可以自我学习的AI五子棋

[人工智能]实现自我学习，五子棋

初学机器学习，从分类到聚类，从朴素贝叶斯到SVM，从神经网络到深度学习，各种神秘的项目，但是感觉干的各种事情离我们生活还是太远了。最近AlphaGo Zero的发布，深度学习又火了一把，小伙伴们按捺不住内心的躁动，要搞一个游戏AI，好吧，那就从规则简单、老少皆宜的五子棋开始学起。工欲善其事必先利其器，要实现五子棋的AI，连棋都没有，AI个锤子！

• 简介五子棋

五子棋分为有禁手和无禁手，我们先实现一个普通版本的无禁手版本作为例子，因为这个不影响我们实现一个AI。补充说明一下，无禁手黑棋必胜，经过比赛和各种研究，人们逐渐知道了这个事实就开始想办法来限制黑棋先手优势。于是出现了有禁手规则，规定黑棋不能下三三，四四和长连。但随着比赛的结果的研究的继续进行，发现其实即使是对黑棋有禁手限制，还是不能阻止黑棋开局必胜的事实，像直指开局中花月，山月，云月，溪月，寒星等，斜指开局中的名月，浦月，恒星，峡月，岚月都是黑棋必胜。于是日本人继续提出了交换和换打的思想，到了后来发展成了国际比赛中三手交换和五手二打规则，防止执黑者下出必胜开局或者在第五手下出必胜打。所以结论是，在不正规的比赛规则或者无禁手情况下，黑棋必胜是存在的。

• 实现五子棋

这里用Python来实现，因为之后的机器学习库也是Python的，方便一点。界面和逻辑要分开，解耦合，这个是毋庸置疑的，并且之后还要训练AI，分离这是必须的。所以我们先来实现一个五子棋的逻辑。我们先来考虑五子棋是一个15*15的棋盘，棋盘上的每一个交叉点（或格子）上一共会有3种状态：空白、黑棋、白棋，所以先建个文件 consts.py
做如下定义：

from enum import Enum
N = 15
class ChessboardState(Enum):
    EMPTY = 0
    BLACK = 1
    WHITE = 2

棋盘的状态，我们先用一个15*15的二维数组chessMap来表示，建一个类 gobang.py文件，currentI、currentJ、currentState 分别表示当前这步着棋的坐标和颜色，再定义一个get和set函数，最基本的框架就出来了，代码如下：

from enum import Enum
from consts import *
class GoBang(object):
    def __init__(self):
        self.__chessMap = [[ChessboardState.EMPTY for j in range(N)] for i in range(N)]
        self.__currentI = -1
        self.__currentJ = -1
        self.__currentState = ChessboardState.EMPTY
    def get_chessMap(self):
        return self.__chessMap
    def get_chessboard_state(self, i, j):
        return self.__chessMap[i][j]
    def set_chessboard_state(self, i, j, state):
        self.__chessMap[i][j] = state
        self.__currentI = i
        self.__currentJ = j
        self.__currentState = state

这样界面端可以调用get函数来获取各个格子的状态来决定是否绘制棋子，以及绘制什么样的棋子；每次下棋的时候呢，在对应的格子上，通过坐标来设置棋盘Map的状态。
所以最基本的展示和下棋，上面的逻辑就够了，接下来干什么呢，得考虑每次下棋之后，set了对应格子的状态，是不是需要判断当前有没有获胜。所以还需要再加两个函数来干这个事情，思路就是从当前位置从东、南、西、北、东南、西南、西北、东北8个方向，4根轴，看是