用神经网络训练 Chrome 小恐龙：一个强化学习入门项目

本文介绍bowency在GitHub上开源的DinoGame-Python项目，该项目结合Python、Pygame和神经网络技术，实现Chrome离线小恐龙游戏的AI自动代理，是强化学习入门的理想案例。项目通过游戏环境让AI不断学习最优策略，帮助初学者理解强化学习核心概念。

• 原作者/维护者：bowency
• 来源平台：GitHub
• 项目名称：DinoGame-Python
• 项目链接：https://github.com/bowency/DinoGame-Python
• 发布时间：2026年5月26日

Google Chrome离线小恐龙游戏（T-Rex Runner）是广为人知的小游戏。本项目使用Python和神经网络技术，让AI学会自动玩该游戏。它将经典游戏实现与神经网络训练结合，展示如何以游戏环境为训练场，让AI通过尝试学习最优策略，是"游戏+AI"的有趣学习方式，适合强化学习初学者。

项目采用模块化设计，分为四个核心模块：

1. 游戏引擎模块（game.py）：基于Pygame实现游戏逻辑，负责场景渲染、物理系统（跳跃/下蹲）、碰撞检测、得分系统，提供训练所需的游戏状态特征。
2. 神经网络模块（neural_network.py）：核心AI组件，采用前馈神经网络结构，输入游戏状态（障碍物距离、高度、速度等），输出跳跃/下蹲/奔跑决策，并实现基于游戏结果的权重更新。
3. 菜单与交互模块（menu.py）：提供训练模式选择、参数配置（学习率、层数等）、实时可视化训练进度功能。
4. 主控制模块（main.py）：项目入口，协调各模块工作，初始化环境与网络、管理训练循环、处理配置加载与模型保存。

项目体现强化学习核心思想，未使用复杂框架：

• 状态空间：抽象为数值特征，包括恐龙垂直位置、最近障碍物水平距离、障碍物类型、游戏速度、时间步长等。
• 动作空间：离散动作（不操作/跳跃/下蹲），适合神经网络分类预测。
• 奖励机制：隐式奖励信号，包括存活奖励（躲避障碍物得正反馈）、失败惩罚（碰撞结束游戏负反馈）、距离奖励（跑得越远累积奖励越高）。

该项目对初学者的价值：

1. 理论实践结合：理解神经网络从输入到动作的映射，体验训练挑战（过拟合、收敛速度），观察AI从随机到熟练的学习过程。
2. 代码可读性强：无复杂抽象层，模块划分合理，依赖库简单（主要Pygame），环境配置容易。
3. 扩展性高：可尝试不同神经网络架构（如卷积层处理像素）、复杂RL算法（Q-Learning、Policy Gradient）、修改游戏规则或添加多智能体竞争。

使用项目需以下步骤：

1. 安装依赖：通过requirements.txt安装Pygame等必要库。
2. 启动游戏：运行main.py进入主菜单。
3. 选择模式：训练模式（从头学习）或演示模式（观看已训练模型）。
4. 观察学习：查看AI多次尝试后表现提升过程。

本项目证明机器学习无需复杂框架和大量计算资源，通过简单游戏环境和基础神经网络即可实现优秀AI行为。对强化学习入门者建议：

1. 先理解游戏逻辑与神经网络基本结构。
2. 修改网络参数，观察对学习速度的影响。
3. 思考改进状态表示，让AI获取更多信息。
4. 探索先进训练技术（经验回放、目标网络等）。