# PythonGo

**Repository Path**: tank2140896/PythonGo

## Basic Information

- **Project Name**: PythonGo
- **Description**: Python、围棋、深度学习、蒙特卡洛树搜索
- **Primary Language**: Python
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: https://gitee.com/tank2140896/PythonGo
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 1
- **Created**: 2023-01-06
- **Last Updated**: 2024-06-21

## Categories & Tags

**Categories**: Uncategorized

**Tags**: Python, 围棋, 深度学习, 蒙特卡洛树搜索

## README

# Python围棋深度学习          
源代码参考：https://github.com/maxpumperla/deep_learning_and_the_game_of_go    
谷歌论文解读参考：https://blog.csdn.net/weixin_36474809/article/details/86172679     
# 简要说明          
一、棋盘绘制采用的是turtle，因为要获取所有要提子的点位坐标（如果有），逻辑上多了些处理，如果不绘制棋盘，只输出落子的坐标，可以提高点执行速度。画图时time.sleep(1)需要要加上，不然可能由于画图速度跟不上下棋速度而导致棋面错乱不对    
二、采用turtle时，draw.draw_board(finish=True)即turtle.done()会终止一切行为，因此一定要放在所有逻辑最后，编码时要注意！！！这个坑踩了我一下午的时间。。。     
三、目前可以基于基础规则进行随机落子和蒙特卡洛树搜索，但是执行速度还有较多优化空间    
1、目前完整一轮9 * 9规格的棋盘的随机模拟对局（去除棋盘绘制、sleep休眠等待、print输出），大约平均耗时0.04秒（单机约400秒才能完成1万次模拟），如果是19 * 19规格的棋盘的模拟对局，平均时间需要0.85秒。当然，还受机器性能等影响    
2、导致速度慢的主要原因包括：多条机器人基础规则的逻辑处理、合并棋链的逻辑（同时包括黑旗和白旗）处理、面向对象编程时对象拷贝带来的性能消耗、随着探索次数的增加而导致的越来越庞大的蒙特卡洛搜素树等      
四、目前提供了两种机器人落子策略（依然很简陋，机器人依然很笨。。。），参见：go/core/strategy.py      
1、随机落子：bot_move_random    
2、蒙特卡洛树搜索：bot_move_mcts     
五、其它    
Python：非常适合数据挖掘、AI 编程、统计程序、研究项目、网站、小型粘合程序和学习如何编程    
C：是编写小型、嵌入式、安全关键和高性能程序的最佳语言    
C++：是在满足对C语言的需求上，用来编写大型软件系统的最佳选择    
Java：是最适合业务应用程序的后端和为 Android 编写应用程序