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 = Falseself.humanChessed = Falseself.IsStart = Falseself.player = 0self.playmethod = 0self.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] = 1elif player == 1:self.can.create_oval(oval, fill="white")self.whi_chessed.append([x, y, 1])self.board[_x][_y] = 0else: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 Falsefor row in range(15):for col in range(15):x = 25 + row * 30y = 25 + col * 30if 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 Trueelif 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 Trueelif 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 Trueelif 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 Trueelse:passreturn Falsedef 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 Trueelif 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 Trueelse: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()# parasself.W_conv1 = self.weight_varible([5, 5, 1, 32])self.b_conv1 = self.bias_variable([32])# conv layer-1self.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-2self.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 connectionself.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)# dropoutself.keep_prob = tf.placeholder(tf.float32)self.h_fc1_drop = tf.nn.dropout(self.h_fc1, self.keep_prob)# output layer: softmaxself.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 trainingself.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)breakreturn pointdef 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

☞罗永浩欲直播带货，京东说可以帮忙联系

☞MySQL数据库无完整备份删库，除了跑路还能怎么办？

☞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