ゲームAI備忘録

ゲームAIに使えそうな知識を備忘録として書き留める

人助けと思って何卒インストールをば！ 詰碁/ アルコネ/ 五目並べ

coincheckで仮想通貨を始めてみて気づいたこと

ビットコイン 仮想通貨 リップル イーサリウム coincheck

最近何かと話題の仮想通貨を購入して気づいたことをまとめてみました．
何か参考になりそうでしたら幸いです．

coincapだと有名どころがひと目で分かる！

f:id:namakemono_srm:20170526132326p:plain
coincapと呼ばれるサイトで，有名な仮想通貨の現在の価格や取引量がわかります．
CoinCap.io

各種仮想通貨の推移を見たいならCoinGeckoがオススメ

https://www.coingecko.com/ja
f:id:namakemono_srm:20170526132717p:plain
直近7日間の推移が分かりやすく表示されていたりします．

coincheckだと操作が分かりやすい．

  • 日本で各種仮想通貨を買う有名所がcoincheckがあります．

簡単安心！ビットコイン取引所 coincheck

f:id:namakemono_srm:20170526132938p:plain

  • シンプルなUIですし掲示板など様々な機能もあるので，利用してみてはいかがでしょうか？

slackbot経由でkerasを利用しようとした際にバグってしまう問題の回避策

Keras NLP 機械学習 Slack 
#!/usr/bin/env python
# -*- coding: utf-8 -*-

import numpy as np
from slackbot.bot import Bot, listen_to
from keras.layers import Dense, Activation
from keras.models import Sequential

# 適当なモデル
model = Sequential()
model.add(Dense(output_dim=64, input_dim=100))
model.add(Activation("relu"))
model.add(Dense(output_dim=10))
model.add(Activation("softmax"))
model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])

@listen_to('Hi')
def hello(message):
    X = np.random.random((10, 100))
    y_pred = model.predict_proba(X, batch_size=32)
    message.reply('Hi!')

def run():
    bot = Bot()
    bot.run()

if __name__ == "__main__":
    run()

"Hi"と送ると下記エラーが発生し上手く返答してくれない．

Traceback (most recent call last):
  File "/usr/local/lib/python2.7/site-packages/slackbot/dispatcher.py", line 55, in _dispatch_msg_handler
    func(Message(self._client, msg), *args)
  File "run.py", line 20, in hello
    y_pred = model.predict_proba(X, batch_size=32)
  File "/usr/local/lib/python2.7/site-packages/keras/models.py", line 546, in predict_proba
    preds = self.predict(x, batch_size, verbose)
  File "/usr/local/lib/python2.7/site-packages/keras/models.py", line 459, in predict
    return self.model.predict(x, batch_size=batch_size, verbose=verbose)
  File "/usr/local/lib/python2.7/site-packages/keras/engine/training.py", line 1123, in predict
    self._make_predict_function()
  File "/usr/local/lib/python2.7/site-packages/keras/engine/training.py", line 702, in _make_predict_function
    **kwargs)
  File "/usr/local/lib/python2.7/site-packages/keras/backend/tensorflow_backend.py", line 677, in function
    return Function(inputs, outputs, updates=updates)
  File "/usr/local/lib/python2.7/site-packages/keras/backend/tensorflow_backend.py", line 651, in __init__
    with tf.control_dependencies(self.outputs):
  File "/usr/local/lib/python2.7/site-packages/tensorflow/python/framework/ops.py", line 3342, in control_dependencies
    return get_default_graph().control_dependencies(control_inputs)
  File "/usr/local/lib/python2.7/site-packages/tensorflow/python/framework/ops.py", line 3132, in control_dependencies
    c = self.as_graph_element(c)
  File "/usr/local/lib/python2.7/site-packages/tensorflow/python/framework/ops.py", line 2322, in as_graph_element
    return self._as_graph_element_locked(obj, allow_tensor, allow_operation)
  File "/usr/local/lib/python2.7/site-packages/tensorflow/python/framework/ops.py", line 2401, in _as_graph_element_locked
    raise ValueError("Tensor %s is not an element of this graph." % obj)
ValueError: Tensor Tensor("Softmax:0", shape=(?, 10), dtype=float32) is not an element of this graph.

