[發(fā)明專利]一種模型訓練方法、游戲測試方法、模擬操作方法及裝置

有效

• 申請?zhí)枺?/td>: 202010419220.3
• 申請日: 2020-05-18
• 公開（公告）號: CN111598169B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設計）人: 黃超
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06F18/2415
• 分類號: G06F18/2415;G06F18/25;G06F18/214
• 代理公司: 深圳市深佳知識產(chǎn)權代理事務所(普通合伙) 44285
• 代理人: 聶秀娜

1.一種模型訓練方法，其特征在于，包括：

從游戲視頻樣本中獲取第一地圖樣本、第二地圖樣本以及M個地圖樣本，其中，所述游戲視頻樣本至少包括三幀游戲圖像，每幀游戲圖像包括一個地圖樣本，所述第一地圖樣本與所述第二地圖樣本之間間隔所述M個地圖樣本，所述M為大于或等于1的整數(shù)；

基于所述第一地圖樣本，通過待訓練多任務深度模型所包括的待訓練主任務網(wǎng)絡獲取動作類別概率，其中，所述第一地圖樣本對應于目標動作類別；

基于所述第一地圖樣本以及M個動作類別，通過所述待訓練多任務深度模型所包括的待訓練輔助任務網(wǎng)絡獲取預測地圖，其中，所述M個動作類別與所述M個地圖樣本具有對應關系；

根據(jù)所述動作類別概率、所述目標動作類別、所述預測地圖以及所述第二地圖樣本，對所述待訓練多任務深度模型進行訓練，得到多任務深度模型，其中，所述多任務深度模型包括主任務網(wǎng)絡以及輔助任務網(wǎng)絡。

2.根據(jù)權利要求1所述的模型訓練方法，其特征在于，所述從游戲視頻樣本中獲取第一地圖樣本、第二地圖樣本以及M個地圖樣本，包括：

獲取所述游戲視頻樣本；

從所述游戲視頻樣本中獲取第一游戲圖像以及第二游戲圖像，其中，所述第一游戲圖像與所述第二游戲圖像之間間隔M個游戲圖像；

根據(jù)所述第一游戲圖像獲取所述第一地圖樣本；

根據(jù)所述第二游戲圖像獲取所述第二地圖樣本。

3.根據(jù)權利要求1所述的模型訓練方法，其特征在于，所述基于所述第一地圖樣本，通過待訓練多任務深度模型所包括的待訓練主任務網(wǎng)絡獲取動作類別概率，包括：

基于所述第一地圖樣本，通過所述待訓練多任務深度模型所包括的至少一個卷積層，獲取圖像卷積特征；

基于所述圖像卷積特征，通過所述待訓練主任務網(wǎng)絡所包括的至少一個全連接層，獲取所述動作類別概率。

4.根據(jù)權利要求1所述的模型訓練方法，其特征在于，所述基于所述第一地圖樣本以及M個動作類別，通過所述待訓練多任務深度模型所包括的待訓練輔助任務網(wǎng)絡獲取預測地圖，包括：

獲取所述M個動作類別；

基于所述第一地圖樣本，通過所述待訓練多任務深度模型所包括的至少一個卷積層，獲取圖像卷積特征；

基于所述圖像卷積特征，通過所述待訓練輔助任務網(wǎng)絡所包括的第一全連接層，獲取第一特征向量；

基于所述M個動作類別，通過所述待訓練輔助任務網(wǎng)絡所包括的第二全連接層，獲取第二特征向量；

基于所述第一特征向量以及所述第二特征向量，通過所述待訓練輔助任務網(wǎng)絡所包括的第三全連接層獲取第三特征向量；

基于所述第三特征向量，通過所述待訓練輔助任務網(wǎng)絡所包括的轉換層獲取特征矩陣；

基于所述特征矩陣，通過所述待訓練輔助任務網(wǎng)絡所包括的至少一個上采樣層，獲取所述預測地圖。

5.根據(jù)權利要求4所述的模型訓練方法，其特征在于，所述基于所述第一地圖樣本，通過所述待訓練多任務深度模型所包括的至少一個卷積層，獲取圖像卷積特征，包括：

基于所述第一地圖樣本，通過所述待訓練多任務深度模型所包括的第一卷積層，獲取第一圖像卷積特征；

基于所述第一圖像卷積特征，通過所述待訓練多任務深度模型所包括的第二卷積層，獲取第二圖像卷積特征；

基于所述第二圖像卷積特征，通過所述待訓練多任務深度模型所包括的第三卷積層，獲取圖像卷積特征；

所述基于所述特征矩陣，通過所述待訓練輔助任務網(wǎng)絡所包括的至少一個上采樣層，獲取所述預測地圖，包括：

基于所述特征矩陣，通過所述待訓練輔助任務網(wǎng)絡所包括的第一上采樣層，獲取第一圖像特征；

基于所述第一圖像特征以及所述第二圖像卷積特征，通過所述待訓練輔助任務網(wǎng)絡所包括的第二上采樣層，獲取第二圖像特征；

基于所述第二圖像特征以及所述第一圖像卷積特征，通過所述待訓練輔助任務網(wǎng)絡所包括的第三上采樣層，獲取所述預測地圖。