我正在开展一个项目，我将棋盘位置（FEN字符串转换为二进制）＆amp;它的评估分数并将其提供给神经网络。我的目标是让神经网络区分好的和坏的位置。
我如何对位置进行编码：国际象棋中有12个独特的棋子，例如 white 的棋子，车手，骑士，主教，女王和国王以及黑。我使用4位编码每个部分，0000表示空方块。因此，64个方块被编码为256位，我使用6个位来表示游戏状态，如轮到移动，国王城堡状态等。
问题：由于国际象棋位置的输入空间既不平滑也不是单模（棋盘位置的一个小变化会导致评估得分发生巨大变化），神经网络不会学得不错。现在，下一个逻辑上的东西以某种方式提取有用的功能（如材料差异，中心控制等）并将其提供给网络。
我不想亲自挑选功能，因为我希望网络能够自己学习所有内容。因此，我正在考虑使用 autoencoders 自动提取功能。有没有更好的方法来实现这个目标？
摘要：从棋盘位置自动提取功能以便将其输入神经网络的最佳方法是什么？
更新：为了生成培训数据，我修改了Stockfish以将其评估过程转储到日志文件中。因此，它考虑的每个新移动（位置）都将作为FEN字符串写入文件及其eval得分
答案 0 :(得分：1)
神经网络可以给出任何函数的近似值。要做的唯一考虑因素是搜索空间的维度，它会限制您获得良好近似值的数据量。
对于一个受监督的网络（你使用自动编码器，然后我认为你使用了一些反向传播的变体），我很难想象你如何使用单一位置进行训练，因为你需要在你的训练集中使用类似的位置。也许你的方法不同，但我确信第二种策略（使用功能）更有前途。我认为使用职位需要大量的数据培训才能取得好成绩。
我还从Crafty的源代码中获取了有用的信息。
但你必须从FEN字符串中提取这些信息。
自动编码器是一种减少数据的方法（因为提高了性能）。据报告here，使用Pincipal Component Analysys似乎更好。
我希望这可以帮到你。