おそらくtensorflowのpredictを呼び出すアプリケーション部分が立ち上がっていない事が原因で，事前に無理やり呼び出してあげれば解決する．
下記例では，run()関数部分で事前に呼び出しています．これなら，Hiと返答してくれます．
nginxとかならlazy-appsオプションを設定することで事前に呼び出さなくても回避できます．

...

def run():
    # 事前に適当に呼び出しておく
    X = np.zeros((10, 100))
    model.predict_proba(X, batch_size=32)

    bot = Bot()
    bot.run()

...

mecabでinput-buffer overflow問題の回避策

mecab

改行を末尾につけると解決する模様．

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import os
message = "Hello World"

# 下記警告が出て，同じ分かち書き文章が2回表示される．
# input-buffer overflow. The line is split. use -b #SIZE option.
print "[START] TEST1"
with open("/tmp/test1", "w") as fp:
    fp.write(message)
os.system("mecab /tmp/test1")
print "[END] TEST1\n"

# bオプションを追加しても同様のメッセージが追加される．
# input-buffer overflow. The line is split. use -b #SIZE option.
print "[START] TEST2"
with open("/tmp/test2", "w") as fp:
    fp.write(message)
os.system("mecab /tmp/test2 -b 100000")
print "[END] TEST2\n"

# 改行コードを入れるとでなくなる．
print "[START] TEST3"
with open("/tmp/test3", "w") as fp:
    fp.write(message + "\n")
os.system("mecab /tmp/test3")
print "[END] TEST3"

出力結果

[START] TEST1
Hello   名詞,固有名詞,*,*,*,*,Hello,*,*,wikipedia,
World   名詞,固有名詞,組織,*,*,*,*
EOS
input-buffer overflow. The line is split. use -b #SIZE option.
Hello   名詞,固有名詞,*,*,*,*,Hello,*,*,wikipedia,
World   名詞,固有名詞,組織,*,*,*,*
EOS
[END] TEST1

[START] TEST2
Hello   名詞,固有名詞,*,*,*,*,Hello,*,*,wikipedia,
World   名詞,固有名詞,組織,*,*,*,*
EOS
input-buffer overflow. The line is split. use -b #SIZE option.
Hello   名詞,固有名詞,*,*,*,*,Hello,*,*,wikipedia,
World   名詞,固有名詞,組織,*,*,*,*
EOS
[END] TEST2

[START] TEST3
Hello   名詞,固有名詞,*,*,*,*,Hello,*,*,wikipedia,
World   名詞,固有名詞,組織,*,*,*,*
EOS
[END] TEST3

gensimのDictionaryクラスでの注意事項

gensim NLP

gensimのDictionaryインスタンスを作った段階ではid2token値が生成されていないので注意する．

  • gensim.__version__ == "0.13.2" で確認
  • items() を呼び出して再度値を代入すれば良いっぽい．
>>> texts = [["a", "b", "c"], ["b", "c", "c", "d"]]
>>> import gensim
>>> gensim.__version__
'0.13.2'
>>> dictionary = gensim.corpora.Dictionary(texts)
>>> dictionary.id2token # (id,token)のペアがまだない
{}
>>> dictionary.items() # id2tokenやtoken2idにキャッシュするため必要．
[(0, u'a'), (1, u'c'), (2, u'b'), (3, u'd')]
>>> dictionary.id2token # (id,token)に再度値が突っ込まれている．
{0: u'a', 1: u'c', 2: u'b', 3: u'd'}

gymでパックマンを動かしてみる．

AI 強化学習 gym OpenAI gym

gymとは

  • ピンポンやパックマンや囲碁など強化学習に適したゲームを含んだ強化学習アルゴリズム構築用の統合環境．
  • 自作の強化学習を試しやすいよう設計されており，OpenAI Gymと組み合わせることで他者のAIと比較することも可能．

インストール方法

pip install gym
pip install gym[atari] # パックマンが含まれている

パックマンを動かしてみる．

import gym
env = gym.make('MsPacman-v0')
env.reset()
for _ in range(1000):
    env.render()
    env.step(env.action_space.sample())

実行結果

f:id:namakemono_srm:20161005075514p:plain

References

キャリブレーション(Probability Calibration)

機械学習 Kaggle

キャリブレーション(Probability Calibration)とは

モデルによって算出された予測確率を本来の確率に近づける手法．

例えば20%の確率で正となるようなデータを学習させてみたとする．
理想の予測確率は0.2ですが，実際は0.3となるなどずれてしまうことがある．
複数のモデルを作ることで，本来の確率に近づけようとするのがキャリブレーション．
結果として損失関数値を低くする効果がある．
また，バギングに近い効果もあってか，色々と性能が上がる．

