棋盘代码_国际象棋程序Stockfish NNUE设计简介（二）棋盘表示

最新推荐文章于 2024-08-22 09:29:05 发布

Clarlie

最新推荐文章于 2024-08-22 09:29:05 发布

阅读量1.8k

点赞数

文章标签：棋盘代码

本文链接：https://blog.csdn.net/weixin_36396555/article/details/112693691

版权

本文介绍了Stockfish国际象棋程序的NNUE（Neural Network UCI Enhancement）设计，特别是棋盘表示方法。棋盘表示采用41024维的二进制向量，区分“己方”与“对方”，并进行黑白棋子的翻转处理，以确保对称性。NNUE通过二进制化枚举值提高线性可分性，采用稀疏向量存储，减少计算和存储成本，实现快速的棋盘状态更新。这种方法体现了深度学习中简化特征工程的“端到端学习”思想。

摘要由CSDN通过智能技术生成

棋盘表示，即将一个静态的棋盘状态信息量化为一个向量表示，也就是问题形式化的过程。机器学习中也称这个步骤为“特征工程”。这里仅介绍在Stockfish 12中使用的网络结构，也就是HalfKP_256X2_32_32。

NNUE的棋盘表示并未用到任何需要复杂计算的高级信息，仅使用了朴素的棋子与所在格子的组合枚举。作为NNUE估值网络的输入，每一个棋盘局面被表示成为一个41024 x 2 = 82048维的二进制向量。其中41024维是两个棋手中某一方的棋盘表示，而2指棋手双方。注意，这里的x2指的并不是简单的”白方、黑方“，而是指“己方、对方”。

己方与对方

那么什么是“己方“与“对方”，以及为什么要这样区分呢？这就要从Min-Max搜索本身性质说起。

经典Min-Max搜索规定了，在二人有限零和博弈中，一方为“极大” 方，另一方为“极小”方。极大方与极小方轮流相互调用：极大方对每个子节点先调用极小搜索，然后在返回的极小值中选最大的返回；极小方则相反。而估值函数只需返回一个[-1.0，+1.0]之间的概率，以指示当前局面对极大方还是极小方更有利（由符号决定：+表示极大方占优，反之则极小方占优），以及有利的程度（由绝对值决定，越大优势程度越高）。但是稍加观察你就会发现，极小方搜索时做的事情和极大方几乎完全一样，只有符号相反。于是就有了将两方统一起来的Nega-Max搜索。

int NegaMax(int depth) {
    
    if (depth == 0) return evaluate(side_to_move);
    int max = -inf;
    for (all_moves) {
    
        score = -NegaMax(depth - 1);
        if (score > max)
            max = score;
    }
    return max;
}

在Nega-Max搜索中，每一方都是极大方。在搜索每个节点时