Mjx 开源项目教程

1. 项目介绍

Mjx 是一个用于日本麻将（Riichi Mahjong）AI研究的框架。它作为一个游戏服务器，类似于 Mjai，用于评估麻将AI，但具有以下额外功能：

• 快速：比 Mjai 快 100 倍。
• 精确的 Tenhou 兼容性：通过大量 Tenhou 游戏日志验证。
• Gym-like API：易于使用的 API。
• 分布式计算：适用于大规模强化学习和评估，得益于 gRPC。
• Mjai 兼容：提供 mjx_mjai_translater。
• 美观的可视化：提供直观的可视化工具。

2. 项目快速启动

安装

首先，确保你的系统满足以下要求：

• Python 3.7 或更高版本
• Linux 或 macOS Intel（10.15 或更高版本）

目前不支持 Windows 和 macOS Apple Silicon，但欢迎贡献代码以支持这些平台。

pip install mjx

示例代码

以下是一个简单的示例，展示了如何使用 Mjx 创建一个随机代理并运行游戏：

import mjx
from mjx.agents import RandomAgent

# 创建随机代理
agent = RandomAgent()

# 初始化环境
env = mjx.MjxEnv()
obs_dict = env.reset()

# 运行游戏
while not env.done():
    actions = {player_id: agent.act(obs) for player_id, obs in obs_dict.items()}
    obs_dict = env.step(actions)
    rewards = env.rewards()

3. 应用案例和最佳实践

应用案例

Mjx 可以用于以下应用场景：

• AI 研究：开发和评估麻将 AI。
• 游戏模拟：模拟麻将游戏以测试策略和算法。
• 分布式计算：利用 gRPC 进行大规模的强化学习和评估。

最佳实践

• 使用 gRPC：通过 gRPC 实现分布式计算，提高计算效率。
• 批处理推理：在神经网络模型中使用批处理推理，以提高性能。

4. 典型生态项目

Mjx 作为一个麻将 AI 研究框架，可以与其他相关项目结合使用，例如：

• Mjai：一个流行的麻将模拟器，Mjx 与之兼容。
• Tenhou：一个在线麻将平台，Mjx 提供精确的 Tenhou 兼容性。
• Gym：OpenAI 的 Gym 库，Mjx 提供类似 Gym 的 API，方便集成。

通过这些生态项目的结合，可以进一步扩展 Mjx 的功能和应用范围。