從本節開始，咱們將從零開始，一行一行代碼的編寫，直到完整設計出當年擊垮13次世界圍棋冠軍李世石的AlphaGo，幸運的是，在人工智能思惟下，咱們不須要成爲圍棋高手就能設計出AlphaGo，例如我對圍棋就一竅不通。咱們只須要掌握圍棋的若干條基本規則，而後你熟悉Python代碼的編寫，固然也須要你具有深度學習的基本知識，好在這方面也有完善的教學視頻，假若你對深度學習的基本原理還沒有掌握，你能夠經過下面視頻鏈接進行學習：算法
學習掌握深度學習知識原理，請點擊連接編程
本節咱們先了解圍棋走法的基本規則，同時大概描述一下程序設計思路，下一節開始咱們將開門見山，迅速動手寫代碼。圍棋在全部棋類中難度最大，但有趣的是，它的規則幾乎最簡單，圍棋充分體現了大道至簡的原則。微信
圍棋的棋盤有三種規格，分別爲99，1313和19*19，它是由若干條橫線和豎線交織而成的「田」字形網格：學習
棋子必須下在線的交叉點上而不能下在方塊中間。圍棋下子基本上沒有任何約束，你下子的目的是儘量的把對手的棋子給圍住吃掉。比賽開始後，黑子先走。當你下的棋子把對方棋子全面包圍時，對方被包圍的棋子就能夠你吃掉。人工智能
圍棋的棋子間有個概念叫相連，在一個棋子上下左右四個位置有同一顏色的棋子時，連個棋子就相連，而相連具備傳遞性，若是A與B相連，B與C相連，那麼A與C就相連。上圖中加在兩個白子中間的黑子與它上方的黑子相連，而上方黑子與它右邊的黑子相連，因而三個黑子相連成一個集合。相連要看上下左右四個位置而不能看對角線，若是上圖去掉第二行最左邊的黑棋，剩下的兩個棋子就不相連。spa
一個棋子上下左右四個位置中沒有被對方棋佔據的位置叫「自由點」，這些概念是我本身構造的，不對應專業術語，能說清楚問題便可，例如上圖中小方塊標註的位置就是3個黑旗的「自由點」，當上圖中小方塊的位置被白棋佔據，那麼黑棋就被堵死，因而就能從棋盤上拿掉。圍棋有兩個目的，就是儘量的佔地盤和吃掉對方棋子。.net
在圍堵對方時，可能會出現一些特殊狀況：設計
在上圖左邊白棋造成兩個」眼「A和B，這種狀況下黑棋就沒法吃掉白棋。由於不管你下在A仍是B，白棋都存在一個自由點，所以黑棋不管如何都形不成對白旗的圍堵，除非白棋足夠蠢能讓黑棋連續堵住這兩個點。3d
而右邊則不一樣，黑棋只要堵住C點，白棋就沒有任何自由點，因而全部白棋就全被黑棋吃掉。所以下棋時你不能下在沒有自由點的位置，除非你能造成圍堵把對方棋子吃掉。orm
當結束時，須要計算雙方的分數以便決定勝負。首先要計算死棋，也就是沒法造成兩眼的棋子集合，或者是那些不可能再有自由點的棋子集合，死棋被認爲是給對方吃掉了。
圍棋有兩種計分法，一種是領土計分。棋盤上任何上下左右都被你的棋圍住的點叫領土點，計一分，對方每一個被你吃掉的棋子也計一分。第二種叫區間計分，棋盤上任何一個上下左右被你的棋子佔據的空餘點計一分，你在棋盤上還剩下的棋子各計一分，一般狀況下兩種計分法會得出相同的結果。在程序設計時，咱們採用第二種計分法。
根據上圖，咱們計算一下黑白兩棋得分，其中大×的棋就是死棋，三角形對應的是黑棋的領土點，正方形佔據的是白棋的領土點。對於第二個落子的人，在使用領土計分時它會得到6.5分作補償，在使用區間計分時會得到7.5分作補償。多餘的0.5分是爲了防止出現平局。
根據上面棋盤咱們算一下雙方得分。白棋有兩個✘，對應死棋，同時還有一個棋被黑棋吃掉（在上面沒有顯示出來），所以黑棋至關於吃掉白棋三個子，而黑棋有兩個帶✘是死棋，至關於被白子吃掉。
三角形有10個，同時被兩個帶✘白棋佔據的位置，總共有12個領土點屬於黑棋。上圖有15個小方塊，再加上兩個帶✘黑棋佔據的位置，所以白棋的領土點有17個。
除去兩個帶✘死棋，黑棋還剩27個子。除去兩個帶✘白棋，白棋還剩25個子。按照領土計分法，若是白棋是後走，白棋得分是17個領土點+2個死棋+6.5分補償=25.5分。黑棋得分是12個領土點+2個死棋+1個吃掉的白棋（沒有在上圖顯示）=15分
按照區域計分法，白棋有17個領土點+剩餘25子+7.5補償分=49.5分。黑棋有12個領土點+剩餘27子=39分，不管何種算法，白棋都被黑棋多出10.5分。在最終結果出來前，若是一方以爲本身沒但願了，隨時能夠投子認負。
其中還有一種狀況叫ko須要注意，那就是規則要防止局面進入死循環，以下圖：
如上圖右邊，當黑子下了後會把A點處的白子吃掉。此時規則禁止白棋下在A點，由於那會把上方的黑棋吃掉，因而棋盤迴滾到上一個狀態，如此就會讓棋局陷入死循環。白子必須下在除了A點以外的另外一處，而後後續步驟中，白子才容許從新下在A點。所以黑棋基本上有機會把A點堵上，除非白棋下得很巧妙，讓黑棋不得不放棄堵住A點。
有關棋類的編程設計大多基於「樹搜索」:
首先代碼先評估當前有幾種走法，而後分別模擬給定走法，也就是上圖第二層。而後代碼繼續評估對方有多少種走法，也就是上圖第三層，而後根據對方給定走法後在一次評估本方有多少種走法，咱們看上圖最下方的箭頭已經有不少個了，隨着層數的增長，箭頭數將呈現指數級擴張。
不少棋類，例如象棋，國際象棋，五子棋等均可以依靠樹搜索進行，惟獨圍棋不行，那是由於圍棋根據樹搜索，圍棋將會呈現出爆炸式增加，使得計算機根本沒法在給定時間內進行計算，圍棋搜索數以下：
根據運算國際象棋在樹搜索通過4步後，樹的分叉有八十一萬，而對圍棋而言是四十億，通過5步後，國際象棋有兩千四百萬分叉，而對圍棋而言是一萬億，所以用樹搜索編寫圍棋程序，通過七八步以後樹的分叉會超過全宇宙全部原子數量的總和！
所以常規作法沒法完成圍棋程序。在深度學習技術成熟後，電腦纔可以經過學習和運算，在這麼多的分差中根據當前棋盤局面找出合理路徑。在後續的課程中，咱們將利用樹搜索，蒙特卡洛搜索，深度學習，加強性學習等多種技術組合在一塊兒，從而打造出一個與當初AlphaGo同樣強大的圍棋智能程序。
更多配套課程請點擊’閱讀原文‘
本文分享自微信公衆號 - Coding迪斯尼（gh_c9f933e7765d）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。