下载资源行业研究资源详情
748033158378045AI斗地主
大小:16.26MB
价格:48积分
下载量:0
评分:
5.0
上传者:2502_90449991
更新日期:2025-09-22

748033158378045AI斗地主.zip

资源文件列表(大概)

文件名
大小
README.md
1.68KB
__MACOSX/._README.md
433B
baselines/
-
__MACOSX/._baselines
210B
baselines/put_pretrained_models_here
-
__MACOSX/baselines/._put_pretrained_models_here
210B
baselines/douzero_WP/
-
__MACOSX/baselines/._douzero_WP
210B
baselines/douzero_WP/landlord_up.ckpt
5.78MB
__MACOSX/baselines/douzero_WP/._landlord_up.ckpt
210B
baselines/douzero_WP/landlord.ckpt
5.57MB
__MACOSX/baselines/douzero_WP/._landlord.ckpt
210B
baselines/douzero_WP/landlord_down.ckpt
5.78MB
__MACOSX/baselines/douzero_WP/._landlord_down.ckpt
210B
douzero/
-
__MACOSX/._douzero
210B
douzero/dmc/
-
__MACOSX/douzero/._dmc
210B
douzero/__init__.py
-
__MACOSX/douzero/.___init__.py
210B
douzero/env/
-
__MACOSX/douzero/._env
210B
douzero/evaluation/
-
__MACOSX/douzero/._evaluation
210B
douzero/dmc/models.py
3.88KB
__MACOSX/douzero/dmc/._models.py
210B
douzero/dmc/arguments.py
2.67KB
__MACOSX/douzero/dmc/._arguments.py
210B
douzero/dmc/__init__.py
53B
__MACOSX/douzero/dmc/.___init__.py
210B
douzero/dmc/file_writer.py
6.75KB
__MACOSX/douzero/dmc/._file_writer.py
210B
douzero/dmc/env_utils.py
2.11KB
__MACOSX/douzero/dmc/._env_utils.py
210B
douzero/dmc/utils.py
7.64KB
__MACOSX/douzero/dmc/._utils.py
210B
douzero/dmc/dmc.py
9.22KB
__MACOSX/douzero/dmc/._dmc.py
210B
douzero/env/env.py
20.22KB
__MACOSX/douzero/env/._env.py
210B
douzero/env/game.py
16.37KB
__MACOSX/douzero/env/._game.py
210B
douzero/env/__init__.py
21B
__MACOSX/douzero/env/.___init__.py
210B
douzero/env/utils.py
628B
__MACOSX/douzero/env/._utils.py
210B
douzero/env/move_generator.py
7.43KB
__MACOSX/douzero/env/._move_generator.py
210B
douzero/env/move_detector.py
3.76KB
__MACOSX/douzero/env/._move_detector.py
210B
douzero/env/move_selector.py
2.99KB
__MACOSX/douzero/env/._move_selector.py
210B
douzero/evaluation/simulation.py
3.33KB
__MACOSX/douzero/evaluation/._simulation.py
210B
douzero/evaluation/random_agent.py
171B
__MACOSX/douzero/evaluation/._random_agent.py
210B
douzero/evaluation/deep_agent.py
1.62KB
__MACOSX/douzero/evaluation/._deep_agent.py
210B
douzero/evaluation/__init__.py
-
__MACOSX/douzero/evaluation/.___init__.py
210B
douzero/evaluation/rlcard_agent.py
6.58KB
__MACOSX/douzero/evaluation/._rlcard_agent.py
210B
LICENSE
11.09KB
__MACOSX/._LICENSE
210B
main.py
18.49KB
__MACOSX/._main.py
210B
MainWindow.ui
6.47KB
__MACOSX/._MainWindow.ui
210B
MainWindowUI.py
5.2KB
__MACOSX/._MainWindowUI.py
210B
pics/
-
__MACOSX/._pics
210B
pics/orQ.png
2.08KB
__MACOSX/pics/._orQ.png
210B
pics/mr2.png
2.41KB
__MACOSX/pics/._mr2.png
210B
pics/mrD.png
1.96KB
__MACOSX/pics/._mrD.png
210B
pics/mr3.png
2.47KB
__MACOSX/pics/._mr3.png
210B
pics/or3.png
2.19KB
__MACOSX/pics/._or3.png
210B
pics/mrQ.png
2.31KB
__MACOSX/pics/._mrQ.png
210B
pics/orD.png
1.66KB
