选自medium
作者：Ansh Gaikwad
机器之心编译
编辑：陈萍
国际象棋是一种在棋盘上玩的双人战略棋盘游戏，棋盘格式为 64 格，排列在 8×8 网格中。有人无聊的时候会找电脑下国际象棋，但也有人无聊了会教电脑下棋。
国际象棋可以说是最棒的棋盘游戏之一，它是战略战术和纯技术的完美融合。每位玩家开局时各有 16 枚棋子：一王、一后、两车、两马、两象和八兵，各具不同功能与走法。真人对弈可以凭借玩家的经验，步步为营。那么，对于一个机器计算机，你该如何教会它下棋？近日，有人在 medium 上发表了一篇文章，详细解释了如何教计算机玩国际象棋。
本文将从 5 个方面进行介绍：
Board 表示；
Board 评估；
移动选择；
测试 AI；
接口测试。
在开始之前，你只需要提前安装 Python3。
Board 表示
首先，你需要对棋子背后的逻辑进行编码，即为每个棋子分配每一次可能的合法移动。
python-chess 库为我们提供了棋子的移动生成和验证，简化了工作，安装方式如下：
python-chess 库安装好后，导入 chess 模块并进行初始化：
在 notebook 中的输出如下所示：
board 对象是一个完整的 board 表示，该对象为我们提供了一些重要的函数，例如，board.is_checkmate() 函数检查是否存在将杀（checkmate），board.push() 函数附加一个移动，board.pop() 函数撤销最后一次移动等。阅读完整的文档请参阅：https://python-chess.readthedocs.io/en/latest/
Board 评估
为了对 board 进行初步评估，必须考虑一位大师在各自比赛中的想法。
我们应该想到的一些要点是：
避免用一个小棋子换三个兵；
象总是成对出现；
避免用两个小棋子换一辆车和一个兵。
将上述要点以方程形式进行表达：
象 > 3 个兵 & 马 > 3 个兵；
象 > 马；
象 + 马 > 车 + 兵。
通过化简上述方程，可以得到：象 > 马 > 3 个兵。同样，第三个方程可以改写成：象 + 马 = 车 + 1.5 个兵，因为两个小棋子相当于一个车和两个兵。
使用 piece square table 来评估棋子，在 8×8 的矩阵中设置值，例如在国际象棋中，在有利的位置设置较高的值，在不利的位置设置较低的值。
例如，白色国王越过中线的概率将小于 20%，因此我们将在该矩阵中将数值设置为负值。
再举一个例子，假设皇后希望自己被放在中间位置，因为这样可以控制更多的位置，因此我们将在中心设置更高的值，其他棋子也一样，因为国际象棋都是为了保卫国王和控制中心。
理论就讲这些，现在我们来初始化 piece square table：
通过以下四种方法得到评估函数：
第一步检查游戏是否还在继续。
这个阶段的背后编码逻辑是：如果它在 checkmate 时返回 true，程序将会检查轮到哪方移动。如果当前轮到白方移动，返回值为 – 9999，即上次一定是黑方移动，黑色获胜；否则返回值为 + 9999，表示白色获胜。对于僵局或比赛材料不足，返回值为 0 以表示平局。
代码实现方式：
第二步，计算总的棋子数，并把棋子总数传递给 material 函数。
第三步，计算得分。material 函数得分的计算方法是：用各种棋子的权重乘以该棋子黑白两方个数之差，然后求这些结果之和。而每种棋子的得分计算方法是：该棋子在该游戏实例中所处位置的 piece-square 值的总和。
第四步，计算评价函数，此时将会返回白棋的 material 得分和各棋子单独得分之和。
评价函数流程图
移动选择
算法的最后一步是用 Minimax 算法中的 Negamax 实现进行移动选择，Minimax 算法是双人游戏（如跳棋等）中的常用算法。之后使用 Alpha-Beta 剪枝进行优化，这样可以减少执行的时间。
现在让我们深入研究一下 minimax 算法。该算法被广泛应用在棋类游戏中，用来找出失败的最大可能性中的最小值。该算法广泛应用于人工智能、决策论、博弈论、统计和哲学，力图在最坏的情况下将损失降到最低。简单来说，在游戏的每一步，假设玩家 A 试图最大化获胜几率，而在下一步中，玩家 B 试图最小化玩家 A 获胜的几率。
为了更好地理解 minimax 算法，请看下图：
维基百科中 minimax 树举例
为了得到更好的结果，使用 minimax 变体 negamax，因为我们只需要一个最大化两位玩家效用的函数。不同点在于，一个玩家的损失等于另一个玩家的收获，反之亦然。
就游戏而言，给第一个玩家的位置值和给第二个玩家的位置值符号是相反的。
negamax 示例
首先，我们将 alpha 设为负无穷大，beta 设为正无穷大，这样两位玩家都能以尽可能差的分数开始比赛，代码如下：
下面让我们以流程图的方式来解释：
search 函数的流程图
下一步是进行 alpha-beta 的剪枝来优化执行速度。
来自维基百科的 alpha-beta 剪枝说明
代码如下：
现在，让我们用下面给出的流程图来调整 alphabeta 函数：
现在是静态搜索，这种搜索旨在仅评估静态位置，即不存在致胜战术移动的位置。该搜索需要避免由搜索算法的深度限制所引起的水平线效应（horizon effect）。
代码如下：
简单总结一下 quiesce 函数：
quiesce 函数流程图。
测试 AI
开始测试前，需要导入一些库：
测试有 3 项：
AI 对弈人类；
AI 对弈 AI；
AI 对弈 Stockfish。
1. AI 对弈人类：
AI 选择从 g1 到 f3，这是一个很明智的选择。
2. AI 对弈 AI：
3. AI 对弈 Stockfish：
可以得出：AI 还不够智能，不足以打败 stockfish 12，但仍然坚持走了 20 步。
接口测试
上述测试方式看起来代码很多，你也可以写一个接口测试 AI。
然后执行：
最终输出
Java深度学习框架DJL综述以及推理应用
DJL是亚马逊推出的开源的深度学习开发包，它是在现有深度学习框架基础上使用原生Java概念构建的开发库。DJL目前提供了MXNet,、PyTorch和TensorFlow的实现。Java开发者可以立即开始将深度学习的SOTA成果集成到Java应用当中。
10月29日20:00，兰青（AWS算法工程师）将带来线上分享，介绍DJL以及推理应用，并通过在线demo帮助开发者更好了解DJL是如何将Java和深度学习有机结合起来的。
相关文章
