來和機器人玩“石頭剪刀布”，體驗被支配的快感！Reddit上一位大神用3層簡單RNN訓練出一個“石頭剪刀布”大師，你下一把想出什么，它都能猜個差不多。采用3D打印的漂亮外殼，紐扣電池即可供電，不服來戰！

我們每個人都玩過石頭剪刀布，這個簡單的游戲，似乎總有人特別擅長。你總覺得自己出什么，都盡在對面的掌握之中。

終于，在你連輸N次5局3勝的比試，被彈了一頭包之后，你硬著頭皮問對面那個滿臉得意的人：“哥，你咋怎么厲害呢？”

對面一般會一臉神秘又略帶不屑地對你說一句：“你要出啥，我早都預料到了。”

近日Reddit上熱議的一個話題就是，如何用機器學習練出一個玩“石頭剪刀布”的大師出來。

也許這篇文章的作者小時候也被大神蹂躪過。他利用機器學習訓練模型，造出了一臺會玩“石頭剪刀布”的微型機器人，它的本事就是預測對面下一次出啥。

作者表示，這個機器人在機器學習原理方面并不復雜，模型使用的網絡是一個小型的3層vanilla RNN（在TensorFlow/keras中訓練），訓練數據是兩名玩家玩”石頭剪子布”的記錄數據，將這些數據作為輸入，并預測輸出對手下一步會出什么。這些記錄數據來自roshambo.me上的真人游戲信息。

“我添加了一些周期序列的模擬數據，人們在與AI對戰時很可能會嘗試的做這些事情。”

如果沒有模擬數據（易于預測），模型在測試集上的準確率達到38％（相比之下，完全隨機對戰的勝率為33%，這么看，其實也沒強太多？）。

模型在較大批規模進行訓練時遇到了一些問題（無論是填充還是填充和屏蔽漸變）所以最后訓練的批規模（batch_size）為1，這對于規模如此之小的網絡來說還是可以接受的。

更有趣的部分是，這個網絡能夠在一個小型微控制器上運行。對網絡權重進行量化（以8位整型數據存儲）可以節省一些空間，因為使用的微控制器只有2kB RAM和16kB閃存，計算是使用軟件浮點數完成的，性能不是真正的問題。微控制器上運行的C語言代碼都是定制的，不是特別復雜。

最終的實體設備大約為硬幣大小（但更厚一些）。使用定制的PCB板，由CR2032紐扣電池即可供電，并有一個漂亮的3D打印外殼。外形上非常接近我之前定制完成的電子骰子，所以其實工作量不是太大。