Machine learning 如何在神经网络的输出中执行象棋中的移动合法性等规则？
如何将规则（如国际象棋规则）应用于神经网络，使网络不会预测/训练无效的移动？在AlphaZero国际象棋的示例中，网络的输出形状允许从任何正方形开始的任何棋子的所有可能移动 从报纸上看： 国际象棋中的一步可以分为两个部分：选择要移动的棋子，然后 在该乐曲的合法舞步中进行选择。我们用8×8×73表示策略π（a | s） 编码4672个可能移动概率分布的平面堆栈。每一个都是8×8 位置标识从中“拾取”工件的正方形。前56个平面编码 任何棋子可能的“皇后移动”：棋子将在其中移动的若干方块[1..7] 沿着八个相对罗盘方向之一{N，ne，E，SE，S，SW，W，nw}移动。这个 接下来的8架飞机对该棋子可能的骑士动作进行编码。最后9个平面在两个可能的对角线上对典当移动或捕获的可能不足的推进进行编码，分别为骑士、主教或骑士 分别是鲁克。第七等级的其他棋子移动或捕获提升为 女王 因此，例如，允许网络为移动Machine learning 如何在神经网络的输出中执行象棋中的移动合法性等规则？,machine-learning,tensorflow,neural-network,keras,lstm,Machine Learning,Tensorflow,Neural Network,Keras,Lstm,如何将规则（如国际象棋规则）应用于神经网络，使网络不会预测/训练无效的移动？在AlphaZero国际象棋的示例中，网络的输出形状允许从任何正方形开始的任何棋子的所有可能移动 从报纸上看： 国际象棋中的一步可以分为两个部分：选择要移动的棋子，然后 在该乐曲的合法舞步中进行选择。我们用8×8×73表示策略π（a | s） 编码4672个可能移动概率分布的平面堆栈。每一个都是8×8 位置标识从中“拾取”工件的正方形。前56个平面编码 任何棋子可能的“皇后移动”：棋子将在其中移动的若干方块[1..7]
g1-f3g1e8=Qe7d1-h5d1model.add(Dense(4672, activation='softmax'))
总之：在预测国际象棋棋棋步的神经网络结构中，不一定要强制执行棋步合法性，我们可以允许所有可能的棋步（包括非法棋步），并训练网络输出非法棋步的低概率或零概率。然后，当我们使用移动概率进行游戏时，我们可以仅对合法移动进行规范化以获得所需结果，但这是在神经网络之外发生的。在AlphaZero国际象棋的示例中，网络的输出形状允许从任何正方形开始的任何棋子的所有可能移动 从报纸上看： 国际象棋中的一步可以分为两个部分：选择要移动的棋子，然后 在该乐曲的合法舞步中进行选择。我们用8×8×73表示策略π（a | s） 编码4672个可能移动概率分布的平面堆栈。每一个都是8×8 位置标识从中“拾取”工件的正方形。前56个平面编码 任何棋子可能的“皇后移动”：棋子将在其中移动的若干方块[1..7] 沿着八个相对罗盘方向之一{N，ne，E，SE，S，SW，W，nw}移动。这个 接下来的8架飞机对该棋子可能的骑士动作进行编码。最后9个平面在两个可能的对角线上对典当移动或捕获的可能不足的推进进行编码，分别为骑士、主教或骑士 分别是鲁克。第七等级的其他棋子移动或捕获提升为 女王 因此，例如，允许网络为移动
g1-f3g1e8=Qe7d1-h5d1