本文转载自微信公众号《智彬的python笔记》，作者安可。转载本文请联系志斌python笔记公众号。大家好，我是志斌~志斌现在手上有一盘残局，黑棋只剩一王，白棋一兵一王。现在志斌知道它有两种可能的结局，即白将死黑胜，或者平局。那么结局是什么？下面就让我们用深度学习的人工神经网络算法来给大家解答吧~1.规则介绍在编写程序之前，我们需要先简单了解一下国际象棋的规则。规则如下：棋盘大小为8*8，每格有16颗黑白棋子，分别是王：1，后：1，车：2，象：2，马：2，兵：8。兵：只能一直往前走（不能后退，类似于中国象棋），一次只能走一格。但是，国际象棋棋子在迈出第一步时可以移动一格或两格。士兵的吃子方法和象棋的方向不同。是直走斜走，即兵前一格内若有对方棋子，则可将其吃掉，从而占据该格的位置。王：你可以横走、竖走、斜走，但一次只能走一步。不过与中国象棋相比，王不能送粮，即任何被敌方控制的格子，己方王都不能进入。否则，视为“送王”犯规。总共犯规三次将导致失败。结局：当对方的最高统帅“国王”被俘时，则获胜；当对手被迫停止比赛时，这是平局。2、方案1Readthetrainingset读取krkopt.data训练集，代码如下：withopen('krkopt.data','r')asf:lines=f.readlines()data=np.zeros((28056,6),dtype=float)label=np.zeros((28056,2),dtype=float)读取结果展示：上面每一行数据都是一个训练样本，我们以第一行数据为例分析一下，如下图：a1,b3,c2给出了三颗棋子的坐标，黑王在a1的位置，白王在b3的位置，白兵在a1的位置图c2。此时的黑王已经是无路可退的状态，打成平局。因此，最终的平局意味着平局。假设数据中的最后一个标签是六，这意味着白方最多可以用6步将死黑方。2开始训练首先安装训练需要调用的Python库，pipinstallnumpypipinstallsklearnpipinstallmatplotlib然后将整个数据集分成三部分，代码如下：ratioTraining=0.4#Trainingdataset40%：使用训练数据集来调整神经网络的参数ratioValidation=0.1#验证数据集10%：用来验证调整的好坏，从而判断程序是否退出ratioTesting=0.5#测试数据集50%：训练后是over，用来衡量神经网络整体的训练效果。接下来，使用Scikit-learn中的Scaler类使用减去均值除以方差的方法对标准进行归一化。代码如下：scaler.transform(xTraining)scaler.transform(xTexting)scaler.transform(xValidation)创建一个神经网络，代码如下：其中：layer=[6,20,20,20,2]输入为6维，输出为2维，一共3层神经网络，每层20个神经元active_function='relu'神经网络的激活函数learning_rate=0.01学习率αbatch_normalization=1归一化操作objective_function='CrossEntropy'目标函数训练开始后，我们发现COST损失函数持续下降，而识别率Accuracy却在缓慢上升，无限接近1。代码如下：经过上面的分析，我们发现概率白棋胜率很高，几乎接近1。三、总结1、本文以一盘棋的残局为例，向大家展示人工神经网络算法。我希望你能回去多练习。2.本文仅供学习参考，不作其他用途。专栏作者：安科，研究生，研究方向为强化学习和多智能体协作。喜欢学习，爱学习，乐于分享，最重要的是有美女~
