Python 为什么在为深度学习任务代表棋盘时使用逻辑移位？

最近我遇到了一个twitch streamer，他正在开发自己的基于深度学习的国际象棋引擎。我正在浏览视频中看到的代码，有一件事我不太明白，为什么他在准备训练输入数据（即棋盘表示）时使用逻辑移位。以下是他遵循的粗略步骤：

他获取了一个“pgn”格式的国际象棋游戏数据集

对于每个游戏中的每个移动，都会出现一个新的棋盘状态。这些新状态中的每一个都以以下方式序列化：

• 他创建了一个8x8矩阵，表示此特定移动后的8x8板
• 矩阵应该存储8位无符号整数
• 他将所有棋子放在棋盘上（即矩阵中）
• 白色部分的定义如下：

  {“P:1，N:2，B:3，R:4，Q:5，K:6}

• 黑色部分的定义如下：

  {p:9，n:10，b:11，r:12，q:13，k:14}

• 这意味着，例如，白兵在矩阵中存储为“1”，而黑皇后将存储为“13”

序列化电路板后，他通过执行一些我不太理解的逻辑位操作，从原始8x8矩阵生成最终的电路板状态。此外，新生成的（即最终板状态）不是8x8，而是5x8x8：

---

我想知道有谁能帮我理解这些操作背后的逻辑吗？据我所知，他希望根据不同的逻辑移位（3、2、1和0位逻辑左移位）创建5种不同的8x8板表示。但是，我不能完全确定这个假设是否正确，我也不知道在棋盘表示的上下文中运行这些操作背后的原因是什么。

这些是二进制的： P:0001 编号：0010 B:0011 R:0100 Q:0101 K:0110 p:1001 n:1010 b:1011 r:1100 q:1101 k:1110

您可以看到，所有黑色片段的左位始终为1，而白色片段的左位始终为0。这就是跳过7和8的原因。 与

（旧邦>>3）和1

颜色指示位一直向右移动。&1删除了所有不需要的内容。因此，如果工件的颜色为黑色，则该表达式返回1，否则返回0。 其他三位表示独立于颜色的工件类型。 您不了解的位操作用于从8位整数中获取各个位，以将它们存储在numpy数组中。numpy阵列是神经网络的输入，具有5x8x8维，因为五个输入神经元用于表示电路板的每个字段

 # Init new board state
 final_boardstate = np.zeros((5, 8, 8), np.uint8)

 # old_boardstate is the initial 8x8 matrix containing uint8 values
   
 # Bit operations that I don't understant
 final_boardstate[0] = (old_boardstate>> 3) & 1
 final_boardstate[1] = (old_boardstate>> 2) & 1
 final_boardstate[2] = (old_boardstate >> 1) & 1
 final_boardstate[3] = (old_boardstate >> 0) & 1