworzenia sieci neuronowych. Sieci neuronowe z bramkami logicznymi powinny być najłatwiejsze do zrozumienia.
• Domyślnie wszystkie NN, które dziedziczą po NNBaseEntity, automatycznie implementują ConfigurationSerializable. Jednak, aby Bukkit mógł ładować te wartości z konfiguracji, będziesz musiał utworzyć nowy konstruktor klasy w następujący sposób:

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

...i pozwól klasie ConfigurationSerialization zarejestrować obiekt w metodach onEnable lub onLoad w klasie głównej, jak poniżej:

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

• Po tym będziesz mógł zapisywać i odczytywać `NNBaseEntity` z konfiguracji. Pamiętaj, nie można zapisać instancji `NeuralNetwork` do konfiguracji.
•  Najlepiej, żadna inna część twojej wtyczki nie powinna bezpośrednio odwoływać się do twojego niestandardowego obiektu sieci neuronowej. Zamiast tego wszystkie wywołania do tego obiektu powinny być wykonywane za pomocą obiektu NeuralNetwork.
•  Dla najlepszych rezultatów, wywołuj `DeepReinformentUtil.instantaneousReinforce` tylko wtedy, gdy NN zawiódł w jakikolwiek sposób. Wywoływanie go w przypadku, gdy zwrócił prawidłową wartość, zazwyczaj powoduje, że zapomina to, czego mógł już się nauczyć.
•  To API jest wciąż w rozwoju. Niektóre aspekty tej wtyczki mogą się zmienić w przyszłych aktualizacjach. Regularnie sprawdzaj stronę GitHub w poszukiwaniu aktualizacji i upewnij się, że projekt zawsze odnosi się do najnowszej wersji.
•  Podczas trenowania swojej sieci neuronowej, jeśli nie chcesz, aby konsola zapełniała się komunikatami debug, użyj `NeuralNetwork#setBroadcasting(false);`, aby wyłączyć debugowanie konsoli.
•  Jeśli Twoja AI nie zwraca wartości, których oczekujesz, lub chcesz wiedzieć, co twoja sieć NN „myśli” na podstawie wejścia, możesz otworzyć grapher, aby mieć wizualizację tego, co się dzieje. Użyj `NeuralNetwork#openGrapher();` aby otworzyć instancję graphera. Gdy skończysz, możesz użyć `NeuralNetwork#closeGrapher();` aby prawidłowo zamknąć okno.
•  Dodanie większej liczby ukrytych warstw do twojej sieci neuronowej zwiększa złożoność wzorców, które potrafi się nauczyć.
•  W pewnych przypadkach posiadanie BiasNeuron może zwiększyć lub zmniejszyć zdolność sieci do uczenia. W sytuacjach, gdy pewne wyjścia są potrzebne, jeśli nie ma wejść (XNOR, NAND, odwrócone, na przykład), lepiej mieć co najmniej 1 neuron bias w wejściach.
•  Posiadanie BiasNeurons w ukrytych warstwach może, a może nie pomagać w niektórych sytuacjach.

 Jak to działa

Sieci neuronowe zaczynają od trzech podstawowych komponentów, tablicy sensorycznej, obiektu AI i obiektu Controler.

• Tablica sensoryczna określa wejścia. Mogą to być booleany, reprezentujące prawdę lub fałsz, lub liczby, które reprezentują możliwe stany wejścia.
• Sztuczna inteligencja (AI) konwertuje wejścia na wyjścia. Poprzez serię neuronów, każdy z własnymi wartościami i progami, informacje są przekazywane od wejścia do wyjścia w zależności od tego, jak NN został wytrenowany.
•  Kontroler to sposób, w jaki konwertujesz wyjścia na dane, które możesz wykorzystać. Na przykład, kontroler może konwertować wyjścia na boolean, określając, czy AI wykryło przekleństwo dla filtra przekleństw, lub określając sumę dwóch całkowitych. 

GithubPage:

https://github.com/ZombieStriker/NeuralNetworkAPI

Ta wtyczka zbiera statystyki przy użyciu bStats:

Statystyki bStats zbierają jedynie informacje dotyczące architektury twojego systemu, wersji serwera i wersji wtyczki. Jeśli naprawdę nie chcesz, aby którakolwiek z tych informacji była wysyłana, możesz wyłączyć bStats, przechodząc do konfiguracji i ustawiając: "enableStats" na false.