Zombie State'te Klasik Makine Öğrenimi ve Tekrarlayan Sinir Ağlarını Kullanarak Görev Oluşturma

Belki prosedür düzeyinde üretime aşinasınızdır; Bu yazıda her şey prosedürel görev oluşturmayla ilgili. Rogue benzeri oyunlar için klasik makine öğrenimini ve yinelenen sinir ağlarını kullanarak görevler oluşturmanın büyük resmini inceleyeceğiz.

Herkese selam! Adım Lev Kobelev ve MY.GAMES'te Oyun Tasarımcısıyım. Bu makalede, prosedürel görev oluşturmaya nasıl ve neden karar verdiğimizi açıklarken klasik makine öğrenimi ve basit sinir ağlarını kullanma deneyimimi paylaşmak istiyorum. Ayrıca sürecin Zombie'de uygulanmasına da derinlemesine bakacağız. Durum.

"Kutu" görevinin temelleri: dalgalar, ortaya çıkmalar ve daha fazlası

☝🏻 Öncelikle bazı terminoloji: “ arenalar ”, “ seviyeler ” ve “ konumlar ” bu bağlamda eş anlamlı olduğu gibi “ alan ”, “ bölge ” ve “ doğma alanı ” da eşanlamlıdır.

Şimdi “ misyon ”u tanımlayalım. Görev, düşmanların belirli kurallara göre bir yerde belirdiği, önceden belirlenmiş bir düzendir . Daha önce de belirtildiği gibi, Zombie State'te konumlar oluşturuldu, dolayısıyla "aşamalı" bir deneyim yaratmıyoruz. Yani düşmanları önceden belirlenmiş noktalara yerleştirmiyoruz, aslında öyle bir nokta yok. Bizim durumumuzda, oyuncunun veya belirli bir duvarın yakınında bir yerde bir düşman beliriyor. Ayrıca oyundaki tüm arenalar dikdörtgen şeklinde olduğundan herhangi bir görev, herhangi birinde oynanabilir.

“ Doğma ” terimini tanıtalım. Yumurtlama, önceden belirlenmiş parametrelere göre belirlenmiş bir bölgedeki noktalarda aynı türden birkaç düşmanın ortaya çıkmasıdır . Bir puan – bir düşman. Bir alanın içinde yeterli nokta yoksa özel kurallara göre genişletilir. Bölgenin yalnızca bir yumurtlama tetiklendiğinde belirlendiğini anlamak da önemlidir. Alan, doğma parametrelerine göre belirlenir ve aşağıda iki örneği ele alacağız: oyuncunun yakınında ve bir duvarın yakınında ortaya çıkma.

İlk doğuş türü oyuncunun yakınındadır . Oyuncunun yakınındaki görünüm, iki yarıçapla tanımlanan bir sektör aracılığıyla belirlenir: dış ve iç (R ve r), sektörün genişliği (β), oynatıcıya göre dönme açısı (α) ve düşmanın görünümünün istenen görünürlüğü (veya görünmezliği). Bir sektörün içinde düşmanlar için gerekli sayıda puan bulunur ve bunlar da buradan gelir!

İkinci tür yumurtlama ise duvarın yakınındadır . Bir seviye oluşturulduğunda, her iki taraf da bir etiketle (ana yön) işaretlenir. Çıkışın bulunduğu duvar daima kuzeydedir. Bir duvarın yakınındaki düşmanın görünümü etiket, ondan olan mesafe (o), uzunluk (a), bölgenin genişliği (b) ve düşmanın görünümünün istenen görünürlüğü (veya görünmezliği) ile belirtilir. Bir bölgenin merkezi, oyuncunun mevcut konumuna göre belirlenir.