Random ForestにCalibrationを使った例

from sklearn.datasets import make_hastie_10_2
from sklearn.ensemble import RandomForestClassifier
from sklearn.cross_validation import train_test_split
from sklearn.calibration import CalibratedClassifierCV
from sklearn.metrics import (brier_score_loss, precision_score, recall_score, f1_score)

def run():
    X, y= make_hastie_10_2()
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)
    for description, clf in [
            ("Random Forest Without Calibration", RandomForestClassifier()),
            ("Random Forest With Calibration", CalibratedClassifierCV(RandomForestClassifier(), cv=5, method='isotonic'))]:
        clf.fit(X_train, y_train)
        y_preda = clf.predict_proba(X_test)[:, 1]
        y_pred = clf.predict(X_test)
        print description
        print "\tBrier:", brier_score_loss(y_test, y_preda)
        print "\tPrecision:", precision_score(y_test, y_pred)
        print "\tRecall:", recall_score(y_test, y_pred)
        print "\tF1:", f1_score(y_test, y_pred)

if __name__ == "__main__":
    run()

Random Forest Without Calibration
	Brier: 0.113356060606
	Precision: 0.835116731518
	Recall: 0.859359359359
	F1: 0.847064627528
Random Forest With Calibration
	Brier: 0.089109155874
	Precision: 0.843904633378
	Recall: 0.938938938939
	F1: 0.888888888889

References

[1]. scikit learn - 1.16. Probability calibration, http://scikit-learn.org/stable/modules/calibration.html
[2]. Don't Miss These Scripts: Otto Group Product Classification, http://blog.kaggle.com/2015/06/15/dont-miss-these-scripts-otto-group-product-classification/
[3]. 6 Tricks I Learned From The OTTO Kaggle Challenge, https://medium.com/@chris_bour/6-tricks-i-learned-from-the-otto-kaggle-challenge-a9299378cd61#.1nclulkyi

DarkForestをUbuntu14.04にインストール．

囲碁 囲碁AI 機械学習 darkforestGo

先日Facebookがオープンソースとして公開した囲碁AI - DarkForest(darkforestGo)をUbutu 14.04にインストールしてみました．

のREADME.mdで説明されています．

darkforestGoのクローン

git clone https://github.com/facebookresearch/darkforestGo.git ~/darkforestGo

Torchのインストール

# install torch
mkdir ~/lib
curl -s https://raw.githubusercontent.com/torch/ezinstall/master/install-deps | bash
git clone https://github.com/torch/distro.git ~/lib/torch --recursive
cd ~/lib/torch; ./install.sh
source ~/.bashrc
th # torchが立ち上がるか確認

Luarocksのインストール

sudo apt-get install luarocks # 途中で質問されるのでYを選択．

各種Luaライブラリのインストール

luarocks install class
luarocks install image
luarocks install tds
luarocks install cudnn

darkforestGoのインストール

cd ~/darkforestGo/
sh ./compile.sh

対局前の準備

mkdir ./models
cd models/
wget https://www.dropbox.com/sh/6nm8g8z163omb9f/AAAOsp9WzSQrITY9veSmOA1pa/df1.bin?dl=0 -O df1.bin
wget https://www.dropbox.com/sh/6nm8g8z163omb9f/AACZwAeb0OOCReoeIWPRgILta/df2.bin?dl=0 -O df2.bin
wget https://www.dropbox.com/sh/6nm8g8z163omb9f/AABrO3wRZ5hLOk70gmu3rK7Ja/LICENSE?dl=0 -O LICENSE
wget https://www.dropbox.com/sh/6nm8g8z163omb9f/AABcYJKMOl6-Uol98boGa7n5a/playout-model.bin?dl=0 -O playout-model.bin
cd ../local_evaluator/
sudo mkdir -p /data/local/go
sudo chmod 666 /data/local/go
sh cnn_evaluator.sh 1 /data/local/go
cd ~/darkforestGo/cnnPlayerV2/
th cnnPlayerMCTSV2.lua --num_gpu 1 --time_limit 10

対局開始

clear_board
genmove b

f:id:namakemono_srm:20160616070843p:plain

ちなみにGoGuiでも動作するみたいです．

f:id:namakemono_srm:20160616075921p:plain

References