一种基于神经网络深度学习的卡牌设计生成方法及系统专利检索-基于网络的游戏可联网软件应用软件软件计算机系统电脑零配件专利检索查询-专利查询网

一种基于神经网络 深度学习的卡牌设计生成方法及系统

阅读：344发布：2020-05-08

专利汇可以提供一种基于神经网络深度学习的卡牌设计生成方法及系统专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于神经网络深度学习的卡牌设计生成方法及系统，通过获取卡牌类游戏的卡牌图片和对应的卡牌描述词条，形成对，构成卡牌描述数据集；对所述卡牌描述数据集中的描述词条进行结构化，得到数据集；将所述数据集输入卡牌生成模型并训练模型；将图片输入卡牌生成模型，输出对于该图片的结构化描述，将结构化描述拆解成原始的多字段描述形式即得到全新的卡牌设计。本发明还公开了对应的系统，包括卡牌描述集获取单元、描述词条结构化单元、卡牌生成模型和模型训练单元、卡牌设计生成单元，本发明解决现有技术中存在的卡牌创作者无法持续稳定保持卡牌创意的问题。，下面是一种基于神经网络深度学习的卡牌设计生成方法及系统专利的具体信息内容。

权利要求

1.一种基于神经网络深度学习的卡牌设计生成方法，其特征在于，包括：获取卡牌类游戏的卡牌图片和对应的卡牌描述词条，形成<图片，描述>对，构成卡牌描述数据集；
对所述卡牌描述数据集中的描述词条进行结构化，得到<图片，结构化描述>数据集；
将所述<图片，结构化描述>数据集输入卡牌生成模型并训练模型；
将任意一张图片输入卡牌生成模型，输出对于该图片的结构化描述，将结构化描述拆解成原始的多字段描述形式即得到全新的卡牌设计。
2.如权利要求1所述的基于神经网络深度学习的卡牌设计生成方法，其特征在于，所述卡牌生成模型包括预处理部分，卷积神经网络部分和循环神经网络部分，所述预处理部分为预先将输入的卡牌图片进行归一化处理，
所述卷积神经网络部分为提取经过所述预处理部分完成后的卡牌图片的特征向量，所述循环神经网络部分，根据所述卡牌图片的特征向量，生成新的卡牌描述，采用one-hot编码形式，将所述的结构化描述进行编码，生成完整的单词序列，将所述卷积神经网络提取得到的卡牌图片的特征向量和经编码生成的所述单词序列依次送入循环神经网络，得到的输出再通过softmax函数选拔出一个概率最大的单词，作为结果与所述单词序列进行比较学习，之后进行持续训练：将由所述循环神经网络通过softmax函数选拔出的一个概率最大的单词和经one-hot编码形式编码后生成的所述单词序列中的单词继续输入对卡牌生成模型进行持续训练。
3.如权利要求2所述的基于神经网络深度学习的卡牌设计生成方法，其特征在于，所述卡牌生成模型包括预处理部分，卷积神经网络部分和循环神经网络部分，所述预处理部分为预先将输入的卡牌图片进行归一化处理，
所述卷积神经网络部分为提取经过所述预处理部分完成后的卡牌图片的特征向量，所述循环神经网络部分，根据所述卡牌图片的特征向量，生成新的卡牌描述，采用one-hot编码形式，将所述的结构化描述进行编码，生成完整的单词序列，将所述卷积神经网络提取得到的卡牌图片的特征向量和经编码生成的所述单词序列依次送入循环神经网络，得到的输出再通过softmax函数选拔出一个概率最大的单词，作为结果与所述单词序列进行比较学习，之后进行持续训练：采用经one-hot编码形式编码后生成的所述单词序列中的单词继续输入对卡牌生成模型进行持续训练。
