[PYTHON] Tiefes Lernen auf Mac- und Google Colab-Wörtern, die mit Shogi AI gelernt wurden

TOP PAGE

shogi.BB_SQUARES [0b000 ・ ・ 0001, 0b000 ・ 10 0010, 0b000 ・ 100 0100, ・ ・ 0, 0b100 ・ ・ 0000]. 81 Elemente.

shogi.COLORS Bereich (0, 2). 0,1.

shogi.CSA.Parser.parse_file(filepath) Konvertiert von einer CSA-Datei in ein Wörterbuch mit vier Schlüsseln: Namen, sfen, Züge und Gewinn. Dieses Wörterbuch ist als Element in der Liste enthalten. Wenn Sie nach (Dateipfad) [0] hinzufügen, können Sie nur das Wörterbuch abrufen.

shogi.PIECE_TYPES_WITH_NONE Bereich (0, 16). 0,1, ..., 15,0 ist leer und nach 1 ist die Art des Stücks.

shogi.MAX_PIECES_IN_HAND [0, 18, 4, 4, 4, 4, 2, 2, 0, 0, 0, 0, 0, 0, 0, 0]. Bedeutung der Anzahl der Stücke, die Sie haben. Die Indizes 1-7 sehen wahrscheinlich so aus: shogi.MAX_PIECES_IN_HAND [1] = 18: Ayumu shogi.MAX_PIECES_IN_HAND [2] = 4: Weihrauchrad shogi.MAX_PIECES_IN_HAND [3] = 4: Keima shogi.MAX_PIECES_IN_HAND [4] = 4: Silber shogi.MAX_PIECES_IN_HAND [5] = 4: Fr. shogi.MAX_PIECES_IN_HAND [6] = 2: Ecke shogi.MAX_PIECES_IN_HAND [7] = 2: Fliegendes Auto

shogi.SQUARES Bereich (0, 81).

Klasse verschieben

from_square Eine Variable, die die Bewegungsquelle darstellt, wenn die Plattenoberfläche durch einen numerischen Wert von 0 bis 80 dargestellt wird. Der durch 9 geteilte Quotient ist die y-Koordinate und der Rest ist die x-Koordinate. Die xy-Koordinate ist 0 Ursprung.

x-Koordinate
0   1   2   3   4   5   6   7   8

0 1 2 3 4 5 6 7 8 0 y Koordinaten
9   10  11  12  13  14  15  16  17      1
18  19  20  21  22  23  24  25  26      2
27  28  29  30  31  32  33  34  35      3
36  37  38  39  40  41  42  43  44      4
45  46  47  48  49  50  51  52  53      5
54  55  56  57  58  59  60  61  62      6
63  64  65  66  67  68  69  70  71      7
72  73  74  75  76  77  78  79  80      8

to_square Gleich wie oben (Ziel).

Board Klasse

Eine Klasse, die einen Aspekt darstellt. Übrigens kann die Tafel mit Druck (Tafel) zweidimensional dargestellt werden.

piece_bb Ein Array von 15 Elementen. Jedes Element gibt die Anordnung jedes Stücks an. 0: leer, 1: Schritt, 2: Weihrauch, ... Bit Board. Die Bitplatine ist wie folgt. Jedes Element ist eine Dezimalanzeige mit 81 Ziffern (= 81 Quadrate) in Binärform (dh Bitplatine). Wenn Sie 81 Binärziffern anzeigen möchten, können Sie drucken ('{: 0 = 81b}'. Format (Dezimalwert)).

occupied Ein Array aus zwei Elementen. Jedes Element ist die Position des Stücks, das von der ersten und zweiten Hand eingenommen wird. Bit Board.

pieces_in_hand Ein Array aus zwei Elementen. Jedes Element ist ein Wörterbuchtyp, der anzeigt, welches Stück (= Schlüssel) und wie viele Stücke (= Wert) der erste und der zweite Zeiger haben.

