RL_for_Game

这是一个基于深度强化学习的游戏自动控制框架，支持从屏幕像素输入到键盘/鼠标动作输出的端到端训练与实时推理。核心采用Dueling DQN网络结构，结合Transformer对帧序列建模以增强时序理解，并集成了双Q学习、优先经验回放、动作平衡采样、在线学习及可学习奖励模型等关键技术。支持多GPU训练、实时屏幕捕获与热键切换（F5/F6），适用于PC单机游戏（如GTA5）的自动化操作研究与原型验证，适合游戏AI、人机交互和强化学习教学实验等场景。