__MACOSX/pics/._orD.png
210B
pics/favicon.ico
65.65KB
__MACOSX/pics/._favicon.ico
210B
pics/or2.png
2.11KB
__MACOSX/pics/._or2.png
210B
pics/or6.png
2.31KB
__MACOSX/pics/._or6.png
210B
pics/mr4.png
2.01KB
__MACOSX/pics/._mr4.png
210B
pics/mrT.png
2.14KB
__MACOSX/pics/._mrT.png
210B
pics/mr5.png
2.37KB
__MACOSX/pics/._mr5.png
210B
pics/or7.png
1.8KB
__MACOSX/pics/._or7.png
210B
pics/orA.png
2.07KB
__MACOSX/pics/._orA.png
210B
pics/orT.png
1.91KB
__MACOSX/pics/._orT.png
210B
pics/or5.png
2.07KB
__MACOSX/pics/._or5.png
210B
pics/mrA.png
2.42KB
__MACOSX/pics/._mrA.png
210B
pics/mr7.png
2.11KB
__MACOSX/pics/._mr7.png
210B
pics/mr6.png
2.56KB
__MACOSX/pics/._mr6.png
210B
pics/or4.png
1.96KB
__MACOSX/pics/._or4.png
210B
pics/mbJ.png
1.79KB
__MACOSX/pics/._mbJ.png
210B
pics/mbK.png
2.2KB
__MACOSX/pics/._mbK.png
210B
pics/obK.png
1.93KB
__MACOSX/pics/._obK.png
210B
pics/obJ.png
1.68KB
__MACOSX/pics/._obJ.png
210B
pics/ob8.png
2.12KB
__MACOSX/pics/._ob8.png
210B
pics/obX.png
1.59KB
__MACOSX/pics/._obX.png
210B
pics/ob9.png
2.08KB
__MACOSX/pics/._ob9.png
210B
pics/mbX.png
1.85KB
__MACOSX/pics/._mbX.png
210B
pics/mb9.png
2.49KB
__MACOSX/pics/._mb9.png
210B
pics/mb8.png
2.54KB
__MACOSX/pics/._mb8.png
210B
pics/mbT.png
2.02KB
__MACOSX/pics/._mbT.png
210B
pics/mb5.png
2.22KB
__MACOSX/pics/._mb5.png
210B
pics/ob7.png
1.72KB
__MACOSX/pics/._ob7.png
210B
pics/obA.png
1.97KB
__MACOSX/pics/._obA.png
210B
pics/ob6.png
2.09KB
__MACOSX/pics/._ob6.png
210B
pics/mb4.png
1.96KB
__MACOSX/pics/._mb4.png
210B
pics/mb6.png
2.41KB
__MACOSX/pics/._mb6.png
210B
pics/ob4.png
1.84KB
__MACOSX/pics/._ob4.png
210B
pics/obT.png
1.8KB
__MACOSX/pics/._obT.png
210B
pics/ob5.png
1.96KB
__MACOSX/pics/._ob5.png
210B
pics/landlord.png
15.05KB
__MACOSX/pics/._landlord.png
210B
pics/mbA.png
2.25KB
__MACOSX/pics/._mbA.png
210B
pics/mb7.png
1.96KB
__MACOSX/pics/._mb7.png
210B
pics/mb3.png
2.34KB
__MACOSX/pics/._mb3.png
210B
pics/obQ.png
1.94KB
__MACOSX/pics/._obQ.png
210B
pics/mb2.png
2.18KB
__MACOSX/pics/._mb2.png
210B
pics/mbQ.png
2.21KB
__MACOSX/pics/._mbQ.png
210B
pics/ob2.png
1.96KB
__MACOSX/pics/._ob2.png
210B
pics/ob3.png
2KB
__MACOSX/pics/._ob3.png
210B
pics/or9.png
2.3KB
__MACOSX/pics/._or9.png
210B
pics/or8.png
2.32KB
__MACOSX/pics/._or8.png
210B
pics/landlord_words.png
4.08KB
__MACOSX/pics/._landlord_words.png
210B
pics/mr8.png
2.6KB
__MACOSX/pics/._mr8.png
210B
pics/mr9.png
2.59KB
__MACOSX/pics/._mr9.png
210B
pics/mrK.png
2.36KB
__MACOSX/pics/._mrK.png
210B
pics/mrJ.png
1.85KB
__MACOSX/pics/._mrJ.png
210B
pics/white.png
1KB
__MACOSX/pics/._white.png
210B
pics/orJ.png
1.72KB
__MACOSX/pics/._orJ.png
210B
pics/pass.png
7.36KB
__MACOSX/pics/._pass.png
210B
pics/bg.png
43.67KB
__MACOSX/pics/._bg.png
210B
pics/orK.png
2.07KB
__MACOSX/pics/._orK.png
210B
pos_debug.py
1022B
__MACOSX/._pos_debug.py
210B
requirements.txt
128B
__MACOSX/._requirements.txt
210B