Yumurtlamalar dalgalar halinde gelir. Dalga, ortaya çıkma şeklidir, yani aralarındaki gecikmedir; oyuncuları tüm düşmanlarla aynı anda alt etmek istemiyoruz. Dalgalar görevlerde birleştirilir ve belirli bir mantığa göre birbiri ardına fırlatılır. Örneğin ikinci bir dalga, birinciden 20 saniye sonra (ya da içindeki zombilerin %90'ından fazlası öldürülürse) başlatılabilir. Yani, görevin tamamı büyük bir kutu olarak düşünülebilir ve bu kutunun içinde orta büyüklükte kutular (dalgalar) vardır ve dalgaların içinde daha da küçük kutular (doğanlar) vardır.

Dolayısıyla, görevler üzerinde çalışmaya başlamadan önce bazı kuralları zaten tanımladık:

1. Sürekli bir aksiyon hissini sürdürmek için, oyuncuya yakın görünür noktalarda düzenli zombileri sık sık ortaya çıkardığınızdan emin olun.
2. Çıkışı vurgulamak veya oyuncuyu belirli bir taraftan itmek için öncelikle duvarların yakınında uzun menzilli savaş düşmanları ortaya çıkarmaya çalışın
3. Bazen oyuncunun önünde ama görünmez noktalarda özel düşmanlar ortaya çıkarın.
4. Oyuncuya asla X metreden daha yakın mesafedeki düşmanları ortaya çıkarmayın
5. Asla aynı anda X'ten fazla düşman ortaya çıkarma

Bir noktada yaklaşık yüz görevimiz hazırdı ama bir süre sonra daha fazlasına ihtiyaç duymaya başladık. Diğer tasarımcılar ve ben başka yüz görev oluşturmak için çok fazla zaman ve çaba harcamak istemedik, bu yüzden görev oluşturmak için hızlı ve ucuz bir yöntem aramaya başladık.

Görev Oluşturma

Görev dağılımı

Tüm jeneratörler belirli kurallara göre çalışıyor ve manuel olarak oluşturduğumuz görevlerimiz de belirli önerilere göre yapılıyordu. Böylece, görevler içindeki kalıplarla ilgili bir hipotez ortaya attık ve bu kalıplar, jeneratör için kurallar olarak hareket edecek.

✍🏻 Metinde bulacağınız bazı terimler:

• Kümeleme, belirli bir koleksiyonun örtüşmeyen alt kümelere (kümelere) bölünmesi, böylece benzer nesnelerin aynı kümeye ait olması ve farklı kümelerdeki nesnelerin önemli ölçüde farklı olması görevidir.

• Kategorik özellikler, sonlu bir kümeden değer alan ve sayısal bir temsili olmayan verilerdir. Örneğin, doğma duvarı etiketi: Kuzey, Güney vb.

• Kategorik özelliklerin kodlanması, kategorik özelliklerin önceden belirlenmiş bazı kurallara göre sayısal bir gösterime dönüştürülmesine yönelik bir prosedürdür. Örneğin, Kuzey → 0, Güney → 1 vb.

• Normalleştirme, aralıklardaki fark hakkındaki bilgileri kaybetmeden bunları ortak bir ölçeğe getirmek amacıyla sayısal özelliklerin ön işleme yöntemidir. Örneğin nesnelerin benzerliğini hesaplamak için kullanılabilirler. Daha önce de belirtildiği gibi nesne benzerliği kümeleme problemlerinde önemli bir rol oynamaktadır.

  
  

Tüm bu kalıpları manuel olarak aramak son derece zaman alıcı olacaktır, bu nedenle kümelemeyi kullanmaya karar verdik. Bu görevi iyi bir şekilde yerine getirdiği için makine öğreniminin kullanışlı olduğu yer burasıdır.

Kümeleme bazı N boyutlu uzaylarda çalışır ve ML özellikle sayılarla çalışır. Bu nedenle tüm ortaya çıkmalar vektör haline gelecektir:

• Kategorik değişkenler kodlandı
• Tüm veriler normalleştirildi

Yani örneğin “kuzey duvarında 2 metre girintili, 10 genişliğinde ve 5 uzunluğunda bir alanda 10 zombi atıcısı yumurtla” olarak tanımlanan yumurtlama, [0,5, 0,25, 0,2] vektörü haline geldi. , 0,8, …, 0,5] (←bu sayılar soyuttur).