4.如权利要求1所述的基于神经网络深度学习的卡牌设计生成方法，其特征在于，获取卡牌类游戏的卡牌图片和对应的卡牌描述词条，形成<图片，描述>对，构成卡牌描述数据集，之后对所述卡牌描述数据集中的原始数据集进行清理，删除无效的<图片，描述>数据，得到新的卡牌描述数据集；
对所述新的卡牌描述数据集中的描述词条进行结构化，得到<图片，结构化描述>数据集；
将所述<图片，结构化描述>数据集输入卡牌生成模型并训练模型；
将任意一张图片输入卡牌生成模型，输出对于该图片的结构化描述，将结构化描述拆解成原始的多字段描述形式即得到全新的卡牌设计。
5.如权利要求1所述的基于神经网络深度学习的卡牌设计生成方法，其特征在于，获取卡牌类游戏的卡牌图片和对应的卡牌描述词条的方法具体包括：通过爬虫技术，从互联网上下载卡牌类游戏的卡牌图片和对应的卡牌描述词条，在提供有卡牌图片和/或卡牌描述的网站上根据url以及html标签进行逐级访问，直至获取到保存有卡牌图片和/或卡牌描述的url并下载至本地。
6.如权利要求5所述的基于神经网络深度学习的卡牌设计生成方法，其特征在于，所述的获取到保存有卡牌描述的url后，通过表格标签逐行获取不同的描述词条，再保存至本地。
7.如权利要求5所述的基于神经网络深度学习的卡牌设计生成方法，其特征在于，所述的从互联网上下载卡牌类游戏的卡牌图片和对应的卡牌描述词条后，对赋予每张卡片一个专属ID作为名称，并将ID作为文件名称进行保存。
8.如权利要求1所述的基于神经网络深度学习的卡牌设计生成方法，其特征在于，对所述卡牌描述数据集中的描述部分进行结构化，所述结构化的方式为：将多个描述词条整理称为一个长的结构化描述词条，将各个词条用双竖线分割，再将所有字母降为小写，得到结构化调整之后的描述，从而得到<图片，结构化描述>的数据集。
9.采用如权利要求1-8任一权利要求所述的基于神经网络深度学习的卡牌设计生成方法的卡牌生成系统，其特征在于：包括卡牌描述集获取单元、描述词条结构化单元、卡牌生成模型和模型训练单元、卡牌设计生成单元；
所述卡牌描述集获取单元获取卡牌类游戏的卡牌图片和对应的卡牌描述词条，形成<图片，描述>对，构成卡牌描述数据集；
所述描述词条结构化单元对所述卡牌描述数据集中的描述词条进行结构化，得到<图片，结构化描述>数据集；
所述卡牌生成模型和模型训练单元将所述<图片，结构化描述>数据集输入卡牌生成模型并训练模型；
所述卡牌设计生成单元将任意一张图片输入卡牌生成模型，输出对于该图片的结构化描述，将结构化描述拆解成原始的多字段描述形式即得到全新的卡牌设计。

说明书全文

一种基于神经网络深度学习的卡牌设计生成方法及系统

技术领域

[0001] 本发明属于神经网络深度学习方法领域，具体涉及一种游戏卡牌的设计生成方法。

背景技术

[0002] 卡牌类游戏作为游戏行业的重要元素之一，其游戏内容或游戏方式的更新一直是亟待解决的主要问题。为了保持卡牌游戏的活力，需要不断推陈出新，创作出全新而又有趣的卡牌以及不可或缺的基础卡牌来扩充卡池，保持玩家对游戏的新鲜感，来保证游戏的健康运营。一般来说，卡牌游戏中新的卡牌是通过卡牌创作者头脑风暴与灵光乍现来设计出优秀且有创意的卡牌，通过经验与对游戏的理解设计出不可缺少的卡牌。

