网球造型 网球建模资料库，用于我的硕士论文。 特别感谢Stratagem公司（ ）。 Stratagem的网球建模项目启发了该项目。 此项目中使用的某些功能是从其存储库中复制的。 在使用Stratagem代码的文件中，您可以在页面顶部找到“（c）Stratagem”。

网球大满贯数据 tennis.csv

网球预测 实施论文“机器学习预测职业网球比赛”（Sipko，2015年）。 计划 首先，我们需要数据，即有关锦标赛（仅ATP），球员和比赛的信息，以及每项的详细统计信息。 最好的来源是Oncourt数据库，您可以从他们的网站下载该数据库。 否则，您可以使用JeffSackmann的数据，该数据非常好，但缺少赢家，无人为错误，净进场和发球速度。 关于投注数据，我们使用tennis-data.co.uk提供的赔率。 接下来，我们需要解析数据； 换句话说，我们将.csv文件读入程序，并将数据存储在一些自定义类中（ Tournament ， Player ， Match ， Set ， Statistics ）。 在程序中获取数据后，现在我们需要产生所需的功能。 在此步骤中，我们遵循了该论文，该论文基本上建议为每个玩家取两个按时间和表面加权的平均值，然后减去它们。 我们还实现了常见的对手模型。

项目3：合作与竞争 介绍 在这种环境下，两名特工控制球拍在球网上弹跳球。 如果探员将球击中网，则得到+0.1的奖励。 如果探员让一个球击中地面或越界将球击中，则其收益为-0.01。 因此，每个特工的目标是保持比赛中的球权。 观察空间由8个变量组成，分别对应于球和球拍的位置和速度。 每个代理都会收到自己的本地观察结果。 有两个连续的动作可用，分别对应于朝向（或远离）网络的运动和跳跃。 下图显示了最终的奖励进度。 环境在1820集中得到解决 算法： 为了解决此环境，我实现了Multi-DDPG算法。 实现的功能如下： 每个特工都有独立的演员和评论家 集中培训：每个代理的批评者不仅将自己的演员的行为和状态作为输入，而且还将所有其他代理的状态和行为作为输入。 由于在测试过程中仅使用参与者，并且参与者仅取决于相应参与者的状态，因此代理可以自由地学习自己的奖励结构。 下图[来源： ：

TTNet-Pytorch 论文“ TTNet：乒乓球的实时时空视频分析”的实现可以在找到该项目的简介 演示版 1.特点 球检测全球舞台 检球局部阶段（细化） 事件发现检测（跳动和净匹配） 语义细分（人，表和记分板） 启用/禁用TTNet模型中的模块 平滑标记事件发现 TensorboardX （更新2020.06.23） ：训练更快，在单个GPU（GTX1080Ti）的推理阶段达到> 120 FPS 。 （更新2020.07.03） ：该实现可以与TTNet论文中报告的结果取得比较结果。 （更新2020.07.06） ：TTNet Paper有几个限制（提示：损失函数，输入大小以及另外2个）。 我已经用新方法和新模型实施了该任务。 现在，新模型可以实现： > 130FPS推论， 细分任务的IoU得分约为0.96 球检测任务的均方根误差（RMSE） < 4像

这是我用windows api写的一个打网球的小游戏，初学者可以借鉴一下。

-电视游戏网球- 即将推出... 去做 硬件设计 显示面板，球拍和球 视频芯片 运动控制器 球的位置 驾驶显示器 代表球速度 反映球 内部存储器 运动计算 检测球何时到达边缘 将球弹回蝙蝠 计分比赛 设计总结 将游戏与CdM-8平台对接 软件 建议的设计进度 进行中 硬件设计视频子系统 完毕