技术摘要：
本申请公开了一种AI模型训练方法、AI模型调用方法、设备及可读存储介质，所述AI模型训练方法包括：获取进行训练的元数据，并加载待训练的AI模型，其中所述AI模型基于深度强化神经网络实现；对所述元数据所包含的实体单元进行特征提取，得到所述元数据对应的向量特征；  全部
背景技术：
随着人工智能(Artificial  Intelligence，AI)技术的快速发展，人工智能技术被 广泛的应用于各个领域，例如，在3D建模或3D游戏领域，通过人工智能技术可以更好的实现 对人物行为的预测，以使得用户在操作时有更好的体验。但是，3D游戏因为其空间复杂性以 及状态空间较大的原因，使得针对3D虚拟环境的AI面临更大的挑战。 目前，主要的实现方式包括两种：一种为基于规则实现的行为树AI，这种方式通过 游戏策划预先设计好的固定规则让AI在固定场景下执行指定的动作；另一种为基于神经网 络学习的方式，使用游戏界面的RGB图像作为原始输入，然后进行特征学习，最后由模型预 测AI要执行的动作。 对于现有的两种实现方式均存在一定的不足，第一种具有很大的局限性且AI模型 的能力较弱，第二种由于是使用RGB图像作为AI模型训练的原始数据，由于图像数据存在数 据展示不够准确情况，且包含有更多的无用数据，使得模型训练效率低，且对AI模型的准确 度有所影响。 因此，现在亟需一种提高AI模型准确度的AI模型训练方法。
技术实现要素：
本申请提供一种AI模型训练方法、AI模型调用方法、计算机设备及计算机可读存 储介质，以提高AI模型的精确度。 第一方面，本申请提供的一种AI模型训练方法，所述方法包括： 获取进行训练的元数据，并加载待训练的AI模型，其中所述AI模型基于深度强化 神经网络实现； 对所述元数据所包含的实体单元进行特征提取，得到所述元数据对应的向量特 征； 根据向量特征对所述AI模型进行训练，并确定训练后的AI模型是否收敛； 若训练后的AI模型未收敛，则执行步骤：根据向量特征对所述AI模型进行更新，并 确定训练后的AI模型是否收敛； 若训练后的AI模型收敛，则存储训练后的AI模型。 第二方面，本申请还提供一种AI模型调用方法，所述方法包括： 接收模型调用指令，其中，所述模型调用指令用于调用预存的AI模型，所述AI模型 为采用第一方面所描述的AI模型训练方法得到； 根据所述模型调用指令调用对应的AI模型，并接收到所上传的待分析数据； 将所述待分析数据输入至所述AI模型中，以输出得到目标行为指令，并将所述目 4 CN 111589158 A 说　明　书 2/14 页 标行为指令进行反馈。 第三方面，本申请还提供一种计算机设备，所述计算机设备包括处理器、存储器、 以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所 述处理器执行时，实现如上述的AI模型训练方法和/或AI模型调用方法的步骤。 第四方面，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，其中所述计算机程序被处理器执行时，实现如上述的AI模型训练方法 和/或AI模型调用方法的步骤。 本申请提供的一种AI模型训练方法、AI模型调用方法、计算机设备及计算机可读 存储介质中，在对AI模型进行训练时，通过获取相关的元数据实现对AI模型的不断学习和 训练，具体地，通过对元数据中所包含的实体单元进行识别，同时对每个实体单元所对应的 特征进行提取，得到每一个实体单元所对应的向量特征，以得到整个元数据所对应的向量 特征，接着根据所得到的向量特征对所加载的需要进行训练的AI模型进行一次训练，通过 不断的自我博弈实现一次一次的学习和训练，使得AI模型收敛。通过对元数据基于实体单 元的方式对AI模型进行自我博弈的训练，降低无用信息对模型精准度的影响，实现了在有 效降低模型学习成本的情况下，提高AI模型的精准性。 附图说明 为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的 附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。 图1为本申请一个实施例中基于3D游戏的AI模型建模方法的步骤的流程示意图； 图2为本申请一个实施例中AI模型的一层级结构示意图； 图3为本申请一个实施例中得到向量特征的步骤的流程示意图； 图4为本申请一个实施例人体关键点的示意图； 图5为本申请一个实施例对AI模型进行训练的步骤的流程示意图； 图6为本申请一个实施例得到第一输出向量的步骤的流程示意图， 图7为本申请一个实施例中AI模型调用方法的流程示意图； 图8为本申请一个实施例中3DFPS游戏的以游戏界面示意图； 图9为本申请一个实施例中得到目标行为指令进行反馈的步骤的流程示意图 图10为本申请实施例提供的一种计算机设备的结构示意性框图。