最近，我一直在创建神经网络，计划培训他们玩我已经做的游戏（神经网络可以访问所有的游戏数据）。我对神经网络，遗传算法和NEAT实现有深入的理解。然而，我遇到的问题是正常化玩家看到的输入。如果我们有敌方目标，医疗箱对象和武器对象，他们需要输入和处理不同。我看到了SethBling here的一段视频，他在那里简单介绍了他如何设置神经网络。他只使用值1，0和-1。但是，对于更复杂的游戏，这是行不通的。我尝试了一个小模拟，当输入是.25 < x < .75时返回true，否则返回false，但它找不到解决方案。因此，我似乎不能把对象的ID扔进神经网络。任何帮助深表感谢！如何规范化视频游戏机器学习（神经网络）的输入
我打算发表评论，但不幸的是我没有足够的声望点。所以，我有几个建议，希望能给你一些想法。我将假定您正在使用NEAT算法作为您的游戏播放算法。现在，从我收集的问题来看，您的问题在于，因为您的游戏中有不同数量的实际对象进行交互，所以实际上不可能为每一帧都提供一个标签。因此，正如你似乎已经想出的那样，你需要为对象提供一个非整数域，无论是通过类的总数规范化检测到的类ID，还是其他方法。我有3个命题为了尝试完成这个（或避免问题）：
1：使用某种类型的图像处理（无论是分割还是阈值），物体检测以及图像时刻以便创建您感兴趣的对象的数据库，然后在游戏进行时，您可以重新创建更简单的实际游戏环境版本
2：训练语义分割神经网络以执行类似的操作到1
3：训练（或使用预先训练的）深度卷积神经网络来提取高级特征。然后使用这些功能（以及潜在的某种位置编码方法）作为NEAT算法的输入。然后，您的NEAT算法会选择想要查看的滤波器组合，以便做出决定。
我想我会亲自尝试选项编号3，因为它需要最少量的手动工作才能初始设置。
我希望这给你一些想法。
当使用神经网络时，一个好的方法就是将它们看作是人类。人类需要知道什么？我总是做的是我给不同类型的东西的网络不同的传感器。我的传感器几乎总是只有一定长度的光线。 在你的情况下，我相信你没有更好的选择，比如使用3个硬币传感器，3个传感器用于医疗检测等。 你还必须决定是否要使用布尔传感器（如果触发了某些事件传感器与否，无论多么接近）或双重传感器（这将返回一个值告诉网络事件发生的距离）或者如果你想要两者合并。
我已经把整个环境简化成一个简单的版本（正如你在选项1中提到的那样），但是，主要问题是将对象ID转化为有意义的输入。例如，Enemy对象的ID为1，Coin对象的ID为2等，需要将它标准化为神经网络读取的数据。请注意，即使在环境中有二十个，所有硬币的ID都是2。 –
正如我所提到的，您可以将数据标准化为激活函数的范围。例如，如果您有10个不同的对象（即10个不同的ID），那么您只需将该对象的ID除以10就可以了。在您的示例中，敌人的标准化ID为0.1，硬币将具有标准化的ID为0.2。这允许您将ID编码到激活功能的范围内，以防止网络饱和。 – Adam