国际象棋棋盘位置的自动特征提取

Question

我正在做一个项目，在那里我采取一个象棋棋盘位置（FEN字符串转换成二进制）&它的评估分数，并将它馈送给一个神经网络。我的目的是让神经网络区分好的和坏的仓位。

我是如何编码位置的：国际象棋中有12个独特的棋子，即棋子，棋子，骑士，主教，王后和国王，白棋和黑棋一样。我使用4位编码每一个片段，其中0000表示一个空的正方形。所以64个方块被编码成256位，我用另外6位来表示游戏状态，比如轮到谁移动，国王-城堡状态等等。

问题：由于棋位的输入空间既不是平滑的，也不是单模态的（棋盘位置的一个小变化就会导致评估分数的巨大变化），神经网络学习不好。现在，下一个合乎逻辑的事情是以某种方式提取有用的特征（如材料差异、中心控制等）并将其提供给网络。

我不想手工选择功能，因为我希望网络自己学习一切。因此，我正在考虑使用自动编码器自动提取特征。有什么更好的方法来完成这件事吗？

总结：从棋盘位置自动提取特征，让它馈入神经网络，最好的方法是什么？

更新：为了生成训练数据，我修改了Stockfish以将其评估过程转储到日志文件中。因此，它考虑的每一个新移动（位置）都作为一个FEN字符串连同它的eval分数一起写入到一个文件中

Answer 1

神经网络可以给出任何函数的近似。唯一需要考虑的是搜索空间的维数，它给出了获取良好近似所需的数据量的约束条件。

对于一个有监督的网络（你使用自动编码器，然后我认为你使用反向传播的一些变体），我很难想象你认为如何使用单一位置来进行训练，因为你需要在你的训练集中使用相似的位置。也许您的方法不同，但我确信第二种策略（使用特性）更有前途。我认为使用职位需要大量的数据训练才能得到好的效果。

关于功能，请看这里和香农的经典作品。

我还从Crafty的源代码中获得了有用的信息。

但您必须从FEN字符串中提取这些信息。

自动编码器是一种减少数据的方法（很好，因为提高了性能）。它似乎是更好的使用针成分易观，如报告在这里。

希望这能帮到你。