[0003] 卡牌的更新和设计主要由卡牌创作者提供创意，而创意需要灵感支撑，创意和灵感主观性强，创作者不能保证稳定的获取灵感、输出创意，就没办法保证其作品更新的持续性和质量稳定性。此外，除了有创意的卡牌外，卡牌游戏还需要许多不可或缺的基础卡牌来扩充卡池。对于卡牌创作者来说，基础卡牌的设计会占用他们很多时间，影响他们对创意卡牌的设计。

发明内容

[0004] 本发明的目的在于：提供一种基于神经网络深度学习的卡牌设计生成方法，能够为卡牌创作者提供创意卡牌的思路和充足的基础卡牌设计，不仅对卡牌描述进行结构化，而且能够提高卡牌设计效率和更新的稳定性，进一步通过深度学习，提高设计出具有创意的高质量的卡牌的稳定性。

[0005] 为了实现上述目的，本发明具体采用如下技术方案：一种基于神经网络深度学习的卡牌设计生成方法，包括：

[0006] 获取卡牌类游戏的卡牌图片和对应的卡牌描述词条，形成<图片，描述>对，构成卡牌描述数据集；

[0007] 对所述卡牌描述数据集中的描述词条进行结构化，得到<图片，结构化描述>数据集；

[0008] 将所述<图片，结构化描述>数据集输入卡牌生成模型并训练模型；

[0009] 将任意一张图片输入卡牌生成模型，输出对于该图片的结构化描述，将结构化描述拆解成原始的多字段描述形式即得到全新的卡牌设计。

[0010] 可选的，前述卡牌生成模型包括预处理部分，卷积神经网络部分和循环神经网络部分，所述预处理部分为预先将输入的卡牌图片进行归一化处理，所述卷积神经网络部分为提取经过所述预处理部分完成后的卡牌图片的特征向量，所述循环神经网络部分，根据所述卡牌图片的特征向量，生成新的卡牌描述；采用one-hot编码形式，将所述的结构化描述进行编码，生成完整的单词序列，将所述卷积神经网络提取得到的卡牌图片的特征向量和经编码生成的所述单词序列依次送入循环神经网络，得到的输出再通过softmax函数选拔出一个概率最大的单词，作为结果与所述单词序列进行比较学习，之后进行持续训练：将由所述循环神经网络通过softmax函数选拔出的一个概率最大的单词和经one-hot编码形式编码后生成的所述单词序列中的单词继续输入对卡牌生成模型进行持续训练。

[0011] 可选的，前述进行持续训练中的：将由所述循环神经网络通过softmax函数选拔出的一个概率最大的单词和经one-hot编码形式编码后生成的所述单词序列中的单词继续输入对卡牌生成模型进行持续训练替换为经one-hot编码形式编码后生成的所述单词序列中的单词继续输入对卡牌生成模型进行持续训练。

[0012] 可选的，前述获取卡牌类游戏的卡牌图片和对应的卡牌描述词条，形成<图片，描述>对，构成卡牌描述数据集，之后对所述卡牌描述数据集中的原始数据集进行清理，删除无效的<图片，描述>数据，得到新的卡牌描述数据集；对所述新的卡牌描述数据集中的描述词条进行结构化，得到<图片，结构化描述>数据集；将所述<图片，结构化描述>数据集输入卡牌生成模型并训练模型；将任意一张图片输入卡牌生成模型，输出对于该图片的结构化描述，将结构化描述拆解成原始的多字段描述形式即得到全新的卡牌设计。

[0013] 可选的，前述获取卡牌类游戏的卡牌图片和对应的卡牌描述词条的方法具体包括：通过爬虫技术，从互联网上下载卡牌类游戏的卡牌图片和对应的卡牌描述词条，在提供有卡牌图片和/或卡牌描述的网站上根据url以及html标签进行逐级访问，直至获取到保存有卡牌图片和/或卡牌描述的url并下载至本地。

[0014] 可选的，前述的获取到保存有卡牌描述的url后，通过表格标签逐行获取不同的描述词条，再保存至本地。

[0015] 可选的，前述的从互联网上下载卡牌类游戏的卡牌图片和对应的卡牌描述词条后，对赋予每张卡片一个专属ID作为名称，并将ID作为文件名称进行保存，便于访问和管理。

