作為python和機器學習的初學者，目睹了AI玩游戲的各種風騷操作，心里也是躍躍欲試。

然后發現微信跳一跳很符合需求，因為它不需要處理連續畫面（截屏太慢了）和復雜的操作，很適合拿來練手。于是…這個東西誕生了，目前它一般都可以跳到100多分，發揮好了能上200。

1.需要設備：

Android手機，數據線
ADB環境
Python環境（本例使用3.6.1）
TensorFlow（本例使用1.0.0）

2.大致原理

使用adb模擬點擊和截屏，使用兩層卷積神經網絡作為訓練模型，截屏圖片作為輸入，按壓毫秒數直接作為為輸出。

3.訓練過程

最開始想的用強化學習，然后發現讓它自己去玩成功率太！低！了！，加上每次截屏需要大量時間，就放棄了這個方法，于是考慮用自己玩的數據作為樣本喂給它，這樣就需要知道每次按壓的時間。

我是這樣做的，找一個手機寫個app監聽按壓屏幕時間，另一個手機玩游戲，然后兩個手指同時按兩個手機o(╯□╰)o

4.上代碼

首先，搭建模型：

第一層卷積：5*5的卷積核，12個featuremap，此時形狀為96*96*12
池化層：4*4 max pooling，此時形狀為24*24*12
第二層卷積：5*5的卷積核，24個featuremap，此時形狀為20*20*24
池化層：4*4 max pooling，此時形狀為5*5*24
全連接層：5*5*24連接到32個節點，使用relu激活函數和0.4的dropout率
輸出：32個節點連接到1個節點，此節點就代表按壓的時間（單位s）

# 輸入：100*100的灰度圖片，前面的None是batch size，這里都為1 x = tf.placeholder(tf.float32, shape=[None, 100, 100, 1]) # 輸出：一個浮點數，就是按壓時間，單位s y_ = tf.placeholder(tf.float32, shape=[None, 1])  # 第一層卷積 12個feature map W_conv1 = weight_variable([5, 5, 1, 12], 0.1) b_conv1 = bias_variable([12], 0.1) # 卷積后為96*96*12  h_conv1 = tf.nn.relu(conv2d(x, W_conv1) + b_conv1) h_pool1 = max_pool_4x4(h_conv1) # 池化后為24*24*12  # 第二層卷積 24個feature map W_conv2 = weight_variable([5, 5, 12, 24], 0.1) b_conv2 = bias_variable([24], 0.1) # 卷積后為20*20*24  h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) h_pool2 = max_pool_4x4(h_conv2) # 池化后為5*5*24  # 全連接層5*5*24 --> 32 W_fc1 = weight_variable([5 * 5 * 24, 32], 0.1) b_fc1 = bias_variable([32], 0.1) h_pool2_flat = tf.reshape(h_pool2, [-1, 5 * 5 * 24]) h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)  # drapout，play時為1訓練時為0.6 keep_prob = tf.placeholder(tf.float32) h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) # 學習率 learn_rate = tf.placeholder(tf.float32)  # 32 --> 1 W_fc2 = weight_variable([32, 1], 0.1) b_fc2 = bias_variable([1], 0.1) y_fc2 = tf.matmul(h_fc1_drop, W_fc2) + b_fc2  # 因輸出直接是時間值，而不是分類概率，所以用平方損失 cross_entropy = tf.reduce_mean(tf.square(y_fc2 - y_)) train_step = tf.train.AdamOptimizer(learn_rate).minimize(cross_entropy)