一种掼蛋游戏的牌型数据处理方法及相关装置

技术领域

本申请涉及数据处理技术领域，特别涉及一种掼蛋游戏的牌型数据处理方法、牌型数据处理装置、服务器以及计算机可读存储介质。

背景技术

随着信息技术不断，在游戏技术领域中，由于存在参与游戏人员不足的问题，需要通过对游戏中的数据进行自动化处理，以便实现虚拟游戏过程，提高实际游戏参与人员的参与感，减少实际参与人员由于缺少游戏人员的等待时间。

相关技术中，采用的数据处理系统能够应付的场面有限，如果要增加其应付场景特征，需要不停的加入新的逻辑编码。增加了工作量，容易导致数据处理系统的性能表现不符合对于游戏数据的精细化和拟人化的需求，从而影响影响数据中出牌动作数据的合理性和准确性，降低对掼蛋数据的处理效果。

因此，如何提高掼蛋数据的处理效果是本领域技术人员关注的重点问题。

发明内容

本申请的目的是提供一种掼蛋游戏的牌型数据处理方法、牌型数据处理装置、服务器以及计算机可读存储介质，主要为了解决游戏数据处理的精细化和拟人化程度较低，导致处理效果较低等问题。

为解决上述技术问题，本申请提供一种掼蛋游戏的牌型数据处理方法，包括：

采用出牌模型对接收到的掼蛋信息数据进行处理，得到动作指令；

判断所述动作指令是否为出牌动作；

若是，则采用决策层模型对所述掼蛋信息数据进行处理，得到牌型概率和对应的牌型模型；其中，所述对应的牌型模型为多个牌型模型的之一；

根据所述牌型概率和对应的牌型模型进行处理，得到出牌数据；其中，所述出牌模型、所述决策模型以及所述牌型模型均包括分离卷积层、5个Resnet模块、5个SE模块、全连接层以及softmax层。

可选的，所述多个牌型模型包括单张模型、对子模型、三张模型、三连对模型、顺子模型、同花顺模型、三带二模型、三顺模型以及炸弹模型。

可选的，每个所述Resnet模块的输出与所述SE模块连接。

可选的，还包括：

当所述动作指令不为出牌动作时，发送不出牌指令。

可选的，根据所述牌型概率和对应的牌型模型进行处理，得到出牌数据，包括：

根据所述牌型概率匹配对应的牌型模型；

采用所述牌型模型对所述掼蛋信息数据进行处理，得到所述出牌数据。

可选的，还包括：

通过http接口发送所述出牌数据。

本申请还提供一种掼蛋游戏的牌型数据处理装置，包括：

出牌动作确定模块，用于采用出牌模型对接收到的掼蛋信息数据进行处理，得到动作指令；

动作指令判断模块，用于判断所述动作指令是否为出牌动作；

牌型概率获取模块，用于当所述动作指令为出牌动作时，采用决策层模型对所述掼蛋信息数据进行处理，得到牌型概率和对应的牌型模型；其中，所述对应的牌型模型为多个牌型模型的之一；

出牌数据获取模块，用于根据所述牌型概率和对应的牌型模型进行处理，得到出牌数据；其中，所述出牌模型、所述决策模型以及所述牌型模型均包括分离卷积层、5个Resnet模块、5个SE模块、全连接层以及softmax层。

可选的，还包括：

不出牌处理模块，用于当所述动作指令不为出牌动作时，发送不出牌指令。

本申请还提供一种服务器，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上所述的掼蛋游戏的牌型数据处理方法的步骤。

本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的掼蛋游戏的牌型数据处理方法的步骤。

本申请所提供的一种掼蛋游戏的牌型数据处理方法，包括：采用出牌模型对接收到的掼蛋信息数据进行处理，得到动作指令；判断所述动作指令是否为出牌动作；若是，则采用决策层模型对所述掼蛋信息数据进行处理，得到牌型概率和对应的牌型模型；其中，所述对应的牌型模型为多个牌型模型的之一；根据所述牌型概率和对应的牌型模型进行处理，得到出牌数据；其中，所述出牌模型、所述决策模型以及所述牌型模型均包括分离卷积层、5个Resnet模块、5个SE模块、全连接层以及softmax层。