资源内容介绍

748033158378045AI斗地主.zip
# DouZero_For_Happy_DouDiZhu: 将DouZero用于欢乐斗地主实战<img width="500" src="https://gitee.com/daochenzha/DouZero/raw/main/imgs/douzero_logo.jpg" alt="Logo" />* 本项目基于[DouZero](https://github.com/kwai/DouZero)* 环境配置请移步项目DouZero* 模型默认为WP，更换模型请修改start.py中的模型路径* 运行main.py即可* SL (`baselines/sl/`): 基于人类数据进行深度学习的预训练模型* DouZero-ADP (`baselines/douzero_ADP/`): 以平均分数差异（Average Difference Points, ADP）为目标训练的Douzero智能体* DouZero-WP (`baselines/douzero_WP/`): 以胜率（Winning Percentage, WP）为目标训练的Douzero智能体## 说明* 欢乐斗地主窗口模式最大化运行，屏幕分辨率1920x1080。由于设计像素级操作，运行出错请检查截图区域坐标（位于`MyPyQT_Form`类中的`__init__`函数内）* 窗口移至右下角，避免遮挡手牌，历史牌，底牌区域。* **本项目仅供学习以及技术交流，请勿用于其它目的，否则后果自负。**## 使用步骤1. 确认环境正常，等待手牌出现、底牌出现、地主角色确认后，点击**开始**，耗时几秒完成识别。2. 窗口内显示识别结果，地主角色使用淡红色标出。识别完成自动开始记录出牌。3. 观察AI建议的出牌，在游戏中手动选择并打出。4. 游戏结束后弹出对话框提示输赢。5. 识别错误或无反应可通过**结束**按钮停止本局。至于游戏，就自己手动打完吧。6. 坐标自行调整请使用pos_debug.py## 潜在Bug* 王炸时出牌特效时间较长，有一定几率导致只能识别出一个王。

用户评论 (0)

发表评论

captcha

相关资源

电缆接头电场与温度场仿真研究：基于CAD模型文件与COMSOL模型的.dxf、.dwg、.mph文件分析,基于CAD与COMSOL模型的电缆接头电场温度场仿真分析及优化策略研究,电缆接头电场温度场仿真

电缆接头电场与温度场仿真研究：基于CAD模型文件与COMSOL模型的.dxf、.dwg、.mph文件分析,基于CAD与COMSOL模型的电缆接头电场温度场仿真分析及优化策略研究,电缆接头电场温度场仿真含CAD模型文件COMSOL模型文件.dxf .dwg .mph文件,电缆接头仿真; 电场温度场仿真; CAD模型文件; COMSOL模型文件; .dxf .dwg .mph文件,电缆接头电场与温度场仿真及CAD、COMSOL模型分析

