快速上手

你的第一个目标是做出一个能完成试赛并登上天梯的版本。先从一个你清楚其输入和输出的简单模型开始，再用对局结果来改进它的决策。

你需要准备什么

你需要一个本站登录服务商的账户（登录页面列出了所有服务商）、一种训练并导出 ONNX 模型的方法，以及一份 Ants 的清单。平台只用服务商来让你登录，别无他用。你的公开用户名取自你第一次登录时在服务商那里的登录名，之后即使你在服务商那里改名，它也保持不变。准备参赛模型之前，先查看该游戏的赛季：提交必须落在某个赛季的开放窗口之内，而受限赛季只允许它的参与者参赛。

tinybrains 命令行工具可以进行对局、运行审核的各项检查，并把真实卡带暴露为一个训练环境，这样你的训练循环驱动的就是天梯所用的同一个引擎。安装它只需一条 brew install，或者下载一个发布版本。参加托管的竞赛不需要你自己运行平台。

捷径：从一份可用的参赛模型开始

Tiny-Brains/ants-starter 是一份训练好的 nano 参赛模型，原样提交就能通过审核。它附带生成好的清单、平台会测量的 metrics.json 和 card.md、两个对局文件，以及一个在每次推送时重新检查它的 CI 工作流。

brew tap tiny-brains/cli https://github.com/Tiny-Brains/cli    # 只需一次
brew install tiny-brains/cli/tinybrains                         # 只需一次
git clone https://github.com/Tiny-Brains/ants-starter
cd ants-starter
tinybrains check model.onnx manifest.json      # 审核会给出的结论
tinybrains matches/self-play.json              # 用真实引擎让它和自己对战
pip install -r requirements.txt                # 训练代码，来自 ants 仓库
python train.py                                # 重新训练它：大约一小时

先原样提交它，完整地看一遍整个流程，然后改点什么再重新训练。它是用自己的种子训练的，所以天梯会把它当作一份新的参赛模型；旁边的 models/ 目录里有三个训练好的对手可以陪它练习。

完整流程

1. 训练一个小模型

先阅读 Ants，再决定如何表示观测。例如，一个空间模型可以用几个平面分别表示你的蚂蚁、可见的敌人、食物和已知的水域，然后为每只蚂蚁或每个地图格子输出五个移动得分。

用竞技场提供的信息来训练，条件允许的话就直接对着同一个引擎训练：tinybrains env 可以从 Python 驱动它，这样你永远不用把规则再写一遍。导出为 model.onnx 时，给输入和输出张量命名，以便在清单中引用。在确定架构之前，先查看模型要求和重量级；能导出的计算图仍然可能通不过审核。

2. 编写清单

创建 manifest.json。它按名称、dtype 和形状声明你的计算图的每个输入和输出，并为每个输入附带一个适配器：一个把观测转换成对应张量的小程序。维度可以是一个名称，这样同一份参赛模型就能在任何地图尺寸上比赛。

裁判按游戏公布的通道顺序读取你的策略头（为什么），所以输出端不需要你编写任何程序。清单一章有一个完整的小例子，逐段解读一份真实清单则逐段讲解一份真正能比赛的清单。

用本地检查跑一遍这两个文件。把每张基础地图（2 到 8 个席位，每边 24 到 124 格）、空列表、大蚁群和支离破碎的已知水域掩码都试一遍。确认执行能够返回，并检查运算次数和它产生的动作。

3. 计算两个文件的哈希，或者交给网站

文件名必须严格是 model.onnx 和 manifest.json：平台会为这两个名字签发上传 URL。如果你通过网站提交，可以跳过这一步：/submit 页面会在浏览器中计算两个文件的哈希。要自己计算，就对这些字节原样计算 SHA-256：

# Linux
sha256sum model.onnx manifest.json

# macOS
shasum -a 256 model.onnx manifest.json

计算哈希之后不要再改动文件。提交时写的是 sha256: 后接每个文件的 64 位十六进制哈希值。

4. 创建模型，再向它提交

登录后，在个人主页上用“新建模型”表单创建模型，剩下的交给网站的 /submit 表单：选择模型，选择两个文件，按下按钮。表单会在你的浏览器中计算文件哈希，并把它们直接上传到对象存储，也就是替你完成了第 3 步。

通过 API 则需要两次调用。模型就是你的参赛模型：一个名字，加上你在它名下提交的每个版本。创建它只需一次：

POST /v1/games/ants/models
{ "name": "First try" }

响应中带有 model_id。针对它提交版本：

POST /v1/submissions
{
  "game": "ants",
  "season": "<赛季的 slug；省略则为精选赛季>",
  "model": "<上面返回的 model_id>",
  "weights_hash": "sha256:<64 位十六进制哈希，对应 model.onnx>",
  "manifest_hash": "sha256:<64 位十六进制哈希，对应 manifest.json>"
}

把占位的哈希替换成你自己的。保存返回的 version_id。版本号由平台分配，第一个版本是 v1。

201 响应中带有两个一次性上传 URL，在你使用它们之前什么都不会发生：

curl -T model.onnx    "$MODEL_URL"       # 对应 upload.model_onnx
curl -T manifest.json "$MANIFEST_URL"    # 对应 upload.manifest_json

平台自己不保存任何字节，也不从你那里下载任何东西，所以存储桶为空的版本会以 ARTIFACT_MISSING 被拒绝。它会对收到的文件重新计算哈希，并与你声明的值比较。提交版本介绍会话的使用和错误处理，模型与版本解释为什么是两次独立的调用。

回放可视化（计划中）：一份通过审核的参赛模型的试赛，标出它第一次采集食物、一次战斗和最终结果，并在完整回放旁边显示候选版本的视角。

快速上手

快速上手

你需要准备什么

捷径：从一份可用的参赛模型开始

完整流程

1. 训练一个小模型

2. 编写清单

3. 计算两个文件的哈希，或者交给网站

4. 创建模型，再向它提交

5. 观看试赛

遇到问题

接下来读什么

Keyboard shortcuts

快速上手