通过采用出牌模型进行掼蛋信息数据进行处理，以便确定是否执行出牌动作，然后再采用决策层模型确定对应的牌型概率和对应的牌型模型，最后采用该牌型模型确定对应的出牌数据，以出牌模型到决策层模型到最后的牌型模型的分层结构，实现对掼蛋信息数据进行处理，得到出牌数据，使得对掼蛋信息数据进行处理的拟人化和精细化，提高掼蛋信息数据处理的处理效果。

本申请还提供一种掼蛋游戏的牌型数据处理装置、服务器以及计算机可读存储介质，具有以上有意效果，在此不做赘述。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例所提供的一种掼蛋游戏的牌型数据处理方法的流程图；

图2为本申请实施例所提供的一种掼蛋游戏的牌型数据处理装置的结构示意图。

具体实施方式

本申请的核心是提供一种掼蛋游戏的牌型数据处理方法、牌型数据处理装置、服务器以及计算机可读存储介质，主要为了解决游戏数据处理的精细化和拟人化程度较低，导致处理效果较低等问题。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

相关技术中，采用的数据处理系统能够应付的场面有限，如果要增加其应付场景特征，需要不停的加入新的逻辑编码。增加了工作量，容易导致数据处理系统的性能表现不符合对于游戏数据的精细化和拟人化的需求，从而影响影响数据中出牌动作数据的合理性和准确性，降低对掼蛋数据的处理效果。

因此，本申请提供一种掼蛋游戏的牌型数据处理方法，通过采用出牌模型进行掼蛋信息数据进行处理，以便确定是否执行出牌动作，然后再采用决策层模型确定对应的牌型概率和对应的牌型模型，最后采用该牌型模型确定对应的出牌数据，以出牌模型到决策层模型到最后的牌型模型的分层结构，实现对掼蛋信息数据进行处理，得到出牌数据，使得对掼蛋信息数据进行处理的拟人化和精细化，提高掼蛋信息数据处理的处理效果。

以下通过一个实施例，对本申请提供的一种掼蛋游戏的牌型数据处理方法进行说明。

请参考图1，图1为本申请实施例所提供的一种掼蛋游戏的牌型数据处理方法的流程图。

本实施例中，该方法可以包括：

S101，采用出牌模型对接收到的掼蛋信息数据进行处理，得到动作指令；

本步骤旨在首先采用出牌模型对接收到掼蛋信息数据进行处理，得到动作指令。

其中，出牌模型为根据掼蛋信息数据的训练数据进行训练得到的处理模型。进一步的，该出牌模型的训练过程可以包括：对原始的掼蛋信息数据进行特征提取，得到训练集特征，然后采用该训练集特征进行训练得到的该出牌模型。其中，进行训练的方式可以采用现有技术提供的任意一种训练方式，在此不做具体限定。

其中，获取到的动作指令包括出牌动作或不出牌动作。

S102，判断动作指令是否为出牌动作；

在S101的基础上，本步骤旨在判断该动作指令是否为出牌动作。

其中，该动作指令可以是出牌动作，也可以是不出牌动作。当该动作指令为出牌动作时，则执行后续的模型计算操作，以便实现机器人对掼蛋信息数据进行处理，实现自动化出牌操作。当该动作指令为不出牌动作时，则不用执行后续的操作。

进一步的，本步骤可以包括：

当动作指令不为出牌动作时，发送不出牌指令。

可见，本可选方案中当动作指令不为出牌动作时，则发送不出牌指令。

S103，若是，则采用决策层模型对掼蛋信息数据进行处理，得到牌型概率和对应的牌型模型；其中，对应的牌型模型为多个牌型模型的之一；

在S102的基础上，当该动作指令为出牌动作时，则采用决策层模型对掼蛋信息数据进行处理，得到牌型概率和对应的牌型模型；其中，对应的牌型模型为多个牌型模型的之一。

其中，决策层模型为根据掼蛋信息数据的训练数据进行训练得到的处理模型。进一步的，该决策层模型的训练过程可以包括：对原始的掼蛋信息数据进行特征提取，得到训练集特征，然后采用该训练集特征进行训练得到的该决策层模型。其中，进行训练的方式可以采用现有技术提供的任意一种训练方式，在此不做具体限定。

