作者 | 李秋键
责编 | 郭 芮
出品 | CSDN（ID：CSDNnews）
近几年来，AI在游戏方面的发展如火如荼，尤其是自从阿法狗AI围棋战胜围棋之后，更是引起了AI发展的狂潮，同时也引起了很多AI游戏的应用与深化发展。其实游戏中的AI有着非常悠久的历史，相当多的游戏都是围绕着对抗“敌人”展开，而这个“敌人”,就是AI，其中包含一些行为方式固定没有一丁点变化的低级AI，也有一些引入随机因素稍微高级一点的AI，不过这里的AI本质上是一段固定的程序脚本，如果玩家掌握到其中的规律，游戏性就会瞬间降低。
而深度学习的AI版本却是不同，他有着多层位的参数与多方向的选择，拓展了其中AI的智能性，让玩家找到其中的规律性变得基本不可能，这也是深度学习的重要意义之一。今天，我们就将利用CNN实现智能五子棋。
实验前的准备
首先我们使用的python版本是3.6.5。所测试的系统有windows10，windows7，Linux系统以及苹果系统。从这点也可以看出python多平台和多拓展性、易于迁移的优点。
所使用的的python库有tkinter，其目的是用来规划棋盘布局，实现下棋功能；SGFfile用来读取棋谱和加载训练模型；os库用来读取和存储本地文件；TensorFlow库用来建立CNN网络模型以及训练等事项。
棋盘的建立
1、初始化棋盘：
其中各参数设定意义如下：初始化：someoneWin:标识是否有人赢了；humanChessed:人类玩家是否下了；IsStart:是否开始游戏了；player:玩家是哪一方；playmethod:模式，和robot下棋，还是和ai下棋；bla_start_pos:黑棋开局时下在正中间的位置；bla_chessed:保存黑棋已经下过的棋子；whi_chessed:保存白棋已经下过的棋子；board:棋盘；window:窗口；var:用于标记选择玩家颜色的一个变量；var1:用于标记选择robot或者ai的一个变量；can:画布，用于绘出棋盘；net_board:棋盘的点信息；robot:机器人；sgf:处理棋谱；cnn:cnnc神经网络。
其中代码如下：
-
def __init__(self):
-
self.someoneWin = False
-
self.humanChessed = False
-
self.IsStart = False
-
self.player =
0
-
self.playmethod =
0
-
self.bla_start_pos = [
235,
235]
-
self.whi_chessed = []
-
self.bla_chessed = []
-
self.board =
self.init_board()
-
self.window = Tk()
-
self.var = IntVar()
-
self.var.set(
0)
-
self.var1 = IntVar()
-
self.var1.set(
0)
-
self.window.title(
"myGoBang")
-
self.window.geometry(
"600x470+80+80")
-
self.window.resizable(
0,
0)
-
self.can = Canvas(
self.window, bg=
"#EEE8AC", width=
470, height=
470)
-
self.draw_board()
-
self.can.grid(row=
0, column=
0)
-
self.net_board =
self.get_net_board()
-
self.robot = Robot(
self.board)
-
self.sgf = SGFflie()
-
self.cnn = myCNN()
-
self.cnn.restore_save()
-
def init_board(self):
-
""
"初始化棋盘"
""
-
list1 = [[-
1]*
15
for i
in range(
15)]
-
return list1
2、棋盘布局：
其主要功能就是画出棋盘和棋子。具体代码如下：
-
def draw_board(self):
-
"""画出棋盘"""
-
for row
in range(
15):
-
if row ==
0
or row ==
14:
-
self.can.create_line((
25,
25 + row *
30), (
445,
25 + row *
30), width=
2)
-
else:
-
self.can.create_line((
25,
25 + row *
30), (
445,
25 + row *
30), width=
1)
-
for col
in range(
15):
-
if col ==
0
or col ==
14:
-
self.can.create_line((
25 + col *
30,
25), (
25 + col *
30,
445), width=
2)
-
else:
-
self.can.create_line((
25 + col *
30,
25), (
25 + col *
30,
445), width=
1)
-
self.can.create_oval(
112,
112,
118,
118, fill=
"black")
-
self.can.create_oval(
352,
112,
358,
118, fill=
"black")
-
self.can.create_oval(
112,
352,
118,
358, fill=
"black")
-
self.can.create_oval(
