本文介绍了井字游戏变种方案，可通过设置xsize、ysize指定棋盘大小，winnum指定连珠数。用两个深度学习模型分别扮演玩家和电脑自动对弈，借QLearning记录每步，依胜负判定方案好坏。代码展示了模型训练等过程，包括迭代、下棋、胜负判定及模型更新等。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

Tic-Tac-Toe：井字游戏（井字棋）

是一种在3x3格子上进行的连珠游戏，和五子棋比较类似，由于棋盘一般不画边框，格线排成井字故得名。游戏需要的工具仅为纸和笔，然后由分别代表O和X的两个游戏者轮流在格子里留下标记（一般来说先手者为X）。由最先在任意一条直线上成功连接三个标记的一方获胜。

   

方案介绍

该方案为井字游戏的变种，可以通过设置xsize、ysize来指定棋盘大小，通过设置winnum来指定连珠数，每局结束的判定在VictoryRule.py文件中写明，QLearning.py文件是Q表格，用于记录电脑和玩家的每一步。

美图云修

商业级AI影像处理工具

50 查看详情

方案设置了两个深度学习模型扮演玩家和电脑，双方自动下棋，根据最后获胜方来判别方案的好坏

代码实现

In [1]

import numpy as npimport paddlefrom Model import Modelfrom VictoryRule import Rulefrom QLearning import QLearningfrom visualdl import LogWriter
log_writer = LogWriter(logdir="./log")


Max_Epoch = 200           #最大迭代次数xsize = 3                 #多少行ysize = 3                 #多少列winnum = 3                #连珠数，多少个连珠则获胜learning_rate = 1e-3      #学习率decay_rate = 0.6          #每步衰减率player=1                  #玩家是数字，非0，非负computer=2                #电脑的数字，非0，非负remain = []               #地图中剩余可下棋子位置rule = Rule(xsize,ysize,winnum) #规则Qchart = QLearning(xsize * ysize,decay_rate)#Q表格player_model = Model(xsize * ysize,xsize * ysize)
player_model.train()
computer_model = Model(xsize * ysize,xsize * ysize)
computer_model.train()
player_optimizer = paddle.optimizer.SGD(parameters=player_model.parameters(),
                                  learning_rate=learning_rate)
computer_optimizer = paddle.optimizer.SGD(parameters=computer_model.parameters(),
                                  learning_rate=learning_rate)def restart():
    "重启环境"
    Qchart.clear()
    remain.clear()
    rule.map = np.zeros(xsize * ysize,dtype=int)    for i in range(xsize * ysize):
        remain.append(i)def modelupdate(player_loss,computer_loss):
    "模型更新"
    log_writer.add_scalar(tag="player/loss", step=epoch, value=player_loss.numpy())
    log_writer.add_scalar(tag="computer/loss", step=epoch, value=computer_loss.numpy())    # 梯度更新
    player_loss.backward()
    computer_loss.backward()
    player_optimizer.step()
    player_optimizer.clear_grad()
    computer_optimizer.step()
    computer_optimizer.clear_grad()
    paddle.s*e(player_model.state_dict(),'player_model')
    paddle.s*e(computer_model.state_dict(),'computer_model')    