[0016] 可选的，前述对卡牌描述数据集中的描述部分进行结构化，所述结构化的方式为：将多个描述词条整理称为一个长的结构化描述词条，将各个词条用双竖线分割，再将所有字母降为小写，得到结构化调整之后的描述，从而得到<图片，结构化描述>的数据集。

[0017] 本发明还提供了一种采用前述基于神经网络深度学习的卡牌设计生成方法的卡牌生成系统，包括卡牌描述集获取单元、描述词条结构化单元、卡牌生成模型和模型训练单元、卡牌设计生成单元；

[0018] 所述卡牌描述集获取单元获取卡牌类游戏的卡牌图片和对应的卡牌描述词条，形成<图片，描述>对，构成卡牌描述数据集；

[0019] 所述描述词条结构化单元对所述卡牌描述数据集中的描述词条进行结构化，得到<图片，结构化描述>数据集；

[0020] 所述卡牌生成模型和模型训练单元将所述<图片，结构化描述>数据集输入卡牌生成模型并训练模型；

[0021] 所述卡牌设计生成单元将任意一张图片输入卡牌生成模型，输出对于该图片的结构化描述，将结构化描述拆解成原始的多字段描述形式即得到全新的卡牌设计。

[0022] 本发明还提供了一种利用前述卡牌生成系统的应用，所述的卡牌描述集获取单元、描述词条结构化单元、卡牌生成模型和模型训练单元运行完成后，卡牌设计生成单元可单独的直接在多种软件中应用，而无需再次重复执行前述多个单元的运行。

[0023] 与现有技术相比，本发明具有如下技术效果：

[0024] 采用对所述卡牌描述数据集中的描述部分进行结构化，得到<图片，结构化描述>数据集，为卡牌生成模型的建立和运行提供基础；通过卡牌生成模型，进行卡牌设计和创作，提高卡牌设计效率和更新的稳定性，进一步通过深度学习，提高设计出具有创意的高质量的卡牌的稳定性。

[0025] 通过预处理部分，卷积神经网络部分和循环神经网络部分建立卡牌生成模型，通过softmax函数选拔出的一个概率最大的单词和经one-hot编码形式编码后生成的所述单词序列中的单词继续输入对卡牌生成模型进行持续训练，深度学习，增强卡牌生成模型的生成卡牌描述的质量。

[0026] 将由所述循环神经网络通过softmax函数选拔出的一个概率最大的单词和经one-hot编码形式编码后生成的所述单词序列中的单词继续输入对卡牌生成模型进行持续训练替换为经one-hot编码形式编码后生成的所述单词序列中的单词继续输入对卡牌生成模型进行持续训练，被称作teacher forcing，能够使循环神经网络每一步都得到更有效的学习，提高了模型训练的速度。

[0027] 采用对所述卡牌描述数据集中的原始数据集进行清理，删除无效的<图片，描述>数据，得到新的卡牌描述数据集；对所述新的卡牌描述数据集中的描述词条进行结构化，得到<图片，结构化描述>数据集，能够降低数据集处理量，保证后续卡牌生成模型良好运行。

[0028] 对卡牌描述数据集中的描述部分进行结构化，更容易被卡牌生成模型所接纳理解，提高模型的训练效率和最终指标。附图说明

[0029] 图1为本发明具体实施方式中所述的基于神经网络深度学习的卡牌设计生成方法的示意图；

[0030] 图2为本发明具体实施方式中所述的卡牌描述示意图；

[0031] 图3为本发明具体实施方式中所述的卡牌生成模型结构示意图。

[0032] 其中，附图标记：1-卡牌，2-卡牌描述。

具体实施方式

[0033] 以下将对本发明的具体实施方式进行阐述。需要注意的是本发明并不仅仅只局限于这些实施方式。相反，对本发明进行的修改或者等同替换，均应涵盖在本发明的权利要求范围当中。另外，对于本领域技术人员熟知的技术和实现方法，不再进行过多描述。