232,
232,
238,
238, fill=
"black")
-
self.can.create_oval(
352,
352,
358,
358, fill=
"black")
-
def draw_chessed(self):
-
"""在棋盘中画出已经下过的棋子"""
-
if len(self.whi_chessed) !=
0:
-
for tmp
in self.whi_chessed:
-
oval = pos_to_draw(*tmp[
0:
2])
-
self.can.create_oval(oval, fill=
"white")
-
if len(self.bla_chessed) !=
0:
-
for tmp
in self.bla_chessed:
-
oval = pos_to_draw(*tmp[
0:
2])
-
self.can.create_oval(oval, fill=
"black")
-
def draw_a_chess(self, x, y, player=None):
-
"""在棋盘中画一个棋子"""
-
_x, _y = pos_in_qiju(x, y)
-
oval = pos_to_draw(x, y)
-
if player ==
0:
-
self.can.create_oval(oval, fill=
"black")
-
self.bla_chessed.append([x, y,
0])
-
self.board[_x][_y] =
1
-
elif player ==
1:
-
self.can.create_oval(oval, fill=
"white")
-
self.whi_chessed.append([x, y,
1])
-
self.board[_x][_y] =
0
-
else:
-
print(AttributeError(
"请选择棋手"))
-
return
3、判断胜负条件：
根据是否是五子连在一线判断输赢。
-
def have_five(
self, chessed):
-
""
"检测是否存在连五了"
""
-
if len(chessed) ==
0:
-
return
False
-
for row in range(
15):
-
for col in range(
15):
-
x =
25 + row *
30
-
y =
25 + col *
30
-
if
self.check_chessed((x, y), chessed) ==
True
and \
-
self.check_chessed((x, y +
30), chessed) ==
True
and \
-
self.check_chessed((x, y +
60), chessed) ==
True
and \
-
self.check_chessed((x, y +
90), chessed) ==
True
and \
-
self.check_chessed((x, y +
120), chessed) ==
True:
-
return
True
-
elif
self.check_chessed((x, y), chessed) ==
True
and \
-
self.check_chessed((x +
30, y), chessed) ==
True
and \
-
self.check_chessed((x +
60, y), chessed) ==
True
and \
-
self.check_chessed((x +
90, y), chessed) ==
True
and \
-
self.check_chessed((x +
120, y), chessed) ==
True:
-
return
True
-
elif
self.check_chessed((x, y), chessed) ==
True
and \
-
self.check_chessed((x +
30, y +
30), chessed) ==
True
and \
-
self.check_chessed((x +
60, y +
60), chessed) ==
True
and \
-
self.check_chessed((x +
90, y +
90), chessed) ==
True
and \
-
self.check_chessed((x +
120, y +
120), chessed) ==
True:
-
return
True
-
elif
self.check_chessed((x, y), chessed) ==
True
and \
-
self.check_chessed((x +
30, y -
30), chessed) ==
True
and \
-
self.check_chessed((x +
60, y -
60), chessed) ==
True
and \
-
self.check_chessed((x +
90, y -
90), chessed) ==
True
and \
-
self.check_chessed((x +
120, y -
120), chessed) ==
True:
-
return
True
-
else:
-
pass
-
return
False
-
def check_win(
self):
-
""
"检测是否有人赢了"
""
-
if
self.have_five(
self.whi_chessed) ==
True:
-
label = Label(
self.window, text=