Ek olarak, belirli düşmanların soyut türlerle eşleştirilmesiyle düşman grubunun gücü azaltıldı. Yeni başlayanlar için bu tür bir haritalama, belirli bir kümeye yeni bir düşman atamayı kolaylaştırdı. Bu aynı zamanda optimum kalıp sayısını azaltmayı ve sonuç olarak üretim doğruluğunu artırmayı da mümkün kıldı; ancak bu konuya daha sonra değineceğiz.

Kümeleme algoritması

Birçok kümeleme algoritması vardır: K-Means, DBSCAN, spektral, hiyerarşik vb. Hepsi farklı fikirlere dayanıyor ancak aynı hedefe sahipler: verilerdeki kümeleri bulmak. Aşağıda, seçilen algoritmaya bağlı olarak aynı veriler için kümeleri bulmanın farklı yollarını görüyorsunuz.

K-Means algoritması, ortaya çıkma durumunda en iyi performansı gösterdi.

Şimdi, bu algoritma hakkında hiçbir şey bilmeyenler için küçük bir açıklama yapalım (bu makale makine öğreniminin temelleriyle ilgili değil, oyun geliştirmeyle ilgili olduğundan katı bir matematiksel akıl yürütme olmayacaktır). K-Means, her özellikten atanmış kümenin ortalama değerine kadar olan uzaklıkların karelerinin toplamını en aza indirerek verileri yinelemeli olarak K kümeye böler. Ortalama, kare mesafelerin küme içi toplamı ile ifade edilir.

Bu yöntemle ilgili aşağıdakileri anlamak önemlidir:

• Aynı büyüklükteki kümeleri garanti etmez; bizim için bu bir sorun değildi çünkü bir misyon içindeki kümelerin dağılımı eşitsiz olabilir.
• Veri içindeki küme sayısını belirlemez ancak girdi olarak belirli bir K sayısına yani istenen küme sayısına ihtiyaç duyar. Bazen bu sayı önceden belirlenir, bazen de belirlenmez. Üstelik “en iyi” küme sayısını bulmak için genel kabul görmüş bir yöntem yoktur.

İkinci noktaya biraz daha detaylı bakalım.

Küme sayısı

Dirsek yöntemi genellikle optimum küme sayısını seçmek için kullanılır. Fikir çok basit: Algoritmayı çalıştırıyoruz ve 1'den N'ye kadar olan tüm K'ları deneriz; burada N makul bir sayıdır. Bizim durumumuzda bu sayı 10'du; daha fazla küme bulmak imkansızdı. Şimdi her küme içindeki mesafelerin karelerinin toplamını bulalım (WSS veya SS olarak bilinen bir puan). Tüm bunları bir grafikte görüntüleyeceğiz ve sonrasında y eksenindeki değerin önemli ölçüde değişmesinin durduğu bir nokta seçeceğiz.

Örnek olarak iyi bilinen bir veri kümesini kullanacağız: İris çiçeği veri seti . Algoritmayı K ile 1'den 10'a kadar çalıştıralım ve yukarıdaki tahminin K'ye bağlı olarak nasıl değiştiğini görelim. Yaklaşık K=3 olduğunda, tahminin fazla değişmesi durur - ve orijinal veri kümesinde tam olarak bu kadar sınıf vardı.

Dirseği göremiyorsanız Silhouette yöntemini kullanabilirsiniz ancak bu yazının kapsamı dışındadır.

Yukarıdaki ve aşağıdaki hesaplamaların tümü Python'da makine öğrenimi ve veri analizi için standart kütüphaneler kullanılarak yapıldı: pandas, numpy, seaborn ve sklearn. Makalenin asıl amacı teknik ayrıntılara girmek yerine yetenekleri göstermek olduğundan kodu paylaşmıyorum.

