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，也有一些另外的随机因素高级一点的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，他与多个位置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。从这点也可以修剪python多平台和多扩展性，易于迁移的优点。
所使用的的python库有tkinter，其目的是用于规划棋盘布局，实现下棋功能；SGF文件用于读取棋谱并加载训练模型；os库用于读取和存储本地文件；TensorFlow库用于建立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；玩家：玩家是哪一方；玩法：模式，和机器人下棋，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：保存白棋已经下过过的棋子；board：棋盘；窗口：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ai的一个变量；可以：画布，用于绘制出棋盘；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：
<code>def __init__(self):/<code><code> self.someoneWin = False/<code><code> self.humanChessed = False/<code><code> self.IsStart = False/<code><code> self.player = 0/<code><code> self.playmethod = 0/<code><code> self.bla_start_pos = [235, 235]/<code><code> self.whi_chessed = /<code><code> self.bla_chessed = /<code><code> self.board = self.init_board/<code><code> self.window = Tk/<code><code> self.var = IntVar/<code><code> self.var.set(0)/<code><code> self.var1 = IntVar/<code><code> self.var1.set(0)/<code><code> self.window.title("myGoBang")/<code><code> self.window.geometry("600x470+80+80")/<code><code> self.window.resizable(0, 0)/<code><code> self.can = Canvas(self.window, bg="#EEE8AC", width=470, height=470)/<code><code> self.draw_board/<code><code> self.can.grid(row=0, column=0)/<code><code> self.net_board = self.get_net_board/<code><code> self.robot = Robot(self.board)/<code><code> self.sgf = SGFflie/<code><code> self.cnn = myCNN/<code><code> self.cnn.restore_save/<code><code> def init_board(self):/<code><code> """初始化棋盘"""/<code><code> list1 = [[-1]*15 for i in range(15)]/<code><code> return list1/<code>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：
<code>def draw_board(self):/<code><code> """画出棋盘"""/<code><code> for row in range(15):/<code><code> if row == 0 or row == 14:/<code><code> self.can.create_line((25, 25 + row * 30), (445, 25 + row * 30), width=2)/<code><code> else:/<code><code> self.can.create_line((25, 25 + row * 30), (445, 25 + row * 30), width=1)/<code><code> for col in range(15):/<code><code> if col == 0 or col == 14:/<code><code> self.can.create_line((25 + col * 30, 25), (25 + col * 30, 445), width=2)/<code><code> else:/<code><code> self.can.create_line((25 + col * 30, 25), (25 + col * 30, 445), width=1)/<code><code> self.can.create_oval(112, 112, 118, 118, fill="black")/<code><code> self.can.create_oval(352, 112, 358, 118, fill="black")/<code><code> self.can.create_oval(112, 352, 118, 358, fill="black")/<code><code> self.can.create_oval(232, 232, 238, 238, fill="black")/<code><code> self.can.create_oval(352, 352, 358, 358, fill="black")/<code><code>def draw_chessed(self):/<code><code> """在棋盘中画出已经下过的棋子"""/<code><code> if len(self.whi_chessed) != 0:/<code><code> for tmp in self.whi_chessed:/<code><code> oval = pos_to_draw(*tmp[0:2])/<code><code> self.can.create_oval(oval, fill="white")/<code><code> if len(self.bla_chessed) != 0:/<code><code> for tmp in self.bla_chessed:/<code><code> oval = pos_to_draw(*tmp[0:2])/<code><code> self.can.create_oval(oval, fill="black")/<code><code> def draw_a_chess(self, x, y, player=None):/<code><code> """在棋盘中画一个棋子"""/<code><code> _x, _y = pos_in_qiju(x, y)/<code><code> oval = pos_to_draw(x, y)/<code><code> if player == 0:/<code><code> self.can.create_oval(oval, fill="black")/<code><code> self.bla_chessed.append([x, y, 0])/<code><code> self.board[_x][_y] = 1/<code><code> elif player == 1:/<code><code> self.can.create_oval(oval, fill="white")/<code><code> self.whi_chessed.append([x, y, 1])/<code><code> self.board[_x][_y] = 0/<code><code> else:/<code><code> print(AttributeError("请选择棋手"))/<code><code> return/<code>3.判断胜负条件：
根据是否是五子连在一线断定输赢。