"White Win!", background=
'#FFF8DC', font=(
"宋体",
15,
"bold"))
-
label.place(relx=
0, rely=
0, x=
480, y=
40)
-
return
True
-
elif
self.have_five(
self.bla_chessed) ==
True:
-
label = Label(
self.window, text=
"Black Win!", background=
'#FFF8DC', font=(
"宋体",
15,
"bold"))
-
label.place(relx=
0, rely=
0, x=
480, y=
40)
-
return
True
-
else:
-
return
False
得到的UI界面如下：
深度学习建模
1、初始化神经网络：
其中第一层和第二层为卷积层，第四层为全连接层，接着紧接着连接池化和softmax。和一般的CNN网络基本无异。基本参数见代码，如下：
-
def __init__(self):
-
''
'初始化神经网络'
''
-
self.sess = tf.InteractiveSession()
-
# paras
-
self.W_conv1 =
self.weight_varible([
5,
5,
1,
32])
-
self.b_conv1 =
self.bias_variable([
32])
-
# conv layer-1
-
self.x = tf.placeholder(tf.float32, [None,
225])
-
self.y = tf.placeholder(tf.float32, [None,
225])
-
self.x_image = tf.reshape(
self.x, [-
1,
15,
15,
1])
-
self.h_conv1 = tf.nn.relu(
self.conv2d(
self.x_image,
self.W_conv1) +
self.b_conv1)
-
self.h_pool1 =
self.max_pool_2x2(
self.h_conv1)
-
# conv layer-2
-
self.W_conv2 =
self.weight_varible([
5,
5,
32,
64])
-
self.b_conv2 =
self.bias_variable([
64])
-
self.h_conv2 = tf.nn.relu(
self.conv2d(
self.h_pool1,
self.W_conv2) +
self.b_conv2)
-
self.h_pool2 =
self.max_pool_2x2(
self.h_conv2)
-
# full connection
-
self.W_fc1 =
self.weight_varible([
4 *
4 *
64,
1024])
-
self.b_fc1 =
self.bias_variable([
1024])
-
self.h_pool2_flat = tf.reshape(
self.h_pool2, [-
1,
4 *
4 *
64])
-
self.h_fc1 = tf.nn.relu(tf.matmul(
self.h_pool2_flat,
self.W_fc1) +
self.b_fc1)
-
# dropout
-
self.keep_prob = tf.placeholder(tf.float32)
-
self.h_fc1_drop = tf.nn.dropout(
self.h_fc1,
self.keep_prob)
-
# output layer: softmax
-
self.W_fc2 =
self.weight_varible([
1024,
225])
-
self.b_fc2 =
self.bias_variable([
225])
-
self.y_conv = tf.nn.softmax(tf.matmul(
self.h_fc1_drop,
self.W_fc2) +
self.b_fc2)
-
# model training
-
self.cross_entropy = -tf.reduce_sum(
self.y * tf.log(
self.y_conv))
-
self.train_step = tf.train.AdamOptimizer(
1e-
3).minimize(
self.cross_entropy)
-
self.correct_prediction = tf.equal(tf.argmax(
self.y_conv,
1), tf.argmax(
self.y,
1))
-
self.accuracy = tf.reduce_mean(tf.cast(
self.correct_prediction, tf.float32))
-
self.saver = tf.train.Saver()
-
init = tf.global_variables_initializer()
# 不存在就初始化变量
-
self.sess.run(init)
-
def weight_varible(self, shape):
-
''
'权重变量'
''
-
initial = tf.truncated_normal(shape, stddev=
0.
1)
-
return tf.Variable(initial)
-
def bias_variable(self, shape):
-
''
'偏置变量'
''
-
initial = tf.constant(
0.
