7、基于深度学习构建强大的围棋机器人

基于深度学习构建强大的围棋机器人

1. 导入围棋游戏记录

此前使用的围棋数据均为自行生成，用这些数据训练的深度神经网络，其表现上限受限于生成数据的算法。而使用高水平人类棋手的对局记录作为输入，可以显著提升围棋机器人的实力。

我们将使用 KGS 围棋服务器的游戏数据，该服务器是全球最受欢迎的围棋平台之一。在处理这些数据之前，先了解一下数据的存储格式——SGF 文件格式。

1.1 SGF 文件格式

SGF（Smart Game Format），最初称为 Smart Go Format，自 80 年代末开始发展，当前的第四版（FF[4]）于 90 年代末发布。它是一种基于文本的简单格式，可用于表示围棋、围棋变体（如专业棋手的详细对局评注）以及其他棋盘游戏。

SGF 文件的核心由游戏元数据和落子记录组成。元数据通过两个大写字母编码属性，并在方括号中指定相应的值。例如，在 9×9 棋盘上进行的围棋游戏，元数据可表示为 SZ[9]。落子记录方面，白棋在第三行第三列落子表示为 W[cc]，黑棋在第七行第三列落子表示为 B[gc]，字母 B 和 W 代表棋子颜色，行和列的坐标按字母顺序索引，用 B[]和 W[]表示弃权。

以下是一个 9×9 围棋游戏的 SGF 文件示例：

(;FF[4] GM[1] SZ[9] HA[0] KM[6.5] RU[Japanese] RE[W+9.5]
;B[gc];W[cc];B[cg];W[gg];B[hf];W[gf];B[hg];W[hh];B[ge];W[df];B[dg]
;W[eh];B[cf];W[be];B[eg];W[fh];B[de];W[ec]