上一节我们构造出如下结构的神经网络：
屏幕快照 2019-07-09 下午6.21.30.png
本节我们看看如何使用该网络训练围棋机器人。我们在标题中提到Q-Learning，它实际上是一种使用上面网络进行训练的算法流程。首先我们先定义执行Q-Learning算法的机器人对象：
class QAgent:
def __init(self, model, encoder):
#参数model就是我们构造的神经网络
self.model = model
self.encoder = encoder #对棋盘的编码
self.temperature = 0 #对应epsilong参数
def set_temperature(self, temperature):
self.temperature = temperature #该参数的值越大，机器人胆子就越大，就越多的进行随机落子
def set_collector(self, collector):
#collector包含了机器人对弈时的棋盘数据
self.collector = collector
在上面代码实现中，参数temperature对应上一章我们说过的epsilong参数，这个参数的值越大，QAgent的随机性就越强.同时代码中的collector根前几节一样，它收集了两个机器人对弈的大量棋盘数据，这些数据将用于执行Q-Learning算法。接着我们看看基于Q-Learning算法的围棋机器人如何选择落子策略：
def select_move(self, game_state):
board_tensor = self.encoder.encode(game_state) #对输入棋盘进行编码
moves = []
for move in game_state.legal_move():
if not move.is_play:
continue
moves.append(self.encoder.encode_point(move.point)) #记录落子位置
board_tensors.append(board_tensor) #将每个落子位置与当前棋盘对应起来
if not moves:
return goboard.Move.pass_turn()
num_moves = len(moves)
board_tensor = np.array(board_tensor)
move_vectors = np.zeros((num_moves, self.encoder.num_points()))
for i , move in enumerate(moves):
move_vectors[i][move] = 1 #将落子位置转换为19*19的一维向量
values = self.model.predict([board_tensors, move_vectors]) #让网络评判每个落子位置的优劣
values = values.reshape(len(moves)) #转换为N*1二维矩阵,N是moves数组的长度
ranked_moves = self.rank_moves_eps_greedy(values) #将每一个落子位置按照网络给出的评分和相应策略进行调整
for move_idx in ranked_moves:
point = self.encoder.decode_point_index(moves[move_index]) #得到落子位置在二维棋盘上的对应位置
if not is_point_an_eye(game_state.board,
point, game_state.next_player):
if self.collector is not None:
#将当前棋盘与相应的落子方式记录下来
self.collector.record_decision(state = board_tensor,
action = moves[move_idx])
return goboard.Move.play(point)
return go_board.Move.pass_turn()
def rank_moves_eps_greedy(self, values):
if np.random.random() < self.temperature: #如果生成随机数小于epsilong,那么随机选择一种可行的落子位置
values = np.random.random(values.shape)
ranked_moves = np.argsort(values) #将网络对每一步落子给出的评分进行升序排列
return ranked_moves[::-1] #返回评分最高的落子方式
select_moves用于机器人给出落子方式。机器人先获得当前棋盘和棋盘所有可能的落子位置，然后让网络对所有落子位置的好坏进行评分。按道理它应该选择评分最高的落子位置，但是在rank_move_eps_greedy函数中，我们要像上一节描述的那样引入随机性，先生成一个随机数，如果该随机数小于预先给定的数值，那么机器人就不按照评分来选择落子位置，而是从所有可能的落子位置中随机选择一种，要不然就老老实实按照每一步的评分，选择分数最高的那个落子位置。
接下来我们看看网络的训练方式：
def train(self, experience, lr = 0.1, batch_size = 128):
opt = SGD(lr = lr)
self.model.compile(loss = 'mse', optimizer = opt)
n = experience.states.shape[0]
num_moves = self.encoder.num_points()
y = np.zeros((n, ))
for i in range(n):
action = experience.actions[i] #获得给定棋盘时对应的落子位置
reward = experience.rewards[i] #如果模拟对弈中赢了，reward的值是1，如果输了值是-1
y[i] = reward
#如果最终结果是胜利，那么我们希望网络对落子位置的评分尽可能趋近与1，如果输了，我们希望网络对落子位置的评分尽可能接近-1
self.model.fit([experience.states, actions], y , batch_size = batch_size,
epochs = 1)
上面所给定的代码就是Q-Learning算法训练机器人的过程，这些代码主要用来表达设计逻辑，由于要运行上面代码需要强大的硬件支持，我们普通电脑根本运行不了上面代码，因此代码主要目的还是在于展现逻辑过程。
新书上架，请诸位朋友多多支持：
WechatIMG1.jpeg