1, shape=shape)
-
return tf.Variable(initial)
-
def conv2d(self, x, W):
-
''
'卷积核'
''
-
return tf.nn.conv2d(x, W, strides=[
1,
1,
1,
1], padding=
'SAME')
-
def max_pool_2x2(self, x):
-
''
'池化核'
''
-
return tf.nn.max_pool(x, ksize=[
1,
2,
2,
1], strides=[
1,
2,
2,
1], padding=
'SAME')
2、保存和读取模型：
-
def restore_save(self, method=1):
-
'''保存和读取模型'''
-
if method ==
1:
-
self.saver.restore(self.sess,
'save\model.ckpt')
-
#print("已读取数据")
-
elif method ==
0:
-
saver = tf.train.Saver(write_version=tf.train.SaverDef.V2)
-
saver.save(self.sess,
'save\model.ckpt')
-
#print('已保存')
3、建立预测函数和训练函数：
-
def predition(self, qiju):
-
'''预测函数'''
-
_qiju = self.createdataformqiju(qiju)
-
pre = self.sess.run(tf.argmax(self.y_conv,
1), feed_dict={self.x: _qiju, self.keep_prob:
1.0})
-
point = [
0,
0]
-
l = pre[
0]
-
for i
in range(
15):
-
if ((i +
1) *
15) > l:
-
point[
0] = int(i*
30 +
25)
-
point[
1] = int((l - i *
15) *
30 +
25)
-
break
-
return point
-
def train(self, qiju):
-
'''训练函数'''
-
sgf = SGFflie()
-
_x, _y = sgf.createTraindataFromqipu(qiju)
-
for i
in range(
10):
-
self.sess.run(self.train_step, feed_dict={
-
self.x: _x,
-
self.y: _y
-
})
-
self.restore_save(method=
0)
-
def train1(self, x, y):
-
'''另一个训练函数'''
-
for i
in range(
100):
-
self.sess.run(self.train_step, feed_dict={
-
self.x: x,
-
self.y: y,
-
self.keep_prob:
0.5
-
})
-
print(
'训练好了一次')
-
#self.restore_save(method=0)
4、生成数据：
-
def createdataformqiju(self, qiju):
-
'''生成数据'''
-
data = []
-
tmp = []
-
for row
in qiju:
-
for point
in row:
-
if point ==
-1:
-
tmp.append(
0.0)
-
elif point ==
0:
-
tmp.append(
2.0)
-
elif point ==
1:
-
tmp.append(
1.0)
-
data.append(tmp)
-
return data
其中此处CNN在棋盘应用和图像识别的不同之处在于，图像识别加载的参数来自于图像本身的像素值作为训练的参数，而此处训练的参数则是自定义的棋盘棋谱参数，比如说棋盘左上角的位置参数等等各个位置参数都是预先设定好的，通过加载棋谱即可以让电脑知道此时黑白棋子在哪个位置。然后通过加载各个位置以及胜负情况进行判断，最终电脑加载模型即可预测可能胜利的下棋位置，达到智能下棋效果。
最终效果：
作者简介：李秋键，CSDN 博客专家，CSDN达人课作者。硕士在读于中国矿业大学，开发有安卓武侠游戏一部，VIP视频解析，文意转换写作机器人等项目，发表论文若干，多次高数竞赛获奖等等。
声明：本文为作者原创投稿，未经允许请勿转载。
【End】
《原力计划【第二季】- 学习力挑战》正式开始！
即日起至 3月21日，千万流量支持原创作者，更有专属【勋章】等你来挑战
推荐阅读
☞谁说国产编译器没救了？这个 C/C++ 和 JavaScript 编译器来了 | 程序人生 2020
☞中国开发者真实画像：Java长盛，偏爱Windows操作系统，鲜少参与开源项目
☞用于小型图形挖掘研究的瑞士军刀：空手道俱乐部的图表学习Python库
☞Libra新编程语言 ：Move 的所有权模型灵感来源原来是它……
你点的每一个在看，我认真当成了喜欢
转载：https://blog.csdn.net/csdnnews/article/details/104809974
查看评论