Her kümeyi analiz etme

Optimum küme sayısı elde edildikten sonra her birinin ayrıntılı olarak incelenmesi gerekir. İçerisinde hangi Spawn’ların yer aldığını ve aldıkları değerleri görmemiz gerekiyor. Daha sonraki nesillerde kullanmak üzere her küme için kendi ayarlarımızı oluşturalım. Parametreler şunları içerir:

• Olasılığı hesaplamak için düşman ağırlıkları. Örneğin normal bir zombi = 5, kasklı bir zombi = 1. Dolayısıyla normal bir zombinin olasılığı 5/6, kasklı bir zombinin olasılığı ise 1/6'dır. Ağırlıkların çalıştırılması daha uygundur.
• Değer, örneğin bölgenin minimum ve maksimum dönüş açısını veya genişliğini sınırlar. Her parametre, herhangi bir değeri eşit derecede olası olan kendi bölümü tarafından tanımlanır.
• Duvar etiketi veya nokta görünürlüğü gibi kategorik değerler, düşman ayarları olarak tanımlanır ve bu, ağırlıklar aracılığıyla gerçekleşir.

Sözlü olarak "basit düşmanların oyuncunun yakınında kısa bir mesafede ve büyük olasılıkla görünür noktalarda ortaya çıkması" olarak tanımlanabilecek küme ayarlarını ele alalım.

Küme 1 tablosu

İşte iki yararlı püf noktası:

• Belirtilen düşmanın sabit bir sayısı değil, sayısının seçileceği bir segmenttir. Bu, aynı düşmanla farklı kümelerde ancak farklı miktarlarda çalışmaya yardımcı olur.
• Belirtilen dış yarıçap (R) değil, iç yarıçapa (r) göre deltadır (R-delta), böylece R > r kuralına uyulur. Böylece, herhangi bir R-delta > 0 için rastgele r'ye R-delta eklenir, r+R-delta > r, bu da her şeyin iyi olduğu anlamına gelir.

Bu, her küme için yapıldı ve sayıları 10'dan azdı, dolayısıyla uzun sürmedi.

Kümelemeyle ilgili bazı ilginç şeyler

Bu konuya sadece biraz değindik ama hala araştırılacak pek çok ilginç şey var. İşte referans olabilecek bazı makaleler; verilerle çalışma, kümeleme ve sonuçları analiz etme süreçlerinin iyi bir tanımını sağlarlar.

• Pokmean — Pokedex'te KMean Kümelemesi
• League of Legends Oyunlarının Kümelenmesi
• FIFA20 Saha Oyuncuları Kümelenmesi

Bir görev zamanı

Ortaya çıkma modellerine ek olarak, bu parametreyi üretim sırasında kullanmak için, bir görev içindeki düşmanların toplam sağlığının, görevin beklenen tamamlanma süresine bağımlılığını incelemeye karar verdik.

Manuel görevler oluşturma sürecinde görev, bölüm için koordineli bir tempo oluşturmaktı; bir dizi görev: kısa, uzun, kısa, tekrar kısa vb. Oyuncunun beklenen DPS'sini ve süresini biliyorsanız, bir görevdeki düşmanların toplam sağlığını nasıl elde edebilirsiniz?

💡 Doğrusal regresyon, bir değişkenin diğerine veya birkaç başka değişkene bağımlılığını doğrusal bir bağımlılık fonksiyonuyla yeniden yapılandırmanın bir yöntemidir. Aşağıdaki örneklerde yalnızca bir değişkenden doğrusal regresyon ele alınacaktır: f(x) = wx + b.

