如何打造一個AI遊戲玩家？（AI遊戲代碼資源庫—隨時更新）

本頁面由集智俱樂部的小仙女為大家整理的代碼資源庫，收集了大量關於AI打遊戲方面的代碼鏈接。包括當下最火熱的AlphaGo，Flaybird，雅達利遊戲和星級2等等的各種遊戲，看看你的AI玩遊戲的水平怎麼樣！所有代碼均按照所屬技術領域建立索引，以便大家查閱使用。

7 遊戲

7.1 AI打遊戲

7.1.1 民間AlphaGo：RocAlphaGo

7.1.2 AI玩FlappyBird：DeepLearningFlappyBird

7.1.3 AI玩雅達利遊戲：：DeepMind-Atari-Deep-Q-Learner

7.1.4 AI打星際2:CommandCenter: StarCraft 2 AI Bot

7.1.5 AI打星際基礎環境：PySC2 - StarCraft II Learning Environment

7.1.6 強化學習常用演算法包：Baselines

7.1.7 Deep Reinforcement Learning with pytorch & visdom

7.1.8 Value Iteration Networks in PyTorch

7.1.9 A3C in PyTorch

遊戲

AI打遊戲

民間AlphaGo：RocAlphaGo

https://github.com/Rochester-NRT/RocAlphaGo

這個項目是有學生主導的一個獨立項目，使用 Python 和 Keras 重新實現了 DeepMind 在2016年發表的論文 "Mastering the game of Go with deep neural networks and tree search"（《用深度神經網路和樹搜索學習圍棋》）。使用 python 和 Keras 的這個選擇優先考慮了代碼清晰度，至少在早期階段是如此。 這個項目目前仍在進行中，還不是 AlphaGo 的完全實現。項目先期關注 DeepMind AlphaGo 中神經網路的訓練方面，而且已經得到論文中的樹搜索演算法（tree search algorithm）的一個簡單單線程的實現，雖然速度上無法與 DeepMind 相比。

AI玩FlappyBird：DeepLearningFlappyBird

https://github.com/yenchenlin/DeepLearningFlappyBird

這個項目使用深度Q網路（Deep Q-Network，DQN）學習玩 Flappy Bird 遊戲。 這個項目靈感來自使用深度增強學習玩 Atari 遊戲（Mnih, Volodymyr, et al. "Playing atari with deep reinforcement learning." 2013），論文中提出深度Q學習演算法（Deep Q Learning algorithm），我們發現這個演算法可以推廣到 Flappy Bird 遊戲上。

AI玩雅達利遊戲：：DeepMind-Atari-Deep-Q-Learner

https://github.com/kuz/DeepMind-Atari-Deep-Q-Learner

DeepMind實現的可以將雅達利遊戲玩的比人類還好的AI。

AI打星際2:CommandCenter: StarCraft 2 AI Bot

https://github.com/davechurchill/commandcenter

一個已經訓練好的可以打星際2的AI。

AI打星際基礎環境：PySC2 - StarCraft II Learning Environment

https://github.com/deepmind/pysc2

使用AI打星際2的基礎環境。

強化學習常用演算法包：Baselines

https://github.com/openai/baselines

由OpenAI提供的常用強化學習演算法包

Deep Reinforcement Learning with pytorch & visdom

https://github.com/onlytailei/pytorch-rl.git

多種使用PyTorch實現強化學習的方法。

Value Iteration Networks in PyTorch

https://github.com/onlytailei/Value-Iteration-Networks-PyTorch.git

Value Iteration Networks (VIN) 的PyTorch實現。

A3C in PyTorch

https://github.com/onlytailei/A3C-PyTorch.git

Adavantage async Actor-Critic (A3C) 的PyTorch實現。