问如何为国际象棋编写神经网络程序？

EN

去过那里，做过这些。由于你的问题没有连续性(一个位置的值与另一个位置的值没有密切的关系，只有一个输入值的变化)，所以神经网络工作的可能性很小。在我的实验中它从来没有起过作用。

我宁愿看到一个模拟退火系统和一个特别的启发式(有很多)来评估职位的价值……

但是，如果您使用NN，则表示is相对容易。一般的神经网络是一个简单的图，每个节点都是一个神经元。每个神经元具有当前激活值，以及基于输入值计算下一个激活值的转换公式，即，具有到它的链接的所有节点的激活值。

因此，可以由输入节点数组、输出节点数组和连接这些节点的链接图来表示更经典的NN，即具有输入层、输出层、每一层的相同神经元并且没有时间依赖性。每个节点都有一个当前激活值，以及它转发到的节点列表。计算输出值只需将输入神经元的激活设置为输入值，然后依次迭代每个后续层，使用转换公式计算前一层的激活值。当你到达最后一个(输出)层时，你就有了结果。

以防有人随机找到这个页面。鉴于我们现在所知道的，OP提出的建议几乎肯定是可能的。事实上，我们成功地为一个具有更大状态空间的游戏做到了这一点- Go ( https://deepmind.com/research/case-studies/alphago-the-story-so-far )。

我不明白为什么你不能有一个神经网络的静态计算器，如果你还做了一些经典的最小最大前瞻与阿尔法-贝塔修剪。许多国际象棋引擎都使用minimax，它有一个智能的静态求值器，它只是将棋子相加或其他东西；如果你有足够的minimax级别，这并不重要。我不知道网络会带来多大的改进，但也没什么可失去的。不过，训练它会很棘手。我建议使用一个前瞻多步的引擎(并且需要CPU负载等)来训练一个前瞻较少的引擎的评估器。这样，你最终得到的引擎就不会占用那么多的CPU (希望如此)。

编辑:我在2010年写了上面的内容，现在是2020年的Stockfish NNUE has done it。“网络在中等搜索深度的数百万个位置的经典Stockfish评估上进行了优化和训练”，然后用作静态评估器，在他们的初始测试中，当使用这个静态评估器而不是以前的静态评估器时，他们获得了80-elo改进(或者，等效地，以更少的CPU时间使用相同的elo )。所以，是的，它确实有效，你甚至不必像我最初建议的那样，在高搜索深度下训练网络:中等搜索深度就足够了，但关键是要使用数百万个位置。