[发明专利]一种基于深度学习的斗地主游戏选手余牌计算方法

权利要求书

1.一种基于深度学习的斗地主游戏选手余牌计算方法，其特征在于：包括如下步骤：

步骤1：样本预处理：从网络游戏中获取牌局样本，并对牌局样本进行预处理；

步骤2：训练样本提取：从预处理后的牌局样本中提取训练样本；

步骤3：训练样本特征提取：对步骤2所获得的训练样本进行特征提取，并将获取的特征二值化处理；

步骤4：深度卷积网络设计：确定深度卷积网络的激活函数、卷积层和全连接层；

步骤5：深度卷积网络输出设计：根据剩余牌数的多少，选择单标签分类或者多标签分类的方法作为输出方式；

步骤6：计算模型的损失函数设计步骤：分别确定单标签分类或者多标签分类时的损失函数，获得计算模型；

步骤7：计算模型训练：选取训练样本集，对步骤6获得的计算模型进行训练。

步骤8：计算模型输出结果的调整：对计算模型的输出结果，按照规律由高到低进行排序，最终返回计算结果。

2.根据权利要求1所述的一种基于深度学习的斗地主游戏选手余牌计算方法，其特征在于：所述步骤1中，牌局样本进行预处理中，根据场次、分值、选手胜率挑选牌局样本，并将每个牌局样本的信息统一格式化。

3.根据权利要求1所述的一种基于深度学习的斗地主游戏选手余牌计算方法，其特征在于：所述步骤2中，训练样本提取过程中，先对牌局样本中的任一牌局确定计算余牌训练的标签，然后提取训练样本。

4.根据权利要求1所述的一种基于深度学习的斗地主游戏选手余牌计算方法，其特征在于：所述步骤3中，训练样本特征提取过程中，将每个训练样本中的牌局信息，并将所述牌局信息二值化处理。

5.根据权利要求1所述的一种基于深度学习的斗地主游戏选手余牌计算方法，其特征在于：所述步骤4的深度卷积网络设计过程中，激活函数采用ReLU函数。

6.根据权利要求1所述的一种基于深度学习的斗地主游戏选手余牌计算方法，其特征在于：所述步骤5中，深度卷积网络输出设计过程中，其输出采用LogSoftmax进行处理。

7.根据权利要求1所述的一种基于深度学习的斗地主游戏选手余牌计算方法，其特征在于：所述步骤6中，采用单标签分类最大似然损失函数NLLLoss和多标签分类损失函数MultiLabelSoftMarginLoss。

8.根据权利要求1所述的一种基于深度学习的斗地主游戏选手余牌计算方法，其特征在于：所述步骤7中，切分训练样本集，选取合适的样本百分比；一部分样本作为训练集来训练计算模型，余下的作为测试集。