16、围棋数据神经网络设计与优化

围棋数据神经网络设计与优化

1. 卷积网络空间分析

在卷积网络的讨论中，我们主要关注了如何将数据输入卷积层，而未涉及反向传播的工作原理。这是因为其数学原理较为复杂，且Keras会自动处理反向传播过程。

通常，卷积层的参数比全连接层少很多。例如，在一个28×28的输入图像上定义一个核大小为(3, 3)的卷积层，输出大小为26×26，该卷积层仅有3×3 = 9个参数，再加上每个卷积输出的偏置项，总共10个参数。而一个将长度为28×28的输入向量连接到长度为26×26的输出向量的全连接层，有28×28×26×26 = 529,984个参数（不包括偏置）。不过，卷积运算的计算成本比全连接层中使用的常规矩阵乘法更高。

2. 使用Keras构建卷积神经网络

要使用Keras构建和运行卷积神经网络，需要使用名为Conv2D的新层类型，它可对二维数据（如围棋棋盘数据）进行卷积操作。还会用到Flatten层，它能将卷积层的输出展平为向量，以便输入到全连接层。

2.1 数据预处理

输入数据的预处理步骤与之前有所不同，不再将围棋棋盘展平，而是保留其二维结构。以下是具体代码：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Conv2D, Flatten 
np.random.seed(123)
X = np.load('../generated_games/features-40k.