Как закодировать искусственную нейронную сеть (Tic-tac-toe)?

Question

Я хочу играть в Tic-tac-toe используя искусственную нейронную сеть. Моя конфигурация для сети выглядит следующим образом: Для каждого из 9 полей я использую 2 входных нейрона. Итак, у меня есть 18 входных нейронов, конечно. Для каждого поля у меня есть 1 входной нейрон для части 1-го и 1-го нейрона для части 2-го игрока. В дополнение к этому у меня есть 1 выходной нейрон, который дает оценку текущей позиции платы. Чем выше значение выходного сигнала, тем лучше положение для игрока 1. Чем ниже оно, тем лучше для игрока 2.

Но моя проблема: как я могу закодировать эту нейронную сеть? Моя идея заключалась в использовании массива [1-18] для входных нейронов. Значениями этого массива являются входные веса. Я бы прошел через массив, используя цикл. Когда активируется нейрон, я добавляю вес к выходному значению. Таким образом, выходное значение является суммой весов активированных входных нейронов:

Output = SUM(ActivatedInputNeurons) 

Как вы думаете, это хороший способ программирования сети? У вас есть лучшие идеи?

Надеюсь, вы можете мне помочь. Заранее спасибо!

Answer 1

Ну, у вас есть входной слой из 18 нейронов и выходной слой из 1 нейрона. Ничего страшного. Тем не менее, вам нужно дать вашей нейронной сети возможность вставить эти данные в отношения. Для этого вам нужен хотя бы один промежуточный слой. Я бы предложил использовать 9 нейронов в промежуточном слое. Каждый из них должен быть подключен к каждому входному нейрону, а выходной нейрон должен быть подключен к каждому промежуточному. Каждое такое соединение имеет вес, и каждый нейрон имеет уровень активации.

Затем вы проходите через все нейроны, слой за раз. Входной уровень только активируется с состоянием платы. Для всех последующих нейронов вы проходите все соответствующие соединения и суммируете по продукту уровня активации подключенного нейрона и веса соединения. Наконец, вы вычисляете уровень активации, применяя сигмовидную функцию к этой сумме.

Это принцип работы. Теперь вам нужно обучить эту сеть, чтобы получить лучшие результаты. Для этого есть несколько алгоритмов, вам придется делать некоторые поисковые запросы и чтение. Наконец, вы можете настроить количество нейронов и слоев, когда результаты не будут достаточно убедительными. Например, вы можете уменьшить входной слой до 9 нейронов и активировать их с +1 для X и -1 для O. Возможно, добавление другого промежуточного слоя дает лучшие результаты или увеличение числа нейронов слоя.

Answer 2

Это отличный стартовый проект для кодирования AI, но придумывание полного решения будет способом получить ответ для SO.

Как и в большинстве программ, я рекомендую использовать объектно-ориентированный дизайн. Например: Определите класс Neuron, который имеет входы, весы и функцию вывода. Затем создайте несколько из этих объектов Neuron, чтобы построить свою сеть.

См. Статью в Википедии о artificial neural networks для хорошей отправной точки.

Удачи вам в коде! Звучит очень весело.

Answer 3

После добавления весов вам необходимо нормализовать сумму, используя функцию, обычно люди используют TANH, если вы хотите разрешить отрицательные числа.

редактировать:

Here is a java multilayer perceptron реализация, что я работал на несколько лет назад. этот был использован для шашек, но с меньшими затратами вы можете использовать его и для шашек.

Кроме того, вы должны, вероятно, выяснить способ, чтобы научить его, чтобы выиграть, но вот еще одна проблема

Answer 4

Это не является прямым ответом на ваш вопрос, но вы должны взглянуть на следующую рамочным/инструмент : SNNS или его аналог Java JavaNNS. Я уверен, что там вы найдете ответ на свой вопрос.

Answer 5

Я думаю, что вы должны реализовать «традиционный» feed-forward ANN, используя передаточные функции, поскольку это позволяет вам обучать его с помощью обратного распространения. Код для них, как правило, заканчивается тем, что несколько строк кода, что-то вроде этого:

SetupInputs(); 
for (l = 1 .. layers.count) 
    for (i = 0 .. layers[l].count) 
     sum = 0 
     for (j = 0 .. layers[l-1].count) 
      sum += layers[l-1][j] * weights[l-1][j] 
     layers[l][i] = TransferFunction(sum) 

Answer 6

я не особо понимаю, как вы ожидаете получить содержательный обзор ситуации доска из одного выходного нейрона. Я бы больше посмотрел на наличие:

I I I    O O O 
    I I I  x  O O O 
    I I I    O O O 
9 input neurons 9 output neurons 

в полностью подключенной сети, то есть 81 вес.Затем тренируйте выходные нейроны относительно относительной желательности игры в этом положении.

Answer 7

Посмотрите на мой проект Tic. Я решил эту проблему как с нейронной сетью, так и с генетическим алгоритмом. Исходный код свободно доступен.

http://www.roncemer.com/tic-tac-toe-an-experiment-in-machine-learning

Answer 8

Вы сэкономите время, если использовать нейронную сеть библиотеки как FANN или Neuroph.

Один из способов кодирования вашего ввода - 9 входных нейронов. Выход также хорош для 9 нейронов. То, что я не вижу в других повторах, - это размер скрытого слоя. Я полагаю, вы собираетесь использовать MLP с традиционными 3 слоями. Размер скрытого слоя всегда тайна. Я бы попробовал 10 скрытых нейронов.

Если передаточная функция сигмовидной вы можете кодировать ввод следующим образом:

0,0 - O-проигрыватель.

1.0 - X игрок.

0,5 - Пустой.

Выход ANN будет представлять собой 9 действительных чисел. В этом случае некоторые из ячеек будут заняты уже. Вы можете найти самое высокое выходное значение, которое соответствует пустой ячейке.