进一步的，本步骤中的多个牌型模型包括单张模型、对子模型、三张模型、三连对模型、顺子模型、同花顺模型、三带二模型、三顺模型以及炸弹模型。

可见，本可选方案中主要是说明牌型模型的内核。即该牌型模型包括单张模型、对子模型、三张模型、三连对模型、顺子模型、同花顺模型、三带二模型、三顺模型以及炸弹模型。

S104，根据牌型概率和对应的牌型模型进行处理，得到出牌数据；其中，出牌模型、决策模型以及牌型模型均包括分离卷积层、5个Resnet模块、5个SE模块、全连接层以及softmax层。

在S103的基础上，本步骤旨在根据牌型概率和对应的牌型模型进行处理，得到出牌数据；其中，出牌模型、决策模型以及牌型模型均包括分离卷积层、5个Resnet模块、5个SE模块、全连接层以及softmax层。

其中，牌型模型为根据掼蛋信息数据的训练数据进行训练得到的处理模型。进一步的，该牌型模型的训练过程可以包括：对原始的掼蛋信息数据进行特征提取，得到训练集特征，然后采用该训练集特征进行训练得到的该牌型模型。其中，进行训练的方式可以采用现有技术提供的任意一种训练方式，在此不做具体限定。

进一步的，本步骤中的每个Resnet模块的输出与SE模块连接。

可见，本可选方案中的网络核心实际是和Resnet模块的输出与SE模块进行连接，获取到的。

进一步的，本步骤可以包括：

步骤1，根据牌型概率匹配对应的牌型模型；

步骤2，采用牌型模型对掼蛋信息数据进行处理，得到出牌数据。

可见，本可选方案中主要是对如何获取到出牌数据进行说明。本可选方案中根据牌型概率匹配对应的牌型模型；然后，采用牌型模型对掼蛋信息数据进行处理，得到出牌数据。

进一步的，本实施例还可以包括：

通过http接口发送出牌数据。

可见，本可选方案中主要是对发送出牌数据进行说明。也就是，通过http(HyperText Transfer Protocol，超文本传输协议)接口发送出牌数据。

综上，本实施例通过采用出牌模型进行掼蛋信息数据进行处理，以便确定是否执行出牌动作，然后再采用决策层模型确定对应的牌型概率和对应的牌型模型，最后采用该牌型模型确定对应的出牌数据，以出牌模型到决策层模型到最后的牌型模型的分层结构，实现对掼蛋信息数据进行处理，得到出牌数据，使得对掼蛋信息数据进行处理的拟人化和精细化，提高掼蛋信息数据处理的处理效果。

以下通过一个具体的实施例，对本申请提供的一种掼蛋游戏的牌型数据处理方法做进一步说明。

本实施例主要是处理掼蛋游戏的数据。该游戏一共使用两副牌，每副牌有54张牌，从2到A，每个牌有分四种花色，大小王各一个，两副牌一共108张牌。游戏是4人游戏，对面位置是自己一方，临近位置的是敌对一方。游戏中只要已方有一人最先打完牌，另一人紧随其后打完牌，则该局是被认为双扣，获取利益最大，如果已方有一人最先打完牌，另一人第三打完牌，则该局被认为单扣，如果已方有一人最先打完牌，另一人属于末尾，则该局认为是平扣，利益最小。游戏中可出牌的类型包括：单张、对子、三张、三连对、顺子、同花顺、三带二、三顺、炸弹、不出牌。

进一步的，为了提高数据处理的拟人化程度和精确性，将整个掼蛋数据处理的过程分成层级结构，最高层是出牌层，如果出牌，则进入决策层，决策层输出的是单张、对子、三张、三连对、顺子、同花顺、三带二、三顺、炸弹9个大的决策中的一个，然后最终的执行层是针对其中一个决策结果再输出到细分的牌上，比如决策层选的是“三张”，则执行层将调用相应的“三张”模型，“三张”模型输出最终的出牌，比如三张4这样的牌。

本实施例的处理过程的初始阶段为一个二分类的最高层决策模型，用于判断当前是否出牌，如果不出牌，则最终输出结果就是放弃出牌。如果选择出牌，则调用决策层模型，决策层模型输出的是9种出牌类型的概率，选择概率最大的出牌类型，即执行该出牌类型对应的牌型模型，然后在执行层调用该出牌类型对应的牌型模型，最终该模型将输出具体的出牌结果。

本实施例一共包含了11个算法模型，每个模型均采用5层优化过的Resnet模块的网络，具体的网络结构为数据输入后经过分离卷积，分离卷积的卷积核大小为3*3，卷积数目为40，然后经过5层Resnet模块与SE模块，每个Resnet模块都相同。每层Resnet模块输出后接到一个SE模块，SE模块是一个通道注意力模块。

