使用 Infer.NET 和概率性编程创建游戏匹配列表

项目
05/09/2023

此操作指南介绍了如何使用 Infer.NET 进行概率性编程。概率性编程是一种将自定义模型表示为计算机程序的机器学习方法。借助它可以在模型中包含专业知识，使机器学习系统更易理解。它还支持在线推断，即在新数据到达时进行学习的过程。 Azure、Xbox 及必应中的多种 Microsoft 产品均使用了 Infer.NET。

什么是概率性编程？

借助概率性编程，可创建真实过程的统计模型。

先决条件

本地开发环境。

此操作指南要求有一台可用于进行开发的计算机。 .NET 教程 Hello World 10 分钟入门介绍了如何在 macOS、Windows 或 Linux 上设置本地开发环境。

创建应用

打开一个新的命令提示符，并运行下面的命令：

dotnet new console -o myApp
cd myApp

dotnet 命令将创建 console 类型的 new 应用程序。 -o 参数将创建名称为 myApp 的目录，会在其中存储应用并填充所需的文件。 cd myApp 命令会将你转到新创建的应用目录。

安装 Infer.NET 包

需安装 Microsoft.ML.Probabilistic.Compiler 包才能使用 Infer.NET。在命令提示符中运行下面的命令：

dotnet add package Microsoft.ML.Probabilistic.Compiler

设计模型

示例使用在 Office 中进行的乒乓球或桌上足球比赛。你具有参赛者的信息和每场比赛的结果。你想要通过此数据推断玩家的实力。假设每位玩家的潜在实力呈正态分布，且他们在给定比赛中的表现是此实力受干扰后的状态。此数据会将胜者的表现约束在优于败者的表现。这是常见 TrueSkill 模型的简化版，此模型也支持团队、平局及其他扩展项。热销的 Halo 和 Gears of War 游戏中的比赛安排使用了此模型的高级版。

需要列出所推断玩家的实力及其方差（实力不确定性的度量值）。

游戏结果示例数据

游戏	胜者	败者
1	玩家 0	玩家 1
2	玩家 0	玩家 3
3	玩家 0	玩家 4
4	玩家 1	玩家 2
5	玩家 3	玩家 1
6	玩家 4	玩家 2

仔细观察示例数据会发现玩家 3 和玩家 4 分别输赢过一次。我们来看下使用概率性编程时的排名。还会注意到有一位玩家 0，因为对于开发人员而言，甚至 Office 匹配列表都是从零开始的。

编写代码

设计模型后，就可以使用 Infer.NET 建模 API 将其表示为概率性程序。在常用的文本编辑器中，打开 Program.cs，并将其所有内容替换为以下代码：

namespace myApp

{
    using System;
    using System.Linq;
    using Microsoft.ML.Probabilistic;
    using Microsoft.ML.Probabilistic.Distributions;
    using Microsoft.ML.Probabilistic.Models;

    class Program
    {

        static void Main(string[] args)
        {
            // The winner and loser in each of 6 samples games
            var winnerData = new[] { 0, 0, 0, 1, 3, 4 };
            var loserData = new[] { 1, 3, 4, 2, 1, 2 };

            // Define the statistical model as a probabilistic program
            var game = new Range(winnerData.Length);
            var player = new Range(winnerData.Concat(loserData).Max() + 1);
            var playerSkills = Variable.Array<double>(player);
            playerSkills[player] = Variable.GaussianFromMeanAndVariance(6, 9).ForEach(player);

            var winners = Variable.Array<int>(game);
            var losers = Variable.Array<int>(game);

            using (Variable.ForEach(game))
            {
                // The player performance is a noisy version of their skill
                var winnerPerformance = Variable.GaussianFromMeanAndVariance(playerSkills[winners[game]], 1.0);
                var loserPerformance = Variable.GaussianFromMeanAndVariance(playerSkills[losers[game]], 1.0);

                // The winner performed better in this game
                Variable.ConstrainTrue(winnerPerformance > loserPerformance);
            }

            // Attach the data to the model
            winners.ObservedValue = winnerData;
            losers.ObservedValue = loserData;

            // Run inference
            var inferenceEngine = new InferenceEngine();
            var inferredSkills = inferenceEngine.Infer<Gaussian[]>(playerSkills);

            // The inferred skills are uncertain, which is captured in their variance
            var orderedPlayerSkills = inferredSkills
               .Select((s, i) => new { Player = i, Skill = s })
               .OrderByDescending(ps => ps.Skill.GetMean());

            foreach (var playerSkill in orderedPlayerSkills)
            {
                Console.WriteLine($"Player {playerSkill.Player} skill: {playerSkill.Skill}");
            }
        }
    }
}

运行应用

在命令提示符中运行下面的命令：

dotnet run

结果

结果应如下所示：

Compiling model...done.
Iterating:
.........|.........|.........|.........|.........| 50
Player 0 skill: Gaussian(9.517, 3.926)
Player 3 skill: Gaussian(6.834, 3.892)
Player 4 skill: Gaussian(6.054, 4.731)
Player 1 skill: Gaussian(4.955, 3.503)
Player 2 skill: Gaussian(2.639, 4.288)

请注意，在结果中根据我们的模型玩家 3 排名略高于玩家 4。因为玩家 3 战胜了玩家 1 的意义大于玩家 4 战胜玩家 2 的意义 – 请注意玩家 1 打败了玩家 2. 玩家 0 是总冠军！

继续学习

设计统计模型本身就是一种技能。 Microsoft Research Cambridge 团队曾编写过一本免费的在线书籍，其中简要介绍了此文。此书的第 3 章详细介绍了 TrueSkill 模型。只要脑海中已有模型，即可使用 Infer.NET 网站上的大量文档将其转换为代码。

后续步骤

查看 Infer.NET GitHub 存储库以继续学习，并找到更多示例。

dotnet/infer GitHub 存储库

Share via