Aşağıdaki terimleri tanıtalım:

• HP , görevdeki düşmanların toplam sağlığıdır
• DPS, saniye başına beklenen oyuncu hasarıdır
• Eylem süresi , oyuncunun görevde düşmanları yok etmek için harcadığı saniye sayısıdır
• Serbest zaman, oyuncunun örneğin hedefi değiştirebileceği ek zamandır.
• Beklenen görev süresi, eylem ve boş zamanın toplamıdır

Yani, HP = DPS * eylem süresi + boş zaman. Manuel bir bölüm oluştururken her görevin beklenen süresini kaydettik; şimdi harekete geçme zamanı bulmamız gerekiyor.

Beklenen görev süresini biliyorsanız, eylem süresini hesaplayabilir ve boş zaman elde etmek için bunu beklenen süreden çıkarabilirsiniz: serbest zaman = görev süresi - eylem süresi = görev süresi - HP * DPS. Bu sayı daha sonra görevdeki ortalama düşman sayısına bölünebilir ve düşman başına serbest zaman elde edersiniz. Bu nedenle geriye kalan tek şey, beklenen görev süresinden düşman başına serbest zamana kadar doğrusal bir regresyon oluşturmaktır.

Ek olarak, görev süresinden eylem süresinin payına ilişkin bir regresyon oluşturacağız.

Bir hesaplama örneğine bakalım ve bu regresyonların neden kullanıldığını görelim:

1. İki sayı girin: görev süresi ve 30 ve 70 olarak DPS
2. Eylem süresinin payının görev süresinden gerilemesini görün ve 0,8 cevabını alın.
3. Eylem süresini 30*0,8=6 saniye olarak hesaplayın
4. HP'yi 6*70=420 olarak hesaplayın
5. Düşman başına düşen serbest zamanın görev süresine göre gerilemesini görün ve 0,25 saniye olan cevabı alın.

İşte bir soru: Neden düşmanın boş zamanını bilmemiz gerekiyor? Daha önce de belirtildiği gibi, yumurtlamalar zamana göre düzenlenir. Bu nedenle, i'inci ortaya çıkma süresi, (i-1)'inci ortaya çıkmanın eylem süresi ile içindeki boş zamanın toplamı olarak hesaplanabilir.

Ve burada başka bir soru ortaya çıkıyor: Eylem süresi ile boş zamanın payı neden sabit değil?

Oyunumuzda bir görevin zorluğu süresiyle ilgilidir. Yani kısa görevler daha kolay, uzun görevler ise daha zordur. Zorluk parametrelerinden biri düşman başına düşen serbest zamandır. Yukarıdaki grafikte birkaç düz çizgi vardır ve bunlar aynı eğim katsayısına (w) fakat farklı bir uzaklığa (b) sahiptir. Bu nedenle, zorluğu değiştirmek için dengeyi değiştirmek yeterlidir: b'yi artırmak oyunu kolaylaştırır, azaltmak oyunu zorlaştırır ve negatif sayılara izin verilir. Bu seçenekler, zorluğu bölümden bölüme değiştirmenize yardımcı olur.

Tüm tasarımcıların regresyon sorununu derinlemesine incelemeleri gerektiğine inanıyorum, çünkü bu genellikle diğer projelerin yapısökümüne yardımcı olur:

• Doğrusal Regresyon Eğitimi
• Makine Öğrenimi Projesi Temel - Doğrusal Regresyon
• Başlangıç Scikit-Öğrenme Doğrusal Regresyon

Yeni görevler oluşturmak

Böylece jeneratörün kurallarını bulmayı başardık ve artık üretim sürecine geçebiliriz.

Soyut düşünürseniz, herhangi bir görev, her sayının belirli bir ortaya çıkma kümesini yansıttığı bir sayı dizisi olarak temsil edilebilir. Örneğin görev: 1, 2, 1, 1, 2, 3, 3, 2, 1, 3. Bu, yeni görevler oluşturma görevinin yeni sayısal diziler oluşturmaya bağlı olduğu anlamına gelir. Oluşturma sonrasında, küme ayarlarına uygun olarak her sayıyı ayrı ayrı "genişletmeniz" yeterlidir.