<code>def have_five(self, chessed):/<code><code> """检测是否存在连五了"""/<code><code> if len(chessed) == 0:/<code><code> return False/<code><code> for row in range(15):/<code><code> for col in range(15):/<code><code> x = 25 + row * 30/<code><code> y = 25 + col * 30/<code><code> if self.check_chessed((x, y), chessed) == True and \\/<code><code> self.check_chessed((x, y + 30), chessed) == True and \\/<code><code> self.check_chessed((x, y + 60), chessed) == True and \\/<code><code> self.check_chessed((x, y + 90), chessed) == True and \\/<code><code> self.check_chessed((x, y + 120), chessed) == True:/<code><code> return True/<code><code> elif self.check_chessed((x, y), chessed) == True and \\/<code><code> self.check_chessed((x + 30, y), chessed) == True and \\/<code><code> self.check_chessed((x + 60, y), chessed) == True and \\/<code><code> self.check_chessed((x + 90, y), chessed) == True and \\/<code><code> self.check_chessed((x + 120, y), chessed) == True:/<code><code> return True/<code><code> elif self.check_chessed((x, y), chessed) == True and \\/<code><code> self.check_chessed((x + 30, y + 30), chessed) == True and \\/<code><code> self.check_chessed((x + 60, y + 60), chessed) == True and \\/<code><code> self.check_chessed((x + 90, y + 90), chessed) == True and \\/<code><code> self.check_chessed((x + 120, y + 120), chessed) == True:/<code><code> return True/<code><code> elif self.check_chessed((x, y), chessed) == True and \\/<code><code> self.check_chessed((x + 30, y - 30), chessed) == True and \\/<code><code> self.check_chessed((x + 60, y - 60), chessed) == True and \\/<code><code> self.check_chessed((x + 90, y - 90), chessed) == True and \\/<code><code> self.check_chessed((x + 120, y - 120), chessed) == True:/<code><code> return True/<code><code> else:/<code><code> pass/<code><code> return False/<code><code> def check_win(self):/<code><code> """检测是否有人赢了"""/<code><code> if self.have_five(self.whi_chessed) == True:/<code><code> label = Label(self.window, text="White Win!", background='#FFF8DC', font=("宋体", 15, "bold"))/<code><code> label.place(relx=0, rely=0, x=480, y=40)/<code><code> return True/<code><code> elif self.have_five(self.bla_chessed) == True:/<code><code> label = Label(self.window, text="Black Win!", background='#FFF8DC', font=("宋体", 15, "bold"))/<code><code> label.place(relx=0, rely=0, x=480, y=40)/<code><code> return True/<code><code> else:/<code><code> return False/<code>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，然后紧接着连接池化和softmax。和一般的CNN网络基本无异。基本参数见代码，如下：
<code>def __init__(self):/<code><code> '''初始化神经网络'''/<code><code> self.sess = tf.InteractiveSession/<code><code> # paras/<code><code> self.W_conv1 = self.weight_varible([5, 5, 1, 32])/<code><code> self.b_conv1 = self.bias_variable([32])/<code><code> # conv layer-1/<code><code> self.x = tf.placeholder(tf.float32, [None, 225])/<code><code> self.y = tf.placeholder(tf.float32, [None, 225])/<code><code> self.x_image = tf.reshape(self.x, [-1, 15, 15, 1])/<code><code> self.h_conv1 = tf.nn.relu(self.conv2d(self.x_image, self.W_conv1) + self.b_conv1)/<code><code> self.h_pool1 = self.max_pool_2x2(self.h_conv1)/<code><code> # conv layer-2/<code><code> self.W_conv2 = self.weight_varible([5, 5, 32, 64])/<code><code> self.b_conv2 = self.bias_variable([64])/<code><code> self.h_conv2 = tf.nn.relu(self.conv2d(self.h_pool1, self.W_conv2) + self.b_conv2)/<code><code> self.h_pool2 = self.max_pool_2x2(self.h_conv2)/<code><code> # full connection/<code><code> self.W_fc1 = self.weight_varible([4 * 4 * 64, 1024])/<code><code> self.b_fc1 = self.bias_variable([1024])/<code><code> self.h_pool2_flat = tf.reshape(self.h_pool2, [-1, 4 * 4 * 64])/<code><code> self.h_fc1 = tf.nn.relu(tf.matmul(self.h_pool2_flat, self.W_fc1) + self.b_fc1)/<code><code> # dropout/<code><code> self.keep_prob = tf.placeholder(tf.float32)/<code><code> self.h_fc1_drop = tf.nn.dropout(self.h_fc1, self.keep_prob)/<code><code> # output layer: softmax/<code><code> self.W_fc2 = self.weight_varible([1024, 225])/<code><code> self.b_fc2 = self.bias_variable([225])/<code><code> self.y_conv = tf.nn.softmax(tf.matmul(self.h_fc1_drop, self.W_fc2) + self.b_fc2)/<code><code> # model training/<code><code> self.cross_entropy = -tf.reduce_sum(self.y * tf.log(self.y_conv))/<code><code> self.train_step = tf.train.AdamOptimizer(1e-3).minimize(self.cross_entropy)/<code><code> self.correct_prediction = tf.equal(tf.argmax(self.y_conv, 1), tf.argmax(self.y, 1))/<code><code> self.accuracy = tf.reduce_mean(tf.cast(self.correct_prediction, tf.float32))/<code><code> self.saver = tf.train.Saver/<code><code> init = tf.global_variables_initializer # 不存在就初始化变量/<code><code> self.sess.run(init)/<code><code> def weight_varible(self, shape):/<code><code> '''权重变量'''/<code><code> initial = tf.truncated_normal(shape, stddev=0.1)/<code><code> return tf.Variable(initial)/<code><code> def bias_variable(self, shape):/<code><code> '''偏置变量'''/<code><code> initial = tf.constant(0.1, shape=shape)/<code><code> return tf.Variable(initial)/<code><code> def conv2d(self, x, W):/<code><code> '''卷积核'''/<code><code> return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')/<code><code> def max_pool_2x2(self, x):/<code><code> '''池化核'''/<code><code> return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')/<code>
2.保存和读取模型：
<code>def restore_save(self, method=1):/<code><code> '''保存和读取模型'''/<code><code> if method == 1:/<code><code> self.saver.restore(self.sess, 'save\\model.ckpt')/<code><code> #print("已读取数据")/<code><code> elif method == 0:/<code><code> saver = tf.train.Saver(write_version=tf.train.SaverDef.V2)/<code><code> saver.save(self.sess, 'save\\model.ckpt')/<code><code> #print('已保存')/<code>3.建立预测函数和训练函数：
<code>def predition(self, qiju):/<code><code> '''预测函数'''/<code><code> _qiju = self.createdataformqiju(qiju)/<code><code> pre = self.sess.run(tf.argmax(self.y_conv, 1), feed_dict={self.x: _qiju, self.keep_prob: 1.0})/<code><code> point = [0, 0]/<code><code> l = pre[0]/<code><code> for i in range(15):/<code><code> if ((i + 1) * 15) > l:/<code><code> point[0] = int(i*30 + 25)/<code><code> point[1] = int((l - i * 15) * 30 + 25)/<code><code> break/<code><code> return point/<code><code> def train(self, qiju):/<code><code> '''训练函数'''/<code><code> sgf = SGFflie/<code><code> _x, _y = sgf.createTraindataFromqipu(qiju)/<code><code> for i in range(10):/<code><code> self.sess.run(self.train_step, feed_dict={/<code><code> self.x: _x,/<code><code> self.y: _y/<code><code> })/<code><code> self.restore_save(method=0)/<code><code> def train1(self, x, y):/<code><code> '''另一个训练函数'''/<code><code> for i in range(100):/<code><code> self.sess.run(self.train_step, feed_dict={/<code><code> self.x: x,/<code><code> self.y: y,/<code><code> self.keep_prob: 0.5/<code><code> })/<code><code> print('训练好了一次')/<code><code> #self.restore_save(method=0)/<code>4.生成数据：
<code>def createdataformqiju(self, qiju):/<code><code> '''生成数据'''/<code><code> data = /<code><code> tmp = /<code><code> for row in qiju:/<code><code> for point in row:/<code><code> if point == -1:/<code><code> tmp.append(0.0)/<code><code> elif point == 0:/<code><code> tmp.append(2.0)/<code><code> elif point == 1:/<code><code> tmp.append(1.0)/<code><code> data.append(tmp)/<code><code> return data/<code>
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指向值作为训练的参数，而此处训练的参数则是自定义的棋盘棋谱参数，例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当时黑白棋子在该位置。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人达课作者硕士在读于农历矿业大学，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。
【end】
原力计划
《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
-
Google重磅发布开源库TFQ，快速建立量子机器学习模型
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
MySQL 狠甩 Oracle 稳居 Top1，私有云最受重用，大数据人才匮乏！ | 中国大数据应用年度报告
Libra新编程语言 ：Move 的所有权模型灵感来源原来是它……
曾经摸鱼的程序员，如今在武汉自愿加班
云原生的漏洞与威胁有哪些？云原生安全性如何？这里有你想知道的一切！
分享到:
閱讀更多 AI科技大本營 的文章
