我打算编写一个使用深度卷积神经网络来评估棋位置的象棋引擎。我将使用位板来表示板状态，这意味着输入层的位置应具有12 * 64个神经元，玩家移动时应具有1个神经元（黑色代表0，黑色代表白色），而4个神经元具有铸造权利（wks， bks，wqs，bqs）。将有两个隐藏层，每个隐藏层各有515个神经元，一个输出神经元的值在黑人获胜时为-1，在白人获胜时为1，在相等位置时为0。所有神经元将使用tanh（）激活功能。
我曾考虑过通过给CNN提供许多由Stockfish评估的职位来使用监督学习，但决定不这样做，因为从某种意义上讲，它只是复制了另一个引擎的评估功能。
因此，我决定使用强化学习，调整自玩游戏的权重和偏见。但是，当我无法对给定位置进行正确评估时，如何训练神经网络呢？我如何“告诉”给定的举动是一个错误，而另一个举动却是出色的？
我已经阅读了一些有关该主题的论文和文章，但在解释训练过程时似乎都没有解释神经网络的调整...
非常感谢所有答案：））
答案 0 :(得分：0)
简单来说，给定所有棋盘的位置，代理处于特定的状态。每个状态都有一个值，可以通过多种方法（如果使用的是深层RL，则是神经网络）可以获知该值。通过在后续状态中的预期收益（回报）来获知状态值。因此，您可以通过模拟环境并从中获得奖励来训练神经网络。奖励以及状态值将用作训练您的神经网络的目标。