[0034] 如图1所示的一种基于神经网络深度学习的卡牌设计生成方法，包括：

[0035] 获取卡牌类游戏的卡牌图片和对应的卡牌描述词条，形成<图片，描述>对，构成卡牌描述数据集；

[0036] 对所述卡牌描述数据集中的原始数据集进行清理，删除无效的<图片，描述>数据；

[0037] 对所述卡牌描述数据集中的描述词条进行结构化，得到<图片，结构化描述>数据集；

[0038] 将所述<图片，结构化描述>数据集输入卡牌生成模型并训练模型；

[0039] 将任意一张图片输入卡牌生成模型，输出对于该图片的结构化描述，将结构化描述拆解成原始的多字段描述形式即得到全新的卡牌设计。

[0040] 其中，图1中所述的获取卡牌类游戏的卡牌图片和对应的卡牌描述词条，形成<图片，描述>对，构成卡牌描述数据集。具体可通过以下方式实现：从互联网上下载卡牌类游戏的卡牌图片和对应的卡牌描述词条，形成<图片，描述>对，构成卡牌描述数据集。

[0041] 对于卡牌图片而言，通过爬虫技术，在提供有卡牌图片的网站上根据url以及html标签进行逐级访问，直至获取到保存有卡牌图片的url，再将其下载至本地。对于卡牌描述而言，通过爬虫技术，在提供有卡牌图片的网站上根据url以及html标签进行逐级访问，直至获取到保存有卡牌描述词条的url，再通过表格标签逐行获取不同的描述词条，并保存至本地。其中，为了便于访问和管理，赋予每张卡片一个专属ID作为其名称，用以区分不同的卡牌，并将其作为文件名称进行保存。

[0042] 其中，图1中所述的对所述卡牌描述数据集中的原始数据集进行清理，删除无效的<图片，描述>数据。由于爬取到的数据常常有好有坏，那么进行模型训练之前，就需要清洗数据集。对于该数据集而言，需要对图片和描述进行清洗，如损坏的图片文件，以及乱码的描述文件等。通过对数据集进行一次全面检查，完成对无效数据的清洗。

[0043] 其中，图1中所述的对所述卡牌描述数据集中的描述词条进行结构化，得到<图片，结构化描述>数据集。由于从网络上爬取的数据不能直接作为模型的数据进行训练，需要对数据集进行一次改造，使其更容易被模型所接纳理解，提高模型的训练效率和最终指标。对于描述来说，需要将多个描述词条整理称为一个长的结构化描述词条。对于图2中所示的卡牌1而言，其卡牌描述2拥有诸如Name，Class等多个词条，结构化成易于模型训练的描述后如下：

[0044] “acidic swamp ooze||minion||||||free||2||3||2||destroy your opponent's weapon.”将各个词条用双竖线分割，再将所有字母降为小写，得到结构化调整之后的描述，从而得到<图片，结构化描述>的数据集。

[0045] 其中，图1中所述的将所述<图片，结构化描述>数据集输入卡牌生成模型并训练模型。具体实施方式如下：所述的卡牌生成模型的结构示意图如图3所示，所述卡牌生成模型包括预处理部分，卷积神经网络部分和循环神经网络部分，预处理部分为预先将输入的卡牌图片进行归一化处理，以令模型更好的提取其特征向量，所述卷积神经网络部分为提取经过所述预处理部分完成后的卡牌图片的特征向量，所述循环神经网络部分，根据所述卡牌图片的特征向量，生成新的卡牌描述，

