本文转载自微信公众号「志斌的python笔记」，作者安可 。转载本文请联系志斌的python笔记公众号。
大家好，我是志斌~
志斌现在手头上有一个国际象棋的残局，它是黑方只剩下一个王，白方剩一个兵和一个王。现在志斌已知它有两种可能的结局，即白方将死黑方获胜，或者和棋。
那么结局到底是什么呢?接下来让我们用深度学习的人工神经网络算法，来给大家一个答案~
一.规则介绍
在进行程序编译之前，我们需要先简单的了解一下国际象棋的下棋规则，规则如下：
棋盘大小为8*8，各有黑色和白色棋子16个，分别是王:1个，后:1个，车:2个，象:2个，马:2个，兵:8个。
兵：只能向前直走(不能后退，这点和中国象棋类似)，每次行棋只能走一格。但是，国际象棋的兵走第一步时，可以走一格或走两格。兵的吃子方法与行棋方向不一样，它是直走斜吃，即如果兵的前斜进一格内有对方棋子，就可以吃掉它，从而占据该格位置。
王：则是横、直、斜都可以走，但每次限走一步。不过，和中国象棋相比，王是不可以送吃的，即任何被敌方控制的格子，己方王都不能走进去。否则，算“送王”犯规。累计三次犯规就要判负。
胜负：当吃掉对方的最高统帅 王 时则胜，当逼对方不能走棋了，则算和。
二.解决方法
1读取训练集
对krkopt.data训练集进行读取，代码如下：
- with open('krkopt.data','r') as f:
- 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，我们以第一行的数据为例来进行分析，如下图：
a1,b3,c2给出了三个棋子的坐标，黑方的王在如图a1的位置，白方的王在如图b3的位置，白方的兵在如图c2 的位置。这时黑方的王处于无路可走的状态，是和棋，因此，最后draw意为和棋。假设数据中最后标签为six，意为白方最多走6步可将死黑方。
2开始训练
首先安装训练所需要调用的Python库，
- pip install numpy
- pip install sklearn
- pip install matplotlib
然后将整个数据集分为三份，代码如下：
- ratioTraining = 0.4 #训练数据集40%：利用训练数据集调整神经网路的参数
- ratioValidation = 0.1 #验证数据集10%：用于验证调整是好是坏，从而决定程序是否退出
- ratioTesting = 0.5 #测试数据集50%：训练结束后，用于总体测出神经网络的训练效果
接下来使用Scikit-learn中的Scaler类，采用减掉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)
创建神经网络，代码如下：
其中：layer=[6, 20, 20, 20, 2]输入是6个维度，输出是2个维度，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α
- batch_normalization=1归一化操作
- objective_function='Cross Entropy'目标函数
训练开始后，我们发现COST损失函数是在持续下降，同时识别率Accuracy，在慢慢上升，无限接近于1。
代码如下：
经过上面的分析，我们发现白棋胜的几率很高，几乎接近1了。
三.小结
1. 本文利用一局国际象棋残局胜负为例，带大家实操人工神经网络算法，希望大家回去多多练习。
2. 本文仅供学习参考，不做它用。
专栏作者：安可，一名在读研究生，研究领域为强化学习，多智能体协同。喜欢钻研，热爱学习，乐于分享，最重要的还是一位漂亮小姐姐哦~