本实施例中的Resnet模块是将原始的Resnet模块的3*3卷积改为了分离卷积。其中，包括的BN层为BatchNormalization层，输入的信息与1*1卷积后经过BN层的信息相加，最后经过relu层后输出。

SE模块的输入数据经过一个mean操作后得到了每个通道的平均值，如果输入的是一个10*10*30的矩阵，其中10*10是长和宽，而30代表通道数，经过mean操作后输出的是一个1*1*30的矩阵数据，相当于对每个通道上的数据做平均值。经过两个全连接后最后在激活层sigmoid的输出下，可以输出每个通道的权重数值，其范围控制在(0,1)。将其权重值与其相应的通道的数据相乘，最后输出的就是SE模块的结果，权重大的通道数据输出的数值会比其他通道要大。

本实施例的11个模型采用相同的网络结果，输入也是相同的，输入数据的格式为多通道的信息组成的，每个通道代表牌某种统计信息，单一通道对牌的编码方式如表1所示。

表1单一通道编码方式表

其中，表1是一种牌统计的基本表示，这种编码可以表示当前的手牌信息，可以表示上一家打过牌的历史信息。表的行代表牌的花色，一共就四种花色，表的列代表牌的数值，从2到大小王。表里面的数字代表了该位置的牌的张数，比如上表例子中表示有2张方块7，1张梅花9，1张红桃J，1张方块K。由于使用的两副牌，所以每个位置最大的数字就是2。大小王没有花色编码，就将其表示在方块行列，它们对应的红桃、梅花、黑桃位置的数值永远是0。

在表1的基础上，将掼蛋游戏过程中的信息可以编码为形如表1的方式。不同的信息在不同的通道，最终是一个15*4*25的矩阵，其中15*4就是上面的编码形式，25是通道数，各个通道代表含义如表2所示。

表2，各通道含义表

也就是说，本实施例使用的11个模型输入虽然一样，但输出却不一样。对于最高层的出牌模型输出为2，即出牌与不出牌。而决策模型输出的是9，代表了9个决策，每个决策的子模型输出也不一样，比如单张模型输出是15，从2到大小王一共15种单张的可能，而3张模型输出确实13，由于没有3张大小王，所以3张的所有可能只有13种。最终通过分层结构将原本很多的动作输出变成了单个模型很少的动作输出，减小了训练的难度，增强了模型的性能。

可见，本实施例通过采用出牌模型进行掼蛋信息数据进行处理，以便确定是否执行出牌动作，然后再采用决策层模型确定对应的牌型概率和对应的牌型模型，最后采用该牌型模型确定对应的出牌数据，以出牌模型到决策层模型到最后的牌型模型的分层结构，实现对掼蛋信息数据进行处理，得到出牌数据，使得对掼蛋信息数据进行处理的拟人化和精细化，提高掼蛋信息数据处理的处理效果。

下面对本申请实施例提供的牌型数据处理装置进行介绍，下文描述的牌型数据处理装置与上文描述的出牌决策方法可相互对应参照。

请参考图2，图2为本申请实施例所提供的一种掼蛋游戏的牌型数据处理装置的结构示意图。

本实施例中，该装置可以包括：

出牌动作确定模块100，用于采用出牌模型对接收到的掼蛋信息数据进行处理，得到动作指令；

动作指令判断模块200，用于判断动作指令是否为出牌动作；

牌型概率获取模块300，用于当动作指令为出牌动作时，采用决策层模型对掼蛋信息数据进行处理，得到牌型概率和对应的牌型模型；其中，对应的牌型模型为多个牌型模型的之一；

出牌数据获取模块400，用于根据牌型概率和对应的牌型模型进行处理，得到出牌数据；其中，出牌模型、决策模型以及牌型模型均包括分离卷积层、5个Resnet模块、5个SE模块、全连接层以及softmax层。

可选的，该装置还可以包括：

不出牌处理模块，用于当动作指令不为出牌动作时，发送不出牌指令。

本申请实施例还提供一种服务器，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上所述的掼蛋游戏的牌型数据处理方法的步骤。

本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的掼蛋游戏的牌型数据处理方法的步骤。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本申请所提供的一种掼蛋游戏的牌型数据处理方法、牌型数据处理装置、服务器以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。