[0046] 采用one-hot编码形式，将所述的结构化描述进行编码，生成完整的单词序列，将所述卷积神经网络提取得到的卡牌图片的特征向量和经编码生成的所述单词序列依次送入循环神经网络，得到的输出再通过softmax函数选拔出一个概率最大的单词，作为结果与所述单词序列进行比较学习即对卡牌生成模型进行训练，

[0047] 将原始单词序列中的单词继续输入对卡牌生成模型进行持续训练，而不将由所述循环神经网络通过softmax函数选拔出的一个概率最大单词作为后续的输入，这被称作teacher forcing。其中，所述原始单词序列为经one-hot编码形式编码后生成的所述单词序列。此种选择能够使循环神经网络每一步都得到更有效的学习，提高了模型训练的速度。

[0048] 其中，图1中所述的将任意一张图片输入卡牌生成模型，输出对于该图片的结构化描述，将结构化描述拆解成原始的多字段描述形式即得到全新的卡牌设计。是指在模型训练完成后，将任意一张图片输入卡牌生成模型，输出对于该图片的结构化描述，通过还原，将结构化描述拆解成原始的多字段描述形式即得到全新的卡牌设计。

[0049] 采用如上所述的基于神经网络深度学习的卡牌设计生成方法的卡牌生成系统，包括卡牌描述集获取单元、描述词条结构化单元、卡牌生成模型和模型训练单元、卡牌设计生成单元。卡牌描述集获取单元获取卡牌类游戏的卡牌图片和对应的卡牌描述词条，形成<图片，描述>对，构成卡牌描述数据集，并能够对卡牌描述数据集通过删除无效的<图片，描述>数据的方式实现卡牌描述数据集的更新，降低后续数据处理复杂量；所述描述词条结构化单元对所述卡牌描述数据集中的描述词条进行结构化，得到<图片，结构化描述>数据集；所述卡牌生成模型和模型训练单元将所述<图片，结构化描述>数据集输入卡牌生成模型并训练模型；所述卡牌设计生成单元将任意一张图片输入卡牌生成模型，输出对于该图片的结构化描述，将结构化描述拆解成原始的多字段描述形式即得到全新的卡牌设计。

[0050] 当卡牌描述集获取单元、描述词条结构化单元、卡牌生成模型和模型训练单元运行完成后，可将对应的卡牌设计生成单元分到若干个软件或应用程序中使用，直接对卡牌生成单元进行输入，即可输出符合要求的卡牌设计，而无需再次重复执行前述多个单元的运行。如将卡牌设计生成单元植入卡牌游戏软件中，通过服务器连接到卡牌生成模型，将卡牌生成模型的输出结果通过服务器连接到软件中，直接输出新设计的卡牌，并不需要将所有卡牌生成系统中的单元植入软件中。

[0051] 需要说明的是，本发明具体实施方式中采用的技术手段，对本发明的保护范围不构成任何限制，凡采用本领域中常用技术的等效替换或简单改进的，均属于本发明专利的保护范围。

标题	发布/更新时间	阅读量
一种基于VR的消防知识教育系统及其操控方法	2020-05-08	989
经由内容消费活动仪表盘调整媒体可用性	2020-05-11	331
一种基于UE引擎的地形生成方法	2020-05-11	38
计算机程序、服务器装置、平板型电子设备以及电视装置连接用电子设备、以及用户监护系统以及用户监护方法	2020-05-11	442
多智能体训练方法、装置和电子设备	2020-05-13	244
虚拟和增强现实中的多屏幕交互	2020-05-14	764
一种基于大数据的游戏指令预判系统及其工作方法	2020-05-12	20
在不安装应用的情况下对移动用户界面的即时流式传输	2020-05-13	204
一种非侵入式未成年人异常上网行为监测方法	2020-05-11	257
车辆及其车载设备和基于5G车联网的远程控制实现方法	2020-05-14	137

一种基于神经网络深度学习的卡牌设计生成方法及系统

一种基于神经网络深度学习的卡牌设计生成方法及系统

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：