Temel yaklaşım

Bir dizi oluşturmanın önemsiz bir yöntemini düşünürsek, belirli bir ortaya çıkmanın başka herhangi bir ortaya çıkmayı takip etmesinin istatistiksel olasılığını hesaplayabiliriz. Örneğin, aşağıdaki diyagramı elde ederiz:

Diyagramın üst kısmı, onun yol açtığı bir küme, bir tepe noktasıdır ve kenar ağırlığı, kümenin bir sonraki olma olasılığıdır.

Böyle bir grafiği inceleyerek bir dizi oluşturabiliriz. Ancak bu yaklaşımın bir takım dezavantajları vardır. Bunlar arasında, örneğin hafıza eksikliği (yalnızca mevcut durumu bilir) ve kendine dönüşme istatistiksel olasılığı yüksekse, bir durumda "sıkışıp kalma" şansı yer alır.

✍🏻 Bu grafiği bir süreç olarak düşünürsek basit bir Markov zinciri elde ederiz.

Tekrarlayan sinir ağları

Temel yaklaşımın dezavantajlarına sahip olmadıkları için sinir ağlarına, yani tekrarlayan ağlara dönelim. Bu ağlar, doğal dil işleme görevlerindeki karakterler veya kelimeler gibi dizileri modellemede iyidir. Çok basit bir şekilde ifade etmek gerekirse ağ, öncekilere dayanarak dizinin bir sonraki öğesini tahmin edecek şekilde eğitilir.

Bu ağların nasıl çalıştığının açıklaması bu makalenin kapsamı dışındadır çünkü bu çok büyük bir konudur. Bunun yerine, eğitim için nelerin gerekli olduğuna bakalım:

• L uzunluğunda N diziden oluşan bir dizi
• N dizinin her birinin cevabı bir çok sıcak vektör, yani cevabı gösteren, C-1 sıfır ve bir 1'den oluşan C uzunluğunda bir vektör.
• C cevap kümesinin gücüdür.

N=2, L=3, C=5 ile basit bir örnek. 1, 2, 3, 4, 1 dizisini alalım ve onun içinde L+1 uzunluğunda alt dizileri arayalım: [1, 2, 3, 4], [2, 3, 4, 1]. Diziyi L karakterlerinden oluşan bir girişe ve bir yanıta (hedef) - (L+1)'inci karaktere* bölelim.* Örneğin, [1, 2, 3, 4] → [1, 2, 3] ve [ 4]. Cevapları tek sıcak vektörlere kodluyoruz, [4] → [0, 0, 0, 0, 1].

Daha sonra tensorflow veya pytorch kullanarak Python'da basit bir sinir ağının taslağını çizebilirsiniz. Aşağıdaki bağlantıları kullanarak bunun nasıl yapıldığını görebilirsiniz. Geriye kalan tek şey yukarıda açıklanan veriler üzerinde eğitim sürecini başlatmak, beklemek ve... ardından üretime geçebilirsiniz!

Makine öğrenimi modellerinin doğruluk gibi belirli ölçümleri vardır. Doğruluk, doğru verilen cevapların oranını gösterir. Ancak verilerde sınıf dengesizlikleri olabileceğinden dikkatli bir şekilde incelenmelidir. Eğer hiç yoksa (veya hemen hemen hiç yoksa), o zaman cevapları rastgele tahmin etmekten daha iyi tahmin ediyorsa, yani doğruluk > 1/C ise modelin iyi çalıştığını söyleyebiliriz; 1'e yakınsa harika çalışır.

Bizim durumumuzda model iyi bir doğruluk gösterdi. Bu sonuçların nedenlerinden biri, düşmanların türlerine ve dengelerine göre haritalanması sayesinde elde edilen küme sayısının az olmasıdır.

