Apprentissage en profondeur sur Mac et Google Colab mots appris avec Shogi AI

TOP PAGE

shogi.BB_SQUARES [0b000 ・ ・ ・ 0001, 0b000 ・ ・ ・ 0010, 0b000 ・ ・ ・ 0100, ・ ・ ・, 0b100 ・ ・ ・ 0000]. 81 éléments.

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

shogi.CSA.Parser.parse_file(filepath) Converti d'un fichier CSA en un dictionnaire avec quatre clés: noms, sfen, coups et victoire. Ce dictionnaire est inclus dans la liste en tant qu'élément. Si vous ajoutez [0] après (filepath), vous ne pouvez récupérer que le dictionnaire.

shogi.PIECE_TYPES_WITH_NONE Plage (0, 16). 0,1, ..., 15,0 est vide, et après 1 est le type de pièce.

shogi.MAX_PIECES_IN_HAND [0, 18, 4, 4, 4, 4, 2, 2, 0, 0, 0, 0, 0, 0, 0]. Signification du nombre de pièces dont vous disposez. Les index 1 à 7 ressemblent probablement à ceci: shogi.MAX_PIECES_IN_HAND [1] = 18: Ayumu shogi.MAX_PIECES_IN_HAND [2] = 4: Roue d'encens shogi.MAX_PIECES_IN_HAND [3] = 4: Keima shogi.MAX_PIECES_IN_HAND [4] = 4: Argent shogi.MAX_PIECES_IN_HAND [5] = 4: ven shogi.MAX_PIECES_IN_HAND [6] = 2: Coin shogi.MAX_PIECES_IN_HAND [7] = 2: Voiture volante

shogi.SQUARES Plage (0, 81).

Déplacer la classe

from_square Variable qui représente la source du mouvement lorsque la surface de la carte est représentée par une valeur numérique comprise entre 0 et 80. Le quotient divisé par 9 est la coordonnée y et le reste est la coordonnée x. La coordonnée xy est 0 origine.

coordonnée x
0   1   2   3   4   5   6   7   8

0 1 2 3 4 5 6 7 8 0 coordonnées y
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 Idem ci-dessus (destination).

Classe de conseil

Une classe qui représente un aspect. À propos, le tableau peut être affiché en deux dimensions avec impression (tableau).

piece_bb Un tableau de 15 éléments. Chaque élément indique la disposition de chaque pièce. 0: blanc, 1: étape, 2: encens, ... carte de bit. La carte de bits est la suivante. Chaque élément est un affichage décimal de 81 chiffres (= 81 carrés) en binaire (c'est-à-dire, carte de bits). Si vous souhaitez afficher 81 chiffres binaires, vous pouvez utiliser print ('{: 0 = 81b}'. Format (valeur décimale)).

occupied Un tableau de deux éléments. Chaque élément est la position de la pièce occupée par la première et la seconde main. carte de bit.

pieces_in_hand Un tableau de deux éléments. Chaque élément est un type de dictionnaire qui montre quelle pièce (= clé) et combien de pièces (= valeur) possèdent la première et la seconde main.

Recommended Posts

Apprentissage en profondeur sur Mac et Google Colab mots appris avec Shogi AI
Apprentissage en profondeur avec Shogi AI sur Mac et Google Colab
Deep Learning avec Shogi AI sur Mac et Google Colab Chapitre 11
Apprentissage en profondeur avec Shogi AI sur Mac et Google Colab Chapitres 1 à 6
Deep Learning avec Shogi AI sur Mac et Google Colab Chapitre 7
Deep Learning avec Shogi AI sur Mac et Google Colab Chapitre 10 6-9
Deep Learning avec Shogi AI sur Mac et Google Colab Chapitre 10
Deep Learning avec Shogi AI sur Mac et Google Colab Chapitre 7 5-7
Deep Learning avec Shogi AI sur Mac et Google Colab Chapitre 9
Deep Learning avec Shogi AI sur Mac et Google Colab Chapitre 12 1-2
Deep Learning avec Shogi AI sur Mac et Google Colab Chapitre 12 3
Deep Learning avec Shogi AI sur Mac et Google Colab Chapitre 12 3 ~ 5
Deep Learning avec Shogi AI sur Mac et Google Colab Chapitre 7 9
Deep Learning avec Shogi AI sur Mac et Google Colab Chapitre 8 5-9
Deep Learning avec Shogi AI sur Mac et Google Colab Chapitre 8 1-4
Deep Learning avec Shogi AI sur Mac et Google Colab Chapitre 12 3
Deep Learning avec Shogi AI sur Mac et Google Colab Chapitre 7 8
Deep Learning avec Shogi AI sur Mac et Google Colab Chapitre 7 1-4
Apprenez avec Shogi AI Deep Learning sur Mac et Google Colab Utilisez Google Colab
À propos de l'apprentissage avec Google Colab
Étapes pour créer rapidement un environnement d'apprentissage en profondeur sur Mac avec TensorFlow et OpenCV
Jouez avec Turtle sur Google Colab
Apprentissage profond à partir de zéro - Conseils du chapitre 4 pour la théorie de l'apprentissage profond et la mise en œuvre apprise en Python
Deep Learning from scratch La théorie et la mise en œuvre de l'apprentissage profond appris avec Python Chapitre 3
"Apprentissage de word2vec" et "Visualisation avec Tensorboard" sur Colaboratory
Installez le sélénium sur votre Mac et essayez-le avec python
Analyse d'images par apprentissage profond à partir de Kaggle et Keras
Prédire les tags en extrayant des fonctionnalités musicales avec Deep Learning
[AI] Apprentissage métrique profond
Ce que j'ai appris sur l'IA / l'apprentissage automatique avec Python (4)
Reconnaissez votre patron avec Deep Learning et masquez l'écran
Une erreur survenue lors de l'apprentissage de YOLO avec Google Colab
Paramètres d'environnement d'apprentissage automatique basés sur Python3 sur Mac (coexistence avec Python2)
HIKAKIN et Max Murai avec vidéo de jeu en direct et apprentissage en profondeur
L'apprentissage automatique appris avec Pokemon
Essayez l'apprentissage en profondeur avec TensorFlow
Apprentissage profond du noyau avec Pyro
Essayez le Deep Learning avec FPGA
Catalina sur Mac et pyenv
Générez des Pokémon avec Deep Learning
Créez des rendez-vous pour le concours AtCoder sur Google Agenda avec Python et GAS
Créez un environnement Python sur votre Mac avec Anaconda et PyCharm
Comment exécuter Jupyter et Spark sur Mac avec des paramètres minimaux
La meilleure façon d'utiliser MeCab et CaboCha avec Google Colab
Installez lp_solve sur Mac OSX et appelez-le avec python.