摘要：

用于稀疏热力图图像的 2d-CNN（卷积神经网络）和用于表格数据的 MLP（多层感知机）。

CNN 的输入张量

生成了 30 x 54 码网格（四舍五入为整数）的热力图式场地图像，范围是 ((YardLine - 10) <= X < (YardLine + 20)) 和 (0 <= Y < 54)。

经过多次实验，以下 18 个通道（= 3 x 3 x 2）的组合效果最好。

3 种球员类别：

• 11 名防守球员
• 10 名进攻球员（不包括持球跑卫）
• 持球跑卫（持球者）

3 种变量：

• A（加速度）
• S_X（X 轴速度）
• S_Y（Y 轴速度）

2 帧：

通过加上速度计算 1 秒后的另一张快照。（也尝试了加上加速度，但没有提高性能。）

CNN 架构

• 4 层
• 保留 X 方向直到全连接层，仅在 Y 方向进行压缩 (stride=[1, 2])，因为 X 方向与结果变量（码数）相关。
• 连接不同大小的卷积核，如 Inception 架构所介绍
• CELU 激活函数（训练速度比 ReLU 略快）

CNN 部分的架构在 PyTorch 的 YAML 中配置如下。

（关于语法请参阅 PipelineX）

  =: torch.nn.Sequential
  _:
    - {=: pipelinex.TensorSlice, end: 18}
    - =: pipelinex.ModuleConcat
      _:
        - {=: pipelinex.TensorConv2d, in_channels: 18, out_channels: 10, kernel_size: [3, 3]}
        - {=: pipelinex.TensorConv2d, in_channels: 18, out_channels: 10, kernel_size: [7, 7]}
        - {=: pipelinex.TensorConv2d, in_channels: 18, out_channels: 10, kernel_size: [3, 9]}
    - {=: torch.nn.CELU, alpha: 1.0}
    - =: pipelinex.ModuleConcat
      _:
        - {=: pipelinex.TensorAvgPool2d, stride: [1, 2], kernel_size: [3, 3]}
        - {=: pipelinex.TensorConv2d, stride: [1, 2], in_channels: 30, out_channels: 10, kernel_size: [3, 3]}
        - {=: pipelinex.TensorConv2d, stride: [1, 2], in_channels: 30, out_channels: 10, kernel_size: [7, 7]}
        - {=: pipelinex.TensorConv2d, stride: [1, 2], in_channels: 30, out_channels: 10, kernel_size: [3, 9]}
    - {=: torch.nn.CELU, alpha: 1.0}
    - =: pipelinex.ModuleConcat
      _:
        - {=: pipelinex.TensorAvgPool2d, stride: [1, 2], kernel_size: [3, 3]}
        - {=: pipelinex.TensorConv2d, stride: [1, 2], in_channels: 60, out_channels: 20, kernel_size: [3, 3]}
        - {=: pipelinex.TensorConv2d, stride: [1, 2], in_channels: 60, out_channels: 20, kernel_size: [7, 7]}
        - {=: pipelinex.TensorConv2d, stride: [1, 2], in_channels: 60, out_channels: 20, kernel_size: [3, 9]}
      # -> [N, 120, 30, 14]
    - {=: torch.nn.CELU, alpha: 1.0}
    - =: pipelinex.ModuleConcat
      _:
        - =: torch.nn.Sequential
          _:
            - {=: torch.nn.AvgPool2d, stride: [1, 2], kernel_size: [3, 14]}
            # -> [N, 120, 28, 1]
            - {=: pipelinex.TensorConv2d, in_channels: 120, out_channels: 20, kernel_size: [