İlgilenenler için RNN hakkında daha fazla materyal:

• Yeni Başlayanlar İçin LSTM'leri Kullanarak Metin Oluşturma Kılavuzu
• Keras Kullanarak Toksik Maddelerle Mücadele
• Gameboy Advanced Games'i Keşfetmek

Üretim Süreci

Jeneratör kurulumu

Eğitilen model kolaylıkla serileştirilmiş , böylece onu motorda, bizim durumumuzda, Unity'de bir varlık olarak kullanabilirsiniz. Buna göre jeneratör, modele bir API aracılığıyla erişir ve yinelemeli olarak bir dizi oluşturur. Sonuç genişletilir ve ayrı bir CSV dosyasına kaydedilir.

Modelle etkileşim kurmak için Unity'de oyun tasarımcılarının gerekli tüm görev parametrelerini ayarlayabileceği özel bir pencere oluşturulur:

• İsim
• Süre
• Düşmanlar yavaş yavaş ortaya çıktıkça mevcut düşmanlar
• Görevdeki dalgaların sayısı ve bunlar arasındaki sağlık dağılımı
• Belirli düşmanları, örneğin yenilerini daha sık seçmeye yardımcı olan, düşmana özgü ağırlık değiştiriciler
• Ve benzeri

Ayarları girdikten sonra geriye sadece bir butona basmak ve gerektiğinde düzenlenebilecek bir dosya almak kalıyor. Evet, görevleri oyun sırasında değil önceden oluşturmak istedim, böylece üzerlerinde değişiklik yapılabilir.

Nesil aşamaları

Üretim sürecine bakalım:

1. Model, girdi olarak bir dizi alır ve bir yanıt üretir - bir sonraki i'inci kümenin olacağına dair olasılıkların bir vektörü. Algoritma zar atar, eğer sayı hata şansından büyükse, o zaman en olası olanı alırız, aksi halde rastgele. Bu numara biraz yaratıcılık ve çeşitlilik katıyor.
2. İşlem belirli sayıda iterasyona kadar devam eder. Bu, manuel olarak oluşturulan görevlerin herhangi birindeki ortaya çıkma sayısından daha fazladır.
3. Sıra devam ediyor; yani her sayı kümenin kayıtlı verilerine erişir ve bunlardan rastgele değerler alır.
4. Verilerin içindeki sağlık toplanır ve beklenen sağlıktan daha büyük olan her şey sıranın dışına çıkarılır (hesabı yukarıda tartışılmıştır)
5. Spawn'lar, belirtilen sağlık dağılımına bağlı olarak dalgalara bölünür ve daha sonra gruplara ayrılır (böylece aynı anda birkaç düşman ortaya çıkar) ve ortaya çıkma süreleri, önceki yumurtlama grubunun eylem ve boş zamanlarının toplamı olarak verilir.
6. Görev hazır!

Sonuçlar

Yani bu, görevlerin oluşturulmasını birkaç kez hızlandırmamıza yardımcı olan iyi bir araçtır. Ek olarak, bazı tasarımcıların deyim yerindeyse “yazar tıkanıklığı” korkusunun üstesinden gelmelerine de yardımcı oldu, çünkü artık birkaç saniye içinde hazır bir çözüme sahip olabiliyorsunuz.

Yazıda görev oluşturma örneğini kullanarak klasik makine öğrenmesi yöntemlerinin ve sinir ağlarının oyun geliştirmede nasıl yardımcı olabileceğini göstermeye çalıştım. Bugünlerde üretken yapay zekaya doğru büyük bir eğilim var; ancak makine öğreniminin diğer dallarını da unutmayın çünkü onlar da pek çok şey yapabilir.

Bu makaleyi okumaya zaman ayırdığınız için teşekkür ederiz! Umarım hem oluşturulan konumlardaki görevlere yaklaşım hem de görevlerin oluşturulması hakkında fikir sahibi olursunuz. Yeni şeyler öğrenmekten korkmayın, kendinizi geliştirin ve güzel oyunlar yapın!

İllüstrasyonlar shabbyrtist'e ait