Recommended Posts

Tiefes Lernen auf Mac- und Google Colab-Wörtern, die mit Shogi AI gelernt wurden
Deep Learning mit Shogi AI auf Mac und Google Colab
Deep Learning mit Shogi AI auf Mac und Google Colab Kapitel 11
Deep Learning mit Shogi AI auf Mac und Google Colab Kapitel 1-6
Deep Learning mit Shogi AI auf Mac und Google Colab Kapitel 7
Deep Learning mit Shogi AI auf Mac und Google Colab Kapitel 10 6-9
Deep Learning mit Shogi AI auf Mac und Google Colab Kapitel 10
Deep Learning mit Shogi AI auf Mac und Google Colab Kapitel 7 5-7
Deep Learning mit Shogi AI auf Mac und Google Colab Kapitel 9
Deep Learning mit Shogi AI auf Mac und Google Colab Kapitel 12 1-2
Deep Learning mit Shogi AI auf Mac und Google Colab Kapitel 12 3
Deep Learning mit Shogi AI auf Mac und Google Colab Kapitel 12 3 ~ 5
Deep Learning mit Shogi AI auf Mac und Google Colab Kapitel 7 9
Deep Learning mit Shogi AI auf Mac und Google Colab Kapitel 8 5-9
Deep Learning mit Shogi AI auf Mac und Google Colab Kapitel 8 1-4
Deep Learning mit Shogi AI auf Mac und Google Colab Kapitel 12 3
Deep Learning mit Shogi AI auf Mac und Google Colab Kapitel 7 8
Deep Learning mit Shogi AI auf Mac und Google Colab Kapitel 7 1-4
Lernen Sie mit Shogi AI Deep Learning auf Mac und Google Colab Verwenden Sie Google Colab
Über das Lernen mit Google Colab
Schritte zum schnellen Erstellen einer umfassenden Lernumgebung auf einem Mac mit TensorFlow und OpenCV
Spielen Sie mit Turtle auf Google Colab
Deep Learning von Grund auf neu - Kapitel 4 Tipps für die in Python erlernte Theorie und Implementierung von Deep Learning
Deep Learning von Grund auf neu Die Theorie und Implementierung des mit Python erlernten Deep Learning Kapitel 3
"Learning word2vec" und "Visualisierung mit Tensorboard" auf Colaboratory
Installieren Sie Selenium auf Ihrem Mac und probieren Sie es mit Python aus
Deep Learning Bildanalyse beginnend mit Kaggle und Keras
Vorhersagen von Tags durch Extrahieren von Musikfunktionen mit Deep Learning
[AI] Deep Metric Learning
Was ich über KI / maschinelles Lernen mit Python gelernt habe (4)
Erkennen Sie Ihren Chef mit Deep Learning und verbergen Sie den Bildschirm
Ein Fehler, der beim Erlernen von YOLO mit Google Colab aufgetreten ist
Einstellungen der Python3-basierten maschinellen Lernumgebung auf dem Mac (Koexistenz mit Python2)
HIKAKIN und Max Murai mit Live-Spielvideo und Deep Learning
Maschinelles Lernen mit Pokemon gelernt
Versuchen Sie es mit TensorFlow
Deep Kernel Learning mit Pyro
Versuchen Sie Deep Learning mit FPGA
Catalina auf Mac und Pyenv
Generiere Pokemon mit Deep Learning
Erstellen Sie mit Python und GAS Termine für AtCoder-Wettbewerbe in Google Kalender
Erstellen Sie mit Anaconda und PyCharm eine Python-Umgebung auf Ihrem Mac
So führen Sie Jupyter und Spark auf einem Mac mit minimalen Einstellungen aus
Die stärkste Möglichkeit, MeCab und CaboCha mit Google Colab zu verwenden
Installieren Sie lp_solve unter Mac OSX und rufen Sie es mit Python auf.