for i in range(xsize * ysize):
    remain.append(i)for epoch in range(Max_Epoch):    while True:
        player_predict = player_model(paddle.to_tensor(rule.map, dtype='float32',stop_gradient=False))#玩家方预测
        for pred in np.argsort(-player_predict.numpy()):            if pred in remain:
                remain.remove(pred)                break
        rule.map[pred] = player
        Qchart.update(pred,'player')        print('player down at {}'.format(pred))
        overcode=rule.checkover(pred,player)        if overcode == player:            "获胜方为玩家"
            player_loss = paddle.nn.functional.mse_loss(player_predict, paddle.to_tensor(Qchart.playerstep, dtype='float32', stop_gradient=False))
            computer_loss = paddle.nn.functional.mse_loss(computer_predict, paddle.to_tensor(-1 * Qchart.computerstep, dtype='float32', stop_gradient=False))#损失计算中，失败方的label为每步的负数
            print("Player Victory!")            print(rule.map.reshape(xsize,ysize))            #print("epoch:{}\tplayer loss:{}\tcomputer loss:{}".format(epoch,player_loss.numpy()[0],computer_loss.numpy()[0]))
            modelupdate(player_loss,computer_loss)
            restart()            break
        elif overcode == 0:
            player_loss = paddle.nn.functional.mse_loss(player_predict, paddle.to_tensor(Qchart.playerstep, dtype='float32', stop_gradient=False))
            computer_loss = paddle.nn.functional.mse_loss(computer_predict, paddle.to_tensor(Qchart.computerstep, dtype='float32', stop_gradient=False))            print("Draw!")            print(rule.map.reshape(xsize,ysize))            #print("epoch:{}\tplayer loss:{}\tcomputer loss:{}".format(epoch,player_loss.numpy()[0],computer_loss.numpy()[0]))
            modelupdate(player_loss,computer_loss)
            restart()            break
        computer_predict = computer_model(paddle.to_tensor(rule.map, dtype='float32',stop_gradient=False))#电脑方预测
        for pred in np.argsort(-computer_predict.numpy()):            if pred in remain:
                remain.remove(pred)                break
        rule.map[pred] = computer
        Qchart.update(pred,'computer')        print('computer down at {}'.format(pred))
        overcode=rule.checkover(pred, computer)        if overcode == computer:
            player_loss = paddle.nn.functional.mse_loss(player_predict, paddle.to_tensor(-1 * Qchart.playerstep, dtype='float32', stop_gradient=False))
            computer_loss = paddle.nn.functional.mse_loss(computer_predict, paddle.to_tensor(Qchart.computerstep, dtype='float32', stop_gradient=False))            print("Computer Victory!")            print(rule.map.reshape(xsize,ysize))            #print("epoch:{}\tplayer loss:{}\tcomputer loss:{}".format(epoch,player_loss.numpy()[0],computer_loss.numpy()[0]))
            modelupdate(player_loss,computer_loss)
            restart()            break
        elif overcode == 0:
            player_loss = paddle.nn.functional.mse_loss(player_predict, paddle.to_tensor(Qchart.playerstep, dtype='float32', stop_gradient=False))
            computer_loss = paddle.nn.functional.mse_loss(computer_predict, paddle.to_tensor(Qchart.computerstep, dtype='float32', stop_gradient=False))            print("Draw!")            print(rule.map.reshape(xsize,ysize))            #print("epoch:{}\tplayer loss:{}\tcomputer loss:{}".format(epoch,player_loss.numpy()[0],computer_loss.numpy()[0]))
            modelupdate(player_loss,computer_loss)
            restart()            break

   

输出格式

player down at 7computer down at 3player down at 1computer down at 8player down at 6computer down at 2player down at 0computer down at 5Computer Victory!
[[1 1 2]
 [2 0 2]
 [1 1 2]]

   

以上就是Tic-Tac-Toe：井字游戏（井字棋）的详细内容，更多请关注其它相关文章！

# 工具  # 电脑  # 中文网  # 美图  # type  # writer  # red  # ai  # 东莞网站建设美丽图片  # 关键词排名优化a来赞61下拉  # 沈阳网站优化线上办理  # seo招什么专业  # 枣庄seo优化口碑哪家好  # 美食网页模板网站推广  # 吕梁信息化关键词排名  # 成都湖南网站优化推广  # 淮北公司网站建设  # 网站手机优化  # 迭代  # 重构  # 新进展  # 来袭  # 技嘉  # 首款  # 好用  # 多项 

相关栏目： 【 行业资讯67740 】 【 技术百科0 】 【 网络运营39195 】

相关推荐： 市盈率中1stdv是什么意思  为什么要出折叠屏手机  液位传感器power是什么意思  红米手机怎么设置变成5G手机  电脑显示器上power是什么意思  市盈率3.2是什么意思  typescript如何做项目  路由器上的power按钮是什么意思  如何进入安卓命令行  市盈率是什么意思高好还是低好  市盈率ttm写的亏损是什么意思  手机全功能type-c接口是什么意思  vs如何输入命令行参数  43寸电视长宽多少厘米  阿里云盘的会员怎么用  羽毛球拍power9是什么意思  春运抢票最快几天能成功  怎么自学typescript  命令行如何运行c  linux如何安装yum命令  自己如何安装固态硬盘  面包车收音机power是什么意思  单片机加法程序怎么写  如何通过命令行聊天  考勤机power红灯是什么意思  光刻机是干什么用的  推特是什么软件国内可以使用吗  苹果16系统有哪些问题  vb中的datediff函数怎么用 ​VB中的DateDiff函数：详尽指南  固态硬盘 如何分区  苹果16有哪些不同  j*a怎么声明byte数组  typescript怎么写react  typescript是什么时候出来的  电脑显示屏上power是什么意思  linux如何使用db2命令  typescript怎么使用vue  制冰机power1灯亮是什么意思  焊机上power灯闪是什么意思  市盈率百分位roe是什么意思  广东春运几点抢票  苹果16都有哪些亮点  如何学习typescript  nfc近场通讯功能是什么意思  typescript和哪个语音很像  360n5锁屏壁纸怎么设置  5r是多少钱  如何更新typescript  J*a数组静态怎么打  如何把u盘改成固态硬盘