749.63KB15积分

并网逆变器PQ控制：基于双二阶广义积分器的快速锁相环技术实现单位功率因数并网仿真研究,并网逆变器PQ控制：基于双二阶广义积分器的快速锁相环与精准功率闭环控制,并网逆变器PQ控制 逆变器采用两电平逆变

并网逆变器PQ控制：基于双二阶广义积分器的快速锁相环技术实现单位功率因数并网仿真研究,并网逆变器PQ控制：基于双二阶广义积分器的快速锁相环与精准功率闭环控制,并网逆变器PQ控制。逆变器采用两电平逆变器，通过功率闭环控制，实现并网单位功率因数，即并网电流与网侧电压同相位。为了得到电网电网相位，采用基于双二阶广义积分器的锁相环，该锁相环可以快速准确无误的得到电网相位。且在初始阶段，就可以得到电网相位，比Matlab自带的锁相环要快很多。并网有功设定为10kW，无功设定为0，整个仿真全部离散化，包括采样与控制的离散，整个仿真完全离散化，主电路与控制部分以不同的步长运行，更加贴合实际，控制与采样环节没有使用simulink自带的模块搭建，全部手工搭建。,核心关键词：并网逆变器; PQ控制; 两电平逆变器; 功率闭环控制; 单位功率因数; 电网相位; 锁相环; 快速准确; 有功设定; 无功设定; 仿真离散化; 主电路; 控制部分; 不同步长运行; 手工搭建。,基于离散化控制的并网逆变器PQ控制技术研究

319.08KB19积分

非线性PID控制与TD跟踪微分器在buck-boost变换器中的应用：稳定输出电压的仿真研究,Buck-Boost变换器的非线性PID控制策略与电路仿真研究,buck-boost变器的非线性PID控制

非线性PID控制与TD跟踪微分器在buck-boost变换器中的应用：稳定输出电压的仿真研究,Buck-Boost变换器的非线性PID控制策略与电路仿真研究,buck-boost变器的非线性PID控制，主电路也可以成别的电路。在经典PID中引入了两个TD非线性跟踪微分器，构成了非线性PID控制器。当TD的输入为方波时，TD的输出，跟踪方波信号也没有超调，仿真波形如下所示。输入电压由20V逐渐变化到35V，设置输出参考电压为10V，在非线性PID的控制下，输出很快为10V，且没有超调，输入电压变化时输出电压也一直稳定在参考值。当输入电压变化时，输出电压也一直为10V。整个仿真主要部分采用S-function，主要包括非线性微分跟踪器以及非线性PID。,buck-boost变换器; 非线性PID控制; TD非线性跟踪微分器; 输入电压变化; 输出电压稳定。,非线性PID控制的Buck-Boost变换器与多种电路应用研究

318.01KB11积分

MATLAB程序：智能优化方法库与测试函数集,MATLAB程序：智能优化方法库与测试函数集的研究与应用,23MATLAB程序 多种智能优化方法与测试函数% 优化方法% 1-常规PSO %

MATLAB程序：智能优化方法库与测试函数集,MATLAB程序：智能优化方法库与测试函数集的研究与应用,【23】MATLAB程序 多种智能优化方法与测试函数% 优化方法% 1-常规PSO % 2-高斯PSO % 3-线性调节惯性权重的PSO% 4-自适应惯性权重的PSO % 5-随机惯性权重的PSO % 6-增加收缩因子的PSO% 7-BA 蝙蝠算法 % 8-改进蝙蝠算法 % 9-遗传算法% 10-CSO % % 11-OBL_CSO % 12-SW_OBL_CSO% 13-ACO % 14-FWO % 15-FWO_G1,MATLAB程序; 智能优化方法; 测试函数; 优化方法; PSO; 惯性权重; 蝙蝠算法; 遗传算法; CSO; ACO; FWO。,MATLAB智能优化方法对比与测试函数

2.96MB10积分