ディープラーニングでファミコンの音楽を生成してみた - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? ひとり開発 Advent Calendar 2019 の16日目の記事です。 昨年に続いて参戦させていただいています。 （→ 昨年書いた記事1・記事2） 記事の概要 ディープラーニングを活用して、ファミコンの音楽の自動生成にチャレンジしました。 曲をタイミングセクションとメロディ・ハーモニーセクションの2つに分解して、生成するアプローチを考えました。 うまくいきません。助けてください。 できたもの ディープラーニングでファミコンの音楽を生成する実験です。https://t.co/3q8fZtIYtE — tanikawa (@diato
強化学習で目指すF-ZERO王者（前編） - Qiita
できたもの（途中経過） F-ZEROのコースをsegmentationする深層学習モデルをJetson Nano上で動かしています．480x288，30FPSで処理できています． Realtime "F-ZERO" course segmentation model is running on Jetson Nano. It is part of "gaming AI making challenge" as my personal work.#jetson #nvidia pic.twitter.com/AYCqE75JbG — nobu_e753 (@nobu_e753) September 27, 2019 キャプチャしたものはこちら（キャプチャの過程で負荷がかかり，レートが落ちています） Realtime "F-ZERO" course segmentation model is
ゲームボーイ上で強化学習を行う part1 - select766’s diary
ゲームボーイは1989年に発売された携帯ゲーム機で、現代では非公式ながら個人でもゲームソフトを開発することができます。そこで（！？）、ゲームボーイ上で強化学習を行うソフトを試作しました。 レトロなゲーム機と言えど任意のコードが実行できる計算機ですから、強化学習を実装できないはずはありません。本連載では、初めてゲームボーイソフトの開発を行った筆者の視点で、開発に用いたツールやテクニックを解説します。 既存のゲームボーイ用ソフトを現代の強力な計算機上のエミュレータで動作させて強化学習を行う試みは存在します(例: gym-retro)が、これとは異なりゲームボーイのCPUで強化学習を行うソフトが開発された事例はおそらく存在していません。 完成形 MountainCarという、車を左右に加速して旗のところまで到達させる簡単なゲームを解きます。ソフト内にはゲームのルールと強化学習アルゴリズムが実装さ
ぷよぷよAIを作りやすくしてみた - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? ぷよぷよAIを作ることは中々面倒であるという話 私はとあるぷよぷよ好きなプログラマです。 以前はコンピュータ将棋に力を入れて開発していたのですが、最近はぷよぷよAIにハマっています。 こっそり自分で作って、動いているところを見て一人で楽しんでいましたが、やはり他の方が作ったプログラムと対戦させてみたい欲がでてきました。 ただこれが、現状だと難しいのです。 というのも、ぷよぷよAI界は、コンピュータ将棋界ほどインフラが整備されていないからです。 何が足りないのか 1. GUIを作らずに済む仕組みがない まず、ぷよぷよAIを作るうえで面倒な
ポケモン図鑑説明文の謎変更をレーベンシュタイン距離によって見つけ出す - Qiita
はじめに 古くからポケモンを嗜むトレーナーの皆様にとっては常識だが、ポケモン図鑑の説明文は、ゲームのタイトルによって異なっている。 #### ピカチュウ ピカチュウ：赤・緑 ほっぺたの りょうがわに ちいさい でんきぶくろを もつ。ピンチのときに ほうでんする。 ピカチュウ：青 なんびきかが あつまっていると そこに もうれつな でんきが たまり いなずまが おちることがあるという。 このように、たとえ同じポケモンでも、別のゲームタイトルでプレイすることにより、新たな発見が得られるのがポケモンの魅力の一つである 一方、タイトル毎でこういった図鑑説明文の差異もある。 フシギダネ フシギダネ:赤・緑 うまれたときから せなかに しょくぶつの タネが あって すこしずつ おおきく そだつ。 フシギダネ:青 うまれたときから せなかに ふしぎな タネが うえてあって からだと ともに そだつという
「最強のポケモンの生成」 - NLP2012のオノマトペ関係の論文 - 唯物是真 @Scaled_Wurm
言語処理学会18回年次大会で音象徴の機械学習による再現：最強のポケモンの生成という面白そうなタイトルの論文があったので紹介します． 概要 「最強のポケモンの生成」というタイトルですが，ポケモン廃人的な意味ではなくて「どんな名前のポケモンが強そうに聞こえるか」という内容の研究です． いわゆる音象徴と呼ばれる分野の話で，ゴジラやキングギドラなどの怪獣の名前には濁音が多い，という話にも関係してきます． ブーバ/キキ効果 音象徴でよく使われる例としてブーバ/キキ効果と呼ばれるものがあります． 以下の画像に描かれている2つの図形に対して「どちらがブーバでどちらがキキと思うか？」とたずねます． (ファイル:BoobaKiki.png - Wikipedia, Drawn by Andrew Dunn, 1 October 2004.) すると回答者の母語によらず「曲線のほうがブーバで鋭角のほうがキキ」
第5世代でペラップの鳴き声だけから64bit LCGのseedを見つける - oupoの日記
概要 Mathematica (or Wolfram Cloud)を使ったら、ペラップの鳴き声だけから64bit LCGのseedを特定できた。 これは64bit LCGの上位5bitの連続した値を13個観測してseedを十分現実的な時間で復元したことになる。 内容 第5世代のポケモンでは64bitの線形合同法 (LCG)を疑似乱数の一部に使っている。 ペラップというポケモンのおしゃべりという特別な技において、マイクで収録した音を再生でき、その音程は再生するたび変わる。そこにLCGが使われている。 その音程の情報だけからLCGのseedを特定できたというのが今回の内容である。 計算時間はWolfram Cloud上でおよそ14秒である。 なお、このゲームのseedは現在時刻などのパラメータから決定されており、それはツールから完全に再現可能になっているので、このゲームの乱数調整には今回の結果
ぷよぷよAIの新しい探索法
東京大学 松尾研究室が主催する深層強化学習サマースクールの講義で今井が使用した資料の公開版です． 強化学習の基礎的な概念や理論から最新の深層強化学習アルゴリズムまで解説しています．巻末には強化学習を勉強するにあたって有用な他資料への案内も載せました． 主に以下のような強化学習の概念やアルゴリズムの紹介をしています． ・マルコフ決定過程 ・ベルマン方程式 ・モデルフリー強化学習 ・モデルベース強化学習 ・TD学習 ・Q学習 ・SARSA ・適格度トレース ・関数近似 ・方策勾配法 ・方策勾配定理 ・DPG ・DDPG ・TRPO ・PPO ・SAC ・Actor-Critic ・DQN（Deep Q-Network） ・経験再生 ・Double DQN ・Prioritized Experience Replay ・Dueling Network ・Categorical DQN ・Nois
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
機械学習を用いたポケモン対戦選出予測
テトリミノの偏り補正から見るテトリスの歴史